| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 1 绪论 | 第8-14页 |
| 1．1 研究电力电缆局部放电检测技术目的和意义 | 第8-9页 |
| 1．2 电力电缆检测技术的现状 | 第9-13页 |
| 1．3 论文的主要研究内容 | 第13页 |
| 1．4 小结 | 第13-14页 |
| 2 电力电缆绝缘检测技术研究 | 第14-35页 |
| 2．1 电力电缆绝缘检测方法 | 第14-22页 |
| 2．1．1 直流耐压及泄漏电流法 | 第14-18页 |
| 2．1．2 其他试验方法 | 第18-22页 |
| 2．2 电缆绝缘的在线监测方法 | 第22-31页 |
| 2．2．1 直流叠加法 | 第22-24页 |
| 2．2．2 直流成分法 | 第24-27页 |
| 2．2．3 电缆绝缘tgδ的在线监测 | 第27-30页 |
| 2．2．4 低频叠加法 | 第30-31页 |
| 2．3 电力电缆局部放电在线监测方法 | 第31-34页 |
| 2．4 小结 | 第34-35页 |
| 3 人工神经网络模式识别方法研究 | 第35-44页 |
| 3．1 模式识别方法简述 | 第35页 |
| 3．2 神经网络及其算法 | 第35-37页 |
| 3．2．1 无导师学习规则 | 第35-36页 |
| 3．2．2 有导师学习规则 | 第36-37页 |
| 3．3 BP神经网络的结构及工作原理 | 第37-41页 |
| 3．3．1 激活函数 | 第37-38页 |
| 3．3．2 BP网络算法 | 第38-41页 |
| 3．4 SART神经网络的结构及工作原理 | 第41-43页 |
| 3．4．1 SART网络的结构 | 第41-42页 |
| 3．4．2 SART网络的学习计算法 | 第42-43页 |
| 3．5 小结 | 第43-44页 |
| 4 基于人工神经网络的XLPE电力电缆局部放电模式识别技术及应用 | 第44-50页 |
| 4．1 XLPE局部放电信号的PRAPSA模式 | 第44页 |
| 4．2 XLPE电力电缆局部放电信号指纹特征 | 第44页 |
| 4．3 XLPE电力电缆局部放电模式的BP人工神经网络模式识别 | 第44-46页 |
| 4．4 结合神经网络的模式识别技术应用分析 | 第46-49页 |
| 4．4．1 贵州清红线110KV电缆及其结构 | 第46-47页 |
| 4．4．2 贵州清红线110KV电缆的事故及原因分析 | 第47-48页 |
| 4．4．3 采用模式识别电缆的局部放电 | 第48-49页 |
| 4．5 小结 | 第49-50页 |
| 5 结论 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-54页 |
