摘要 | 第3-4页 |
Abstract | 第4-5页 |
1 绪论 | 第9-16页 |
1.1 本课题研究的背景与意义 | 第9-10页 |
1.1.1 研究背景 | 第9页 |
1.1.2 研究意义 | 第9-10页 |
1.2 国内外研究现状及发展趋势 | 第10-14页 |
1.2.1 国外的研究现状分析 | 第10-11页 |
1.2.2 国内的研究现状分析 | 第11-14页 |
1.2.3 发展趋势 | 第14页 |
1.3 论文的主要内容及结构安排 | 第14-16页 |
1.3.1 论文的主要内容 | 第14-15页 |
1.3.2 论文的结构安排 | 第15-16页 |
2 变压器励磁涌流分析及纵差保护 | 第16-23页 |
2.1 变压器励磁涌流对差动保护的影响 | 第16-17页 |
2.2 变压器励磁涌流及其特征 | 第17-18页 |
2.2.1 变压器励磁涌流产生的原因 | 第17-18页 |
2.2.2 变压器励磁涌流的特征分析 | 第18页 |
2.3 短路故障电流及其特征 | 第18页 |
2.4 励磁涌流的识别方法分析 | 第18-22页 |
2.4.1 二次谐波方法 | 第19页 |
2.4.2 间断角判别分析 | 第19-20页 |
2.4.3 波形对称原理判别方法 | 第20页 |
2.4.4 小波变换方法判别分析 | 第20-21页 |
2.4.5 谐波电压制动判断方法 | 第21-22页 |
2.5 本章小结 | 第22-23页 |
3 经验模态分解及其改进方法 | 第23-35页 |
3.1 经验模态分解的基本思路 | 第23页 |
3.2 经验模态分解算法 | 第23-28页 |
3.2.1 瞬时频率与单分量信号 | 第23-24页 |
3.2.2 本征模态函数及筛分过程 | 第24-28页 |
3.3 改进的EMD算法 | 第28-30页 |
3.4 小波理论 | 第30-32页 |
3.4.1 小波变换方法分析 | 第30-32页 |
3.4.2 小波分解过程 | 第32页 |
3.5 熵的定义 | 第32-33页 |
3.5.1 信息熵理论 | 第32-33页 |
3.5.2 小波能量熵信号提取方法 | 第33页 |
3.6 本章小结 | 第33-35页 |
4 鱼群优化的概率神经网络故障分类方法 | 第35-48页 |
4.1 神经网络的概述 | 第35-36页 |
4.2 常见的神经网络分析 | 第36-38页 |
4.2.1 BP神经网络 | 第36-37页 |
4.2.2 RBF神经网络 | 第37-38页 |
4.3 概率神经网络的原理及结构 | 第38-43页 |
4.3.1 贝叶斯(Bayes)分类准则 | 第38-39页 |
4.3.2 Parzen窗函数 | 第39-41页 |
4.3.3 PNN神经网络的结构 | 第41-42页 |
4.3.4 PNN神经网络算法步骤 | 第42-43页 |
4.3.5 PNN与BP、RBF神经网络的比较分析 | 第43页 |
4.4 人工鱼群优化算法 | 第43-46页 |
4.4.1 人工鱼群算法基本行为描述 | 第44页 |
4.4.2 鱼群的主要行为 | 第44-46页 |
4.5 基于鱼群优化概率神经网络变压器励磁涌流与故障的分类 | 第46-47页 |
4.6 本章小结 | 第47-48页 |
5 励磁涌流和故障电流检测与识别的仿真分析 | 第48-56页 |
5.1 变压器励磁涌流仿真模型 | 第48-49页 |
5.2 变压器内部故障电流仿真模型 | 第49页 |
5.3 励磁涌流和故障电流的EMD特性分析 | 第49-50页 |
5.4 多尺度小波能量熵的信号特征提取 | 第50-53页 |
5.4.1 空载合闸 | 第51页 |
5.4.2 相间短路 | 第51-52页 |
5.4.3 单相接地短路 | 第52页 |
5.4.4 变压器空载合闸于内部故障 | 第52-53页 |
5.5 各种情况下Kmax的值及分析 | 第53页 |
5.6 基于鱼群优化概率神经网络的变压器不同运行状态类型的识别 | 第53-55页 |
5.7 本章小结 | 第55-56页 |
6 结论与展望 | 第56-57页 |
6.1 结论 | 第56页 |
6.2 展望 | 第56-57页 |
致谢 | 第57-58页 |
参考文献 | 第58-62页 |
附录 | 第62页 |
1 攻读硕士学位期间发表的论文 | 第62页 |
2 攻读硕士学位期间申请的专利 | 第62页 |
3 攻读硕士学位期间参与的竞赛项目和获奖情况 | 第62页 |