基于油气分析优化的电力变压器故障诊断算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 课题来源 | 第8页 |
| 1.2 课题研究背景及意义 | 第8-9页 |
| 1.3 变压器故障诊断技术发展现状 | 第9-17页 |
| 1.3.1 三比值法 | 第9-11页 |
| 1.3.2 特征气体法 | 第11页 |
| 1.3.3 基于人工智能诊断方法 | 第11-17页 |
| 1.4 基于DGA技术的变压器故障诊断原理及方法 | 第17-18页 |
| 1.4.1 气体来源 | 第17页 |
| 1.4.2 故障类型及产气特征 | 第17-18页 |
| 1.5 本文的主要研究内容及章节安排 | 第18-20页 |
| 2 统计理论与支持向量机分类(SVM) | 第20-30页 |
| 2.1 统计理论 | 第20-22页 |
| 2.1.1 机器学习的统计理论 | 第20-21页 |
| 2.1.2 VC维与结构风险最小化 | 第21-22页 |
| 2.2 最大间隔最优超平面 | 第22-24页 |
| 2.3 松弛变量与惩罚参数 | 第24-25页 |
| 2.4 非线性SVM分类与核函数 | 第25-28页 |
| 2.4.1 非线性分类 | 第25-26页 |
| 2.4.2 核函数 | 第26-28页 |
| 2.5 SVM与多分类 | 第28-29页 |
| 2.5.1“一对一”算法 | 第28-29页 |
| 2.5.2“一对多”算法 | 第29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 量子遗传算法及其改进 | 第30-37页 |
| 3.1 量子计算基础 | 第30-31页 |
| 3.1.1 量子比特 | 第30-31页 |
| 3.2 量子遗传算法结构 | 第31-33页 |
| 3.3 实码双链量子遗传算法 | 第33-36页 |
| 3.3.1 双基因链编码方案 | 第33-34页 |
| 3.3.2 量子旋转门更新操作 | 第34-35页 |
| 3.3.3 解空间变换 | 第35-36页 |
| 3.4 算法实现步骤 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于支持向量机的故障诊断仿真 | 第37-47页 |
| 4.1 概述 | 第37页 |
| 4.2 支持向量机寻优参数 | 第37-38页 |
| 4.3 诊断模型样本的确定 | 第38-39页 |
| 4.3.1 特征量的确定 | 第38-39页 |
| 4.3.2 故障类别号的确定 | 第39页 |
| 4.3.3 试验样本数据 | 第39页 |
| 4.4 SVM工具箱的选择与说明 | 第39-41页 |
| 4.5 模型的建立 | 第41-42页 |
| 4.6 仿真实现 | 第42-46页 |
| 4.6.1 选定训练集和测试集 | 第42页 |
| 4.6.2 数据预处理 | 第42-43页 |
| 4.6.3 模型训练与预测 | 第43-46页 |
| 4.7 本章小结 | 第46-47页 |
| 5 基于融合聚类分析的故障诊断 | 第47-52页 |
| 5.1 聚类分析概况 | 第48页 |
| 5.2 聚类分析的基本步骤 | 第48-49页 |
| 5.3 K-近邻聚类分析算法 | 第49页 |
| 5.4 仿真结果分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58-61页 |
| A攻读硕士学位期间发表的论文情况: | 第58页 |
| B攻读硕士学位期间参加的科研项目: | 第58页 |
| C支持向量机训练样本 | 第58-61页 |
