| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题的背景和意义 | 第9-10页 |
| 1.2 故障诊断技术的研究概况 | 第10-12页 |
| 1.3 变压器故障诊断方法的国内外研究现状 | 第12-16页 |
| 1.3.1 传统故障诊断方法 | 第12-14页 |
| 1.3.2 智能故障诊断方法的国内外研究现状 | 第14-16页 |
| 1.4 本文研究的主要内容 | 第16-19页 |
| 第二章 变压器故障诊断机理分析 | 第19-35页 |
| 2.1 变压器故障分类及其原因 | 第19-22页 |
| 2.2 变压器油溶解气体分析技术 | 第22-25页 |
| 2.2.1 油溶解气体产气速率分析 | 第22页 |
| 2.2.2 特征气体组分含量在故障中的变化分析 | 第22-25页 |
| 2.2.3 气体多比值判据在变压器故障诊断中的应用 | 第25页 |
| 2.3 变压器常用电气试验方法分析 | 第25-30页 |
| 2.4 变压器故障诊断辅助方法分析 | 第30-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于变精度粗糙集理论的变压器故障诊断 | 第35-57页 |
| 3.1 粗糙集理论概述 | 第35-40页 |
| 3.1.1 经典粗糙集理论相关概念 | 第35-38页 |
| 3.1.2 变精度粗糙集理论相关概念 | 第38-40页 |
| 3.2 变压器故障诊断决策表的数据预处理 | 第40-44页 |
| 3.2.1 故障数据的获取 | 第40页 |
| 3.2.2 基于Rosetta软件的数据离散化 | 第40-44页 |
| 3.3 基于变精度粗糙集理论的变压器故障诊断的设计 | 第44-53页 |
| 3.3.1 融合信息量与重要度的变压器决策表属性约简 | 第45-49页 |
| 3.3.2 变压器故障诊断规则的提取 | 第49-53页 |
| 3.4 实例分析 | 第53-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于VPRS-RBF网络的变压器故障诊断 | 第57-75页 |
| 4.1 RBF神经网络概述 | 第57-60页 |
| 4.1.1 RBF神经网络模型及其分析 | 第57-59页 |
| 4.1.2 RBF神经网络学习算法 | 第59-60页 |
| 4.2 VPRS与RBF神经网络相结合的变压器故障诊断 | 第60-68页 |
| 4.2.1 粗糙集与神经网络结合的方法 | 第60-61页 |
| 4.2.2 基于VPRS-RBF网络的故障诊断步骤 | 第61-62页 |
| 4.2.3 VPRS-RBF故障诊断网络的设计与训练 | 第62-67页 |
| 4.2.4 故障诊断VPRS-RBF网络的测试及结果分析 | 第67-68页 |
| 4.3 基于粒子群优化VPRS-RBF网络的变压器故障诊断的实现 | 第68-73页 |
| 4.3.1 粒子群优化（PSO）算法设计 | 第68-69页 |
| 4.3.2 PSO算法优化的VPRS-RBF故障诊断网络的设计 | 第69-71页 |
| 4.3.3 PSO算法优化的VPRS-RBF故障诊断网络的训练与测试 | 第71-73页 |
| 4.4 本章小结 | 第73-75页 |
| 第五章 变压器故障诊断三种方法的特点分析 | 第75-79页 |
| 5.1 基于VPRS理论的故障诊断方法分析 | 第75-76页 |
| 5.2 基于VPRS-RBF神经网络的故障诊断两种方法分析 | 第76-78页 |
| 5.2.1 训练过程分析 | 第76-77页 |
| 5.2.2 测试结果分析 | 第77-78页 |
| 5.3 本章小结 | 第78-79页 |
| 第六章 结论 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 攻读学位期间所取得的相关科研成果 | 第89页 |
