摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-18页 |
1.1 引言 | 第10页 |
1.2 直流输电系统简介 | 第10-14页 |
1.2.1 直流输电的优势及发展现状 | 第10-13页 |
1.2.2 直流输电系统结构及输电线路故障类型 | 第13-14页 |
1.3 故障测距研究的背景及意义 | 第14页 |
1.4 故障测距不同原理介绍 | 第14-17页 |
1.4.1 故障阻抗法 | 第14页 |
1.4.2 行波测距法 | 第14-16页 |
1.4.3 固有频率法 | 第16页 |
1.4.4 人工智能 | 第16-17页 |
1.5 本文主要研究内容 | 第17-18页 |
第2章 线缆混合输电线路故障测距方法 | 第18-30页 |
2.1 基于行波时域特征的测距方法—行波法 | 第18-23页 |
2.1.1 单端行波法基本原理 | 第18-19页 |
2.1.2 混合输电线路单端行波测距法 | 第19-21页 |
2.1.3 双端行波法基本原理 | 第21-22页 |
2.1.4 混合输电线路双端行波测距法 | 第22-23页 |
2.1.5 行波测距方法的优缺点 | 第23页 |
2.2 基于行波频域特征的测距方法—固有频率法 | 第23-28页 |
2.2.1 固有频率简介 | 第23-24页 |
2.2.2 固有频率与故障距离的关系 | 第24-26页 |
2.2.3 线缆混合输电线路的固有频率特性 | 第26-28页 |
2.3 行波法和固有频率法测距的优势互补性 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第3章 故障行波时频特征提取算法 | 第30-42页 |
3.1 后向预测 prony 算法 | 第30-36页 |
3.1.1 prony 算法简介 | 第30-32页 |
3.1.2 prony 算法的特点及改进的必要性 | 第32页 |
3.1.3 后向预测 prony 算法 | 第32-33页 |
3.1.4 后向预测 prony 算法有效性验证 | 第33-36页 |
3.2 集成经验模态分解算法 | 第36-41页 |
3.2.1 EEMD 方法概述 | 第36-37页 |
3.2.2 EEMD 的分解过程 | 第37-38页 |
3.2.3 基于 EEMD 的行波信号滤波 | 第38-40页 |
3.2.4 基于 EEMD 的波头信息提取 | 第40-41页 |
3.3 本章小结 | 第41-42页 |
第4章 A 型线缆混合输电线路故障测距算法及仿真验证 | 第42-62页 |
4.1 影响线缆混合输电线路行波测距的关键因素 | 第42-43页 |
4.2 新型测距算法的总体思路 | 第43页 |
4.3 基于行波时频特征的新型单端测距算法 | 第43-53页 |
4.3.1 测距基本原理和算法 | 第43-44页 |
4.3.2 测距所需反射波头的识别方法 | 第44-45页 |
4.3.3 测距步骤 | 第45页 |
4.3.4 仿真验证 | 第45-53页 |
4.4 基于行波时频特征的新型双端测距算法 | 第53-61页 |
4.4.1 测距基本原理和算法 | 第53-54页 |
4.4.2 测距所需反射波头的识别方法 | 第54-55页 |
4.4.3 测距步骤 | 第55页 |
4.4.4 仿真验证 | 第55-61页 |
4.5 本章小结 | 第61-62页 |
第5章 B 型线缆混合输电线路故障测距算法及仿真验证 | 第62-73页 |
5.1 引言 | 第62页 |
5.2 B 型线缆混合输电线路故障频域特征 | 第62-65页 |
5.3 基于神经网络的故障测距算法 | 第65-72页 |
5.3.1 BP 神经网络简介 | 第65-66页 |
5.3.2 分层分布式神经网络故障测距模型 | 第66-67页 |
5.3.3 BP 神经网络测距模块 | 第67-69页 |
5.3.4 BP 神经网络的优化 | 第69页 |
5.3.5 BP 神经网络的训练 | 第69-71页 |
5.3.6 BP 神经网络的测距结果 | 第71-72页 |
5.4 本章小结 | 第72-73页 |
第6章 结论与展望 | 第73-75页 |
6.1 论文的主要研究内容和成果 | 第73-74页 |
6.2 前景展望 | 第74-75页 |
参考文献 | 第75-79页 |
攻读硕士学位期间发表的论文及其它成果 | 第79-80页 |
致谢 | 第80页 |