| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·本文研究的目的与意义 | 第9-10页 |
| ·变压器故障诊断国内外发展现状 | 第10-13页 |
| ·传统诊断方法 | 第10-11页 |
| ·基于智能的诊断方法 | 第11-13页 |
| ·本文主要的结构与内容 | 第13-14页 |
| 第二章 变压器油中溶解气体分析原理及其方法 | 第14-20页 |
| ·引言 | 第14页 |
| ·变压器油及固体绝缘的成份及气体产生机理分析 | 第14-16页 |
| ·变压器油的成份及气体产生机理 | 第14-15页 |
| ·变压器固体绝缘的成份及气体产生机理 | 第15-16页 |
| ·变压器典型的内部故障 | 第16-17页 |
| ·基于DGA的变压器故障诊断 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 基于LS-SVM的变压器故障诊断 | 第20-37页 |
| ·引言 | 第20页 |
| ·统计学习理论与支持向量机 | 第20-23页 |
| ·VC维 | 第21页 |
| ·推广性的界 | 第21-22页 |
| ·结构风险最小化 | 第22-23页 |
| ·核函数 | 第23页 |
| ·支持向量机的两分类问题 | 第23-26页 |
| ·线性情形 | 第23-25页 |
| ·非线性情形 | 第25-26页 |
| ·多类分类法 | 第26-31页 |
| ·一对余算法 | 第26-27页 |
| ·一对一方法 | 第27-28页 |
| ·LS-SVM故障诊断模型的建立 | 第28-31页 |
| ·最小二乘支持向量机 | 第31-33页 |
| ·LS-SVM在变压器故障诊断中的应用 | 第33-36页 |
| ·数据的收集与处理 | 第33-34页 |
| ·仿真结果分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于模糊神经网络的变压器故障诊断 | 第37-56页 |
| ·引言 | 第37页 |
| ·模糊理论基础 | 第37-41页 |
| ·模糊集合 | 第37-38页 |
| ·隶属函数 | 第38-39页 |
| ·模糊系统的分类 | 第39-41页 |
| ·FCM聚类算法 | 第41-43页 |
| ·聚类基本思想 | 第41-42页 |
| ·FCM算法思想 | 第42-43页 |
| ·模糊神经网络故障诊断模型 | 第43-46页 |
| ·模糊规则的初始化 | 第43-44页 |
| ·模糊神经网络的建立 | 第44-45页 |
| ·模糊神经网络的训练 | 第45-46页 |
| ·模糊神经网络在电力变压器故障诊断的应用 | 第46-55页 |
| ·数据的收集与处理 | 第46页 |
| ·仿真结果分析 | 第46-54页 |
| ·基于模糊神经网络模型与LS-SVM模型的变压器故障诊断比较 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·结论 | 第56页 |
| ·存在问题与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间主要研究成果 | 第64页 |