| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 课题主要研究内容 | 第13-15页 |
| 第2章 电力二次设备数据预处理技术研究与应用 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 数据预处理相关技术 | 第15-19页 |
| 2.2.1 数据清洗 | 第15-16页 |
| 2.2.2 数据集成 | 第16-17页 |
| 2.2.3 数据变换 | 第17页 |
| 2.2.4 数据归约 | 第17-19页 |
| 2.3 基于改进ReliefF的特征选择模型 | 第19-23页 |
| 2.3.1 特征选择方法研究现状 | 第19-20页 |
| 2.3.2 ReliefF算法 | 第20-21页 |
| 2.3.3 改进ReliefF算法 | 第21页 |
| 2.3.4 基于改进ReliefF特征选择模型的建立 | 第21-23页 |
| 2.4 电力二次设备数据预处理技术的应用 | 第23-28页 |
| 2.4.1 实验设备与数据 | 第23页 |
| 2.4.2 实验数据的预处理 | 第23-25页 |
| 2.4.3 基于改进ReliefF的特征选择 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 电力二次设备状态评估方法研究与应用 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 常用的状态评估方法研究 | 第29-31页 |
| 3.2.1 贝叶斯网络 | 第29-30页 |
| 3.2.2 人工神经网络 | 第30-31页 |
| 3.2.3 模糊层次分析法 | 第31页 |
| 3.2.4 灰色理论 | 第31页 |
| 3.3 基于DAG-SVM的电力二次设备状态评估模型 | 第31-40页 |
| 3.3.1 支持向量机SVM简介 | 第32-34页 |
| 3.3.2 基于SVM的多分类方法 | 第34-36页 |
| 3.3.3 基于DAG-SVM和朴素贝叶斯的多分类模型设计 | 第36-40页 |
| 3.4 多分类模型在电力二次设备状态评估中的应用 | 第40-43页 |
| 3.4.1 设备健康状态划分 | 第40-41页 |
| 3.4.2 设备健康状态评估 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于HSMM理论的电力二次设备故障预测 | 第45-62页 |
| 4.1 HSMM基本理论 | 第45-47页 |
| 4.2 HSMM参数估计 | 第47-50页 |
| 4.2.1 HSMM的广义前向-后向算法 | 第47-49页 |
| 4.2.2 HSMM的参数重估式 | 第49-50页 |
| 4.3 HSMM模型训练 | 第50-55页 |
| 4.3.1 模型初始化 | 第51页 |
| 4.3.2 数据下溢问题与解决措施 | 第51-53页 |
| 4.3.3 多观测序列HSMM模型参数估计 | 第53-54页 |
| 4.3.4 电力二次设备故障预测模型训练步骤 | 第54-55页 |
| 4.4 电力二次设备故障预测方法 | 第55-57页 |
| 4.5 基于HSMM故障预测模型在电力二次设备中的应用 | 第57-60页 |
| 4.5.1 初始化模型 | 第57-59页 |
| 4.5.2 全寿命预测模型的训练 | 第59页 |
| 4.5.3 设备剩余使用寿命的预测 | 第59-60页 |
| 4.6 本章小结 | 第60-62页 |
| 第5章 结论与展望 | 第62-65页 |
| 5.1 总结与结论 | 第62-63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第71页 |
