| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 本课题研究意义 | 第9-14页 |
| 1.1.1 变压器油色谱在线监测的意义 | 第10-12页 |
| 1.1.2 变压器油色谱在线监测系统及关键技术 | 第12-14页 |
| 1.2 变压器在线监测应用状况与问题 | 第14-18页 |
| 1.2.1 油色谱在线监测遇到的问题以及数据准确性的意义 | 第15-17页 |
| 1.2.2 油色谱处理和故障预测研究现状 | 第17-18页 |
| 1.3 论文的主要工作 | 第18-20页 |
| 第二章 油色谱在线监测数据处理仿真研究 | 第20-43页 |
| 2.1 气相色谱法原理 | 第20-22页 |
| 2.1.1 色谱图介绍 | 第20-22页 |
| 2.2 小波变换理论介绍 | 第22-28页 |
| 2.2.1 小波及连续小波变换 | 第22页 |
| 2.2.2 信号分解与重构的Mallat算法 | 第22-24页 |
| 2.2.3 小波阈值滤噪基本原理 | 第24-25页 |
| 2.2.4 阈值的确定规则 | 第25-26页 |
| 2.2.5 阈值函数 | 第26-27页 |
| 2.2.6 小波基 | 第27-28页 |
| 2.3 油色谱数据滤噪仿真 | 第28-34页 |
| 2.3.1 仿真色谱图的建立 | 第29-30页 |
| 2.3.2 小波滤噪特征参数选择以及评价 | 第30-34页 |
| 2.4 重叠峰仿真分析 | 第34-40页 |
| 2.4.1 提升小波理论 | 第34-37页 |
| 2.4.2 重叠峰分离的算法原理 | 第37页 |
| 2.4.3 重叠峰辨析仿真实验 | 第37-40页 |
| 2.5 实验验证 | 第40-42页 |
| 2.6 本章小结 | 第42-43页 |
| 第三章 BP神经网络在变压器故障诊断中的应用 | 第43-55页 |
| 3.1 BP神经网络的算法原理 | 第43页 |
| 3.2 算法实现步骤 | 第43-45页 |
| 3.3 神经网络的缺陷及改进 | 第45-48页 |
| 3.4 基于BP网络的变压器故障诊断 | 第48-53页 |
| 3.4.1 确定输入量与输出量 | 第48-49页 |
| 3.4.2 网络层数设计 | 第49页 |
| 3.4.3 隐含层神经元数设计 | 第49-51页 |
| 3.4.4 训练样本集设计及样本数据处理 | 第51-52页 |
| 3.4.5 网络参数选择及运行结果 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于改进遗传算法优化BP神经网络的变压器故障诊断 | 第55-73页 |
| 4.1 算法基本思想 | 第55-56页 |
| 4.2 遗传算法的实现 | 第56-60页 |
| 4.2.1 参数编码 | 第56-57页 |
| 4.2.2 适应度函数设计 | 第57-58页 |
| 4.2.3 遗传算法的基本操作 | 第58-60页 |
| 4.3 遗传算法的优点缺陷 | 第60-61页 |
| 4.4 样本的GA算法设计及改进 | 第61-65页 |
| 4.4.1 GA的编码方式 | 第61-62页 |
| 4.4.2 适应度函数设计 | 第62页 |
| 4.4.3 始种群解空间的构成及其初始种群数 | 第62-63页 |
| 4.4.4 选择算子设计 | 第63-64页 |
| 4.4.5 交叉算子的选择 | 第64页 |
| 4.4.6 变异算子的选择 | 第64-65页 |
| 4.5 改进的GA对BP网络故障诊断模型的优化 | 第65-68页 |
| 4.5.1 遗传算法对神经网络的优化 | 第65-66页 |
| 4.5.2 优化步骤 | 第66-68页 |
| 4.6 故障诊断系统的分析与测试 | 第68-72页 |
| 4.6.1 网络训练 | 第68-70页 |
| 4.6.2 故障测试 | 第70-72页 |
| 4.7 本章小结 | 第72-73页 |
| 结论与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 附录A 论文主要的运行程序 | 第79-86页 |
| 附录B 故障预测全部训练样本 | 第86-90页 |
| 个人简历及在学期间的研究成果 | 第90-91页 |
| 致谢 | 第91页 |