| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 本课题的研究背景与意义 | 第8-10页 |
| 1.1.1 本课题的研究背景 | 第8-9页 |
| 1.1.2 本课题的研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状及分析 | 第10-11页 |
| 1.2.2 国内研究现状及分析 | 第11-12页 |
| 1.2.3 发展趋势 | 第12-13页 |
| 1.3 论文的主要内容及结构安排 | 第13-16页 |
| 1.3.1 论文的主要内容 | 第13-14页 |
| 1.3.2 论文的结构安排 | 第14-16页 |
| 2 变压器的常见故障及诊断方法 | 第16-25页 |
| 2.1 变压器的常见故障 | 第16-18页 |
| 2.2 变压器油中气体的产生机理 | 第18-20页 |
| 2.2.1 变压器油的产气机理 | 第18-19页 |
| 2.2.2 变压器油中气体的产生 | 第19-20页 |
| 2.3 变压器内部故障与油中特征气体的关系 | 第20-21页 |
| 2.4 变压器故障的诊断方法 | 第21-24页 |
| 2.4.1 传统的变压器诊断方法 | 第21-23页 |
| 2.4.2 智能诊断方法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 量子免疫优化BP神经网络算法的设计 | 第25-35页 |
| 3.1 量子免疫优化BP神经网络算法的提出 | 第25页 |
| 3.2 BP神经网络 | 第25-29页 |
| 3.2.1 BP神经网络的算法流程 | 第26-27页 |
| 3.2.2 用于变压器故障诊断的BP神经网络设计 | 第27-29页 |
| 3.3 量子免疫算法 | 第29-31页 |
| 3.4 量子免疫优化BP神经网络方案 | 第31-32页 |
| 3.4.1 量子免疫优化BP神经网络设计 | 第31-32页 |
| 3.5 QIA优化BP神经网络的可行性仿真验证 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 基于QIA-BP神经网络算法在变压器故障诊断中的应用 | 第35-46页 |
| 4.1 变压器故障诊断——应用实例 | 第35-37页 |
| 4.2 量子免疫优化BP网络的具体设计 | 第37-41页 |
| 4.2.1 参数的选取 | 第37-39页 |
| 4.2.2 BP神经网络参数的设定 | 第39-41页 |
| 4.3 算法的仿真及结果分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 基于故障树的变压器故障点定位的研究 | 第46-57页 |
| 5.1 电力变压器故障树的建立 | 第46-48页 |
| 5.2 支持向量机在变压器故障点定位中的应用 | 第48页 |
| 5.3 变压器故障定位的二叉树模型 | 第48-52页 |
| 5.3.1 确定属性变量和数据预处理 | 第48-51页 |
| 5.3.2 故障位置的确定 | 第51页 |
| 5.3.3 模型的建立 | 第51-52页 |
| 5.4 基于二叉树的SVM分类模型的实现 | 第52-56页 |
| 5.4.1 模型数据的组成 | 第52-53页 |
| 5.4.2 变压器故障定位的实现 | 第53页 |
| 5.4.3 相关参数的确定 | 第53-54页 |
| 5.4.4 实例分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 6 结论与展望 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |