| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-15页 |
| ·研究背景 | 第11页 |
| ·研究目的和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·本论文研究的主要内容和论文安排 | 第13-15页 |
| 2 变压器励磁涌流和内部故障状态仿真 | 第15-30页 |
| ·变压器差动保护原理 | 第15-19页 |
| ·变压器差动保护原理接线 | 第15-17页 |
| ·变压器励磁涌流 | 第17-19页 |
| ·变压器运行状态仿真 | 第19-29页 |
| ·电路仿真模型的建立 | 第19-20页 |
| ·仿真结果 | 第20-25页 |
| ·数据采集和处理 | 第25-29页 |
| ·小结 | 第29-30页 |
| 3 PNN 在变压器差动保护中的应用研究 | 第30-41页 |
| ·概率神经网络理论和方法 | 第30-33页 |
| ·PNN 的贝叶斯分类 | 第30-31页 |
| ·Parzen 窗方法 | 第31-32页 |
| ·概率神经网络数学描述 | 第32页 |
| ·概率神经网络结构 | 第32-33页 |
| ·PNN 在变压器差动保护中的应用研究 | 第33-39页 |
| ·差动保护对变压器运行状态识别的PNN 模型 | 第34-35页 |
| ·基于PNN 的差动保护对变压器运行状态识别仿真 | 第35-39页 |
| ·BP 神经网络仿真分析比较 | 第39页 |
| ·实验结果分析 | 第39-40页 |
| ·小结 | 第40-41页 |
| 4 GA-BP 网络在变压器差动保护中的应用研究 | 第41-63页 |
| ·人工神经网络的结构及其数学模型 | 第41-44页 |
| ·遗传算法 | 第44-47页 |
| ·遗传算法基本原理 | 第44-45页 |
| ·遗传算法的学习方式和步骤 | 第45-47页 |
| ·遗传算法优化BP 神经网络 | 第47-49页 |
| ·GA-BP 在变压器差动保护中的应用研究 | 第49-61页 |
| ·数据的处理 | 第49-50页 |
| ·差动保护对变压器运行状态识别的GA-BP 模型 | 第50-53页 |
| ·基于GA-BP 的差动保护对变压器运行状态识别仿真 | 第53-60页 |
| ·纯BP 网络仿真分析 | 第60-61页 |
| ·小结 | 第61-63页 |
| 5 支持向量机在变压器差动保护中的应用研究 | 第63-77页 |
| ·支持向量机理论及方法 | 第63-68页 |
| ·线性支持向量分类 | 第63-64页 |
| ·非线性支持向量分类 | 第64-66页 |
| ·SVM 训练算法 | 第66-67页 |
| ·SVM 分类算法 | 第67页 |
| ·SVM 方法的特点 | 第67-68页 |
| ·支持向量机在变压器差动保护中的应用研究 | 第68-76页 |
| ·支持向量机模型的建立 | 第68-70页 |
| ·基于LIBSVM 的差动保护变压器运行状态识别仿真 | 第70-76页 |
| ·小结 | 第76-77页 |
| 6 三种神经网络的应用比较 | 第77-80页 |
| ·网络训练的过程比较 | 第77页 |
| ·网络诊断的结果比较 | 第77-79页 |
| ·小结 | 第79-80页 |
| 7 结论与展望 | 第80-82页 |
| ·总结 | 第80-81页 |
| ·展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读学位期间发表的学术论文及研究成果 | 第86-87页 |
| 致谢 | 第87页 |