| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题研究目的及背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 传统的变电设备状态监测方法 | 第10页 |
| 1.2.2 变电设备智能状态监测方法 | 第10-11页 |
| 1.3 论文研究内容及章节安排 | 第11-13页 |
| 1.3.1 论文的主要工作 | 第11-12页 |
| 1.3.2 论文的章节安排 | 第12-13页 |
| 第2章 深度学习神经网络 | 第13-23页 |
| 2.1 深度学习神经网络概述 | 第13-14页 |
| 2.1.1 神经网络机理 | 第13页 |
| 2.1.2 深度学习概念 | 第13-14页 |
| 2.2 深度学习方法 | 第14-20页 |
| 2.2.1 受限波尔兹曼机(RBM) | 第14-15页 |
| 2.2.2 自动编码器(AE) | 第15-18页 |
| 2.2.3 卷积神经网络(CNN) | 第18-20页 |
| 2.3 深度学习神经网络的应用 | 第20-22页 |
| 2.3.1 深度学习的应用 | 第20-21页 |
| 2.3.2 深度学习在变电设备状态监测中应用分析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 变电设备状态量指标体系构建及特征提取 | 第23-36页 |
| 3.1 状态监测量的指标体系构建 | 第23-29页 |
| 3.1.1 指标选择原则与指标构成 | 第23页 |
| 3.1.2 变压器指标选择 | 第23-27页 |
| 3.1.3 断路器指标选择 | 第27-29页 |
| 3.2 基于自编码网络的状态监测量的特征提取 | 第29-35页 |
| 3.2.1 基于自编码网络的特征提取 | 第29-32页 |
| 3.2.1.1 样本的构造 | 第29-30页 |
| 3.2.1.2 自动编码器网络结构设计 | 第30-31页 |
| 3.2.1.3 算法流程 | 第31-32页 |
| 3.2.2 特征提取方法结果分析与比较 | 第32-35页 |
| 3.2.2.1 自编码网络重构误差分析 | 第32-34页 |
| 3.2.2.2 不同方法特征提取结果分析 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 变电设备状态监测分类模型与实验分析 | 第36-49页 |
| 4.1 卷积神经网络的特征 | 第36-37页 |
| 4.1.1 CNN卷积与子采样 | 第36页 |
| 4.1.2 CNN局部连接与权值共享 | 第36页 |
| 4.1.3 CNN训练过程 | 第36-37页 |
| 4.2 基于卷积神经网络的变电设备状态监测分类的适用性研究 | 第37-38页 |
| 4.3 基于卷积神经网络的变电设备状态监测分类模型的构建 | 第38-42页 |
| 4.3.1 变电设备的状态分类 | 第38页 |
| 4.3.2 变电设备状态监测整体模型 | 第38-39页 |
| 4.3.3 综合维度卷积神经网络 | 第39-41页 |
| 4.3.4 Softmax分类器 | 第41-42页 |
| 4.3.5 基于卷积神经网络的变电设备状态监测分类模型构建 | 第42页 |
| 4.4 基于卷积神经网络变电设备状态监测分类方法实验分析 | 第42-44页 |
| 4.4.1 实验设置 | 第42-43页 |
| 4.4.2 实验结果 | 第43-44页 |
| 4.4.3 性能评估 | 第44页 |
| 4.5 基于变压器数据的状态监测实验 | 第44-48页 |
| 4.5.1 环境搭建 | 第44页 |
| 4.5.2 实验数据 | 第44-45页 |
| 4.5.3 实验配置 | 第45-46页 |
| 4.5.4 实验分析 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-50页 |
| 5.1 总结 | 第49页 |
| 5.2 未来工作展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第53-54页 |
| 致谢 | 第54页 |
