| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第10-17页 |
| ·引言 | 第10页 |
| ·课题背景 | 第10-11页 |
| ·变压器保护的研究现状 | 第11-15页 |
| ·本论文的主要工作 | 第15-17页 |
| 第二章 变压器励磁涌流的理论分析及仿真 | 第17-30页 |
| ·引言 | 第17页 |
| ·变压器励磁涌流的产生及其特征 | 第17-20页 |
| ·单相变压器的励磁涌流 | 第17-20页 |
| ·三相变压器励磁涌流的分析 | 第20页 |
| ·励磁涌流对变压器差动保护的影响 | 第20-21页 |
| ·变压器励磁涌流仿真研究的基本理论及现状 | 第21-22页 |
| ·基于PSCAD/EMTDC变压器励磁涌流及故障电流的仿真 | 第22-29页 |
| ·PSCAD/EMTDC仿真软件的介绍 | 第22页 |
| ·PSCAD/EMTDC中变压器模型 | 第22-24页 |
| ·变压器励磁涌流的仿真 | 第24-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 人工神经网络模型的研究 | 第30-45页 |
| ·人工神经网络 | 第30-36页 |
| ·人工神经网络的发展 | 第30-31页 |
| ·人工神经元的基本模型 | 第31-33页 |
| ·人工神经网络的结构 | 第33-34页 |
| ·人工神经网络的学习 | 第34-35页 |
| ·人工神经网络的特点及应用 | 第35-36页 |
| ·人工神经网络模型的选择 | 第36-37页 |
| ·RBF神经网络 | 第37-39页 |
| ·RBF神经网络的模型 | 第37-38页 |
| ·RBF神经网络的映射结构 | 第38-39页 |
| ·RBF神经网络常用的学习方法及评价 | 第39-44页 |
| ·基于K-均值聚类的RBF学习方法 | 第39-40页 |
| ·基于动态均值聚类的RBF学习方法 | 第40-42页 |
| ·基于正交最小二乘法(OLS)的RBF学习方法 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于粒子群优化的RBF网络模型的建立 | 第45-57页 |
| ·引言 | 第45页 |
| ·粒子群算法 | 第45-51页 |
| ·粒子群算法的基本原理 | 第45-46页 |
| ·标准粒子群优化算法 | 第46-47页 |
| ·粒子群优化算法参数的选取 | 第47-48页 |
| ·粒子群算法流程及程序的实现 | 第48-51页 |
| ·基于粒子群优化的RBF网络学习算法的实现 | 第51-56页 |
| ·RBF神经网络基函数中心个数的确定 | 第51-52页 |
| ·粒子群优化RBF网络的编码实现 | 第52页 |
| ·适应度函数 | 第52-53页 |
| ·隐含层到输出层的权值 | 第53页 |
| ·粒子群RBF神经网络学习算法的步骤及流程图 | 第53-56页 |
| ·粒子群学习算法的性能评价指标 | 第56页 |
| ·本章小结 | 第56-57页 |
| 第五章 基于PSO-RBF神经网络变压器保护的实现 | 第57-68页 |
| ·PSO-RBF神经网络鉴别励磁涌流和故障电流的原理及流程 | 第57页 |
| ·特征量的选择及训练样本的提取 | 第57-60页 |
| ·特征量的选择 | 第57-59页 |
| ·训练样本的提取 | 第59-60页 |
| ·基于PSO-RBF网络变压器励磁涌流和内部故障的识别 | 第60-61页 |
| ·样本的预处理 | 第60页 |
| ·网络输入输出向量的确定 | 第60-61页 |
| ·传递函数的选取 | 第61页 |
| ·PSO-RBF神经网络的训练 | 第61页 |
| ·PSO-RBF网络与RBF网络的识别性能及比较 | 第61-64页 |
| ·基于PSO-RBF神经网络变压器保护方案 | 第64-67页 |
| ·基于PSO-RBF神经网络变压器保护的逻辑结构 | 第65页 |
| ·基于PSO-RBF神经网络变压器保护的故障处理程序设计 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 结论与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第73-74页 |
