电能质量分析中故障分类方法研究
| 1 绪论 | 第1-14页 |
| 1．1 电能质量是当前国际上的研究热点 | 第9-10页 |
| 1．2 改善电能质量的意义 | 第10-11页 |
| 1．3 小波变换在电力系统中的应用现状 | 第11-12页 |
| 1．4 本文的主要工作 | 第12-14页 |
| 2 电能质量及电压凹陷 | 第14-22页 |
| 2．1 电能质量 | 第14-15页 |
| 2．2 电压凹陷描述 | 第15-16页 |
| 2．3 各类配电网电压凹陷的分析 | 第16-20页 |
| 2．3．1 线路故障引起的电压凹陷 | 第16-18页 |
| 2．3．2 变压器投运引起的电压凹陷 | 第18-19页 |
| 2．3．2 三相感应电机启动引起的电压凹陷 | 第19-20页 |
| 2．4 电压凹陷描述特征 | 第20-21页 |
| 2．4．1 凹陷基本特征量 | 第20页 |
| 2．4．2 特征量检测方法 | 第20-21页 |
| 2．5 小结 | 第21-22页 |
| 3 小波分析及其应用 | 第22-34页 |
| 3．1 小波变换基本理论 | 第22-27页 |
| 3．1．1 小波变换 | 第23-24页 |
| 3．1．2 小波多分辨率信号分解理论与实现方法 | 第24-26页 |
| 3．1．3 Mallat算法 | 第26-27页 |
| 3．2 小波变换在电压凹陷信号分析中的应用 | 第27-33页 |
| 3．2．1 信号的奇异性检测 | 第27-28页 |
| 3．2．2 信号消噪 | 第28-30页 |
| 3．2．3 信号分析中小波基的选择 | 第30-31页 |
| 3．2．4 电压凹陷持续时间检测 | 第31-33页 |
| 3．3 小结 | 第33-34页 |
| 4 支持向量机 | 第34-57页 |
| 4．1 统计学习理论 | 第34-38页 |
| 4．1．1 机器学习问题的表示 | 第35-36页 |
| 4．1．2 经验风险最小化 | 第36-37页 |
| 4．1．3 统计学习理论的核心内容 | 第37-38页 |
| 4．2 支持向量机 | 第38-46页 |
| 4．2．1 最优分类面 | 第39-42页 |
| 4．2．2 支持向量机 | 第42-46页 |
| 4．3 SVM在大类别分类中的应用 | 第46-52页 |
| 4．3．1 one-versus-rest算法 | 第47页 |
| 4．3．2 one-versus-one算法 | 第47-48页 |
| 4．3．3 纠错编码多类支持向量机法 | 第48-49页 |
| 4．3．4 层次多类支持向量机法 | 第49-50页 |
| 4．3．5 SVM结合决策树的方法 | 第50-52页 |
| 4．4 应用支持向量机对电压凹陷进行分类 | 第52-56页 |
| 4．5 小结 | 第56-57页 |
| 5 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者在攻读硕士期间所发表的论文及参加的科研项目 | 第63页 |
