| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 课题背景及研究的目的和意义 | 第11-14页 |
| 1.2 国内外研究现状及其发展趋势 | 第14-22页 |
| 1.2.1 传统的变压器故障诊断法 | 第15-18页 |
| 1.2.2 人工智能的变压器故障诊断方法 | 第18-22页 |
| 1.3 研究内容和章节安排 | 第22-25页 |
| 第二章 变压器油中溶解气体分析原理及内部故障诊断 | 第25-39页 |
| 2.1 变压器油中溶解气体的来源 | 第25-29页 |
| 2.1.1 气体在变压器油中的溶解 | 第26-28页 |
| 2.1.2 变压器油中气体的来源 | 第28-29页 |
| 2.2 变压器油中气体的产气机理 | 第29-30页 |
| 2.2.1 绝缘材料的产气机理 | 第29页 |
| 2.2.2 变压器油裂解的产气机理 | 第29-30页 |
| 2.2.3 固体绝缘材料裂解的产气机理 | 第30页 |
| 2.3 变压器故障与油中特征气体含量对应关系 | 第30-35页 |
| 2.3.1 变压器故障原因与故障分类 | 第30-32页 |
| 2.3.2 过热性故障与油中溶解气体含量的关系 | 第32-34页 |
| 2.3.3 电性故障与油中溶解气体含量的关系 | 第34-35页 |
| 2.4 变压器内部故障诊断 | 第35-38页 |
| 2.4.1 基于油中溶解气体的变压器故障诊断技术 | 第35-36页 |
| 2.4.2 变压器故障诊断步骤 | 第36-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 改进的KPCA和LSSVM故障诊断方法 | 第39-59页 |
| 3.1 改进的KPCA特征提取方法 | 第39-43页 |
| 3.1.1 KPCA方法 | 第40-42页 |
| 3.1.2 改进的KPCA特征提取方法 | 第42-43页 |
| 3.2 最小二乘支持向量机 | 第43-52页 |
| 3.2.1 最小二乘支持向量机分类器原理 | 第43-45页 |
| 3.2.2 最小二乘支持向量机核函数的选择 | 第45-47页 |
| 3.2.3 最小二乘支持向量机的分类问题 | 第47-52页 |
| 3.3 基于改进的KPCA和LS-SVM的变压器故障诊断模型设计 | 第52-55页 |
| 3.3.1 数据处理 | 第52-54页 |
| 3.3.2 故障分类类别的确定 | 第54-55页 |
| 3.4 实验分析 | 第55-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 蚁群优化最小二乘支持向量机在变压器故障诊断中的应用 | 第59-69页 |
| 4.1 蚁群算法优化最小二乘支持向量机参数 | 第59-62页 |
| 4.1.1 蚁群算法的基本原理 | 第59-61页 |
| 4.1.2 基于蚁群优化算法的LSSVM参数优化 | 第61-62页 |
| 4.2 蚁群优化LS-SVM的变压器故障诊断模型 | 第62-64页 |
| 4.3 实验分析 | 第64-67页 |
| 4.3.1 样本数据归一化处理 | 第64-65页 |
| 4.3.2 蚁群优化LS-SVM算法实现变压器故障分类 | 第65-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录A 攻读硕士学位期间参与项目及科研成果 | 第79-81页 |
| 附录B 故障训练集样本数据 | 第81-86页 |
