| 第一章 绪论 | 第1-18页 |
| 1．1 本课题研究的意义和现状 | 第7-10页 |
| 1．2 人工智能技术及其在电力系统故障诊断和分析中的应用 | 第10-15页 |
| 1．2．1 人工智能技术 | 第10-11页 |
| 1．2．2 人工智能技术在电力系统故障诊断和分析中的应用 | 第11-15页 |
| 1．3 本文的主要工作 | 第15-18页 |
| 第二章 基于模糊隶属度的支持向量机算法及其在高压输电线路故障类型识中的应用 | 第18-38页 |
| 2．1 引言 | 第18-19页 |
| 2．2 支持向量机概述 | 第19-24页 |
| 2．2．1 机器学习 | 第19-22页 |
| 2．2．2 支持向量机算法 | 第22-24页 |
| 2．3 基于模糊隶属度的SVM 算法在高压输电线路故障类型识别中的实现 | 第24-34页 |
| 2．3．1 支持向量机输入信息模糊化 | 第24-26页 |
| 2．3．2 支持向量机训练样本的构造 | 第26-28页 |
| 2．3．3 基于支持向量机算法的高压输电线路故障类型识别 | 第28-33页 |
| 2．3．4 仿真测试 | 第33-34页 |
| 2．4 结论 | 第34-38页 |
| 第三章 基于双端电气量的新型高压输电线路故障测距 | 第38-51页 |
| 3．1 引言 | 第38页 |
| 3．2 高压输电线路故障测距方法 | 第38-44页 |
| 3．2．1 单端阻抗测距法 | 第38-41页 |
| 3．2．2 行波测距法 | 第41-42页 |
| 3．2．3 智能测距法 | 第42-44页 |
| 3．3 基于双端电气量的新型高压输电线路故障测距算法 | 第44-50页 |
| 3．3．1 算法原理 | 第44-47页 |
| 3．3．2 仿真测试 | 第47-50页 |
| 3．4 结论 | 第50-51页 |
| 第四章 基于 HCM 算法的 RBFNN 在高压输电线路故障诊断中的应用 | 第51-73页 |
| 4．1 引言 | 第51-52页 |
| 4．2 RBFNN 原理概述 | 第52-60页 |
| 4．2．1 RBF 网络模型 | 第52-54页 |
| 4．2．2 RBF 网络高斯核函数的中心及标准化常数的选取 | 第54-59页 |
| 4．2．3 RBF 网络输出权值矩阵的确定 | 第59-60页 |
| 4．3 基于RBFNN 的高压输电线路故障诊断 | 第60-72页 |
| 4．3．1 高压输电线路故障诊断的信息获取 | 第60-62页 |
| 4．3．2 高压输电线路故障诊断RBFNN 的模型结构 | 第62-66页 |
| 4．3．3 高压输电线路故障诊断RBFNN 的仿真测试 | 第66-72页 |
| 4．4 结论 | 第72-73页 |
| 第五章 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 发表论文和科研情况说明 | 第79-80页 |
| 致谢 | 第80页 |
