一、变压器故障诊断专家系统（论文文献综述）
解宵[1]（2021）在《面向电力变压器油色谱数据特征参量的研究》文中提出电力变压器（PowerTransformer）是供电系统的枢纽,对其进行及时检测和准确诊断不仅为电力变压器正常运行和实施状态检修提供了基础,而且对于人民的生活、社会的稳定也有着重要的意义。目前,变压器在线故障诊断常用的方法是油中溶解气体分析（Dissolved Gas Analysis,DGA）,但是传统的DGA比值方法存在着所建立的编码组合表并不能覆盖所有的故障类型,在实际应用中存在一些编码组合在编码表里找不到对应类型以及不同文献中对于诊断模型的训练所选用的输入特征有差异。对于以上研究中存在的不足,本文从输入特征着手研究,将优选的特征组合与支持向量机多分类模型结合,选择最优的特征组合来训练变压器故障模型,进一步提高变压器的准确诊断。本文将进行以下几个内容研究:针对于不同文献所采用的特征组合各不相同,忽略了所选用的特征组合是否能有效反映故障类型这一问题,通过阅读大量文献并且结合《大型电力变压器故障诊断及案例》,建立了一个基于DGA的故障特征集,为后续方法提供一个特征寻优的空间。其次,结合了信息增益和F-Score两种评价函数来对故障特征进行定量计算,通过计算后的数值对故障特征进行排序,引入了支持向量机多分类模型来对排序后的特征进行验证。实验分别从不同的特征集及常用的分类器方法进行了对比验证,实验结果发现了优选后的特征组合相较于传统的特征参量训练得到的模型性能更优,提高了故障诊断模型的识别率。最后,考虑到Filter模型仅仅是通过对特征进行定量计算从而来筛选特征,忽视了不同特征间的组合关系以及与训练模型的紧密结合。故引入粒子群算法（Particle Swarm Optimization,PSO）与支持向量机（Support Vector Machine,SVM）算法,设计了一个 PSO 与SVM结合的特征优选的变压器故障诊断算法。利用离散粒子群算法对特征进行寻优的同时用标准粒子群算法进行支持向量机参数的优化,采用五折交叉验证的结果来对所选的特征组合进行评估。实验从气体组合、气体比值组合、故障实例及文献[16]进行对比分析,实验结果表明:特征选择后的子集故障诊断率较气体含量、IEC比值提高了 11%到23%左右,相较于常用的几种故障特征具有更好的诊断性能;较文献[16]故障诊断率提升了 8%。考虑到在实际现场应用中数据缺失的情况下,会影响变压器故障诊断的结果,分析几种常用的插补方法后,引入K-近邻算法（K-Nearest Neighbor,KNN）来对缺失数据进行填补。实验结果表明该方法对于缺失数据存在的情况下有较好的表现能力,能在缺失数据存在的情况下对变压器故障诊断提供一定的帮助。
张宇婷[2]（2021）在《基于CVA的变压器故障诊断及预测研究》文中研究表明油浸式变压器是构建智能电网以及互联电网中的枢纽设备之一,基于油色谱分析技术（DGA）对变压器进行故障诊断是电网安全运行的发展方向。而变压器的故障预测是变压器维护工作的重要内容,准确的故障预测可以在变压器发生故障之前,通过采取恰当的措施,使得变压器故障得以提前消除,减少了因其故障导致电力系统无法正常运转带来的经济损失。本文对变压器故障诊断方法以及预测模型进行了系统的研究,提出了小波神经网络结合规范变量分析法（WPT-CVA）的故障诊断方法以及粒子群优化支持向量机（PSO-SVM）和小波变换时间序列（WPT-ARMA）的组合预测模型,提高了小样本数据下故障诊断准确率以及预测精度。本文对油浸式变压器的研究内容分为以下几个部分:首先,分析变压器常见的故障类型,按故障性质将变压器故障分为电性故障及热性故障。通过对智能算法及传统算法的总结,确定故障诊断算法为小波神经网络算法,以支持向量机模型（SVM）以及自回归滑动平均模型（ARMA）的组合预测模型。其次,对小波神经网络进行简单介绍,利用小波神经网络算法建立变压器故障诊断模型,确定输入层、隐含层以及输出层,随后选取了大量有代表性的数据样本,利用小波变换进行降噪处理。在此基础上对样本数据作归一化处理并进行了训练,测试以及误差分析,得出小波神经网络的收敛速度快但收敛误差较大的结论。再次,采用小波分析结合CVA的方法对溶解于变压器油中的气体数据进行处理,不仅不需人为添加优化系数或惩罚因子,还对变压器的故障诊断快速且准确,优于目前诊断准确率较高的智能方法。通过将收集到的400组DGA数据集分离为275组训练集和组125测试集,评估了该方法的故障诊断性能。经过训练,测试结果表明,WPT法和基于CVA的方法的诊断准确率分别为90.4和93.4%。从这些数据可以清楚地看出,该方法在对变压器故障分类时的诊断率提高了3个百分点。最后,通过对DGA气体数据进行归一化处理、选择核函数、粒子群优化支持向量机建立PSO-SVM预测模型,对DGA气体数据进行小波去噪、模型识别、参数估计建立WPT-ARMA预测模型,基于两种预测模型建立组合模型,以达到误差最小为目的,最后通过实例验证及对比发现WPT-ARMA的预测模型误差较PSO-SVM预测模型误差值小,且组合预测模型可以综合多种单一预测模型所包含的信息,有效降低预测风险。
沈杰[3]（2020）在《基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用》文中认为随着电网设备规模的逐渐增大,传统的停电检测工作已经逐步被以带电检测技术为基础的状态检修工作所代替。油浸式电力变压器是变电站的焦点设备,对其进行带电检测是日常工作的重点。油浸式电力变压器带电检测的首要工作就是对油液中溶解气体的检测。但是,检测得到的数据在使用传统三比值法分析的过程中会存在编码缺损、临界值判据不充分等问题,其结果作为判断故障的依据,缺乏可信性和准确性。自编码器（AE,Auto Encoder）是一种具有强大特征提取能力的无监督学习算法,可以有效地提取检测数据的高级特征。Ada Boost作为一种分类性能强于其他基分类器的集成学习算法,能够解决临界值判据不充分时的分类问题。故本文研究应用自编码器与Ada Boost分类器对油浸式电力变压器进行故障诊断。1.研究油中溶解气体检测的基本原理和检测方法,探讨变压器各类故障与油中产生气体类型含量之间的相应关系,对比分析传统诊断三比值法与改良三比值法优缺点。结合实际运行的油浸式电力变压器,获得检测数据。2.堆栈式自编码器（SAE,Stacked Auto Encoder）是自编码器的深度模型。本文将堆栈自编码器与Ada Boost结合起来,构建SAE-Ada Boost故障诊断模型。使用堆栈式自编码器提取输入数据的高级特征,并将其作为三比值的补充特征,将两者数据融合,使用Ada Boost分类器判别故障类型。最后通过实验确定SAEAda Boost故障诊断模型的结构参数,并且对模型的诊断能力进行测试。3.对高海拔地区内油浸式电力变压器进行油中溶解气体数据分析,判断其运行状态和故障类型。研究结果表明,使用SAE-Ada Boost故障诊断模型进行油浸式电力变压器故障判断所得结果的准确率在90%以上。通过红外成像检测和电力变压器局部放电检测,验证了采用自编码器与Ada Boost分类器可以一定程度上提高变压器故障诊断结果的可信性和准确性。
刘洋[4]（2020）在《电力变压器电气故障诊断与剩余寿命预测技术研究》文中进行了进一步梳理电力变压器的状态优良直接影响到电力系统的可靠运行,到目前为止我国存在一定数量已服役近30年的电力变压器,设备老化及其他电气问题日益严峻,若出现故障造成非计划性停电事故将会造成严重生产事故、造成重大经济损失。因此,收集电力变压器历史故障数据,加强电力变压器运行状态监测,及时发现并处理电力变压器有载运行状态下的潜在性设备故障,预防和降低电力变压器故障发生的几率,对电力变压器可靠运行具有重要的理论及现实意义。变压器诊断方法正在由原来的以预防性试验为主的油中溶解气体色谱分析（DGA）的离线监测逐步转变为综合诊断为主导的变压器故障在线监测。其中电力变压器各类故障中以绕组、铁心、绝缘套管、分接开关为主的电气故障最多且最为重要,多数故障表现形式为过热和放电两种表现形式。本文首先介绍了开展变压器诊断研究的重要性,阐述了变压器故障诊断的发展现状。在对电气故障特征参数进行分析的基础上,提出了油中溶解气体与电气故障特征参数混合作为依据对变压器电气故障类型进行划分的方式,考虑电力变压器历史数据为无标签数据属性建立基于深度置信网络（Deep Belief Network,DBN）的电力变压器电气故障诊断模型,模型采用多层受限玻尔兹曼机（restricted Boltzmann machine,RBM）堆栈并在顶层采用BP神经网络返回参数的构架,并对输出数据利用SOFTMAX进行标签化进行故障分类与诊断。仿真结果显示基于DBN的电力变压电器故障诊断模型相较于传统BP神经网络诊断模型有更好的收敛速度以及更高的诊断准确率。在此基础上,根据电力变压器运行状态的马尔可夫性即后无效性,在故障比例模型（Cox模型）的基础上提出一种基于隐马尔可夫模型（hidden Markov model,HMM）的服从故障率模型的视情维修模型,对电力变压器在部分可观测数据条件下进行剩余寿命（remaining useful life,RUL）预测分析。考虑环境因素以及采集影响变压器寿命信息的局限性,利用贝叶斯公式不断优化系统状态空间建立部分信息条件下的剩余寿命预测模型。相较于传统方法,提出的算法具有更高的预测准确度,对电力变压器视情维修提供了一种新的参考方法。
许自强[5]（2020）在《数据驱动的电力变压器智能化健康管理关键技术研究》文中进行了进一步梳理作为电力系统的重要枢纽设备,电力变压器的安全稳定运行是保障优质电力正常供应以及社会正常运作的必要基础。伴随着智能电网建设的不断推进,包括状态监测、生产管理、运行调度、气象环境等在内的电力变压器状态相关信息已逐步呈现出体量大、种类多、增长快等典型大数据特征。因此,在电力大数据的时代背景下,开展电力变压器状态数据的综合挖掘与分析研究,对于推动设备运行维护迈向精细化、智能化管理具有重要意义。本文以反映设备运行状态的多源信息为数据基础,以人工智能技术与数据挖掘技术作为分析工具,深入研究包含异常检测、故障诊断、状态评估、态势预测等在内的电力变压器智能化健康管理关键技术体系。主要的研究内容与成果如下:针对电力变压器在线监测系统受设备状态异常变化、外界环境干扰以及通讯中断等因素影响而产生异常数据的问题,本文提出一种面向设备监测数据的异常识别及模式区分方法。首先,通过利用经验小波变换与差分自回归移动平均模型对监测数据进行时序建模,获得反映监测数据异常情况的残差序列,并进一步运用孤立森林算法识别其中的异常点信息,依据识别结果对监测序列进行分段。然后,采用改进多维SAX向量表示法对分段序列进行符号化表示,通过计算相邻符号向量的相似度得分得到关于异常模式的判定结果,并进一步利用监测序列的关联性对判定结果进行校验。最后,结合实例分析表明,本文所提方法能够可靠识别异常点并对其无效及有效两种异常模式进行准确区分。针对电力变压器智能故障诊断中存在的数据非均衡问题,本文提出一种基于深度学习的故障数据增强方法,以实现样本类别分布均衡化的目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型存在的训练不稳定问题。然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出基于数据增强方法的设备故障诊断技术框架。最后,选用由准确率、F1度量及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,本文提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能。针对电力变压器状态评估中存在的信息不确定性问题,本文提出一种计及信息不确定性的设备多层级健康状态综合评估方法。首先,在综合考虑电力变压器功能结构及其性能表现的基础上,构建了包含设备层、部件层、缺陷层及指标层的多层级健康评估体系。然后,针对等级划分中的不确定性问题,通过运用可拓云理论来对判据边界进行柔性化处理;针对权重赋值中的不确定性问题,通过结合主观与客观权重、静态与动态权重来对各层级中评估因素的相对重要程度进行准确度量;针对信息融合中的不确定性问题,通过利用改进DSmT理论来有效解决传统证据理论对于高冲突性证据融合失效的缺陷。最后,实际案例验证结果表明,本文所提方法能够准确、有效地评判变压器及其功能部件的健康状况,并提供关于部件缺陷隐患的细致分析结果。针对油中溶解气体浓度进行精确预测可为电力变压器的故障预警工作提供重要依据,本文提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响。然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度。最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,本文所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。
汪康[6]（2020）在《基于油中溶解气体分析的变压器故障诊断研究》文中研究指明在电力系统中,变压器属于最重要的大型电气设备之一,变压器可靠运行也是保证电力系统整体稳定的关键环节之一。近年来,我国经济高速发展,用电需求逐年增加,电压等级更高、变电容量更大也逐渐成为变压器发展的必然趋势,因此,如何保证变压器安全、可靠运行具有重要的现实意义。目前,以故障诊断技术为核心的变压器状态维修,是保证变压器稳定运行的重要手段。在变压器故障诊断领域,油中溶解气体分析（Dissolved Gas Analysis,DGA）法能够在线实时监测变压器油中的气体数据,在国内外得到了广泛的应用。本文根据支持向量机能够有效解决高维、非线性以及局部最优等问题,且具备处理小样本数据的优势,采用支持向量机构建故障分类器模型,在此基础之上,考虑到二叉树支持向量机比一对多组合、一对一组合和有向无环图具有测试速度快、不存在不可分区域等优点,构建二叉树支持向量机诊断模型。最后,鉴于变压器故障类型诊断结果受支持向量机的参数直接影响,为优化支持向量机参数模型、提高故障诊断准确率,本文还提出了用遗传算法对影响支持向量机分类精度的两个主要参数C和g进行寻优,通过建立初始特征集合,并根据根据遗传算法编码规则,将支持向量机惩罚因子、核参数及特征子集进行染色体编码,建立基于5折交叉验证正确率的适应度函数,联合优化最优特征子集和支持向量机参数组合。然后依据最优特征子集和参数组合训练诊断模型,解决了支持向量机的模型参数对电力变压器故障诊断正确率影响较大的问题。并利用测试集和故障实例验证诊断性能。实例分析结果表明:该方法能准确、有效地诊断变压器故障,比基于传统特征子集的支持向量机—遗传算法模型、IEC三比值法、反向传播神经网络和朴素Bayes等方法具有更高的诊断准确率。
张思捷[7]（2020）在《电力变压器状态评价与故障诊断技术研究》文中研究指明电力变压器作为电力系统的基础设备之一,其运行状态直接关系到电网是否能够保证长期稳定健康运行。近年来,随着我国电网智能化建设的高速发展,电力设备数量快速增长,保证电网的稳定健康运行面临着更大的挑战。因此,深入研究电力变压器状态评价和故障诊断技术对保障电力系统正常可靠供电,推动状态检修的发展和应用具有重要理论意义和实用价值。本文以220k V油浸式电力变压器为研究对象,针对电力变压器状态评价与故障分析等相关问题进行了如下研究:首先,参考国家电网公司标准和相关规程,考虑电力变压器结构和性能特点,立足于电力企业技术发展现状,优选影响电力变压器运行状态的因素,提出电力变压器状态等级分类标准和检修响应策略,建立有效的基于部位性能的电力变压器多层状态评价模型。其次,在了解常用指标权重确定方法的基础上,综合分析主、客观权重法的优缺点,采用模糊集值统计法与熵值法相结合的电力变压器指标权重确定方法。分析电力变压器状态与可拓学之间的关系,探索电力变压器状态评价指标关联函数的构造形式,构建基于分层可拓法的电力变压器状态评价步骤,实现电力变压器状态的准确评价。再次,考虑到电力变压器实际运行时存在的个体差异,综合国内外油中气体与气体比值的研究成果,基于常用特征气体和IEC TC 10故障数据库,采用离散二进制粒子群算法和支持向量机算法相结合优选故障模型输入特征。测试结果表明,优选特征与常用特征气体和三比值特征相比具有更高的故障诊断准确率。最后,结合本文提出的电力变压器状态评价模型和故障诊断算法,基于Python、My SQL等开发环境,设计并实现了电力变压器状态评价与故障诊断原型系统,可实现电力变压器状态评价、故障诊断分析等功能,为设备使用者提供可视化的维修决策支持。
张金泉[8]（2020）在《基于信息融合的变压器状态评估方法研究》文中进行了进一步梳理变压器作为发电厂和变电站的关键设备,其自身的运行状态时刻影响着整个电力系统的安全稳定运行。目前,我国许多变压器的役龄已经接近、甚至远远大于其设计寿命,导致部分变压器故障率逐年增高。为保障变压器安全可靠运行,节省检修成本,电网公司对变压器的检修方式已逐渐由事故检修、定期检修向状态检修转变。而状态检修以状态评估结果为决策依据,因此,开展变压器状态评估显得尤为重要。变压器状态量众多,机理复杂,在状态评估过程中存在诸多不确定性因素;因此,本文主要研究基于信息融合的变压器状态评估方法,主要内容如下:（1）提出一种基于改进证据理论融合的变压器运行状态评估方法。首先对运行状态评估指标数据进行预处理,计算其劣化度。其次,利用改进层次分析法计算指标的常权重,引入均衡函数计算指标的劣化变权重。然后,将状态量分层并计算每一层的综合联系度,作为独立证据体。最后,利用敏感因子和可信度系数对证据体修正,再利用融合规则进行信息融合。通过实验结果对比分析,验证本文所提运行状态评估方法的可行性和有效性。（2）给出一种基于主元分析和自适应相关向量机的变压器故障诊断方法。首先以气体含量和比值作为故障特征信息,通过主元分析法对其进行降维处理,实现特征层的融合。其次,给出了基于粒子群算法和交叉验证的自适应相关向量机模型,实现核参数在样本训练过程中的自动寻优。通过实验结果对比分析,验证本文所提故障诊断方法的可行性和有效性。（3）设计并实现变压器状态评估软件。首先以软件基本需求为出发点,确定软件4个主要功能:数据存储与读取、运行状态评估、故障诊断、评估报告导出。其次,通过MATLAB和Access数据库设计了软件的3层系统架构。然后,给出软件功能的实现方法。最后,展示该软件的实际运行效果,验证软件的实用性。
黄欣逸[9]（2020）在《基于MGWO-SVM与PCA特征重构的变压器故障诊断方法研究》文中研究说明电力变压器是电力系统中的重要设备之一,其运行状态直接关系到整个电网的安全稳定。随着电力行业的发展,电力系统装机容量日益増长,变压器无疑面临着日趋严重的材质劣化和绝缘老化问题,甚至引发重大停电事故,并造成严重的经济损失。因此,对电力变压器进行深入有效的故障诊断研究,指导变压器的维护检修,具有重要的理论和实际意义。基于油中溶解气体数据（DGA数据）的电力变压器故障诊断方法能准确及时的发现变压器潜伏性故障,提高变压器的运行维护水平,在此基础上,本课题尝试将智能算法、数据处理方法与擅长解决非线性小样本分类问题的支持向量机（SVM）相结合,研究一种电力变压器故障诊断的新方法。本文的主要研究内容如下:（1）将SVM应用于电力变压器故障诊断中,利用灰狼优化算法（GWO）优化其参数,并针对GWO算法迭代后期收敛速度慢、易陷入局部最优的缺点,对α、β、δ狼的更新机制进行了改进,向其引入了差分进化机制,提出了一种改良的灰狼优化算法（MGWO）。测试函数的寻优实验结果表明,MGWO算法具备丰富的种群多样性与优秀的全局搜索能力,可以作为SVM参数优化的有效工具。（2）确立了电力变压器状态的评价指标与参诊类型,利用主成分分析（PCA）对DGA数据集进行特征重构,从而来消除数据建模导致的特征混淆现象。对DGA数据集、PCA特征重构的DGA数据集执行min-max归一化处理,用于SVM模型的建立。（3）利用DGA数据集、PCA特征重构的DGA数据集训练MGWO-SVM变压器故障诊断模型,并使用测试集样本验证各模型的诊断能力,将诊断结果与灰狼优化算法、粒子群算法（PSO）、遗传算法（GA）以及IEC三比值法进行对比。实验结果表明,基于PCA特征重构的DGA数据集建立的MGWO-SVM模型拥有最高的模型精度与故障诊断准确率,具备优秀的泛化性以及预测能力,可以为变压器的故障诊断提供坚实的技术支撑,存在实际应用的价值。
梅婷[10]（2020）在《基于改进ISOMAP和WkNN的电力变压器故障诊断方法研究》文中进行了进一步梳理电力变压器作为电力系统中极为重要的电力设备,承担着电能的传输、转换和分配等核心工作,一旦发生故障,往往会带来巨大的经济损失,甚至造成人员伤亡和电力系统瘫痪。为提高电力系统的供电可靠性,保障电力变压器的安全运行是不可或缺的一环。传统诊断方法虽然能对电力变压器故障进行初步诊断,但仍存在很多缺陷且诊断准确率有限。因此,随着供电可靠性要求的日益提高,为对电力变压器的潜在故障进行及时有效的诊断,智能故障诊断方法的研究就具有着重要的现实意义。本文针对电力变压器故障,从数据预处理、特征提取和故障诊断三个方面进行了深入研究,具体工作如下:（1）对电力变压器故障数据的预处理方法进行了深入研究。针对电力变压器故障数据在数量级上分布差异大的问题,对多种数据预处理方法进行了对比分析,并最终选择LOG函数转换方法作为变压器故障数据的预处理方法。该方法属于非线性预处理方法,能对变压器故障数据进行有效处理,使其较为均匀的分布在特征空间中,以减小数据的不良分布给算法带来的不利影响。（2）提出了基于样本评价的有监督等距特征映射（ISOMAP）算法。为有效提取变压器故障数据所包含的重要信息,对ISOMAP算法进行了改进,提出了基于样本评价的有监督ISOMAP特征提取算法。首先根据训练集中每个样本点对各故障类别的隶属度来评价其可靠性,并对样本标签信息加以利用,以重新构建各样本间的测地距离矩阵,并通过多维尺度变换,得到低维嵌入向量;再采用RBF神经网络构造训练样本原始空间与低维空间的映射关系,用以测试样本的降维,从而得到经提取后的故障特征量。实例分析表明,该方法能有效提高各故障类别间的可分性。（3）提出了k值自适应加权k近邻（WkNN）算法并应用于电力变压器故障诊断。为改善传统kNN算法k值固定的缺陷,提出了k值自适应WkNN算法。首先,根据样本的局部密度对k值进行自适应取值,并将传统基于欧式距离的相似度度量方法与样本的分布相似度相结合,以确定各近邻点权值,从而对待测样本的故障类别进行更为有效的判断;最后,结合基于样本评价的有监督ISOMAP特征提取算法与k值自适应WkNN分类算法,对电力变压器进行故障诊断,实例分析表明,所提方法能进一步提升变压器故障诊断准确率。
二、变压器故障诊断专家系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、变压器故障诊断专家系统（论文提纲范文）
（1）面向电力变压器油色谱数据特征参量的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器特征参量研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 变压器油中气体产生机理及故障类型 |
| 2.1 变压器油中气体的产生 |
| 2.1.1 绝缘油的分解 |
| 2.1.2 固体绝缘材料的分解 |
| 2.1.3 气体的其他来源 |
| 2.2 正常状态下油中气体的含量 |
| 2.3 变压器故障类型与油中气体的关系 |
| 2.4 基于DGA技术的变压器故障诊断方法 |
| 2.4.1 特征气体法 |
| 2.4.2 三比值法 |
| 2.4.3 大卫三角形法 |
| 2.5 小结 |
| 3 粒子群算法与支持向量机理论 |
| 3.1 粒子群算法的理论 |
| 3.1.1 基本粒子群算法 |
| 3.1.2 标准粒子群算法 |
| 3.1.3 离散二进制粒子群算法 |
| 3.1.4 算法流程 |
| 3.2 支持向量机基本原理 |
| 3.2.1 线性可分情形 |
| 3.2.2 近似线性可分情形 |
| 3.2.3 非线性可分情形 |
| 3.2.4 核函数的选取 |
| 3.2.5 支持向量机参数的选取 |
| 3.3 支持向量机多分类方法介绍 |
| 3.3.1 一对一方法 |
| 3.3.2 一对多方法 |
| 3.4 小结 |
| 4 基于Filter和 SVM的故障特征优选 |
| 4.1 故障特征选择方法 |
| 4.1.1 信息增益 |
| 4.1.2 F-Score |
| 4.2 基于特征选择和SVM的变压器故障诊断模型 |
| 4.2.1 数据来源及预处理 |
| 4.2.2 特征筛选 |
| 4.2.3 不同评价函数对应的特征组合 |
| 4.3 实验验证 |
| 4.3.1 不同的特征子集 |
| 4.3.2 与BPNN对比实验 |
| 4.4 小结 |
| 5 基于PSO-SVM的故障特征优选 |
| 5.1 变压器油中溶解气体特征量 |
| 5.2 基于PSO-SVM特征参量优选实现过程 |
| 5.2.1 粒子群结构 |
| 5.2.2 编码方式 |
| 5.2.3 个体适应度评估 |
| 5.2.4 算法实现流程 |
| 5.3 实验环境 |
| 5.4 比值组合优选结果分析 |
| 5.5 不同的特征子集对比实验 |
| 5.5.1 气体含量作为故障特征实验 |
| 5.5.2 气体比值作为故障特征实验 |
| 5.5.3 与文献[16]实验的对比分析 |
| 5.5.4 实际故障实例实验 |
| 5.6 数据缺失情况下的变压器故障诊断 |
| 5.6.1 均值插补 |
| 5.6.2 回归插补 |
| 5.6.3 KNN插补 |
| 5.6.4 实验分析 |
| 5.7 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 油中溶解气体数据(μL/L) |
（2）基于CVA的变压器故障诊断及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 油浸式电力变压器故障诊断及预测技术 |
| 2.1 电力变压器故障分类 |
| 2.2 基于DGA的变压器故障诊断理论 |
| 2.2.1 溶解油中气体产生机理 |
| 2.2.2 DGA用于变压器故障判断 |
| 2.3 电力变压器故障诊断算法 |
| 2.3.1 常规算法 |
| 2.3.2 智能算法 |
| 2.4 电力变压器故障预测算法 |
| 2.4.1 SVM预测模型 |
| 2.4.2 ARMA预测模型 |
| 2.4.3 组合预测模型 |
| 2.5 本章小结 |
| 第3章 基于小波神经网络的电力变压器故障诊断研究 |
| 3.1 基于小波变换的变压器故障诊断理论 |
| 3.2 小波神经网络故障诊断模型建立 |
| 3.2.1 输入输出神经元的确定 |
| 3.2.2 隐含层的确定 |
| 3.3 小波神经网络故障诊断模型训练 |
| 3.3.1 训练样本数据的选取 |
| 3.3.2 小波变换去噪处理 |
| 3.3.3 小波神经网络模型训练 |
| 3.4 故障诊断结果分析 |
| 3.5 本章小结 |
| 第4章 基于DGA结合CVA算法在变压器故障诊断中的研究 |
| 4.1 基于CVA的变压器故障诊断理论 |
| 4.2 CVA故障诊断模型建立 |
| 4.3 CVA优化小波神经网络故障诊断模型训练 |
| 4.3.1 特征值提取 |
| 4.3.2 训练和测试阶段 |
| 4.4 故障诊断结果分析 |
| 4.5 本章小结 |
| 第5章 基于PSO-SVM模型和WPT-ARMA模型组合的变压器预测模型 |
| 5.1 基于PSO-SVM模型预测 |
| 5.1.1 PSO-SVM模型建立 |
| 5.1.2 PSO-SVM模型的误差评价 |
| 5.2 基于WPT-ARMA模型预测 |
| 5.2.1 ARMA模型的建立 |
| 5.2.2 ARMA模型的预报 |
| 5.3 组合预测的电力变压器故障预测 |
| 5.3.1 组合预测的主要思想 |
| 5.3.2 基于PSO-SVM与WPT-ARMA的组合预测模型 |
| 5.4 变压器预测模型维数的实例仿真分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间研究成果 |
（3）基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 电力变压器故障诊断技术综述 |
| 1.2.1 传统变压器故障诊断技术 |
| 1.2.2 人工智能的变压器故障诊断技术 |
| 1.3 变压器油溶解气体分析研究现状 |
| 1.4 本文研究的主要内容 |
| 第2章 油浸式电力变压器油中溶解气体检测方法 |
| 2.1 绝缘油中溶解气体的产生原理 |
| 2.1.1 绝缘油的分解 |
| 2.1.2 固体绝缘材料的分解 |
| 2.1.3 绝缘油中溶解气体的其他来源 |
| 2.2 油浸式电力变压器绝缘油中溶解气体气相色谱分析 |
| 2.2.1 绝缘油中溶解气体获取 |
| 2.2.2 绝缘油中溶解气体检测方法 |
| 2.3 油浸式电力变压器油中溶解气体检测数据分析方法 |
| 2.3.1 特征气体法 |
| 2.3.2 三比值法 |
| 2.3.3 改良三比值法 |
| 2.4 本章小结 |
| 第3章 基于SAE-Ada Boost模型的变压器故障诊断 |
| 3.1 神经网络介绍 |
| 3.2 自编码神经网络介绍 |
| 3.2.1 自编码器 |
| 3.2.2 堆栈自编码器 |
| 3.3 Ada Boost算法 |
| 3.4 SAE-Ada Boost故障诊断模型 |
| 3.4.1 SAE-Ada Boost模型结构 |
| 3.4.2 建立SAE-Ada Boost模型 |
| 3.5 实验及分析 |
| 3.5.1 实验数据 |
| 3.5.2 隐藏层神经元个数 |
| 3.5.3 分类器 |
| 3.5.4 模型测试 |
| 3.6 本章小结 |
| 第4章 SAE-Ada Boost模型在高海拔地区变压器故障诊断中的应用 |
| 4.1 故障数据 |
| 4.2 故障诊断 |
| 4.3 生产管理系统应用 |
| 4.4 红外成像检测 |
| 4.5 电力变压器局部放电检测 |
| 4.6 检修计划 |
| 4.6.1 检修细则 |
| 4.6.2 检修策略 |
| 4.6.3 检修计划制定 |
| 4.7 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读研究生期间所发表的学术论文 |
（4）电力变压器电气故障诊断与剩余寿命预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外发展现状 |
| 1.2.1 电力变压器电气故障诊断现状 |
| 1.2.2 深度学习在故障诊断中的应用 |
| 1.2.3 剩余寿命在线监测技术 |
| 1.3 目前变压器诊断及寿命预测存在问题 |
| 1.3.1 故障诊断的标准化 |
| 1.3.2 变压器剩余寿命预测的适用方法 |
| 1.4 本文研究内容与组织结构 |
| 第2章 基于油中溶解气体的变压器故障特征分析 |
| 2.1 引言 |
| 2.2 油浸式变压器主要结构及重点部件故障分析 |
| 2.2.1 变压器结构组成 |
| 2.2.2 主要零件故障分析 |
| 2.3 电力变压器典型故障类型 |
| 2.3.1 变压器热故障 |
| 2.3.2 变压器电故障 |
| 2.3.3 变压器机械故障 |
| 2.3.4 变压器其他故障 |
| 2.4 本章小结 |
| 第3章 基于变压器油中溶解气体的故障诊断法 |
| 3.1 引言 |
| 3.2 利用油中溶解气体故障诊断的依据 |
| 3.3 基于DGA的变压器故障诊断方法 |
| 3.3.1 IEC三比值故障诊断法与改良三比值法 |
| 3.3.2 无编码比值法 |
| 3.3.3 四比值故障诊断法 |
| 3.3.4 其他诊断法 |
| 3.4 本章小结 |
| 第4章 基于深度置信网络的电力变压器电气故障诊断 |
| 4.1 引言 |
| 4.2 深度置信网络的故障诊断模型构建 |
| 4.2.1 受限玻尔兹曼机结构的构建 |
| 4.2.2 深度置信网络的建立 |
| 4.3 深度置信网络应用于变压器故障诊断 |
| 4.3.1 输入数据的处理 |
| 4.3.2 变压器电气故障状态编码 |
| 4.3.3 基于深度置信网络进行变压器电气故障诊断 |
| 4.4 模型测试结果与分析 |
| 4.5 本章小结 |
| 第5章 部分可观测信息条件下电力变压器剩余寿命预测 |
| 5.1 引言 |
| 5.2 系统剩余寿命模型建立 |
| 5.2.1 完全信息条件下系统剩余寿命模型建立 |
| 5.2.2 部分信息条件下系统剩余寿命模型建立 |
| 5.3 剩余寿命模型分析与对照 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）数据驱动的电力变压器智能化健康管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器异常检测技术研究现状 |
| 1.2.2 电力变压器故障诊断技术研究现状 |
| 1.2.3 电力变压器状态评估技术研究现状 |
| 1.2.4 电力变压器态势预测技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 第2章 面向电力变压器监测数据的异常识别及模式区分方法研究 |
| 2.1 基于时序建模与孤立森林算法的异常数据识别方法 |
| 2.1.1 经验小波变换理论 |
| 2.1.2 差分自回归移动平均模型 |
| 2.1.3 孤立森林算法 |
| 2.2 基于改进多维SAX向量表示与时间序列关联性分析的异常模式区分方法 |
| 2.2.1 基于改进多维SAX向量表示方法的异常模式判定 |
| 2.2.2 基于灰关联算法的时间序列关联性分析 |
| 2.2.3 监测数据异常检测技术框架 |
| 2.3 实例分析 |
| 2.3.1 实例一 |
| 2.3.2 实例二 |
| 2.4 本章小节 |
| 第3章 基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强方法研究 |
| 3.1 面向不平衡样本分类的传统处理方法 |
| 3.1.1 处理方法概述 |
| 3.1.2 基于SMOTE的过采样技术 |
| 3.2 基于梯度惩罚优化的CWGAN模型 |
| 3.2.1 GAN模型 |
| 3.2.2 CGAN模型 |
| 3.2.3 CWGAN-GP模型 |
| 3.3 基于数据增强方法的故障诊断技术框架 |
| 3.3.1 特征参量选取 |
| 3.3.2 设备状态编码 |
| 3.3.3 基于深度学习的故障诊断模型 |
| 3.3.4 基于数据增强方法的故障诊断流程 |
| 3.4 实例分析 |
| 3.4.1 数据获取及分布情况 |
| 3.4.2 分类性能评价指标 |
| 3.4.3 结果分析与讨论 |
| 3.5 本章小结 |
| 第4章 计及信息不确定性的电力变压器多层级健康状态综合评估方法研究 |
| 4.1 多层级健康状态评估体系构建 |
| 4.1.1 状态指标的选取 |
| 4.1.2 评估体系的深层架构设计 |
| 4.2 基于信息不确定性综合处理的健康状态评估方法 |
| 4.2.1 基于可拓云理论的状态指标劣化评估方法 |
| 4.2.2 评估因素的综合权重赋值方法 |
| 4.2.3 基于改进DSmT理论的信息融合方法 |
| 4.3 实例分析 |
| 4.3.1 健康状态评估流程 |
| 4.3.2 单台设备验证分析 |
| 4.3.3 多台设备验证分析 |
| 4.4 本章小结 |
| 第5章 基于经验模态分解和长短期记忆神经网络的电力变压器油中溶解气体浓度预测方法研究 |
| 5.1 经验模态分解理论 |
| 5.2 长短期记忆神经网络 |
| 5.2.1 循环神经网络 |
| 5.2.2 长短期记忆神经网络 |
| 5.2.3 LSTM神经网络的训练过程 |
| 5.2.4 LSTM神经网络的超参数优化 |
| 5.3 EMD-LSTM组合预测模型 |
| 5.4 实例分析 |
| 5.4.1 时序数据预处理 |
| 5.4.2 预测模型超参数优化 |
| 5.4.3 预测性能评价指标 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 个人简历 |
（6）基于油中溶解气体分析的变压器故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统故障诊断研究 |
| 1.2.2 基于智能算法的故障诊断研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 变压器油中气体产生机理及常见故障 |
| 2.1 油中气体产生及溶解原理 |
| 2.1.1 产生原理 |
| 2.1.2 气体在油中溶解原理 |
| 2.2 气体含量标准 |
| 2.3 变压器常见内部故障与产生气体对应关系 |
| 2.4 本章小结 |
| 第3章 基于支持向量机的变压器故障诊断研究 |
| 3.1 统计学习理论 |
| 3.1.1 机器学习理论 |
| 3.1.2 最小化经验风险 |
| 3.2 线性与非线性支持向量机 |
| 3.2.1 线性支持向量机 |
| 3.2.2 非线性支持向量机 |
| 3.3 核函数 |
| 3.4 多分类支持向量机 |
| 3.5 支持向量机在变压器故障诊断中的研究 |
| 3.5.1 故障特征量提取 |
| 3.5.2 支持向量机故障诊断流程 |
| 3.5.3 算法具体步骤 |
| 3.6 本章小结 |
| 第4章 遗传算法优化支持向量机的变压器故障诊断研究 |
| 4.1 遗传算法 |
| 4.1.1 适应度函数的选取 |
| 4.1.2 选择算子的确定 |
| 4.1.3 交叉算子的选择 |
| 4.1.4 变异算子的选择 |
| 4.2 基于遗传算法优化支持向量机的变压器故障诊断 |
| 4.2.1 基于二叉树的SVM分类器的原理 |
| 4.2.2 基于二叉树的变压器故障分类诊断模型 |
| 4.2.3 基于GA-SVM的变压器故障诊断模型 |
| 4.3 基于GA-SVM模型的变压器故障诊断仿真分析 |
| 4.4 变压器故障实际案例分析 |
| 4.5 本章小结 |
| 第5章 结论 |
| 5.1 结论 |
| 5.2 论文中提出的新方法 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（7）电力变压器状态评价与故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器状态评价研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 电力变压器状态评价指标体系的建立 |
| 2.1 电力变压器状态等级划分及检修策略制定 |
| 2.2 电力变压器状态评价指标体系的建立 |
| 2.2.1 评价指标体系应遵循的基本原则 |
| 2.2.2 状态评价体系的建立与分析 |
| 2.3 电力变压器状态评价指标的量化 |
| 2.4 本章小结 |
| 第3章 基于分层可拓法的电力变压器状态评价 |
| 3.1 电力变压器状态评价指标权重的确定 |
| 3.1.1 基于模糊集值统计法的指标权重 |
| 3.1.2 基于熵值法的指标权重动态调整 |
| 3.2 基于分层可拓法的电力变压器状态评价 |
| 3.2.1 可拓法的基本原理 |
| 3.2.2 基于分层可拓的电力变压器状态评价步骤 |
| 3.3 电力变压器状态评价实例验证 |
| 3.3.1 本体状态评价实例验证 |
| 3.3.2 套管状态评价实例验证 |
| 3.3.3 电力变压器状态评价实例验证 |
| 3.4 本章小结 |
| 第4章 基于油中溶解气体分析的电力变压器故障诊断 |
| 4.1 电力变压器油中溶解气体分析原理 |
| 4.1.1 油中溶解气体产生机理 |
| 4.1.2 正常运行时油中气体含量 |
| 4.1.3 电力变压器故障与油中溶解气体的关系 |
| 4.2 基于离散二进制粒子群算法的变压器故障特征优选 |
| 4.2.1 变压器油中溶解气体特征量 |
| 4.2.2 基于支持向量机的变压器故障诊断 |
| 4.2.3 基于离散二进制粒子群算法的变压器故障特征优选 |
| 4.3 变压器故障优选特征及诊断结果分析 |
| 4.3.1 故障样本及数据预处理 |
| 4.3.2 变压器故障特征优选结果分析 |
| 4.3.3 不同特征子集性能对比分析 |
| 4.3.4 变压器故障诊断典型工程实例 |
| 4.4 本章小结 |
| 第5章 变压器状态评价与故障诊断系统设计与实现 |
| 5.1 变压器状态评价与故障诊断系统总体设计 |
| 5.1.1 系统结构设计 |
| 5.1.2 系统功能设计 |
| 5.1.3 数据库设计 |
| 5.2 变压器状态评价与故障诊断系统实现 |
| 5.2.1 用户登录 |
| 5.2.2 系统主界面 |
| 5.2.3 信息查询子系统实现 |
| 5.2.4 状态评价子系统实现 |
| 5.2.5 故障诊断子系统实现 |
| 5.2.6 用户管理子系统实现 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）基于信息融合的变压器状态评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器运行状态评估研究现状 |
| 1.2.2 变压器故障诊断研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文结构安排 |
| 第2章 变压器状态评估分析 |
| 2.1 引言 |
| 2.2 状态评估原则 |
| 2.3 变压器状态量 |
| 2.3.1 油色谱 |
| 2.3.2 电气试验 |
| 2.3.3 绝缘油纸试验 |
| 2.4 变压器状态分析 |
| 2.4.1 运行状态 |
| 2.4.2 故障类型 |
| 2.5 基于信息融合的变压器状态评估框架 |
| 2.6 本章小结 |
| 第3章 基于改进证据理论融合的变压器运行状态评估 |
| 3.1 引言 |
| 3.2 运行状态评估指标预处理 |
| 3.3 基于劣化度的指标变权分析 |
| 3.4 基于改进证据理论融合的变压器运行状态评估 |
| 3.4.1 证据理论基本原理 |
| 3.4.2 改进证据理论 |
| 3.4.3 运行状态评估流程 |
| 3.5 实验结果及对比分析 |
| 3.6 本章小结 |
| 第4章 基于主元分析和自适应相关向量机的变压器故障诊断 |
| 4.1 引言 |
| 4.2 故障特征信息 |
| 4.3 基于主元分析的特征信息降维 |
| 4.4 基于PSO与 K-CV的自适应相关向量机 |
| 4.4.1 相关向量机基本理论 |
| 4.4.2 基于PSO与 K-CV的自适应相关向量机 |
| 4.5 基于主元分析和自适应相关向量机的变压器故障诊断 |
| 4.5.1 故障诊断流程 |
| 4.5.2 实验结果及对比分析 |
| 4.6 本章小结 |
| 第5章 变压器状态评估软件设计与实现 |
| 5.1 引言 |
| 5.2 软件需求分析 |
| 5.3 软件系统架构 |
| 5.4 软件功能实现 |
| 5.4.1 数据存储与读取 |
| 5.4.2 变压器运行状态评估 |
| 5.4.3 变压器故障诊断 |
| 5.4.4 状态评估报告导出 |
| 5.5 软件运行效果展示 |
| 5.6 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及研究成果 |
（9）基于MGWO-SVM与PCA特征重构的变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器状态类型的划分 |
| 1.2.2 电力变压器故障诊断的发展 |
| 1.3 本文的研究内容 |
| 2 支持向量机 |
| 2.1 统计学习理论 |
| 2.1.1 VC维(Vapnik-Chervonenkis Dimension) |
| 2.1.2 经验风险最小化原则(empirical risk minimization,ERM) |
| 2.1.3 结构风险最小化原则(structural risk minimization,SRM) |
| 2.2 支持向量机理论 |
| 2.3 Lib-SVM工具箱介绍 |
| 2.4 模型验证法 |
| 2.5 支持向量机参数的优化 |
| 2.5.1 网格搜索算法优化SVM参数 |
| 2.5.2 遗传算法优化SVM参数 |
| 2.5.3 粒子群算法优化SVM参数 |
| 2.6 本章小结 |
| 3 改进的灰狼优化算法 |
| 3.1 灰狼优化算法 |
| 3.1.1 GWO算法概述 |
| 3.1.2 GWO算法流程 |
| 3.2 差分进化算法 |
| 3.2.1 DE算法概述 |
| 3.2.2 DE算法流程 |
| 3.3 改进的灰狼优化算法 |
| 3.3.1 改进方式 |
| 3.3.2 MGWO算法流程 |
| 3.4 算法性能测试 |
| 3.4.1 典型函数 |
| 3.5 测试结果分析 |
| 3.6 本章小结 |
| 4 DGA数据的收集与处理 |
| 4.1 变压器状态的评价指标与参诊类型 |
| 4.2 数据的收集与处理 |
| 4.2.1 数据来源 |
| 4.2.2 数据预处理 |
| 4.2.3 数据整理 |
| 4.3 基于主成分分析的DGA数据的特征重构 |
| 4.3.1 PCA理论 |
| 4.3.2 PCA特征重构 |
| 4.3.3 PCA特征重构的DGA数据 |
| 4.4 本章小结 |
| 5 基于MGWO-SVM的变压器故障诊断 |
| 5.1 MGWO算法优化SVM模型的实现流程 |
| 5.2 变压器故障诊断模型的结果分析 |
| 5.2.1 各算法的参数设置 |
| 5.2.2 GA-SVM模型的故障诊断 |
| 5.2.3 PSO-SVM模型的故障诊断 |
| 5.2.4 GWO-SVM模型的故障诊断 |
| 5.2.5 MGWO-SVM模型的故障诊断 |
| 5.2.6 实验结果对比及分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（10）基于改进ISOMAP和WkNN的电力变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统诊断方法 |
| 1.2.2 智能诊断方法 |
| 1.3 本文主要研究内容及结构安排 |
| 2 电力变压器故障数据预处理方法研究 |
| 2.1 引言 |
| 2.2 各数据预处理方法的性能影响分析 |
| 2.2.1 电力变压器故障样本数据组成 |
| 2.2.2 常用数据预处理方法 |
| 2.2.3 数据预处理效果对比 |
| 2.3 本章小结 |
| 3 基于样本评价的有监督ISOMAP特征提取方法 |
| 3.1 引言 |
| 3.2 基于样本评价的有监督ISOMAP算法 |
| 3.2.1 传统ISOMAP算法 |
| 3.2.2 基于样本评价的有监督ISOMAP算法 |
| 3.3 基于样本评价的有监督ISOMAP算法有效性验证 |
| 3.3.1 特征量选取和参数设置 |
| 3.3.2 实例分析与对比 |
| 3.4 本章小结 |
| 4 电力变压器的k值自适应WkNN故障诊断方法研究 |
| 4.1 引言 |
| 4.2 k值自适应加权kNN算法 |
| 4.2.1 传统kNN算法 |
| 4.2.2 k值自适应WkNN算法 |
| 4.2.3 基于UCI数据集的k值自适应WkNN算法效果验证 |
| 4.3 基于k值自适应WkNN算法的电力变压器故障诊断 |
| 4.3.1 电力变压器故障诊断流程 |
| 4.3.2 实例分析与对比 |
| 4.4 基于有监督ISOMAP-WkNN的电力变压器故障诊断模型 |
| 4.4.1 故障诊断流程图 |
| 4.4.2 实例分析与对比 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 电力变压器DGA数据 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
四、变压器故障诊断专家系统（论文参考文献）
- [1]面向电力变压器油色谱数据特征参量的研究[D]. 解宵. 西安理工大学, 2021(01)
- [2]基于CVA的变压器故障诊断及预测研究[D]. 张宇婷. 长春工业大学, 2021(08)
- [3]基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用[D]. 沈杰. 兰州理工大学, 2020(02)
- [4]电力变压器电气故障诊断与剩余寿命预测技术研究[D]. 刘洋. 沈阳工业大学, 2020(01)
- [5]数据驱动的电力变压器智能化健康管理关键技术研究[D]. 许自强. 华北电力大学(北京), 2020(06)
- [6]基于油中溶解气体分析的变压器故障诊断研究[D]. 汪康. 长春工业大学, 2020(01)
- [7]电力变压器状态评价与故障诊断技术研究[D]. 张思捷. 哈尔滨工业大学, 2020(01)
- [8]基于信息融合的变压器状态评估方法研究[D]. 张金泉. 西南交通大学, 2020(07)
- [9]基于MGWO-SVM与PCA特征重构的变压器故障诊断方法研究[D]. 黄欣逸. 西华大学, 2020(01)
- [10]基于改进ISOMAP和WkNN的电力变压器故障诊断方法研究[D]. 梅婷. 西华大学, 2020(01)