| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 本文研究背景、意义和现状 | 第9-10页 |
| 1.2 人工神经网络故障诊断方法 | 第10-11页 |
| 1.3 粒子群优化神经网络的应用与发展 | 第11页 |
| 1.4 论文的主要内容和结构 | 第11-13页 |
| 2 高压电力计量系统与其故障建模分析 | 第13-23页 |
| 2.1 高压电力计量系统 | 第13-15页 |
| 2.2 电压互感器和电流互感器 | 第15-16页 |
| 2.2.1 高压电压互感器(Potential Transformer) | 第15页 |
| 2.2.2 高压电流互感器(Current Transformer) | 第15-16页 |
| 2.3 电力计量系统故障建模分析 | 第16-21页 |
| 2.3.1 电压互感器故障分析 | 第16页 |
| 2.3.2 电流互感器故障分析 | 第16-21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 高压计量系统故障检测电路设计和故障信息提取 | 第23-35页 |
| 3.1 故障检测电路设计 | 第23-25页 |
| 3.2 A/D转换电路设计 | 第25-27页 |
| 3.2.1 微控制器(MCU)的选择 | 第25-26页 |
| 3.2.2 A/D转换器的选择 | 第26-27页 |
| 3.3 电路模拟环境测试平台 | 第27-28页 |
| 3.4 基于数字滤波的故障信息提取 | 第28-33页 |
| 3.4.1 数字滤波的基本介绍 | 第28-30页 |
| 3.4.2 FIR数字滤波器设计 | 第30-31页 |
| 3.4.3 故障信息的提取与分析 | 第31-33页 |
| 3.5 本章小结 | 第33-35页 |
| 4 基于神经网络的故障诊断分析 | 第35-49页 |
| 4.1 神经网络概述 | 第35-37页 |
| 4.1.1 人工神经元模型 | 第35-36页 |
| 4.1.2 神经元激励函数 | 第36-37页 |
| 4.2 神经网络结构和学习 | 第37-39页 |
| 4.2.1 神经网络结构和特点 | 第37页 |
| 4.2.2 神经网络的学习 | 第37-39页 |
| 4.3 BP神经网络模型 | 第39-43页 |
| 4.3.1 BP神经网络的结构 | 第39-40页 |
| 4.3.2 BP神经网络的学习算法和改进 | 第40-43页 |
| 4.4 基于BP神经网络的故障诊断系统分析 | 第43-47页 |
| 4.4.1 系统故障分析和判据说明 | 第43-44页 |
| 4.4.2 故障样本处理 | 第44-45页 |
| 4.4.3 网络训练和诊断测试 | 第45-47页 |
| 4.5 本章小结 | 第47-49页 |
| 5 粒子群优化神经网络在计量系统故障诊断中的应用设计 | 第49-57页 |
| 5.1 粒子群优化算法 | 第49-52页 |
| 5.1.1 粒子群算法的基本原理 | 第49-50页 |
| 5.1.2 粒子群算法的数学描述 | 第50页 |
| 5.1.3 基本PSO的基本流程步骤 | 第50-52页 |
| 5.2 基本PSO的不足和改进 | 第52-53页 |
| 5.3 基于粒子群优化神经网络的故障诊断系统设计 | 第53-56页 |
| 5.3.1 粒子群优化BP神经网络学习算法 | 第53-54页 |
| 5.3.2 粒子群优化BP神经网络的故障诊断系统设计 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57页 |
| 6.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
