智能诊断方法在电力变压器故障识别中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 电力变压器故障诊断国内外研究现状 | 第10-12页 |
| 1.2.1 传统的变压器故障诊断方法 | 第10-11页 |
| 1.2.2 电力变压器故障智能诊断方法 | 第11-12页 |
| 1.3 电力变压器故障诊断发展方向 | 第12-13页 |
| 1.4 课题研究内容及创新点 | 第13-14页 |
| 1.5 论文结构安排 | 第14-15页 |
| 2 电力变压器故障机理分析 | 第15-21页 |
| 2.1 电力变压器的类型 | 第15页 |
| 2.2 电力变压器故障与油中溶解气体关系 | 第15-17页 |
| 2.2.1 油中溶解气体产生机理 | 第15-16页 |
| 2.2.2 变压器故障与特征气体的对应关系 | 第16-17页 |
| 2.3 故障特征气体组分及含量的检测 | 第17-19页 |
| 2.4 本章小结 | 第19-21页 |
| 3 基于DGA数据的变压器故障诊断方法 | 第21-29页 |
| 3.1 方法原理 | 第21页 |
| 3.2 基于改良三比值法的变压器故障诊断 | 第21-23页 |
| 3.2.1 改良三比值法的编码规则 | 第21-22页 |
| 3.2.2 改良三比值法实例故障诊断分析 | 第22-23页 |
| 3.3 基于PNN网络的变压器故障诊断 | 第23-26页 |
| 3.3.1 PNN神经网络结构 | 第23-24页 |
| 3.3.2 PNN网络的诊断模型 | 第24页 |
| 3.3.3 基于PNN网络的变压器故障诊断 | 第24-25页 |
| 3.3.4 PNN实例结果分析 | 第25-26页 |
| 3.4 两种方法的优缺点 | 第26-27页 |
| 3.5 本章小结 | 第27-29页 |
| 4 基于模糊关系与自组织竞争网络的变压器故障诊断 | 第29-39页 |
| 4.1 变压器故障数据模糊处理 | 第29-31页 |
| 4.1.1 模糊集合理论 | 第29页 |
| 4.1.2 故障数据与故障特征对应的模糊关系 | 第29-31页 |
| 4.2 自组织竞争网络 | 第31-33页 |
| 4.2.1 自组织竞争网络的基本结构及其算法 | 第31-32页 |
| 4.2.2 自组织竞争网络的优点 | 第32-33页 |
| 4.3 故障诊断模型及训练过程 | 第33-36页 |
| 4.3.1 故障诊断模型 | 第33-34页 |
| 4.3.2 网络学习训练过程 | 第34-36页 |
| 4.4 实例故障诊断分析 | 第36-37页 |
| 4.5 本章小结 | 第37-39页 |
| 5 基于IPSO-SVM算法的电力变压器故障诊断 | 第39-53页 |
| 5.1 SVM基本理论 | 第39-40页 |
| 5.2 改进PSO算法 | 第40-44页 |
| 5.2.1 标准PSO算法 | 第40页 |
| 5.2.2 标准PSO算法的改进 | 第40-41页 |
| 5.2.3 改进PSO算法的优化性能验证 | 第41-44页 |
| 5.3 IPSO算法优化SVM | 第44-47页 |
| 5.3.1 算法优化流程 | 第44-45页 |
| 5.3.2 SVM参数优化选取 | 第45-47页 |
| 5.4 IPSO-SVM变压器故障诊断 | 第47页 |
| 5.4.1 故障特征与故障类别 | 第47页 |
| 5.4.2 变压器故障诊断步骤 | 第47页 |
| 5.5 实例诊断分析 | 第47-51页 |
| 5.5.1 数据集准备 | 第47-48页 |
| 5.5.2 故障样本训练结果 | 第48页 |
| 5.5.3 实例诊断结果比较 | 第48-51页 |
| 5.6 本章小结 | 第51-53页 |
| 6 结论与展望 | 第53-55页 |
| 6.1 结论 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读学位期间发表的论文及学术成果 | 第61-63页 |
| 致谢 | 第63页 |
