论文目录 | |
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-20页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 电力变压器故障产生原因及故障分类 | 第11-13页 |
| 1.3 故障诊断方法研究现状 | 第13-18页 |
| 1.3.1 传统诊断方法 | 第14-15页 |
| 1.3.2 智能诊断方法 | 第15-18页 |
| 1.4 论文主要研究内容及结构安排 | 第18-20页 |
| 2 电力变压器故障特征提取的SKSNN-KNPE方法研究 | 第20-33页 |
| 2.1 引言 | 第20-21页 |
| 2.2 原始特征空间构造及故障类型划分 | 第21-22页 |
| 2.3 SKSNN-KNPE方法 | 第22-25页 |
| 2.3.1 KNPE原理 | 第22页 |
| 2.3.2 SKSNN相似度量方法原理 | 第22-24页 |
| 2.3.3 SKSNN-KNPE方法 | 第24-25页 |
| 2.4 SKSNN-KNPE特征提取方法的有效性验证 | 第25-32页 |
| 2.4.1 特征提取可视化分析 | 第25-28页 |
| 2.4.2 可分性参数指标 | 第28-29页 |
| 2.4.3 状态识别性能分析 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 电力变压器故障特征提取的OGLPE方法研究 | 第33-46页 |
| 3.1 引言 | 第33页 |
| 3.2 OGLPE算法 | 第33-36页 |
| 3.3 OGLPE特征提取方法的有效性分析 | 第36-45页 |
| 3.3.1 以过热性故障验证OGLPE特征提取方法的有效性 | 第36-38页 |
| 3.3.2 以放电性故障验证OGLPE特征提取方法的有效性 | 第38-39页 |
| 3.3.3 以全故障验证OGLPE特征提取方法的有效性 | 第39-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 电力变压器故障特征提取的SAKNPE方法研究 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 自适应核函数优化框架 | 第46-50页 |
| 4.2.1 自适应核函数设置 | 第46-47页 |
| 4.2.2 自适应核函数优化 | 第47-50页 |
| 4.3 SAKNPE算法原理 | 第50页 |
| 4.4 SAKNPE特征提取方法的有效性分析 | 第50-57页 |
| 4.4.1 特征提取结果可视化分析 | 第51-53页 |
| 4.4.2 可分性参数指标 | 第53-54页 |
| 4.4.3 状态识别性能分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 电力变压器故障诊断的CAFkNN方法研究 | 第58-73页 |
| 5.1 引言 | 第58-59页 |
| 5.2 理论基础 | 第59-60页 |
| 5.2.1 FkNN理论概述 | 第59页 |
| 5.2.2 云理论概述 | 第59-60页 |
| 5.3 CAFkNN分类算法 | 第60-63页 |
| 5.3.1 训练样本隶属度计算 | 第61-62页 |
| 5.3.2 自适应近邻选取 | 第62页 |
| 5.3.3 近邻样本权重计算 | 第62-63页 |
| 5.3.4 待分类样本类别确定 | 第63页 |
| 5.4 基于UCI数据集的CAFkNN算法有效性验证 | 第63-67页 |
| 5.5 基于CAFkNN的电力变压器故障诊断 | 第67-72页 |
| 5.5.1 基于CAFkNN的电力变压器故障诊断流程 | 第67-68页 |
| 5.5.2 诊断结果有效性分析 | 第68-72页 |
| 5.6 本章小结 | 第72-73页 |
| 6 基于信息融合的电力变压器综合诊断方法研究 | 第73-85页 |
| 6.1 引言 | 第73页 |
| 6.2 综合诊断方法框架 | 第73-74页 |
| 6.3 电力变压器故障诊断子模型的构建及有效性验证 | 第74-79页 |
| 6.3.1 诊断子模型的建立 | 第74-76页 |
| 6.3.2 诊断子模型有效性验证 | 第76-79页 |
| 6.4 DS多决策融合的诊断实现 | 第79-82页 |
| 6.5 实例验证 | 第82-84页 |
| 6.6 本章小结 | 第84-85页 |
| 7 总结与展望 | 第85-87页 |
| 7.1 全文总结 | 第85-86页 |
| 7.2 展望 | 第86-87页 |
| 参考文献 | 第87-93页 |
| 攻读硕士学位期间发表论文及科研成果 | 第93-94页 |
| 致谢 | 第94-95 |
