摘要
ABSTRACT
1 绪论
1.1 GIS 局部放电信号数学模型建立及模式识别的意义
1.2 GIS 局部放电
1.2.1 可能引起 GIS 局部放电的原因
1.2.2 GIS 主要缺陷类型
1.2.3 SF_6气体的局部放电机理
1.2.4 GIS 局部放电检测方法
1.3 局部放电信号数学模型的研究现状
1.4 局部放电模式识别的研究现状
1.4.1 局部放电模式
1.4.2 局部放电模式特征空间构造
1.4.3 局部放电特征降维
1.4.4 人工神经网络在局部放电模式识别的应用
1.5 本文研究的主要内容
2 GIS 内绝缘缺陷的 UHF PD 信号波形特征分析
2.1 GIS 缺陷物理模型和采集系统
2.1.1 GIS 试验装置
2.1.2 GIS 局部放电物理模型
2.1.3 内置环超高频传感器
2.2 超高频局部放电试验步骤
2.3 试验结果及分析
2.4 本章小结
3 GIS 的 UHF PD 信号数学模型构建
3.1 数学模型的基本理论
3.1.1 数学模型的定义
3.1.2 数学建模的步骤
3.2 局部放电超高频信号数学模型构建
3.3 数学模型的检验与分析
3.3.1 误差分析
3.3.2 功率谱分析
3.3.3 时频分析
3.3.4 局部放电超高频信号数学模型参数的调整
3.4 局部放电超高频信号数学模型在去噪仿真中的应用
3.5 本章小结
4 基于二元树复小波变换的UHF PD 波形特征空间构造
4.1 二元树复小波变换
4.1.1 奇/偶(Odd/even)滤波器
4.1.2 Q-shift 滤波器
4.2 二元树复小波的平移不变性分析
4.3 基于二元树复小波变换的 UHF PD 波形特征空间构造
4.3.1 二元树复小波变换能量特征
4.3.2 二元树复小波变换模极大值特征
4.3.3 二元树复小波变换统计特征
4.3.4 算法的实现
4.3.5 特征构造的仿真分析
4.4 本章小结
5 基于流形学习和组合神经网络的UHF PD 信号识别研究
5.1 流形和流形学习
5.2 基于流形学习方法的 UHF PD 信号特征非线性降维
5.2.1 局部线性嵌入算法(LLE)的实现
5.2.2 等距映射算法(ISOMAP)的实现
5.2.3 拉普拉斯特征映射算法(Laplacian Eigenmap)的实现
5.2.4 核主分量分析(KPCA)算法的实现
5.3 基于组合神经网络分类器的 UHF PD 模式识别
5.3.1 组合神经网络的组合方式
5.3.2 组合神经网络在 GIS 内 UHF PD 信号中的应用
5.3.3 识别结果及分析
5.4 本章小结
6 结论与展望
致谢
参考文献
附录
A. 作者在攻读博士学位期间发表的学术论文
B. 作者在攻读博士学位期间参与的科研课题