| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第13-23页 |
| 1.1 选题背景和研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 电力变压器故障分类 | 第14页 |
| 1.2.2 电力变压器故障诊断的发展 | 第14-19页 |
| 1.2.3 电力变压器故障检测的试验方法 | 第19-21页 |
| 1.2.4 电力变压器故障定位 | 第21页 |
| 1.3 本文的主要研究内容 | 第21-23页 |
| 2 支持向量机 | 第23-38页 |
| 2.1 统计学习理论基础 | 第23-26页 |
| 2.1.1 VC维 | 第23页 |
| 2.1.2 经验风险最小化原则 | 第23-24页 |
| 2.1.3 结构风险最小化原则 | 第24-26页 |
| 2.2 支持向量机理论 | 第26-31页 |
| 2.2.1 线性可分支持向量机 | 第27-28页 |
| 2.2.2 近似线性可分支持向量机 | 第28-29页 |
| 2.2.3 非线性支持向量机 | 第29-31页 |
| 2.3 支持向量机的参数优化 | 第31-36页 |
| 2.3.1 参数对支持向量机的影响 | 第31-32页 |
| 2.3.2 网格搜索算法优化支持向量机 | 第32-33页 |
| 2.3.3 遗传算法优化支持向量机 | 第33-34页 |
| 2.3.4 粒子群算法优化支持向量机 | 第34-35页 |
| 2.3.5 布谷鸟算法优化支持向量机 | 第35-36页 |
| 2.4 本章小结 | 第36-38页 |
| 3 基于改进的布谷鸟算法与最速下降法结合(SDWCS)的故障诊断 | 第38-53页 |
| 3.1 改进的布谷鸟算法(WCS) | 第38页 |
| 3.2 最速下降法 | 第38-39页 |
| 3.3 基于SDWCS优化的SVM故障诊断模型 | 第39-40页 |
| 3.4 SDWCS-SVM模型在变压器故障诊断中的应用 | 第40-51页 |
| 3.4.1 SVM在MATLAB平台的实现 | 第40-43页 |
| 3.4.2 数据收集 | 第43-44页 |
| 3.4.3 归一化处理 | 第44页 |
| 3.4.4 基于SDWCS算法参数寻优的SVM参数分类结果 | 第44-45页 |
| 3.4.5 基于CS算法参数寻优的SVM参数分类结果 | 第45-46页 |
| 3.4.6 基于GS算法参数寻优的SVM参数分类结果 | 第46-48页 |
| 3.4.7 基于GA算法参数寻优的SVM参数分类结果 | 第48-50页 |
| 3.4.8 基于PSO算法参数寻优的SVM参数分类结果 | 第50-51页 |
| 3.4.9 五种参数优化算法结果比较 | 第51页 |
| 3.5 故障预测实例 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 4 基于SVM的变压器故障定位研究 | 第53-72页 |
| 4.1 SVM的多分类算法 | 第53-55页 |
| 4.1.1 "一对一"分类 | 第53页 |
| 4.1.2 "一对多"分类 | 第53-54页 |
| 4.1.3 决策有向无环图 | 第54-55页 |
| 4.1.4 二叉树支持向量机分类方法 | 第55页 |
| 4.2 变压器故障定位二叉树模型 | 第55-57页 |
| 4.2.1 确定属性变量与故障样本集 | 第55页 |
| 4.2.2 故障位置的确立 | 第55-56页 |
| 4.2.3 数据预处理 | 第56-57页 |
| 4.2.4 模型的建立 | 第57页 |
| 4.3 模型的实现 | 第57-61页 |
| 4.3.1 模型的数据组成 | 第57-58页 |
| 4.3.2 变压器故障定位的实现 | 第58-59页 |
| 4.3.3 相关参数的确定 | 第59页 |
| 4.3.4 几种算法的比较 | 第59-61页 |
| 4.4 实例分析 | 第61-71页 |
| 4.4.1 铁芯多点接地故障定位诊断 | 第61-64页 |
| 4.4.2 分接开关绝缘桶漏油故障定位诊断 | 第64-66页 |
| 4.4.3 分接开关接触不良故障定位诊断 | 第66-69页 |
| 4.4.4 匝间短路故障定位诊断 | 第69-71页 |
| 4.5 本章小结 | 第71-72页 |
| 5 结论与展望 | 第72-74页 |
| 5.1 论文工作总结 | 第72页 |
| 5.2 今后研究方向与展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 附录 | 第80页 |
