| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 引言 | 第7-12页 |
| ·论文研究的目的和意义 | 第7-8页 |
| ·电力变压器故障诊断和数据预测的国内外研究现状 | 第8-10页 |
| ·电力变压器故障诊断方法研究现状 | 第8-9页 |
| ·电力变压器故障预测理论研究现状 | 第9-10页 |
| ·电力变压器状态评估研究现状 | 第10页 |
| ·本论文的主要工作 | 第10-12页 |
| 第二章 遗传算法和支持向量机 | 第12-26页 |
| ·统计学理论和支持向量机 | 第12-19页 |
| ·统计学理论的核心内容 | 第12-14页 |
| ·分类支持向量机 | 第14-15页 |
| ·回归支持向量机 | 第15-19页 |
| ·遗传算法 | 第19-25页 |
| ·遗传算法 | 第19-21页 |
| ·基本遗传算法 | 第21-24页 |
| ·遗传算法的理论基础 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于 GA 优化的 LS-SVM 的变压器故障预测 | 第26-38页 |
| ·基于GA 优化的LS-SVM 的变压器油中溶解气体浓度预测 | 第26-30页 |
| ·LS-SVM 函数估计算法 | 第26-28页 |
| ·GA 优化LS-SVM 预测模型 | 第28-29页 |
| ·实例分析 | 第29-30页 |
| ·基于GA 优化的LS-SVM 的变压器故障诊断 | 第30-37页 |
| ·LS-SVM 的分类算法 | 第30-32页 |
| ·LS-SVM 多分类算法 | 第32-33页 |
| ·核函数及参数选择 | 第33页 |
| ·基于GA 优化的LS-SVM 的变压器故障诊断 | 第33-34页 |
| ·实例分析 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于 GA 优化的 LS-SVM 的变压器状态评估 | 第38-52页 |
| ·电力变压器状态发展趋势 | 第38-39页 |
| ·电力变压器状态评估各项信息分析 | 第39-48页 |
| ·电气试验项目分析 | 第39-43页 |
| ·电力变压器油色谱分析 | 第43-45页 |
| ·电力变压器绝缘油试验项目分析 | 第45-47页 |
| ·电力变压器工作环境及其他因素分析 | 第47-48页 |
| ·基于 GA 优化的 LS-SVM 的电力变压器状态评估方法 | 第48-51页 |
| ·电力变压器状态分类 | 第48-49页 |
| ·评估模型的建立 | 第49-50页 |
| ·评估结果及分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 电力变压器数据管理和状态评估专家系统 | 第52-57页 |
| ·专家系统介绍 | 第52-56页 |
| ·系统综合介绍 | 第52-53页 |
| ·变压器管理界面功能介绍 | 第53-56页 |
| ·实例分析 | 第56页 |
| ·本章小结 | 第56-57页 |
| 第六章 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 在学期间发表的学术论文和参加科研情况 | 第63页 |
