首页--工业技术论文--电工技术论文--输配电工程、电力网及电力系统论文--线路及杆塔论文

架空输电线路风舞监测信号分析与处理

摘要第5-7页
ABSTRACT第7-9页
第一章 绪论第12-18页
    1.1 研究工作的背景与意义第12-13页
    1.2 国内外研究现状第13-16页
        1.2.1 架空输电线舞动监测与分析技术国内外研究现状第13-14页
        1.2.2 分布式光纤传感在电力系统中的应用第14-15页
        1.2.3 电力系统监测中的信号处理方法第15-16页
    1.3 本论文的结构安排第16-18页
第二章 基于分布式光纤振动传感的架空输电线路风舞监测系统第18-24页
    2.1 整体风舞监测方案设计第18-19页
    2.2 探测光缆第19-20页
    2.3 解调仪第20-21页
    2.4 数据采集处理系统第21-23页
    2.5 本章小结第23-24页
第三章 风舞监测数据集构建第24-30页
    3.1 信号差分与信号分帧第24页
    3.2 风舞信号物理特性分析与表征第24-25页
    3.3 基于频谱相关系数分析和箱形图统计方法的相对异常信号选取第25-28页
        3.3.1 频谱相关性分析第25-27页
        3.3.2 单点分帧信号短时舞动标准差箱形图分析第27-28页
        3.3.3 选取相对异常信号第28页
    3.4 划分训练集和测试集第28-29页
    3.5 本章小结第29-30页
第四章 风舞信号特征提取第30-41页
    4.1 时域特征提取第30-35页
        4.1.1 时域统计特征第30-34页
        4.1.2 线性预测编码系数特征第34-35页
    4.2 频域特征提取第35-36页
    4.3 时频色谱图特征提取第36-38页
    4.4 特征选择与融合第38-39页
    4.5 数据增广第39-40页
    4.6 本章小结第40-41页
第五章 基于有监督分析的风舞信号分类第41-82页
    5.1 风舞信号分类模型总体设计第41-42页
    5.2 分类模型评估标准——准确率(召回率)与精确度第42-43页
    5.3 最近邻分类第43-48页
        5.3.1 最近邻分类算法原理第43-44页
        5.3.2 使用融合特征1构建的kNN分类器识别效果第44-46页
        5.3.3 使用融合特征2构建的kNN分类器识别效果第46-48页
        5.3.4 分析与总结第48页
    5.4 逻辑回归分类第48-52页
        5.4.1 逻辑回归算法原理第48-50页
        5.4.2 使用融合特征1训练的逻辑回归分类器识别效果第50-51页
        5.4.3 使用融合特征2训练的逻辑回归分类器识别效果第51-52页
        5.4.4 分析与总结第52页
    5.5 支持向量机(SVM)分类第52-56页
        5.5.1 支持向量机算法原理第52-54页
        5.5.2 使用融合特征1训练的SVM分类器识别效果第54-55页
        5.5.3 使用融合特征2训练的SVM分类器识别效果第55-56页
        5.5.4 分析与总结第56页
    5.6 卷积神经网络(CNN)分类第56-79页
        5.6.1 卷积神经网络原理第56-58页
        5.6.2 针对融合特征1的CNN分类器设计第58-63页
        5.6.3 使用融合特征1的分类效果第63-77页
        5.6.4 针对融合特征2的CNN分类器设计第77-79页
        5.6.5 使用融合特征2的分类效果第79页
    5.7 各分类模型分类效果对比第79-80页
    5.8 本章小结第80-82页
第六章 总结与展望第82-84页
    6.1 全文总结第82-83页
    6.2 后续展望第83-84页
致谢第84-85页
参考文献第85-89页
攻读硕士学位期间取得的成果第89页

论文共89页,点击 下载论文
上一篇:一种具有快速响应的电流型PWM控制器的设计
下一篇:节能型设备能量管理装置的设计与实现