| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 故障诊断的原理及技术 | 第12-14页 |
| 1.3 研究现状及其发展趋势 | 第14-20页 |
| 1.3.1 基于DGA的变压器故障诊断技术的研究 | 第14-15页 |
| 1.3.2 几种智能诊断方法在变压器故障诊断中的应用 | 第15-19页 |
| 1.3.3 基于互联网的诊断系统及虚拟现实技术 | 第19-20页 |
| 1.4 本文的主要研究内容 | 第20-22页 |
| 1.5 小结 | 第22-23页 |
| 第二章 基于特征气体的变压器故障诊断方法及分析 | 第23-37页 |
| 2.1 特征气体的产生和溶解 | 第24-28页 |
| 2.1.1 特征气体的产生 | 第24-25页 |
| 2.1.2 特征气体在油中的溶解 | 第25-27页 |
| 2.1.3 正常状态下油中的气体含量 | 第27-28页 |
| 2.2 变压器内部故障类型与油中气体含量的关系 | 第28-32页 |
| 2.3 对以油中溶解气体分析的比值诊断法的分析 | 第32-35页 |
| 2.3.1 比值诊断法 | 第32-34页 |
| 2.3.2 对比值法的分析 | 第34-35页 |
| 2.4 小结 | 第35-37页 |
| 第三章 支持向量机多分类算法 | 第37-43页 |
| 3.1 SVM多类分类方法 | 第37-42页 |
| 3.1.1 多类分类问题的数学表达及其解决方法 | 第37-38页 |
| 3.1.2 一对余分类法 | 第38页 |
| 3.1.3 一对一分类法 | 第38-39页 |
| 3.1.4 DDAG-SVM方法 | 第39-40页 |
| 3.1.5 纠错输出编码法 | 第40页 |
| 3.1.6 二叉树法 | 第40-41页 |
| 3.1.7 SVM的最优化算法 | 第41-42页 |
| 3.2 小结 | 第42-43页 |
| 第四章 SVM多分类法在变压器故障诊断中的应用 | 第43-51页 |
| 4.1 相关基本理论 | 第43-44页 |
| 4.1.1 支持向量机 | 第43页 |
| 4.1.2 SVM的多分类算法 | 第43-44页 |
| 4.2 基于SVM多分类法的油浸式变压器故障在线诊断 | 第44-46页 |
| 4.2.1 故障分类 | 第44-45页 |
| 4.2.2 特征气体的在线提取及数据的预处理 | 第45页 |
| 4.2.3 故障的在线诊断方法 | 第45-46页 |
| 4.3 实验分析 | 第46-49页 |
| 4.3.1 实验研究 | 第46-47页 |
| 4.3.2 实验结果分析 | 第47-49页 |
| 4.4 小结 | 第49-51页 |
| 第五章 基于SVM的油浸式变压器故障点的定位研究 | 第51-61页 |
| 5.1 基于SVM的变压器故障点定位 | 第51-54页 |
| 5.1.1 支持向量机在故障点定位中的应用 | 第51-52页 |
| 5.1.2 最优分类面 | 第52-54页 |
| 5.2 模型的建立 | 第54-56页 |
| 5.2.1 属性变量及故障类型 | 第54页 |
| 5.2.2 故障类别的确立 | 第54-55页 |
| 5.2.3 数据预处理 | 第55页 |
| 5.2.4 模型的建立 | 第55-56页 |
| 5.3 模型的实现 | 第56-58页 |
| 5.3.1 模型的数据组成 | 第56-57页 |
| 5.3.2 变压器故障点定位的实现 | 第57-58页 |
| 5.3.3 相关参数的确定 | 第58页 |
| 5.4 实例分析 | 第58-59页 |
| 5.5 小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 后续工作展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录A | 第69页 |
| 攻读硕士学位期间申请计算机软件著作权情况 | 第69页 |
| 攻读硕士学位期间申请实用新型专利情况 | 第69页 |
| 攻读硕士学位期间获奖情况 | 第69页 |