| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 选题背景及意义 | 第8页 |
| 1.2 电力变压器故障及其研究综述 | 第8-10页 |
| 1.3 本文的主要工作 | 第10-12页 |
| 第2章基于油气量的变压器故障诊断 | 第12-25页 |
| 2.1 DGA故障诊断的特征信息 | 第12-13页 |
| 2.2 基于溶解气体分析的传统故障诊断方法 | 第13-15页 |
| 2.3 基于神经网络的智能故障诊断方法 | 第15-17页 |
| 2.3.1 神经网络的结构 | 第15页 |
| 2.3.2 神经元模型 | 第15-16页 |
| 2.3.3 神经网络的学习算法 | 第16页 |
| 2.3.4 基于油气量特征信息的诊断模型 | 第16-17页 |
| 2.4 算法改进与仿真 | 第17-23页 |
| 2.4.1 PSO算法改进 | 第18页 |
| 2.4.2 自适应变异粒子群优化的BP神经网络模型的建立 | 第18-20页 |
| 2.4.3 数据仿真 | 第20-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 基于超高频信号的变压器的故障诊断 | 第25-39页 |
| 3.1 局部放电概念及表征参数 | 第25-26页 |
| 3.1.1 局部放电概念 | 第25页 |
| 3.1.2 局部放电的产生原因 | 第25页 |
| 3.1.3 局部放电超高频信号的表征参数 | 第25-26页 |
| 3.2 局部放电超高频信号检测的定位原理 | 第26-28页 |
| 3.3 基于小波包分解的故障特征提取 | 第28-32页 |
| 3.3.1 小波包分解原理 | 第28-29页 |
| 3.3.2 最优小波包基的选择 | 第29-30页 |
| 3.3.3 包络信号的故障特征提取 | 第30-32页 |
| 3.4 特征信息处理 | 第32-36页 |
| 3.4.1 局部放电特征信息处理与优化 | 第32-34页 |
| 3.4.2 算法原理 | 第34-36页 |
| 3.5 仿真验证 | 第36-38页 |
| 3.5.1 局部放电超高频包络信号的检测 | 第36-37页 |
| 3.5.2 用KPCA法对包络信号进行降维处理 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 信息融合在电力变压器故障诊断中的应用 | 第39-46页 |
| 4.1 信息融合技术及其应用 | 第39-40页 |
| 4.1.1 信息融合技术 | 第39-40页 |
| 4.1.2 信息融合技术的应用 | 第40页 |
| 4.2 信息融合的层次及算法介绍 | 第40-43页 |
| 4.2.1 信息融合层次 | 第40-42页 |
| 4.2.2 多源信息融合技术的融合算法及比较 | 第42-43页 |
| 4.3 基于油气量与超高频特征信号的变压器故障诊断融合模型 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 附录 | 第52-56页 |