基于油色谱分析的变压器故障智能诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景和意义 | 第9-10页 |
| 1.2 国内外研究概述 | 第10-14页 |
| 1.2.1 经典传统方法 | 第11-12页 |
| 1.2.2 人工智能方法 | 第12-14页 |
| 1.3 课题研究内容 | 第14-16页 |
| 第2章 变压器油中气体产生机理及对应状态 | 第16-21页 |
| 2.1 变压器油中气体的产生机理 | 第16-18页 |
| 2.1.1 绝缘油分解成因及过程 | 第16-17页 |
| 2.1.2 固体绝缘材料分解的缘由 | 第17页 |
| 2.1.3 油中气体其他方式的来源 | 第17-18页 |
| 2.2 变压器故障对应气体成分 | 第18页 |
| 2.3 基于油中气体变压器故障的传统判断方法 | 第18-20页 |
| 2.3.1 特征气体法 | 第18-19页 |
| 2.3.2 改良三比值法 | 第19页 |
| 2.3.3 产气速率法 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 神经网络基本原理与常用模型 | 第21-28页 |
| 3.1 神经网络简介 | 第21页 |
| 3.2 人工神经网络的结构组成和类型 | 第21-23页 |
| 3.2.1 神经元 | 第21-22页 |
| 3.2.2 人工神经网络简介 | 第22-23页 |
| 3.3 反向BP算法 | 第23-27页 |
| 3.3.1 反向BP网络的基本结构 | 第23-24页 |
| 3.3.2 BP学习算法 | 第24-25页 |
| 3.3.3 BP神经网络算法的不足及改进 | 第25-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 应用人工神经网络诊断变压器故障 | 第28-38页 |
| 4.1 人工神经网络在故障诊断中的应用 | 第28页 |
| 4.2 用于变压器故障诊断的BP神经网络的设计 | 第28-36页 |
| 4.2.1 训练函数和样本选取 | 第29-30页 |
| 4.2.2 BP网络输入与输出参数的确定 | 第30-31页 |
| 4.2.3 输入数据的预处理 | 第31页 |
| 4.2.4 网络中间神经元数目 | 第31-36页 |
| 4.3 BP神经网络诊断模型的仿真实例分析 | 第36页 |
| 4.4 本章小结 | 第36-38页 |
| 第5章 融合遗传算法的神经网络故障辨识 | 第38-46页 |
| 5.1 遗传算法简介 | 第38-39页 |
| 5.2 遗传算法参数设计 | 第39-43页 |
| 5.3 融合遗传算法的神经网络故障诊断测试 | 第43-44页 |
| 5.4 实例分析 | 第44-45页 |
| 5.5 本章小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-48页 |
| 6.1 全文总结 | 第46页 |
| 6.2 工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 作者简介 | 第52页 |
