| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 变压器故障诊断研究现状分析 | 第14-16页 |
| 1.3 基于DGA的变压器智能诊断方法发展现状分析 | 第16-18页 |
| 1.4 本文主要内容及章节安排 | 第18-20页 |
| 第2章 基于DGA的变压器故障诊断原理及分析 | 第20-27页 |
| 2.1 引言 | 第20页 |
| 2.2 变压器绝缘材料组成及产气原理 | 第20-22页 |
| 2.2.1 绝缘油性能及产气机理 | 第20-21页 |
| 2.2.2 固体绝缘材料性能及产气机理 | 第21-22页 |
| 2.3 变压器运行状态与产气特征分析 | 第22-25页 |
| 2.3.1 正常运行时油中溶解气体含量特征 | 第22-23页 |
| 2.3.2 故障状态下油中溶解气体含量特征 | 第23-25页 |
| 2.4 基于DGA的变压器故障诊断原理 | 第25-26页 |
| 2.4.1 特征气体法 | 第25页 |
| 2.4.2 改良三比值法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 统计学理论及支持向量机分类原理 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 统计理论概述 | 第27-30页 |
| 3.2.1 机器学习 | 第27-28页 |
| 3.2.2 学习一致性 | 第28页 |
| 3.2.3 VC维 | 第28-29页 |
| 3.2.4 推广性界及结构风险最小化 | 第29-30页 |
| 3.3 支持向量机基本理论 | 第30-36页 |
| 3.3.1 线性支持向量机 | 第31-33页 |
| 3.3.2 非线性SVM | 第33-34页 |
| 3.3.3 核函数 | 第34-35页 |
| 3.3.4 多分类SVM | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于支持向量机的变压器故障诊断 | 第37-48页 |
| 4.1 引言 | 第37页 |
| 4.2 基于支持向量机的故障诊断原理 | 第37-38页 |
| 4.3 变压器故障诊断样本 | 第38-42页 |
| 4.3.1 故障特征量 | 第38页 |
| 4.3.2 故障类别及分类标签 | 第38-39页 |
| 4.3.3 原始DGA样本收集 | 第39-42页 |
| 4.4 基于SVM的变压器故障诊断算法实现 | 第42-47页 |
| 4.4.1 SVM工具箱简介 | 第42-43页 |
| 4.4.2 训练与测试样本集划分 | 第43-44页 |
| 4.4.3 数据预处理 | 第44页 |
| 4.4.4 核函数及参数优化 | 第44-46页 |
| 4.4.5 诊断结果 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于化学反应优化支持向量机的变压器故障诊断 | 第48-65页 |
| 5.1 引言 | 第48页 |
| 5.2 CRO算法概述 | 第48-53页 |
| 5.2.1 基本思想 | 第48-50页 |
| 5.2.2 分子概念 | 第50-51页 |
| 5.2.3 分子基本反应 | 第51-53页 |
| 5.3 CRO算法及其实现 | 第53-55页 |
| 5.4 基于CRO算法的支持向量机优化 | 第55-60页 |
| 5.4.1 优化流程 | 第55-56页 |
| 5.4.2 CRO算法参数整定 | 第56-59页 |
| 5.4.3 算例分析 | 第59-60页 |
| 5.5 基于CRO-SVM的变压器故障诊断算法及其实现 | 第60-63页 |
| 5.5.1 诊断流程 | 第60-61页 |
| 5.5.2 实例分析 | 第61-62页 |
| 5.5.3 诊断结果对比 | 第62-63页 |
| 5.6 基于CRO-SVM的变压器故障诊断实际应用案例 | 第63-64页 |
| 5.7 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 附录A (攻读学位期间发表的学术论文目录) | 第73-74页 |
| 附录B (攻读学位期间参加的科研工作) | 第74页 |
