| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的研究背景 | 第9-10页 |
| 1.2 课题的研究目的和意义 | 第10-11页 |
| 1.3 国内外研究现状及发展趋势 | 第11-14页 |
| 1.4 存在的问题 | 第14-15页 |
| 1.5 本文工作内容 | 第15-17页 |
| 第2章 变压器的故障类型及诊断方法 | 第17-29页 |
| 2.1 变压器主要故障类型 | 第17-18页 |
| 2.2 变压器在线监测 | 第18页 |
| 2.3 变压器油中溶解气体的研究 | 第18-21页 |
| 2.3.1 油中溶解气体的产生 | 第18-20页 |
| 2.3.2 气体的溶解过程 | 第20页 |
| 2.3.3 变压器的内部故障与气体特征 | 第20-21页 |
| 2.4 基于DGA的变压器故障诊断方法 | 第21-28页 |
| 2.4.1 判断变压器是否存在故障 | 第21-23页 |
| 2.4.2 判断变压器的故障类型 | 第23-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 遗传算法及神经网络研究 | 第29-41页 |
| 3.1 遗传算法 | 第29-33页 |
| 3.1.1 遗传算法的理论基础 | 第29页 |
| 3.1.2 遗传算法的实现 | 第29-32页 |
| 3.1.3 遗传算法的优缺点 | 第32-33页 |
| 3.2 神经网络 | 第33-40页 |
| 3.2.1 神经网络结构及优势 | 第33-36页 |
| 3.2.2 神经网络的学习方法 | 第36-38页 |
| 3.2.3 网络训练算法 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 基于量子神经网络的变压器故障诊断方法研究 | 第41-50页 |
| 4.1 量子神经计算 | 第41页 |
| 4.2 量子神经网络 | 第41-43页 |
| 4.2.1 量子神经网络特性 | 第41-42页 |
| 4.2.2 量子神经网络结构 | 第42-43页 |
| 4.3 基于量子神经网络的变压器故障诊断方法 | 第43-49页 |
| 4.3.1 量子神经网络 | 第43页 |
| 4.3.2 量子神经网络学习算法 | 第43-46页 |
| 4.3.3 量子神经网络故障诊断模型构建及仿真实验 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于量子遗传神经网络的变压器故障诊断研究 | 第50-57页 |
| 5.1 RBF神经网络 | 第50-51页 |
| 5.1.1 RBF神经网络原理 | 第50页 |
| 5.1.2 RBF神经网络结构 | 第50-51页 |
| 5.2 量子遗传算法 | 第51-52页 |
| 5.3 基于量子遗传神经网络的变压器故障诊断方法 | 第52-56页 |
| 5.3.1 变压器故障诊断原理 | 第52-53页 |
| 5.3.2 RBF神经网络输出输入的确定 | 第53-54页 |
| 5.3.3 量子遗传算法对RBF网络的优化 | 第54页 |
| 5.3.4 仿真研究 | 第54-56页 |
| 5.3.5 仿真实验结论 | 第56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 导师简介 | 第63页 |
| 企业导师简介 | 第63-64页 |
| 作者简介 | 第64-65页 |
| 学位论文数据集 | 第65页 |