声明
摘要
第一章 绪论
1.1 引言
1.2 电力变压器故障诊断的现实意义
1.3 电力变压器故障诊断技术的发展
1.3.1 基于DGA数据的传统诊断方法
1.3.2 基于DGA数据的智能诊断方法
1.4 本文主要研究内容
第二章 油浸式电力变压器基于DGA的常用检测方法
2.1 电力变压器常见故障类型
2.1.1 热性故障
2.1.2 电性故障
2.2 油浸式变压器溶解气体的分析
2.2.1 油中溶解气体产生机理
2.2.2 油中溶解气体成分组成
2.3 油中溶解气体与故障类型的关系
2.3.1 热性故障时油中溶解气体特征
2.3.2 电性故障时油中溶解气体特征
2.4 基于传统DGA数据常规诊断方法的缺陷
2.5 本章小结
第三章 人工鱼群算法的改进与测试
3.1 群智能优化算法应用
3.1.1 几种群智能算法
3.1.2 AFSA算法的提出和现状
3.2 人工鱼基本行为的数学描述
3.2.1 参数对收敛性畿的影响分析
3.2.2 行为的描述与数学表达
3.2.3 AFSA算法的全局寻优原理
3.3 AFSA参数的改进
3.3.1 步长Step的改进
3.3.2 视野Visual的改进
3.3.3 拥挤度因子delta的改进
3.4 AFSA行为的改进
3.4.1 觅食行为的改进
3.4.2 聚群行为的改进
3.4.3 追尾行为的改进
3.4.4 跳跃行为的引入
3.5 IAFSA算法的性能测试
3.5.1 测试函数介绍
3.5.2 三维Rastrigin函数人工鱼收敛结果比较
3.5.3 算法迭代次数一定的情况下对收敛精度结果比较
3.6 本章小结
第四章 结合变压器特征气体的改进K-means算法分析
4.1 RBF神经网络的概述与算法介绍
4.1.1 RBF神经网络结构模型和算法实现
4.1.2 RBF神经网络的聚类分析
4.2 变压器特征气体的分析确定
4.3 K-means聚类算法的改进
4.3.1 改进鱼群算法(IAFSA)优化K-means聚类算法
4.3.2 优化算法中相关参数设定
4.4 基于变压器特征气体比值的相关实验
4.4.1 两种算法的对比试验
4.4.2 采用四种特征气体比值的分类实验
4.5 本章小结
第五章 基于IAFSA-RBF网络的变压器故障诊断结果分析
5.1 改进人工鱼群算法(IAFSA)优化RBF神经网络
5.1.1 IAFSA优化RBF神经网络的基本思路
5.1.2 IAFSA优化RBF神经网络的具体步骤
5.2 IAFSA-RBF神经网络的变压器故障诊断的模型建立
5.3 电力变压器故障类型(定性)诊断的实例仿真实现与分析
5.3.1 实验样本数据的预处理
5.3.2 对所建的诊断模型网络实现训练和结果分析
5.3.3 对训练好的故障诊断网络进行故障实例的诊断及分析
5.4 本章小结
第六章 论文总结与展望
6.1 本文工作总结
6.2 展望
参考文献
附录
致谢
攻读学位期间发表论文情况
攻读学位期间参加的科研工作