| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景及研究的目的和意义 | 第10页 |
| 1.2 变压器故障诊断的常规方法 | 第10-15页 |
| 1.2.1 改良三比值法 | 第11页 |
| 1.2.2 大卫三角法 | 第11-12页 |
| 1.2.3 四比值法 | 第12-14页 |
| 1.2.4 常规方法的诊断效果对比 | 第14-15页 |
| 1.3 变压器智能故障诊断技术的研究现状 | 第15-17页 |
| 1.3.1 基于神经网络的变压器故障诊断 | 第15页 |
| 1.3.2 基于贝叶斯方法的变压器故障诊断 | 第15-16页 |
| 1.3.3 基于粗糙集的变压器故障诊断 | 第16页 |
| 1.3.4 现有智能诊断方法存在的问题 | 第16-17页 |
| 1.4 电力变压器故障预测研究现状 | 第17-18页 |
| 1.5 课题主要研究内容 | 第18-19页 |
| 第2章 支持向量机 | 第19-27页 |
| 2.1 统计学习理论 | 第19-21页 |
| 2.2 支持向量机理论 | 第21-22页 |
| 2.3 支持向量机的多分类算法 | 第22-24页 |
| 2.4 支持向量回归 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于蚁群算法的支持向量机参数优化 | 第27-34页 |
| 3.1 遗传算法以及蚁群算法的原理分析与对比 | 第27-29页 |
| 3.2 蚁群系统的设计 | 第29-31页 |
| 3.3 基于蚁群算法的支持向量机参数优化 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 蚁群优化支持向量机在变压器故障诊断中的应用 | 第34-44页 |
| 4.1 数据预处理 | 第34-39页 |
| 4.1.1 特征选择 | 第34-38页 |
| 4.1.2 数据变换 | 第38-39页 |
| 4.2 故障诊断模型的建立 | 第39页 |
| 4.3 ACO-SVM与其他方法在变压器故障诊断中的对比分析 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 蚁群优化支持向量回归在变压器故障预测中的应用 | 第44-52页 |
| 5.1 故障预测模型的建立 | 第44-45页 |
| 5.2 基于蚁群优化支持向量回归的变压器故障预测的步骤 | 第45页 |
| 5.3 蚁群算法优化支持向量回归参数C、Σ和E的流程 | 第45-46页 |
| 5.4 变压器油中溶解气体预测实例分析 | 第46-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 今后工作展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |
