| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-18页 |
| ·电力变压器故障预测的意义 | 第8页 |
| ·电力变压器故障检测技术的发展及现状 | 第8-10页 |
| ·预测技术的发展 | 第10-12页 |
| ·电气设备故障诊断技术的发展 | 第12-15页 |
| ·基于模糊理论(Fuzzy Theory)的诊断 | 第12-13页 |
| ·基于专家系统(Expert System)的诊断 | 第13-14页 |
| ·基于神经网络(Neural Network)的诊断 | 第14-15页 |
| ·灰色系统理论及其应用 | 第15-16页 |
| ·本文研究的主要内容 | 第16-18页 |
| 2 基于油中溶解气体的电力变压器故障检测 | 第18-29页 |
| ·变压器的分类及结构 | 第18-19页 |
| ·电力变压器常见故障类型 | 第19-20页 |
| ·电力变压器常用检测技术 | 第20-21页 |
| ·离线检测技术 | 第20-21页 |
| ·在线监测技术 | 第21页 |
| ·变压器内析出气体的原因和特征 | 第21-22页 |
| ·变压器早期故障的判断 | 第22-24页 |
| ·故障类型、性质的判断 | 第24-27页 |
| ·变压器状态监测及故障预测系统流程 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 灰色系统基本理论及实现方法 | 第29-39页 |
| ·引言 | 第29页 |
| ·灰数及其白化方法 | 第29-31页 |
| ·灰数 | 第29-31页 |
| ·灰数的白化 | 第31页 |
| ·灰色序列算子及其生成方法 | 第31-34页 |
| ·灰色预测GM(1,1)模型 | 第34-36页 |
| ·模型的建立 | 第34-35页 |
| ·模型精度检验 | 第35-36页 |
| ·GM(1,1)模型预测的基本步骤 | 第36页 |
| ·几种常见的GM模型 | 第36-38页 |
| ·等维GM(1,1)模型 | 第36-37页 |
| ·等维灰数递补模型 | 第37页 |
| ·等维新信息模型 | 第37页 |
| ·灰色预测GM(1,h)模型 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 4 GM(1,1)模型的改进及其在变压器故障预测中的应用 | 第39-50页 |
| ·灰色预测GM(1,1)模型的改进 | 第39-41页 |
| ·GM(1,1)模型背景值的改进 | 第41-42页 |
| ·改进GM(1,1)模型在变压器故障预测中的应用 | 第42-44页 |
| ·实例分析 | 第44-49页 |
| ·本章小结 | 第49-50页 |
| 5 人工神经网络原理及BP网络模型 | 第50-58页 |
| ·人工神经元模型 | 第50-51页 |
| ·神经网络的分类 | 第51-52页 |
| ·神经网络训练算法 | 第52-53页 |
| ·BP神经网络原理及算法 | 第53-56页 |
| ·BP神经网络原理 | 第53-54页 |
| ·BP算法的步骤 | 第54-55页 |
| ·BP算法中应注意的问题 | 第55-56页 |
| ·常用的传递函数 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 6 基于灰色神经网络的变压器故障预测模型 | 第58-66页 |
| ·灰色神经网络的基本原理 | 第58-60页 |
| ·灰色BP神经网络 | 第60-61页 |
| ·灰色神经网络优化模型GNNM(1,1) | 第61-64页 |
| ·GNNM(1,1)模型的建立 | 第61-62页 |
| ·GNNM(1,1)模型学习算法 | 第62-64页 |
| ·基于灰色BP网络的变压器故障预测 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 7 基于油中溶解气体的变压器故障预测软件设计 | 第66-86页 |
| ·系统结构描述 | 第67-68页 |
| ·软件布局 | 第68-73页 |
| ·色谱分析诊断模块 | 第73-80页 |
| ·软件图形显示 | 第80-82页 |
| ·系统预测诊断功能验证 | 第82-85页 |
| ·本章小结 | 第85-86页 |
| 结论 | 第86-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 攻读硕士研究生期间发表的论文 | 第93页 |
| 攻读硕士研究生期间获得的奖励 | 第93页 |
