| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 课题的背景和意义 | 第13-14页 |
| 1.2 电网中的数据挖掘研究现状 | 第14-16页 |
| 1.3 文本挖掘与自然语言处理在非电力行业中的研究现状 | 第16-18页 |
| 1.4 面向可靠性和资产管理应用的数据挖掘研究现状 | 第18-19页 |
| 1.5 论文的主要工作 | 第19-22页 |
| 第二章 基于本体知识的电网自然语言基本概念与处理框架 | 第22-51页 |
| 2.1 引言 | 第22-24页 |
| 2.2 面向电网的自然语言基本概念 | 第24-27页 |
| 2.3 与电网领域相关的文本 | 第27-31页 |
| 2.4 面向电网的自然语言处理框架(NLP4PG) | 第31-33页 |
| 2.5 基于本体词典和领域语料的NLP技术 | 第33-44页 |
| 2.6 电网文本的自然语言特性分析 | 第44-50页 |
| 2.7 本章小结 | 第50-51页 |
| 第三章 自然语言处理技术在电力设备可靠性统计中的应用研究 | 第51-64页 |
| 3.1 引言 | 第51-52页 |
| 3.2 基于语义框架的电力设备缺陷文本挖掘技术 | 第52-55页 |
| 3.3 槽填充与语义框架构建过程 | 第55-57页 |
| 3.4 实例分析 | 第57-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 文本挖掘技术及其在断路器全寿命状态评价中的应用 | 第64-80页 |
| 4.1 引言 | 第64-66页 |
| 4.2 设备健康状态指数与时间序列过程 | 第66-67页 |
| 4.3 故障缺陷文本挖掘模型 | 第67-72页 |
| 4.4 比率型全寿命状态评价信息融合模型 | 第72-73页 |
| 4.5 算例 | 第73-78页 |
| 4.6 本章结论 | 第78-80页 |
| 第五章 基于全寿命数据挖掘的设备故障率模型研究 | 第80-103页 |
| 5.1 引言 | 第80页 |
| 5.2 数据驱动、参数视角下的故障率模型选择 | 第80-87页 |
| 5.3 基于鞅过程的多类型复发事件建模 | 第87-89页 |
| 5.4 带协变量的全寿命故障率预测模型 | 第89-93页 |
| 5.5 算例分析 | 第93-102页 |
| 5.6 本章结论 | 第102-103页 |
| 第六章 基于本体知识的智能变电站自动化系统可靠性评价模型 | 第103-124页 |
| 6.1 引言 | 第103-104页 |
| 6.2 SSAS本体平台的构建 | 第104-112页 |
| 6.3 SSAS本体平台的评估指标 | 第112-114页 |
| 6.4 SSAS系统可靠度评估模型的构建 | 第114-119页 |
| 6.5 算例 | 第119-123页 |
| 6.6 本章小结 | 第123-124页 |
| 第七章 总结与展望 | 第124-126页 |
| 参考文献 | 第126-135页 |
| 附录 | 第135-142页 |
| 附A:字典 | 第135-137页 |
| 附B:领域语料库 | 第137-138页 |
| 附C:词聚类结果 | 第138-139页 |
| 附D:程序 | 第139页 |
| 附E:初始判断阵的数据与计算结果 | 第139-142页 |
| 攻读博士学位期间取得的学术成果 | 第142-143页 |
