摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪言 | 第9-19页 |
1.1 电力变压器故障诊断的实际研究意义 | 第9-10页 |
1.2 电力变压器常见故障及其主要诊断技术 | 第10-17页 |
1.2.1 电力变压器常见故障及原因分析 | 第10-11页 |
1.2.2 基于油中溶解气体分析(DGA)的电力变压器故障诊断法 | 第11-14页 |
1.2.3 常规DGA诊断方法存在的不足 | 第14页 |
1.2.4 各种人工智能算法在电力变压器故障诊断中的应用 | 第14-17页 |
1.3 变压器故障在线监测的研究 | 第17-18页 |
1.4 本章小结 | 第18-19页 |
第二章 模拟植物生长算法模型 | 第19-30页 |
2.1 引言 | 第19页 |
2.2 模拟植物生长算法(PGSA)的研究现状 | 第19-22页 |
2.2.1 模拟植物生长算法的思想起源 | 第20页 |
2.2.2 植物生长的生物学特征 | 第20-22页 |
2.3 PGSA的基本原理 | 第22-28页 |
2.3.1 PGSA的动力特征与原理 | 第22-24页 |
2.3.2 PGSA的流程及实现 | 第24-28页 |
2.4 PGSA的基本应用 | 第28-29页 |
2.5 基本PGSA存在的缺陷 | 第29页 |
2.6 本章小结 | 第29-30页 |
第三章 改进PGSA模型的建立 | 第30-36页 |
3.1 引言 | 第30页 |
3.2 文化算法的原理和神经网络集成 | 第30-34页 |
3.2.1 文化算法(GA)的原理结构 | 第30-33页 |
3.2.2 文化算法主要函数及功能 | 第33-34页 |
3.3 改进模拟植物生长算法实现 | 第34-35页 |
3.4 本章小结 | 第35-36页 |
第四章 改进PGSA与BP神经网络相结合的变压器故障类型诊断 | 第36-51页 |
4.1 引言 | 第36-37页 |
4.2 改进PGSA对BP神经网络的权值和阀值的调整 | 第37-39页 |
4.2.1 权值和阀值调整原理 | 第37-38页 |
4.2.2 改进PGSA-BP对网络权值和阀值调整的实现 | 第38-39页 |
4.3 改进PGSA-BP神经网络的电力变压器故障类型诊断模型的建立 | 第39-40页 |
4.4 电力变压器故障类型(定性)诊断的实例仿真实现与分析 | 第40-49页 |
4.4.1 实验故障样本数据的预处理 | 第40-41页 |
4.4.2 改进PGSA-BP神经网络与传统BP神经网络的训练结果对比分析 | 第41-47页 |
4.4.3 对训练好的改进PGSA-BP神经网络进行变压器故障类型预测及分析 | 第47-49页 |
4.5 本章小结 | 第49-51页 |
第五章 变压器故障定位的诊断 | 第51-63页 |
5.1 引言 | 第51-52页 |
5.2 变压器电气特征量的诊断原理方法 | 第52-62页 |
5.2.1 单相变压器绕组模型 | 第52-53页 |
5.2.2 三相双绕组变压器绕组的模型 | 第53-54页 |
5.2.3 参数辨识及其在变压器绕组定相中的应用 | 第54-57页 |
5.2.4 变压器故障定相仿真算例的实现与结果分析 | 第57-62页 |
5.3 本章小结 | 第62-63页 |
第六章 论文总结与展望 | 第63-64页 |
6.1 本文工作总结 | 第63页 |
6.2 对未来展望 | 第63-64页 |
参考文献 | 第64-68页 |
致谢 | 第68-69页 |
附录 | 第69-73页 |
附录Ⅰ:100组故障样本训练数据归一化结果 | 第69-72页 |
附录Ⅱ:附表A-1 30组变压器故障样本的数据收集 | 第72-73页 |
攻读硕士学位期间发表的论文 | 第73页 |