基于机器学习和小波包变换的故障选线方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-20页 |
| 1.1 选题背景及研究意义 | 第12-13页 |
| 1.2 故障选线方法研究现状 | 第13-17页 |
| 1.2.1 注入法选线 | 第13页 |
| 1.2.2 基于稳态量选线 | 第13-15页 |
| 1.2.3 基于暂态量选线 | 第15-17页 |
| 1.3 机器学习在电力系统中的应用现状 | 第17-18页 |
| 1.4 本文内容安排 | 第18-20页 |
| 2 经消弧线圈接地系统单相接地故障特性分析 | 第20-33页 |
| 2.1 消弧线圈工作原理 | 第20-21页 |
| 2.2 稳态电气特征 | 第21-24页 |
| 2.3 暂态电气特征 | 第24-27页 |
| 2.3.1 暂态电容电流 | 第25-26页 |
| 2.3.2 暂态电感电流 | 第26页 |
| 2.3.3 暂态接地电流 | 第26-27页 |
| 2.4 单相接地故障仿真分析 | 第27-32页 |
| 2.4.1 模型参数设置 | 第27-29页 |
| 2.4.2 零序电流仿真分析 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 小波包变换与故障选线 | 第33-47页 |
| 3.1 小波包变换原理 | 第33-36页 |
| 3.1.1 小波变换 | 第33-36页 |
| 3.1.2 小波包变换原理 | 第36页 |
| 3.2 基于小波包变换的故障选线方法 | 第36-39页 |
| 3.2.1 模极大值检测信号奇异性 | 第36-37页 |
| 3.2.2 小波函数的选择 | 第37页 |
| 3.2.3 小波包变换在暂态特征提取中的应用 | 第37-39页 |
| 3.3 算例分析 | 第39-45页 |
| 3.3.2 暂态能量特征 | 第39-42页 |
| 3.3.3 模极大值特征 | 第42-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 机器学习分类算法 | 第47-59页 |
| 4.1 机器学习分类算法概述 | 第47页 |
| 4.2 典型分类器原理 | 第47-53页 |
| 4.2.1 决策树 | 第47-48页 |
| 4.2.2 随机森林 | 第48-50页 |
| 4.2.3 前馈神经网络 | 第50-51页 |
| 4.2.4 支持向量机 | 第51-53页 |
| 4.3 模型评估方式 | 第53-55页 |
| 4.3.1 交叉验证原理 | 第53-54页 |
| 4.3.2 评估指标 | 第54-55页 |
| 4.4 数据集创建 | 第55-59页 |
| 4.4.1 基于小波包变换的数据集 | 第56-57页 |
| 4.4.2 基于原始数据的数据集 | 第57-59页 |
| 5 基于机器学习的故障选线方法研究 | 第59-74页 |
| 5.1 分类器泛化性能对比 | 第59-63页 |
| 5.1.1 Scikit-learn简介 | 第59页 |
| 5.1.2 分类器参数设置 | 第59-62页 |
| 5.1.3 交叉验证准确率及训练速度对比 | 第62-63页 |
| 5.2 基于机器学习的故障选线方法效果评估 | 第63-67页 |
| 5.2.1 批量测试集验证 | 第63-66页 |
| 5.2.2 随机测试集验证 | 第66-67页 |
| 5.3 基于机器学习的故障选线系统设计 | 第67-72页 |
| 5.3.1 离线训练部分 | 第68-69页 |
| 5.3.2 在线识别部分 | 第69-72页 |
| 5.4 本章小结 | 第72-74页 |
| 6 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 个人简历、在学校期间发表的学术论文与研究成果 | 第81页 |
