| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 本文研究背景及意义 | 第8-9页 |
| 1.2 电力变压器油中溶解气体分析 | 第9-10页 |
| 1.2.1 变压器油纸绝缘产气机理 | 第9页 |
| 1.2.2 变压器内部故障与油中溶解气体的关系 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-16页 |
| 1.3.1 传统诊断法 | 第10-11页 |
| 1.3.2 智能诊断法 | 第11-16页 |
| 1.4 本文研究内容 | 第16-17页 |
| 2 基于样本重要度的LS-SVM故障诊断模型 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 支持向量机分类理论 | 第17-20页 |
| 2.3 基于样本重要度的LS-SVM | 第20-25页 |
| 2.3.1 基于样本重要度的LS-SVM原理 | 第20-22页 |
| 2.3.2 基于样本重要度的多分类LS-SVM | 第22-23页 |
| 2.3.3 性能测试 | 第23-25页 |
| 2.4 变压器故障诊断实例分析 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 基于云隶属空间的故障诊断模型 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 基于云模型的数据处理 | 第28-33页 |
| 3.2.1 云模型简介 | 第28-29页 |
| 3.2.2 云变换 | 第29-32页 |
| 3.2.3 云概念跃升 | 第32-33页 |
| 3.3 关联知识挖掘 | 第33-34页 |
| 3.4 基于云隶属空间的故障诊断 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于集成学习法的变压器故障诊断模型 | 第37-52页 |
| 4.1 引言 | 第37页 |
| 4.2 ADABOOST集成学习 | 第37-40页 |
| 4.2.1 Adaboost算法流程 | 第37-38页 |
| 4.2.2 Adaboost多分类算法 | 第38-40页 |
| 4.3 基于样本重要度LS-SVM组合分类面故障诊断模型 | 第40-45页 |
| 4.4 云隶属空间模型优化 | 第45-48页 |
| 4.5 组合诊断模型 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 结论与展望 | 第52-54页 |
| 5.1 主要结论 | 第52页 |
| 5.2 后续工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第60页 |
| B. 作者在攻读硕士学位期间参加的科研项目目录 | 第60页 |