| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-22页 |
| 1.1 局部放电在线监测研究的意义 | 第15-16页 |
| 1.2 电力变压器局部放电模式识别研究现状 | 第16-20页 |
| 1.2.1 局部放电监测方法 | 第16-17页 |
| 1.2.2 局部放电特征提取 | 第17-19页 |
| 1.2.3 局部放电模式识别分类决策 | 第19-20页 |
| 1.3 论文的主要研究内容 | 第20-22页 |
| 第2章 局部放电信号采集与特征提取 | 第22-34页 |
| 2.1 油中放电模型试验及多传感器检测 | 第22-26页 |
| 2.1.1 传感器及放电模型 | 第22-24页 |
| 2.1.2 局部放电检测装置 | 第24-25页 |
| 2.1.3 试验过程与局部放电信号检测 | 第25-26页 |
| 2.2 局部放电特征提取 | 第26-32页 |
| 2.2.1 基于相位分析模式特征提取 | 第26-27页 |
| 2.2.2 基于时间分析模式特征提取 | 第27-29页 |
| 2.2.3 灰度分形特征提取 | 第29-31页 |
| 2.2.4 交叉小波谱特征提取 | 第31-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 基于骨干粒子群优化支持向量机的局放模式识别 | 第34-52页 |
| 3.1 支持向量机理论 | 第34-35页 |
| 3.1.1 基于ERM准则的统计学习一致性条件 | 第34-35页 |
| 3.1.2 推广性的界 | 第35页 |
| 3.1.3 VC维 | 第35页 |
| 3.1.4 结构风险最小化 | 第35页 |
| 3.2 支持向量机分类的基本原理 | 第35-43页 |
| 3.2.1 分类问题 | 第35-36页 |
| 3.2.2 线性硬间隔支持向量机 | 第36-38页 |
| 3.2.3 线性软间隔支持向量机 | 第38-39页 |
| 3.2.4 非线性支持向量机 | 第39页 |
| 3.2.5 多分类支持向量机 | 第39-43页 |
| 3.2.6 参数选择 | 第43页 |
| 3.3 构造支持向量机分类器 | 第43-47页 |
| 3.3.1 二叉树结构多分类支持向量机结构设计 | 第43-44页 |
| 3.3.2 支持向量机核函数选择 | 第44-45页 |
| 3.3.3 基于RBF核函数的支持向量机构造 | 第45页 |
| 3.3.4 基于骨干粒子群优化的加速学习支持向量机 | 第45-47页 |
| 3.4 基于支持向量机的局部放电模式识别 | 第47-50页 |
| 3.4.1 基于PRPD参数的识别 | 第48页 |
| 3.4.2 基于TRPD参数的识别 | 第48-49页 |
| 3.4.3 基于灰度分形特征的识别 | 第49页 |
| 3.4.4 基于交叉小波谱特征的识别 | 第49-50页 |
| 3.5 实验结果分析 | 第50页 |
| 3.6 本章小结 | 第50-52页 |
| 第4章 基于最优半径超球面支持向量机的局放模式识别 | 第52-61页 |
| 4.1 超球面支持向量机算法 | 第52-53页 |
| 4.2 超球面支持向量机的半径优化 | 第53-56页 |
| 4.2.1 超球面支持向量机分类算法 | 第53-54页 |
| 4.2.2 超球面支持向量机分类决策法则的改进 | 第54-56页 |
| 4.2.3 核函数优化 | 第56页 |
| 4.3 基于最优半径超球面支持向量机的局部放电模式识别 | 第56-57页 |
| 4.3.1 构造最优半径超球面支持向量机 | 第56-57页 |
| 4.3.2 多分类超球面支持向量机的实现 | 第57页 |
| 4.4 分类器训练及识别流程 | 第57-59页 |
| 4.5 实验结果分析 | 第59-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 基于CKM-SVM的局放模式识别 | 第61-71页 |
| 5.1 CKM-SVM算法 | 第61-63页 |
| 5.2 分组特征选择 | 第63-64页 |
| 5.2.1 统计特征参数 | 第63页 |
| 5.2.2 脉冲波形特征参数 | 第63-64页 |
| 5.2.3 灰度分形特征(GFF) | 第64页 |
| 5.2.4 交叉小波谱特征 | 第64页 |
| 5.3 基于CKM-SVM的局部放电模式识别 | 第64-67页 |
| 5.3.1 识别流程 | 第64-65页 |
| 5.3.2 核函数选择 | 第65-66页 |
| 5.3.3 参数优化 | 第66-67页 |
| 5.4 实验结果分析 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 基于证据理论的多信息融合局放故障诊断 | 第71-85页 |
| 6.1 信息融合 | 第71-76页 |
| 6.1.1 多传感器融合 | 第71-72页 |
| 6.1.2 多传感器融合的级别 | 第72-74页 |
| 6.1.3 多分类器融合 | 第74-76页 |
| 6.2 证据理论 | 第76-79页 |
| 6.2.1 理论基础 | 第76-77页 |
| 6.2.2 辨识框架 | 第77页 |
| 6.2.3 基本可信度分配与信度函数 | 第77-78页 |
| 6.2.4 Dampster合成法则 | 第78-79页 |
| 6.3 冲突合成规则 | 第79-80页 |
| 6.4 基于DS证据理论的多信息融合识别 | 第80-82页 |
| 6.4.1 证据理论识别流程 | 第80页 |
| 6.4.2 建立识别框架及概率分配函数 | 第80-81页 |
| 6.4.3 证据合成与决策 | 第81-82页 |
| 6.5 实例分析 | 第82-83页 |
| 6.5.1 缺陷测试 | 第82页 |
| 6.5.2 冲突样本的合成实例 | 第82-83页 |
| 6.6 样本测试 | 第83-84页 |
| 6.7 本章小结 | 第84-85页 |
| 第7章 结论与展望 | 第85-86页 |
| 7.1 结论 | 第85页 |
| 7.2 展望 | 第85-86页 |
| 参考文献 | 第86-95页 |
| 攻读博士学位期间发表的论文 | 第95-97页 |
| 攻读博士学位期间参加的科研工作 | 第97-98页 |
| 致谢 | 第98-99页 |
| 作者简介 | 第99页 |
