矿井高压电缆故障定位方法的研究
| 摘要 | 第4-7页 |
| abstract | 第7-9页 |
| 1 绪论 | 第13-29页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 研究现状 | 第15-25页 |
| 1.2.1 主动式故障定位 | 第16-18页 |
| 1.2.2 被动式故障定位 | 第18-25页 |
| 1.3 影响故障定位精度的因素 | 第25-26页 |
| 1.4 现有技术存在问题 | 第26-27页 |
| 1.5 章节安排 | 第27-29页 |
| 2 基于WAMS的双端定位方法 | 第29-73页 |
| 2.1 行波定位法基本理论 | 第29-30页 |
| 2.2 线路基本模型 | 第30-38页 |
| 2.2.1 集中参数模型 | 第31-33页 |
| 2.2.2 分布参数模型 | 第33-36页 |
| 2.2.3 频变参数模型 | 第36-38页 |
| 2.3 行波在线路中传播的波速变化 | 第38-51页 |
| 2.3.1 行波的波速 | 第38-41页 |
| 2.3.2 频率对线路各电气参数的影响 | 第41-45页 |
| 2.3.3 色散对行波的影响 | 第45-47页 |
| 2.3.4 行波到达时刻及行波波速的讨论 | 第47-51页 |
| 2.4 双端定位新算法 | 第51-58页 |
| 2.4.1 模量分析基础 | 第51-52页 |
| 2.4.2 新定位方法的提出 | 第52-54页 |
| 2.4.3 故障时刻及频率的提取 | 第54-58页 |
| 2.5 WAMS系统在矿井高压配电网中的应用 | 第58-65页 |
| 2.5.1 整体结构 | 第59-63页 |
| 2.5.2 应用案例 | 第63-65页 |
| 2.6 仿真验证 | 第65-72页 |
| 2.7 本章小结 | 第72-73页 |
| 3 基于SVD的选线及定位方法 | 第73-93页 |
| 3.1 行波在线路中的波过程 | 第73-81页 |
| 3.1.1 正反向行波的形成与求解 | 第74-75页 |
| 3.1.2 行波各模量与初始行波关系 | 第75-79页 |
| 3.1.3 行波的折射与反射 | 第79-81页 |
| 3.2 奇异值分解 | 第81-84页 |
| 3.2.1 矩阵的奇异值分解与重构 | 第81-83页 |
| 3.2.2 SVD与小波变换的区别 | 第83-84页 |
| 3.3 基于SVD的选线及区段定位 | 第84-86页 |
| 3.4 双-单端定位方法 | 第86-92页 |
| 3.4.1 双-单端行波法 | 第86-90页 |
| 3.4.2 仿真分析 | 第90-92页 |
| 3.5 本章小结 | 第92-93页 |
| 4 基于极限学习机的煤矿高压电缆故障定位 | 第93-123页 |
| 4.1 机器学习发展历史及其分类 | 第93-98页 |
| 4.1.1 发展历程 | 第93-95页 |
| 4.1.2 应用现状 | 第95-96页 |
| 4.1.3 机器学习的分类 | 第96-98页 |
| 4.2 极限学习机 | 第98-104页 |
| 4.2.1 神经网络 | 第98-100页 |
| 4.2.2 极限学习机的基本原理 | 第100-104页 |
| 4.3 特征选择 | 第104-115页 |
| 4.3.1 特征形成 | 第104-111页 |
| 4.3.2 遗传算法特征选择方法 | 第111-115页 |
| 4.4 极限学习机故障定位技术验证 | 第115-121页 |
| 4.4.1 故障定位步骤 | 第115-117页 |
| 4.4.2 极限学习机定位过程 | 第117-121页 |
| 4.5 本章小结 | 第121-123页 |
| 5 结论与展望 | 第123-127页 |
| 5.1 结论 | 第123-124页 |
| 5.2 主要创新点 | 第124-125页 |
| 5.3 展望 | 第125-127页 |
| 参考文献 | 第127-139页 |
| 致谢 | 第139-141页 |
| 作者简介 | 第141页 |
| 在学期间发表的学术论文 | 第141-142页 |
| 在学期间参加科研项目 | 第142页 |
| 主要获奖 | 第142页 |
