摘要 | 第1-4页 |
Abstract | 第4-9页 |
第1章 绪论 | 第9-17页 |
·论文研究的背景和意义 | 第9-10页 |
·变压器故障诊断和预测的研究现状 | 第10-14页 |
·粒子群优化算法的发展及在变压器故障诊断中的应用 | 第14-16页 |
·粒子群优化算法的发展简述 | 第14-15页 |
·粒子群算法在变压器故障诊断中的应用 | 第15-16页 |
·本文的主要工作与创新点 | 第16-17页 |
第2章 变压器油中溶解气体分析及常规故障诊断方法 | 第17-25页 |
·变压器油中溶解气体的分析 | 第17-20页 |
·正常变压器油中溶解气体含量及产气速率分析 | 第17-19页 |
·变压器油中气体含量与变压器内部故障的关系 | 第19-20页 |
·常规变压器故障诊断方法 | 第20-24页 |
·罗杰斯的四比值判断法 | 第20-21页 |
·IEC 的三比值判断法 | 第21-22页 |
·日本电协研法 | 第22-23页 |
·改良 IEC 三比值法 | 第23-24页 |
·本章小结 | 第24-25页 |
第3章 粒子群优化算法及其参数的仿真分析 | 第25-43页 |
·粒子群优化算法的起源和产生背景 | 第25-26页 |
·粒子群算法原理及优化流程 | 第26-27页 |
·粒子群算法的改进及分析 | 第27-32页 |
·标准粒子群算法 | 第27-29页 |
·离散粒子群算法 | 第29-30页 |
·小生境粒子群算法 | 第30-31页 |
·基于其它优化技术的混合粒子群算法 | 第31-32页 |
·粒子群算法的参数分析 | 第32-34页 |
·加速因子非线性搭配的实验分析 | 第34-42页 |
·加速因子二次递增搭配的仿真实验 | 第34-38页 |
·加速因子其它非线性搭配的仿真实验 | 第38-42页 |
·本章小结 | 第42-43页 |
第4章 基于 IEC 三比值和 BP 神经网络的变压器故障诊断 | 第43-51页 |
·变压器故障样本的搜集及预处理 | 第43-45页 |
·故障样本的搜集和整理 | 第43-44页 |
·故障样本的预处理 | 第44-45页 |
·基于改良 IEC 三比值法的变压器故障诊断 | 第45页 |
·基于 BP 神经网络的变压器故障诊断 | 第45-49页 |
·BP 神经网络的基本概念 | 第45-46页 |
·基于 BP 神经网络变压器故障诊断系统的建立 | 第46-47页 |
·基于 BP 神经网络的变压器故障诊断 | 第47-49页 |
·本章小结 | 第49-51页 |
第5章 基于粒子群优化 BP 神经网络的变压器故障诊断 | 第51-61页 |
·粒子群优化 BP 神经网络的可实现性及其发展 | 第51-53页 |
·BP 神经网络的缺陷以及 PSO 优化 BP 神经网络的可实现性 | 第51页 |
·粒子群优化神经网络的发展概况 | 第51-53页 |
·自适应粒子群优化 BP 神经网络的策略制定 | 第53-56页 |
·粒子群优化 BP 神经网络的关键技术及流程 | 第53-55页 |
·自适应 PSO-BP 的策略制定 | 第55-56页 |
·基于自适应 PSO-BP 的变压器故障诊断系统的建立 | 第56-57页 |
·基于自适应 PSO-BP 变压器故障诊断的仿真分析 | 第57-60页 |
·自适应 PSO-BP 的参数设置 | 第57页 |
·变压器故障诊断结果及分析 | 第57-60页 |
·本章小结 | 第60-61页 |
第6章 基于粒子群优化径向基神经网络的变压器故障预测 | 第61-77页 |
·径向基神经网络 | 第61-65页 |
·径向基神经网络的结构分析 | 第61-62页 |
·径向基神经网络的参数分析 | 第62-65页 |
·PSO-RBF 的流程及改进策略 | 第65-67页 |
·PSO-RBF 的实现方法和流程 | 第65-66页 |
·PSO-RBF 的改进策略 | 第66-67页 |
·基于改进 PSO-RBF 的变压器故障预测 | 第67-75页 |
·基于改进 PSO-RBF 的周期性采样气体的预测 | 第67-70页 |
·基于改进 PSO-RBF 的非周期性采样气体的预测 | 第70-75页 |
·本章小结 | 第75-77页 |
第7章 结论 | 第77-79页 |
·研究总结 | 第77-78页 |
·需进一步开展的工作 | 第78-79页 |
参考文献 | 第79-85页 |
致谢 | 第85-87页 |
附录 A 变压器故障样本 | 第87-90页 |
附录 B 粒子群参数分析 | 第90-103页 |
个人简历、在学期间发表的学术论文与研究成果 | 第103页 |