| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于DGA的传统变压器故障诊断方法 | 第11-13页 |
| 1.2.2 基于DGA的变压器故障智能诊断方法 | 第13-14页 |
| 1.2.3 深度学习研究现状 | 第14页 |
| 1.3 论文研究内容及章节安排 | 第14-16页 |
| 第2章 深度学习神经网络 | 第16-26页 |
| 2.1 深度学习神经网络概述 | 第16-18页 |
| 2.1.1 人脑视觉机理 | 第16页 |
| 2.1.2 深度学习概念 | 第16-17页 |
| 2.1.3 深度学习训练过程 | 第17-18页 |
| 2.2 深度学习神经网络方法 | 第18-22页 |
| 2.2.1 自动编码器(AE) | 第18-19页 |
| 2.2.2 受限玻尔兹曼机(RBM) | 第19-22页 |
| 2.2.3 卷积神经网络(CNNs) | 第22页 |
| 2.3 深度学习神经网络的应用 | 第22-25页 |
| 2.3.1 深度学习在语音识别、图像处理和自然语言处理方面应用 | 第23-24页 |
| 2.3.1.1 语音识别 | 第23页 |
| 2.3.1.2 图像处理 | 第23页 |
| 2.3.1.3 自然语言处理 | 第23-24页 |
| 2.3.2 深度学习在电力变压器故障诊断中应用分析 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于深度自编码网络的变压器故障诊断 | 第26-36页 |
| 3.1 深度自编码网络 | 第26-28页 |
| 3.1.1 预训练过程 | 第26-27页 |
| 3.1.2 微调过程 | 第27-28页 |
| 3.2 分类深度自编码网络 | 第28-31页 |
| 3.2.1 分类深度自编码网络模型构建 | 第28页 |
| 3.2.2 Softmax分类器 | 第28-29页 |
| 3.2.3 CDAENs性能测试 | 第29-31页 |
| 3.3 基于CDAENS的电力变压器故障诊断 | 第31-35页 |
| 3.3.1 样本数据选取 | 第31-32页 |
| 3.3.2 样本数据标准化处理 | 第32页 |
| 3.3.3 故障类型状态编码 | 第32-33页 |
| 3.3.4 基于CDAENs的变压器故障诊断模型 | 第33页 |
| 3.3.5 基于CDAENs的变压器故障诊断方法 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于深度信念网络的变压器故障诊断 | 第36-45页 |
| 4.1 深度信念网络 | 第36-39页 |
| 4.1.1 DBNs的预训练过程 | 第36-39页 |
| 4.1.2 DBNs的调优过程 | 第39页 |
| 4.2 深度信念网络分类器 | 第39-42页 |
| 4.2.1 深度信念网络分类器模型构建 | 第39-40页 |
| 4.2.2 DBNC分类性能测试分析 | 第40-42页 |
| 4.3 DBNC在电力变压器故障分类中的应用 | 第42-44页 |
| 4.3.1 样本数据及特征变量选取 | 第42页 |
| 4.3.2 变压器故障分类DBNC模型构建 | 第42-43页 |
| 4.3.3 基于DBNC的变压器故障诊断方法实现 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 实例测试及分析 | 第45-53页 |
| 5.1 数据样本选取及预处理 | 第45-48页 |
| 5.1.1 DBSCAN算法 | 第45-46页 |
| 5.1.2 基于DBSCAN的油色谱在线监测数据聚类 | 第46-48页 |
| 5.2 变压器故障诊断性能测试及对比分析 | 第48-52页 |
| 5.2.1 基于CDAENs的故障诊断性能测试 | 第48-49页 |
| 5.2.2 基于DBNC的故障诊断性能测试 | 第49-50页 |
| 5.2.3 BPNN和SVM故障诊断性能对比 | 第50-52页 |
| 5.3 典型工程案例分析 | 第52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 结论与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文及参加科研情况 | 第58-59页 |
| 致谢 | 第59页 |
