| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 变压器油中溶解气体分析的背景和意义 | 第11-13页 |
| 1.2 国内外研究现状及发展方向 | 第13-18页 |
| 1.2.1 传统诊断方法 | 第14-16页 |
| 1.2.2 人工智能诊断方法 | 第16-18页 |
| 1.3 研究内容和章节安排 | 第18-21页 |
| 第二章 改进FCM聚类算法对变压器故障的分类 | 第21-41页 |
| 2.1 变压器油中溶解气体的产生机理与溶解过程 | 第21-22页 |
| 2.1.1 产气机理 | 第21页 |
| 2.1.2 气体在变压器绝缘油中的溶解过程 | 第21-22页 |
| 2.2 变压器内部故障与特征气体含量的对应关系 | 第22-25页 |
| 2.2.1 热性故障与油中溶解气体含量的关系 | 第22-23页 |
| 2.2.2 电性故障与油中溶解气体含量的关系 | 第23-25页 |
| 2.3 FCM算法在变压器故障诊断中的应用 | 第25-28页 |
| 2.3.1 FCM算法的原理与实现过程 | 第25-28页 |
| 2.3.2 FCM算法在应用上的不足 | 第28页 |
| 2.4 遗传算法与模拟退火算法对FCM算法的改进 | 第28-34页 |
| 2.4.1 遗传算法的原理与实现 | 第29-31页 |
| 2.4.2 模拟退火算法的原理与实现 | 第31-33页 |
| 2.4.3 FCM算法改进的原理 | 第33-34页 |
| 2.5 改进后算法的性能分析与变压器故障分类的实现 | 第34-39页 |
| 2.5.1 SAGA-FCM算法的性能分析 | 第34-36页 |
| 2.5.2 SAGA-FCM算法实现变压器故障分类 | 第36-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 以SAGA-FCM聚类中心为参考序列的灰关联熵诊断变压器故障类型 | 第41-47页 |
| 3.1 灰关联熵的理论基础 | 第41页 |
| 3.2 基于灰关联熵理论的变压器故障诊断模型 | 第41-44页 |
| 3.2.1 比较序列及参考序列的建立 | 第41-42页 |
| 3.2.2 灰关联度的计算 | 第42-43页 |
| 3.2.3 灰关联熵 | 第43-44页 |
| 3.3 实例分析与比较 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 变压器油中溶解气体的状态预测 | 第47-61页 |
| 4.1 灰色多项式加权预测 | 第47-50页 |
| 4.1.1 GM(1,1)预测模型原理 | 第47-48页 |
| 4.1.2 多项式回归预测模型原理 | 第48-49页 |
| 4.1.3 加权原理 | 第49-50页 |
| 4.2 油中溶解气体浓度预测与变压器状态分析 | 第50-58页 |
| 4.5 本章小结 | 第58-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录A 攻读硕士学位期间参与项目及科研成果 | 第69-71页 |
| 附录B 故障训练集样本数据 | 第71-74页 |
