| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 电力变压器故障产生原因及分类 | 第13-16页 |
| 1.2.1 变压器故障发生原因 | 第13-15页 |
| 1.2.2 变压器故障类型 | 第15-16页 |
| 1.3 变压器故障诊断国内外研究现状 | 第16-21页 |
| 1.3.1 基于DGA的传统变压器故障诊断方式 | 第16-18页 |
| 1.3.2 基于DGA的智能变压器故障诊断方式 | 第18-21页 |
| 1.4 论文研究内容及章节安排 | 第21-22页 |
| 第2章 基于粗糙集与决策信息融合变压器故障诊断 | 第22-32页 |
| 2.1 引言 | 第22-23页 |
| 2.2 理论基础 | 第23-25页 |
| 2.2.1 粗糙集理论 | 第23-24页 |
| 2.2.2 DS证据理论以及证据体构造 | 第24-25页 |
| 2.3 基于粗糙集理论与多信息融合的故障诊断实现 | 第25-29页 |
| 2.3.1 初始决策表建立 | 第26-29页 |
| 2.3.2 信息决策融合 | 第29页 |
| 2.4 实例分析与比较 | 第29-31页 |
| 2.4.1 实例分析 | 第29-30页 |
| 2.4.2 不同诊断方式对比分析 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于邻域粗糙集与多核支持向量机的变压器多级故障诊断 | 第32-46页 |
| 3.1 引言 | 第32-33页 |
| 3.2 主要理论 | 第33-35页 |
| 3.2.1 邻域粗糙集 | 第33-34页 |
| 3.2.2 多核支持向量机 | 第34-35页 |
| 3.3 特征信息与故障类的选取及处理 | 第35-36页 |
| 3.3.1 故障特征参量与故障类型选取 | 第35-36页 |
| 3.3.2 故障特征参量预处理 | 第36页 |
| 3.4 基于邻域粗糙集与多核支持向量机的变压器多级故障诊断模型 | 第36-40页 |
| 3.4.1 基于邻域粗糙集的各级特征量获取 | 第37-39页 |
| 3.4.2 多核支持向量机学习 | 第39-40页 |
| 3.5 故障诊断实例 | 第40-44页 |
| 3.5.1 样本处理方式对比 | 第40-42页 |
| 3.5.2 邻域粗糙集选取后特征量有效性对比 | 第42-43页 |
| 3.5.3 不同诊断方法对比 | 第43-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于K-S检验及NSMOTEBoostSVM的变压器不平衡类间数据分级故障诊断 | 第46-61页 |
| 4.1 引言 | 第46-47页 |
| 4.2 理论部分 | 第47-49页 |
| 4.2.1 K-S检验 | 第47页 |
| 4.2.2 NSMOTEBoostSVM算法 | 第47-49页 |
| 4.3 特征信息与故障类的选取及处理 | 第49-51页 |
| 4.3.1 故障特征参量与故障类型选取 | 第49页 |
| 4.3.2 故障特征参量预处理 | 第49-51页 |
| 4.4 诊断模型及评价标准 | 第51-55页 |
| 4.4.1 各级特征量获取 | 第51-53页 |
| 4.4.2 分层决策模型 | 第53-54页 |
| 4.4.3 不平衡数据评价标准 | 第54-55页 |
| 4.5 故障诊断实例 | 第55-60页 |
| 4.5.1 故障特征量有效性对比 | 第55页 |
| 4.5.2 重采样样本分析 | 第55-56页 |
| 4.5.3 数据不平衡性对于分类器性能的影响 | 第56-60页 |
| 4.6 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第69-70页 |
| 一、发表/录用/投稿的论文 | 第69页 |
| 二、参与科研项目 | 第69-70页 |
