| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 MOA在线监测指标研究现状 | 第11-12页 |
| 1.2.2 MOA阻性泄漏电流提取方法研究现状 | 第12页 |
| 1.2.3 智能算法在MOA监测中的应用研究进展 | 第12-14页 |
| 1.3 本文的主要工作及安排 | 第14-16页 |
| 第二章 MOA在线监测影响因素研究 | 第16-26页 |
| 2.1 电压波动对监测指标的影响 | 第16-20页 |
| 2.2 电压谐波对监测指标的影响 | 第20-23页 |
| 2.3 环境因素对MOA在线监测的影响 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 MOA阻性泄漏电流提取算法优化 | 第26-36页 |
| 3.1 时滞叠加法基本原理 | 第26-27页 |
| 3.2 时滞叠加法优化 | 第27-29页 |
| 3.3 算法效果仿真 | 第29-31页 |
| 3.4 算法性能验证 | 第31-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 MOA阀片功率损耗特性与老化关系研究 | 第36-45页 |
| 4.1 实验测量 | 第36-38页 |
| 4.1.1 实验目的 | 第36-37页 |
| 4.1.2 实验内容 | 第37页 |
| 4.1.3 实验安排 | 第37-38页 |
| 4.2 老化程度指标量化 | 第38-39页 |
| 4.3 自适应模糊推理系统(ANFIS) | 第39-41页 |
| 4.4 基于ANFIS评估MOA阀片功率损耗 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 智能算法基本原理及优化 | 第45-62页 |
| 5.1 群智能算法基本原理 | 第46-52页 |
| 5.1.1 粒子群算法(PSO) | 第46-48页 |
| 5.1.2 人群搜索算法(HGO) | 第48-50页 |
| 5.1.3 模拟退火算法(SA) | 第50-51页 |
| 5.1.4 遗传算法(GA) | 第51-52页 |
| 5.2 群智能算法优化 | 第52-57页 |
| 5.2.1 基于模拟退火的粒子群算法(SA-PSO) | 第52-54页 |
| 5.2.2 基于遗传思想的粒子群算法(GA-PSO) | 第54-55页 |
| 5.2.3 优化的人群搜索算法(OHGO) | 第55-57页 |
| 5.3 优化算法性能测试 | 第57-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 优化算法在MOA老化在线监测中的应用 | 第62-73页 |
| 6.1 MOA等效模型下的泄漏电流 | 第62-63页 |
| 6.2 基于优化算法在线监测MOA老化状况 | 第63-66页 |
| 6.3 优化算法性能研究 | 第66-72页 |
| 6.3.1 谐波电压对算法的影响 | 第66-68页 |
| 6.3.2 频率波动对算法的影响 | 第68-70页 |
| 6.3.3 电压波动对算法的影响 | 第70-72页 |
| 6.4 本章小结 | 第72-73页 |
| 第七章 总结与讨论 | 第73-76页 |
| 7.1 主要研究结论 | 第73-75页 |
| 7.2 本文创新点 | 第75页 |
| 7.3 本文不足之处 | 第75-76页 |
| 参考文献 | 第76-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85页 |