| 摘要 | 第1-8页 |
| Abstract | 第8-14页 |
| 第1章 绪论 | 第14-22页 |
| ·课题的研究意义 | 第14-15页 |
| ·课题相关内容的国内外研究现状 | 第15-20页 |
| ·多小波及多小波包理论的研究现状 | 第15-16页 |
| ·人工神经网络在电力系统中的研究现状 | 第16-18页 |
| ·电力系统故障类型识别的研究现状 | 第18-20页 |
| ·存在的问题 | 第20-21页 |
| ·本论文主要工作 | 第21-22页 |
| 第2章 多小波及多小波包理论与性质 | 第22-35页 |
| ·引言 | 第22页 |
| ·多小波的多分辨率分析及重要性质 | 第22-24页 |
| ·多小波的MALLAT算法 | 第24-25页 |
| ·几种常用多小波 | 第25-27页 |
| ·GHM多小波 | 第25页 |
| ·SA4多小波 | 第25-26页 |
| ·CL多小波 | 第26-27页 |
| ·预处理方法对多小波滤波器性能影响 | 第27-32页 |
| ·预滤波方法对多小波滤波器性能的影响 | 第28-30页 |
| ·平衡预处理方法对多小波滤波器性能的影响 | 第30-32页 |
| ·最优多小波预处理方法选择 | 第32页 |
| ·多小波的分解重构过程 | 第32-33页 |
| ·多小波包基本理论 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 人工神经网络 | 第35-46页 |
| ·引言 | 第35页 |
| ·BP神经网络 | 第35-42页 |
| ·BP网络的学习规则—梯度下降算法 | 第36-41页 |
| ·BP隐层节点的数目 | 第41-42页 |
| ·RBF神经网络 | 第42-45页 |
| ·RBF神经元模型 | 第43-44页 |
| ·RBF神经网络的训练算法 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于能量特征量的故障类型识别 | 第46-61页 |
| ·引言 | 第46页 |
| ·基于多小波包的故障信号时频分析 | 第46-48页 |
| ·500kV输电线路PSCAD/EMTDC仿真模型 | 第46-47页 |
| ·故障信号的多小波包时频分析 | 第47-48页 |
| ·利用多小波包提取故障信号能量特征量 | 第48-49页 |
| ·基于能量特征量的故障类型识别 | 第49-53页 |
| ·识别算法 | 第49-50页 |
| ·识别效果仿真比较 | 第50-53页 |
| ·基于多小波包分解的频带局部能量 | 第53-60页 |
| ·多小波包频带局部能量 | 第53-56页 |
| ·频带局部能量特征提取方法 | 第56-58页 |
| ·基于频带局部能量的故障类型识别 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第5章 基于多小波包系数熵的故障类型识别 | 第61-72页 |
| ·引言 | 第61页 |
| ·小波熵理论的应用现状 | 第61-67页 |
| ·信息熵与谱熵 | 第62-63页 |
| ·小波熵测度的定义 | 第63-67页 |
| ·利用多小波包提取故障信号系数熵特征量 | 第67-69页 |
| ·基于多小波包系数熵的故障识别算法 | 第69-71页 |
| ·识别算法 | 第69页 |
| ·识别效果仿真比较 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间发表的论文 | 第80页 |