| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第9-12页 |
| 1 绪论 | 第12-29页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 故障诊断的主要方法及研究现状 | 第13-19页 |
| 1.2.1 定性分析的方法 | 第14-15页 |
| 1.2.2 定量分析的方法 | 第15-19页 |
| 1.3 电力变压器故障诊断和预测研究现状 | 第19-26页 |
| 1.3.1 电力变压器故障诊断研究现状 | 第19-24页 |
| 1.3.2 油中溶解气体浓度预测方法研究现状 | 第24-26页 |
| 1.4 本文的研究内容和结构安排 | 第26-29页 |
| 2 油中溶解气体与变压器内部故障的关系 | 第29-43页 |
| 2.1 变压器油中溶解气体产生的机理 | 第29-34页 |
| 2.2 气体在绝缘油中的溶解 | 第34-36页 |
| 2.3 油中气体含量与变压器内部故障的关系 | 第36-39页 |
| 2.4 气体图形法 | 第39-40页 |
| 2.5 油中溶解气体分析的比值诊断法 | 第40-42页 |
| 2.6 本章小结 | 第42-43页 |
| 3 建模样本纯化的代价敏感核主元分析故障检测模型 | 第43-69页 |
| 3.1 主元分析 | 第43-46页 |
| 3.1.1 主元分析基本原理 | 第43-45页 |
| 3.1.2 主元分析统计过程模型 | 第45-46页 |
| 3.2 核方法的基本理论 | 第46-49页 |
| 3.2.1 核方法的基本原理 | 第46-47页 |
| 3.2.2 核及核函数的定义 | 第47-48页 |
| 3.2.3 核的性质 | 第48页 |
| 3.2.4 核函数的特点及分类 | 第48-49页 |
| 3.3 代价敏感核主元分析 | 第49-58页 |
| 3.3.1 代价敏感学习 | 第49-51页 |
| 3.3.2 核主元分析 | 第51-54页 |
| 3.3.3 核主元分析核参数的混沌粒子群优化算法 | 第54-55页 |
| 3.3.4 Q统计量的阈值调整算法 | 第55-56页 |
| 3.3.5 代价敏感核主元分析算法 | 第56-58页 |
| 3.4 建模样本纯化的代价敏感核主元分析方法 | 第58-60页 |
| 3.5 变压器故障检测仿真实验和结果分析 | 第60-68页 |
| 3.6 本章小结 | 第68-69页 |
| 4 重构贡献和灰关联熵的变压器故障诊断方法 | 第69-94页 |
| 4.1 基于重构贡献的故障识别 | 第70-77页 |
| 4.1.1 贡献图法 | 第70-71页 |
| 4.1.2 重构贡献法 | 第71-73页 |
| 4.1.3 重构贡献率的控制限及扩散效应 | 第73-74页 |
| 4.1.4 重构贡献法的诊断性能 | 第74-75页 |
| 4.1.5 相对重构贡献法 | 第75-76页 |
| 4.1.6 相对重构贡献法的诊断性能 | 第76-77页 |
| 4.2 灰关联熵方法 | 第77-79页 |
| 4.2.1 灰关联度 | 第77-78页 |
| 4.2.2 灰关联熵 | 第78页 |
| 4.2.3 综合灰关联熵 | 第78-79页 |
| 4.3 重构贡献和灰关联熵的变压器故障诊断方法 | 第79-82页 |
| 4.3.1 比较序列和参考序列的建立 | 第80页 |
| 4.3.2 重构贡献的特征提取 | 第80-81页 |
| 4.3.3 重构贡献和灰关联熵的诊断模型及算法 | 第81-82页 |
| 4.4 相对重构贡献和灰关联熵的变压器故障诊断方法 | 第82-85页 |
| 4.4.1 相对重构贡献的特征提取 | 第82-83页 |
| 4.4.2 相对重构贡献和灰关联熵的诊断模型及算法 | 第83-85页 |
| 4.5 实验仿真及结果分析 | 第85-92页 |
| 4.6 本章小结 | 第92-94页 |
| 5 双空间特征提取的变压器故障诊断方法 | 第94-119页 |
| 5.1 独立主元分析 | 第95-98页 |
| 5.1.1 独立主元分析的基本定义 | 第95-96页 |
| 5.1.2 独立主元分析的估计原理 | 第96-97页 |
| 5.1.3 独立主元分析算法 | 第97-98页 |
| 5.2 核独立主元分析 | 第98-100页 |
| 5.2.1 核主元分析对数据的白化 | 第98-99页 |
| 5.2.2 核独立主元分析的特征提取算法 | 第99-100页 |
| 5.3 多核支持向量机分类器 | 第100-110页 |
| 5.3.1 支持向量机 | 第100-106页 |
| 5.3.2 多核学习简介 | 第106-108页 |
| 5.3.3 多核支持向量机 | 第108-110页 |
| 5.4 基于双空间特征提取算法的变压器故障诊断模型 | 第110-115页 |
| 5.4.1 双空间特征提取算法思想 | 第110-111页 |
| 5.4.2 主元分析和核独立主元分析的双空间特征提取算法 | 第111-113页 |
| 5.4.3 阈值的确定 | 第113-114页 |
| 5.4.4 双空间特征提取的变压器故障诊断模型 | 第114-115页 |
| 5.5 实验仿真和结果分析 | 第115-118页 |
| 5.6 本章小结 | 第118-119页 |
| 6 互信息和多核支持向量回归的油中气体浓度预测 | 第119-139页 |
| 6.1 互信息及变量选择 | 第120-124页 |
| 6.1.1 信息熵与互信息 | 第120-121页 |
| 6.1.2 互信息的输入变量选择算法 | 第121-122页 |
| 6.1.3 改进的标准化互信息输入变量选择算法 | 第122-124页 |
| 6.2 多核支持向量回归机 | 第124-129页 |
| 6.2.1 支持向量回归机 | 第124-125页 |
| 6.2.2 多核支持向量回归机 | 第125-127页 |
| 6.2.3 两阶段多核学习算法 | 第127-129页 |
| 6.3 互信息和多核支持向量回归的预测模型 | 第129页 |
| 6.4 实验仿真及结果分析 | 第129-138页 |
| 6.5 本章小结 | 第138-139页 |
| 7 结论与展望 | 第139-141页 |
| 7.1 结论 | 第139-140页 |
| 7.2 展望 | 第140-141页 |
| 参考文献 | 第141-154页 |
| 攻读学位期间主要的研究成果 | 第154-156页 |
| 致谢 | 第156页 |
