| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 变压器油中溶解气体分析(DGA)现状 | 第11-12页 |
| 1.2.2 变压器故障特征气体的传感技术现状 | 第12-16页 |
| 1.2.3 油浸式变压器的故障预测与诊断现状 | 第16-17页 |
| 1.3 课题主要研究内容 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 油浸式电力变压器湿度检测性能研究 | 第19-32页 |
| 2.1 湿敏传感器的电阻特性 | 第19-25页 |
| 2.1.1 薄膜传感器的制备和表征 | 第19-21页 |
| 2.1.2 水热法SnO_2/RGO薄膜传感器湿敏特性测试 | 第21-24页 |
| 2.1.3 SnO_2/RGO薄膜湿度传感器电阻湿敏机理分析 | 第24-25页 |
| 2.2 湿敏传感器的电容特性 | 第25-31页 |
| 2.2.1 传感器电容湿敏特性 | 第25-28页 |
| 2.2.2 SnO_2/RGO薄膜传感器复阻抗谱 | 第28-29页 |
| 2.2.3 SnO_2/RGO薄膜电容湿敏特性分析 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 油浸式电力变压器故障特征气体的气敏特性研究 | 第32-57页 |
| 3.1 变压器油中氢气检测传感器制作及其气敏特性 | 第32-37页 |
| 3.1.1 水热法Pd-ZnO-RGO薄膜传感器的制作 | 第32-34页 |
| 3.1.2 薄膜型氢气传感器的气敏特性实验 | 第34-37页 |
| 3.2 变压器油中甲烷检测传感器制作及其气敏特性 | 第37-42页 |
| 3.2.1 水热法NiO-RGO薄膜传感器的制作 | 第37-39页 |
| 3.2.2 薄膜型甲烷传感器的气敏特性实验 | 第39-42页 |
| 3.3 变压器油中乙炔检测传感器制作及其气敏特性 | 第42-45页 |
| 3.3.1 水热法Co_3O_4-RGO薄膜传感器的制作 | 第42-43页 |
| 3.3.2 薄膜型乙炔传感器的气敏特性实验 | 第43-45页 |
| 3.4 变压器油中乙烯检测传感器制作及其气敏特性 | 第45-48页 |
| 3.4.1 水热法SnO_2薄膜传感器的制作 | 第45-46页 |
| 3.4.2 薄膜型乙烯传感器的气敏特性实验 | 第46-48页 |
| 3.5 变压器油中乙烷检测传感器制作及其气敏特性 | 第48-52页 |
| 3.5.1 水热法ZnO薄膜传感器的制作 | 第48-49页 |
| 3.5.2 薄膜型乙烷传感器的气敏特性实验 | 第49-52页 |
| 3.6 气体传感器响应机理分析 | 第52-56页 |
| 3.6.1 基于石墨烯气敏传感器的基本原理 | 第52-53页 |
| 3.6.2 金属氧化物传感器的机理分析 | 第53页 |
| 3.6.3 金属氧化物与石墨烯复合薄膜的机理分析 | 第53-56页 |
| 3.7 本章小结 | 第56-57页 |
| 第4章 基于深度置信神经网络模型的变压器故障多组分气体预测 | 第57-74页 |
| 4.1 变压器气敏传感器阵列对多组分故障气体的气敏特性 | 第57-60页 |
| 4.1.1 混合气体的气敏响应 | 第57-59页 |
| 4.1.2 气敏传感器阵列分析 | 第59-60页 |
| 4.2 深度学习神经网络基本理论 | 第60-65页 |
| 4.2.1 浅层神经网络 | 第60-61页 |
| 4.2.2 深度学习基本理论 | 第61-63页 |
| 4.2.3 深度置信网络(DBN)基本理论 | 第63-65页 |
| 4.3 DBN神经网络模型及多组分气体浓度预测 | 第65-70页 |
| 4.3.1 DBN神经网络模型构建 | 第65-68页 |
| 4.3.2 DBN神经网络模型预测 | 第68-70页 |
| 4.4 深度置信神经网络模型性能分析 | 第70-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第5章 基于变压器油中溶解气体分析的绝缘故障诊断模型研究 | 第74-90页 |
| 5.1 引言 | 第74-75页 |
| 5.2 三比值法故障诊断模型 | 第75-78页 |
| 5.2.1 三比值法编码规则 | 第75-77页 |
| 5.2.2 三比值法诊断效果 | 第77-78页 |
| 5.3 基于遗传算法优化支持向量机的变压器故障诊断模型 | 第78-84页 |
| 5.3.1 支持向量机基本理论 | 第79-81页 |
| 5.3.2 遗传算法基本理论 | 第81-82页 |
| 5.3.3 遗传算法优化支持向量机故障诊断模型 | 第82-84页 |
| 5.4 基于粒子群优化支持向量机的变压器故障诊断模型 | 第84-89页 |
| 5.4.1 粒子群算法基本理论 | 第84-85页 |
| 5.4.2 改进粒子群算法 | 第85-86页 |
| 5.4.3 改进粒子群优化支持向量机故障诊断模型 | 第86-89页 |
| 5.5 本章小结 | 第89-90页 |
| 总结与展望 | 第90-92页 |
| 参考文献 | 第92-98页 |
| 硕士期间取得的学术和论文成果 | 第98-99页 |
| 致谢 | 第99页 |
