| 第一章 绪论 | 第1-12页 |
| 1．1 研究电力变压器故障诊断方法的意义 | 第7页 |
| 1．2 电力变压器事故原因分析 | 第7-8页 |
| 1．3 国内外电力变压器故障诊断研究概况 | 第8-11页 |
| 1．3．1 神经网络方法 | 第8页 |
| 1．3．2 模糊集理论方法 | 第8-9页 |
| 1．3．3 专家系统方法 | 第9-10页 |
| 1．3．4 综合人工智能技术的应用 | 第10-11页 |
| 1．4 本文的主要研究工作 | 第11-12页 |
| 第二章 改进遗传算法和神经网络的基本原理 | 第12-30页 |
| 2．1 遗传算法的基本原理 | 第12-20页 |
| 2．1．1 遗传算法 | 第12页 |
| 2．1．2 遗传算法的基本流程 | 第12-14页 |
| 2．1．3 模式定理和隐含并行性 | 第14-15页 |
| 2．1．4 算法关键参数与操作设计 | 第15-20页 |
| 2．2 遗传算法的改进 | 第20-23页 |
| 2．2．1 杂交率、变异率的自适应调整 | 第20-21页 |
| 2．2．2 交叉算子的改进 | 第21页 |
| 2．2．3 变异算子的改进 | 第21-22页 |
| 2．2．4 加快收敛速度的措施 | 第22页 |
| 2．2．5 最优保存策略 | 第22-23页 |
| 2．2．6 改进遗传算法的实例仿真 | 第23页 |
| 2．3 BP神经网络及其改进 | 第23-30页 |
| 2．3．1 BP神经网络 | 第23-24页 |
| 2．3．2 BP神经网络算法原理及推导 | 第24-26页 |
| 2．3．3 神经网络BP算法的具体实现步骤 | 第26-28页 |
| 2．3．4 改进反向传播算法的措施 | 第28-30页 |
| 第三章 基于GA-BP混合算法的电力变压器故障诊断 | 第30-45页 |
| 3．1 GA-BP混合算法的基本原理 | 第30-34页 |
| 3．1．1 GA-BP混合算法 | 第30页 |
| 3．1．2 编码策略 | 第30-31页 |
| 3．1．3 群体设定 | 第31页 |
| 3．1．4 适应度函数的确定 | 第31-32页 |
| 3．1．5 混合算法的具体实现 | 第32页 |
| 3．1．6 混合算法的收敛性能分析 | 第32-34页 |
| 3．1．7 混合算法的优点 | 第34页 |
| 3．2 GA-BP混合算法在电力变压器故障诊断中的应用 | 第34-44页 |
| 3．2．1 基于特征气体的模糊神经网络诊断法 | 第34-39页 |
| 3．2．2 基于三比值的神经网络诊断法 | 第39-41页 |
| 3．2．3 基于四比值的神经网络诊断法 | 第41-44页 |
| 3．3 小结 | 第44-45页 |
| 第四章 基于粗糙集理论的电力变压器故障简化IEC诊断法 | 第45-62页 |
| 4．1 粗糙集基本理论 | 第45-51页 |
| 4．1．1 知识与知识库 | 第45-46页 |
| 4．1．2 粗糙集的上、下近似集 | 第46页 |
| 4．1．3 知识约简 | 第46-47页 |
| 4．1．4 知识表达系统 | 第47-48页 |
| 4．1．5 决策表 | 第48页 |
| 4．1．6 决策表的化简及分类规则的提取 | 第48-51页 |
| 4．2 电力变压器故障的IEC诊断法 | 第51-53页 |
| 4．2．1 常规IEC三比值法 | 第51-52页 |
| 4．2．2 DGA新导则 | 第52-53页 |
| 4．2．3 影响气相色谱分析结果的因素 | 第53页 |
| 4．3 基于粗糙集理论的变压器简化IEC诊断法 | 第53-58页 |
| 4．3．1 基于粗糙集的常规三比值表的化简 | 第53-55页 |
| 4．3．2 基于粗糙集的简化新导则诊断法 | 第55-58页 |
| 4．4 故障诊断实例 | 第58-61页 |
| 4．5 小结 | 第61-62页 |
| 第五章 基于粗糙集理论的电力变压器故障定位的研究 | 第62-66页 |
| 5．1 电力变压器故障的定位 | 第62页 |
| 5．2 基于粗糙集理论的电力变压器故障定位诊断 | 第62-64页 |
| 5．3 故障诊断实例 | 第64-65页 |
| 5．4 小结 | 第65-66页 |
| 参考小献 | 第66-69页 |
| 本课题展望 | 第69-70页 |
| 附：攻读硕士研究生期间发表的论文 | 第70-71页 |
| 致谢 | 第71页 |
