油浸式电力变压器故障诊断方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| Contents | 第12-16页 |
| 第1章 绪论 | 第16-32页 |
| ·课题背景及其意义 | 第16-17页 |
| ·油中溶解气体分析 | 第17-21页 |
| ·产气原理 | 第17-18页 |
| ·变压器内部故障与油中特征气体的关系 | 第18页 |
| ·热性故障时变压器油中的特征气体 | 第18-20页 |
| ·放电性故障时变压器油中的特征气体 | 第20-21页 |
| ·传统变压器故障诊断方法 | 第21-24页 |
| ·特征气体法 | 第21-22页 |
| ·三比值法 | 第22-23页 |
| ·气体比值的图示法 | 第23-24页 |
| ·智能故障诊断方法研究现状 | 第24-30页 |
| ·基于专家系统的故障诊断 | 第25页 |
| ·基于人工神经网络的故障诊断 | 第25-26页 |
| ·基于支持向量机的故障诊断 | 第26-27页 |
| ·基于模糊理论的故障诊断 | 第27-28页 |
| ·基于人工免疫系统的故障诊断 | 第28-29页 |
| ·基于数据融合的故障诊断 | 第29-30页 |
| ·论文的主要研究内容 | 第30-32页 |
| 第2章 自组织抗体网络及其改进 | 第32-50页 |
| ·人工免疫网络 | 第32-36页 |
| ·主要模型 | 第33-35页 |
| ·重要算法 | 第35-36页 |
| ·自组织抗体网络 | 第36-40页 |
| ·抗原、抗体编码 | 第37页 |
| ·学习与记忆策略 | 第37-38页 |
| ·抗体生成算法 | 第38-39页 |
| ·网络初始化 | 第39页 |
| ·网络训练 | 第39页 |
| ·分类识别 | 第39-40页 |
| ·改进的自组织抗体网络 | 第40-42页 |
| ·问题的提出 | 第40-41页 |
| ·算法改进 | 第41-42页 |
| ·性能测试 | 第42-49页 |
| ·网络规模对比 | 第43-47页 |
| ·亲和度阈值对网络性能的影响 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第3章 基于混合免疫网络的变压器故障诊断 | 第50-68页 |
| ·人工免疫系统的研究方向 | 第50-52页 |
| ·研究现状 | 第50-51页 |
| ·发展方向 | 第51页 |
| ·综合集成 | 第51-52页 |
| ·混合免疫网络 | 第52-58页 |
| ·问题的提出 | 第52页 |
| ·算法改进 | 第52-53页 |
| ·免疫算子设计 | 第53-54页 |
| ·算法步骤 | 第54页 |
| ·性能测试 | 第54-58页 |
| ·基于混合免疫算法的变压器故障诊断 | 第58-64页 |
| ·免疫算子的优化 | 第59-62页 |
| ·故障诊断 | 第62-64页 |
| ·实例分析 | 第64-67页 |
| ·本章小结 | 第67-68页 |
| 第4章 基于极限学习机的变压器故障诊断 | 第68-79页 |
| ·简介 | 第68-69页 |
| ·ELM基本理论 | 第69-71页 |
| ·基于ELM的变压器故障诊断 | 第71-74页 |
| ·特征向量 | 第71-72页 |
| ·故障模式 | 第72页 |
| ·激活函数 | 第72页 |
| ·诊断流程 | 第72-74页 |
| ·仿真实验 | 第74-78页 |
| ·采用不同特征向量的对比 | 第74-75页 |
| ·采用不同激活函数的对比 | 第75-76页 |
| ·训练时间和测试时间 | 第76-77页 |
| ·与其他诊断方法的对比 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 基于核极限学习机的变压器故障诊断 | 第79-91页 |
| ·核极限学习机 | 第79-81页 |
| ·基于约束优化的ELM | 第79-80页 |
| ·核ELM | 第80-81页 |
| ·基于粒子群优化的KELM | 第81-86页 |
| ·问题的提出 | 第81-82页 |
| ·粒子群优化算法 | 第82-83页 |
| ·基于PSO的参数优化 | 第83-84页 |
| ·性能测试 | 第84-86页 |
| ·基于KELM的变压器故障诊断 | 第86-89页 |
| ·和网格法的比较 | 第87页 |
| ·和其他两种ELM的比较 | 第87-89页 |
| ·和其他诊断方法的比较 | 第89页 |
| ·本章小结 | 第89-91页 |
| 第6章 基于证据理论的变压器故障诊断 | 第91-112页 |
| ·证据理论 | 第91-95页 |
| ·基本思想 | 第91-92页 |
| ·识别框架 | 第92页 |
| ·基本可信度分配与信度函数 | 第92-94页 |
| ·Dampster合成法则 | 第94-95页 |
| ·数学模型 | 第95页 |
| ·冲突合成规则 | 第95-97页 |
| ·Dampster合成法则的不足及改进 | 第95-96页 |
| ·基于证据间相似系数的冲突证据合成方法 | 第96-97页 |
| ·基于典型样本和证据理论的变压器故障诊断 | 第97-104页 |
| ·可信度函数构造方法 | 第97-98页 |
| ·证据属性和识别框架 | 第98页 |
| ·典型样本的建立 | 第98-101页 |
| ·实例分析 | 第101-104页 |
| ·基于证据理论的变压器故障诊断 | 第104-111页 |
| ·诊断模型 | 第104-105页 |
| ·证据属性 | 第105-106页 |
| ·识别框架 | 第106-107页 |
| ·基本可信度分配 | 第107-109页 |
| ·证据合成 | 第109页 |
| ·实例分析 | 第109-111页 |
| ·本章小结 | 第111-112页 |
| 第7章 结论与展望 | 第112-114页 |
| ·结论 | 第112页 |
| ·展望 | 第112-114页 |
| 参考文献 | 第114-123页 |
| 攻读博士学位期间发表的论文 | 第123-124页 |
| 攻读博士学位期间参加的科研工作 | 第124-125页 |
| 致谢 | 第125-126页 |
| 作者简介 | 第126页 |
