基于数据处理的电力系统故障诊断与预测
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 缩写词和变量符号说明 | 第7-11页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 故障诊断方法概述 | 第12-17页 |
| 1.2.1 基于专家系统的诊断方法 | 第12-13页 |
| 1.2.2 基于模糊理论的诊断方法 | 第13-14页 |
| 1.2.3 基于人工神经网络的诊断方法 | 第14-15页 |
| 1.2.4 基于粗糙集的诊断方法 | 第15-16页 |
| 1.2.5 基于贝叶斯网络的诊断方法 | 第16页 |
| 1.2.6 基于Petri网络的诊断方法 | 第16-17页 |
| 1.3 数据挖掘技术概述 | 第17-18页 |
| 1.3.1 基于聚类分析的数据挖掘方法 | 第17页 |
| 1.3.2 基于关联规则的数据挖掘方法 | 第17-18页 |
| 1.3.3 基于分类与预测的数据挖掘方法 | 第18页 |
| 1.4 本文主要研究内容和章节安排 | 第18-20页 |
| 第二章 扩展贝叶斯网络的数学模型 | 第20-28页 |
| 2.1 贝叶斯网络的数学模型 | 第20-24页 |
| 2.1.1 贝叶斯网络 | 第20-22页 |
| 2.1.2 贝叶斯网络推理 | 第22页 |
| 2.1.3 贝叶斯网络的独立关系 | 第22-24页 |
| 2.2 模糊集合理论 | 第24-25页 |
| 2.2.1 模糊集合 | 第24页 |
| 2.2.2 语言变量 | 第24-25页 |
| 2.2.3 模糊逻辑及近似推理 | 第25页 |
| 2.3 基于扩展贝叶斯网络的故障诊断模型 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于扩展贝叶斯网络的故障诊断研究 | 第28-37页 |
| 3.1 故障信息分类 | 第28-29页 |
| 3.1.1 异常信息的判定 | 第29页 |
| 3.2 模糊规则的建立 | 第29-30页 |
| 3.3 应用扩展贝叶斯网络的故障诊断流程 | 第30-31页 |
| 3.4 算例仿真 | 第31-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于K-means与SVM的故障预测模型 | 第37-49页 |
| 4.1 K-means聚类算法 | 第37-41页 |
| 4.1.1 K-means聚类算法概述 | 第37-38页 |
| 4.1.2 距离和相似度的测量方法 | 第38-40页 |
| 4.1.3 K-means聚类算法流程 | 第40页 |
| 4.1.4 K-means分类算法的优缺点 | 第40-41页 |
| 4.2 SVM算法 | 第41-47页 |
| 4.2.1 SVM介绍 | 第41-42页 |
| 4.2.2 最优分类超平面 | 第42-44页 |
| 4.2.3 支持向量机线性回归 | 第44-46页 |
| 4.2.4 支持向量机非线性回归 | 第46-47页 |
| 4.3 基于K-means与SVM的预测方法 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于数据挖掘的故障预测研究 | 第49-62页 |
| 5.1 实验数据 | 第49-55页 |
| 5.2 数据降维与可视化 | 第55-57页 |
| 5.2.1 SNE | 第55-56页 |
| 5.2.2 t-SNE | 第56-57页 |
| 5.3 预测仿真 | 第57-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结和展望 | 第62-64页 |
| 6.1 全文总结 | 第62页 |
| 6.2 研究前景与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 发表论文和科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |
