| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景与研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 国内外主要研究方向 | 第8-11页 |
| 1.2.2 存在的问题以及难点 | 第11-12页 |
| 1.3 本文研究的主要内容和创新点 | 第12-15页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 创新点 | 第13-15页 |
| 第2章 配电网内部过电压原理与仿真分析 | 第15-33页 |
| 2.1 配电网中的过电压分类以及过电压产生的原理 | 第15-28页 |
| 2.1.1 暂时过电压 | 第16-21页 |
| 2.1.2 操作过电压 | 第21-28页 |
| 2.2 基于PSCAD/EMDTC的配电网软件仿真系统 | 第28-32页 |
| 2.2.1 软件仿真模型及参数 | 第28-29页 |
| 2.2.2 软件仿真数据及其分析 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于HHT带通滤波算法的过电压信号处理 | 第33-45页 |
| 3.1 配电网内部过电压信号分解 | 第33-44页 |
| 3.1.1 HHT时频分析方法 | 第33-37页 |
| 3.1.2 HHT带通滤波算法 | 第37-38页 |
| 3.1.3 配电网内部过电压信号分解实例 | 第38-44页 |
| 3.2 本章小结 | 第44-45页 |
| 第4章 基于时频矩阵SVD和多级支持向量机配电网内部过电压识别方法 | 第45-56页 |
| 4.1 配电网内部过电压波形特征量提取 | 第45-50页 |
| 4.1.1 时频矩阵奇异值分解 | 第45-46页 |
| 4.1.2 过电压信号特征量提取 | 第46-50页 |
| 4.2 支持向量机基本原理 | 第50-51页 |
| 4.3 基于多级SVM的配电网内部过电压识别 | 第51-55页 |
| 4.3.1 多级SVM的构成 | 第51-52页 |
| 4.3.2 支持向量机参数寻优 | 第52-53页 |
| 4.3.3 配电网内部过电压识别步骤 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于深度学习的配电网内部过电压类型识别 | 第56-81页 |
| 5.1 卷积神经网络基本理论 | 第56-60页 |
| 5.1.1 卷积神经网络中的局部连接 | 第58页 |
| 5.1.2 卷积神经网络中的权值共享 | 第58-59页 |
| 5.1.3 卷积神经网络的下采样 | 第59-60页 |
| 5.2 基于卷积神经网络的配电网内部过电压类型识别 | 第60-80页 |
| 5.2.1 分块时频谱的形成 | 第60-65页 |
| 5.2.2 CNN的构成 | 第65页 |
| 5.2.3 CNN的训练算法 | 第65-66页 |
| 5.2.4 基于CNN的配电网内部过电压信号特征量提取 | 第66-79页 |
| 5.2.5 配电网内部过电压识别实现步骤 | 第79-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第6章 配电网内部过电压类型识别及分析 | 第81-91页 |
| 6.1 配电网软件仿真系统样本测试结果及分析 | 第81-86页 |
| 6.1.1 基于PSCAD软件的仿真数据分析 | 第81-82页 |
| 6.1.2 基于两种方法的配电网内部过电压类型识别 | 第82-85页 |
| 6.1.3 两种内部过电压类型识别算法的对比分析 | 第85-86页 |
| 6.2 算法适应度分析 | 第86-90页 |
| 6.2.1 网络结构变化 | 第86-88页 |
| 6.2.2 配电网物理仿真系统的数据 | 第88-90页 |
| 6.3 本章小结 | 第90-91页 |
| 第7章 总结与展望 | 第91-93页 |
| 7.1 总结 | 第91-92页 |
| 7.2 展望 | 第92-93页 |
| 参考文献 | 第93-96页 |
| 致谢 | 第96-97页 |
| 个人简历及研究成果 | 第97页 |
