一、基于最小方差温度预报的电缆接头故障预警系统（论文文献综述）
王启阳[1]（2021）在《基于机器学习的储粮品质预测方法及应用研究》文中提出粮食是关系国计民生的战略物资,是人类赖以生存的必需品。粮食安全关涉经济发展、社会稳定,是国家安全的重要基础。粮食储备是保障国家粮食安全的重要物质基础,是从生产到消费中不可或缺的环节。在粮食储备过程中会发生数量损失和质量损失,其中质量损失会造成粮食的变质和腐败,如果人类食用了腐败变质的粮食,会对健康产生不良的影响。因此,研究如何减少储粮质量损失、提高储粮品质在提升国家粮食安全水平、保障人民身体健康等方面具有重要的理论价值和现实意义。随着机器学习方法的不断发展和创新,计算机硬件与软件的快速提升、云计算的逐步应用,机器学习在粮情大数据分析和预测方面的应用前景更加广阔。传统的储粮品质通过物理、化学等实验室检测方法获得,该方法需要经过繁杂的扦样、检测等步骤,增加了储备粮管理的操作决策周期以及粮食严重变质的风险。粮情大数据具有数据采集快、数据量大等特点,本文以机器学习方法为基本思想,提出了2种基于支持向量回归的储粮品质预测模型及其相应的优化算法。在充分考虑储粮数据特性的基础上,选择出相关的储藏因子作为模型的输入特征,对储存期间稻谷的脂肪酸值和品尝评分值的预测展开深入研究,充分发挥了机器学习方法在储粮状态判别与品质预测方面的优势。本文的重要研究结果总结如下:（1）基于粮情数据的储粮品质分析与建模方法研究通过收集大量的储粮数据,对稻谷储藏期间品质的变化规律展开研究。探讨了储粮品质的传统数据拟合方法、机器学习预测方法,对比了传统数据拟合预测方法和机器学习预测方法在储粮品质预测中的优点与不足,讨论了机器学习预测方法在储粮品质预测中的适用性。基于该认知,给出了基于机器学习的储粮品质预测的一般过程,在粮情数据的基础上,给出了建模过程中的输入特征参数、预测目标等问题。（2）数据预处理方法研究对储粮温度历史数据中出现的重复、缺失和异常情况进行了分析和处理,利用均值法修复重复检测数据、采用线性插值法对缺失的温度数据进行修复,提出一种基于滑动窗口的粮温预测算法对异常温度数据进行判断。对粮库经度、纬度、仓房类型、初始水分、测量水分、入仓月份、扦样月份、粮食平均温度、粮仓平均温度、储藏周期、粮食有效积温、粮仓有效积温、初始品尝分值、初始脂肪酸值等储藏因子间的相互作用进行综合分析,确定了储藏因子之间存在着强相关性,采用主成分分析法（PCA）对原始储藏因子进行降维和压缩处理,从14个储藏因子中提取前6个主成分作为新的模型自变量,为储粮品质预测模型的参数选择提供了依据。（3）基于多核学习的储粮品质预测模型单核学习模型的预测精度很大程度上取决于核函数及其参数的选择,而核函数的选择及构造尚未有统一的理论依据,用单一的核函数建立的模型往往难以得到理想的拟合精度。因此,本文在单核支持向量回归（SKSVR）的基础上构建多核支持向量回归（MKSVR）,采用Simple MKL算法对MKSVR模型进行参数寻优,将MKSVR模型用于稻谷储存品质的预测。基于东北地区稻谷储存品质数据集,建立了PCA-MKSVR模型,并与单径向基核函数的PCA-SKSVR模型、线性回归的PCA-MLR模型以及未经过储藏因子筛选的MKSVR模型、SKSVR模型、MLR模型进行了比较。实验结果表明,多核学习模型在预测精度、拟合优度上均优于单核学习模型。对比同类模型,即PCA-MKSVR模型与MKSVR模型、PCA-SKSVR模型与SKSVR模型、MLR模型与PCA-MLR模型进行比较,采用PCA对储藏因子降维处理后的模型,预测精度与拟合优度均高于用原始储藏因子直接建立的预测模型。因此,多核学习模型适用于储藏期间稻谷储存品质的预测。（4）基于多任务与多核学习的储粮品质预测模型常规的单任务学习方法需要对不同的预测模型进行单独训练,往往忽略了多个模型之间来的潜在联系,限制了模型的泛化性能。而多任务学习（MTL）是将多个任务放在一起同时学习,充分挖掘不同任务之间的相关性,实现多个模型或任务之间的信息共享。针对稻谷储存品质的两个关键指标,本文在单任务学习的基础上提出多任务学习的储粮品质预测方法,建立了多任务与多核学习模型（MTMKL）,采用一种基于镜面下降算法的交替优化算法对所提出的模型进行参数优化,并将MTMKL模型用于稻谷储存品质的预测。实验结果表明,MTMKL模型对稻谷脂肪酸值的预测相关系数达到了0.885,对品尝评分值的预测相关系数达到了0.933。相比MKSVR模型,脂肪酸值预测的MAE,RMSE,MAPE结果分别降低了9.48%,6.05%,9.60%,R2提升了0.009;品尝评分值预测的MAE,RMSE,MAPE结果分别降低了11.66%,12.39%,11.97%,R2提升了0.005,这说明MTMKL模型能够有效提高稻谷储存品质的预测精度,可以作为储粮品质预测的一种新方法。（5）储粮安全预警系统的开发与模拟应用通过系统的需求分析和功能设计,设计了储粮安全风险预警策略,预警等级总共可分:Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级。在此基础上,提出储粮安全预警系统的设计框架,基于Lab VIEW语言和机器学习模型,设计和开发了一套储粮安全预警与品质预测软件,实现了储粮品质的预测。以吉林省榆树市某粮库的实际粮仓为例对系统进行了验证,结果表明,系统运行情况良好,对脂肪酸值的预测误差在±1.5 mg/100g以内,品尝评分值预测误差在±1分以内。该系统以粮情大数据和机器学习为基础,实现了对储粮品质的准确、快速预测,大大降低了储粮品质检测过程中的经济成本,降低粮食储存过程中严重变质的风险,为储粮质量的精确控制提供了技术支持,对储粮安全管理具有指导意义。
胡宪[2]（2021）在《特高压直流换流站设备故障预警系统》文中指出在国家智能电网建设的背景下,特高压直流换流站作为远距离输电的重要组成部分,需要更加智能的设备运维方案。故障预警作为智能运维的一个重要分支,能够根据已有信息及时预测设备在未来时间段内的潜在故障,辅助管理人员提前定位系统不稳定因素并加以干预,避免系统出现故障从而造成损失。本文从国内某特高压直流换流站实际场景出发,针对该换流站当前的设备运维现状开展电力设备故障预警系统关键技术的研究以及应用实现。本文的主要研究内容如下。（1）从换流站工业现场的生产情况出发,研究了站内电力设备按场区分布的现状和不同监控系统在现场的部署情况。针对当前设备运维管理过程中存在的问题,分析其关于故障预警系统的需求,提出了一种云边结合的故障预警系统框架,包括数据集成层、边缘预测层、云端报警层和人机交互层。（2）在故障预警系统边缘端,提出了一种基于数据共享的电力设备参数时序预测方法。依据现场设备分布构建了边缘节点网络模型,采用“发送者-接收者”模式,实现了基于边缘端节点网络数据共享的设备参数预测。其中,发送者利用自编码器提取节点的关键信息,接收者利用多粒度时序预测模型配合特征工程综合其它节点的编码信息,实现设备参数时序预测,并将结果传送到云端。（3）在故障预警系统云端部分,提出了 一种基于模糊神经网络的电力设备故障报警生成方案。对设备参数预测值设计隶属度函数,再根据现有的专家规则确定模糊神经网络的结构,最终通过分类算法完成设备故障的分类。与此同时,提出了基于在线学习的RBF神经网络误报过滤器,通过在线学习算法对用户反馈的误报样本进行自适应学习并智能过滤误报信息。（4）以国家电网某换流站为应用背景,设计并开发了一套换流站设备故障预警系统软件。首先以故障预警分层模型为基础,提出了故障预警系统的总体设计框架和功能模块的整体规划;接着分别介绍了系统开发中的数据库设计、技术框架选用、模块业务逻辑等各方面内容;最后展示了故障预警系统的功能和测试结果,验证了其有效性和实用性。
刘福生[3]（2020）在《基于微震监测的岩爆风险判别及预测预报》文中研究说明深埋隧洞在水利、水电、交通、矿山开采等工程中越来越常见,开挖扰动作用下高地应力、高温度、高水压引起的地质问题也越来越突出。其中岩爆对现场施工人员和设备安全存在巨大的潜在威胁,是深部岩体工程中公认的世界性难题之一。因此,开展岩爆问题的相关研究,推动岩爆防治工作的发展,对现场施工安全具有重要意义。本文以陕西省引汉济渭工程秦岭输水隧洞越岭段岭南工程为背景,将微震监测技术应用于岩爆防治工作中,主要开展了如下工作:（1）开展了基于微震监测技术的引汉济渭工程岭南钻爆法及TBM法开挖工作面的岩爆监测工作,经过不断探索与优化、改进,成功构建了与TBM完全分离的岩爆监测系统,使得岩爆监测与TBM掘进互不影响,大大降低岩爆监测系统的故障率,充分保证了岩爆监测数据的连续性和完整性,该监测系统安装方便、运行稳定、故障率低,非常适合在类似项目中推广应用。（2）对钻爆法和TBM法开挖的工作面累计进行了 20余月的岩爆监测:2017年1月1日～8月25日,钻爆法开挖的4号支洞,总共统计18次岩爆,其中15次预测较准确,占比83.3%,其余3次未能提前预测或预测等级偏低;2017年9月8日～2018年9月30日,TBM法开挖的岭南TBM工作面,总共统计岩爆177次,其中161次预测较准确,占比90.96%,其余16次未能提前预测或预测等级偏低,监测结果获得参建各方好评,并将监测数据作为开挖与支护参数确定的重要参考依据。（3）开展了不同微震监测系统对相同微震事件的监测对比试验,总结出以微震“能量为主,频次、震级、集中度为辅”的岩爆风险判别指标,既简化了判别难度又便于参建各方的理解与应用,有利于基于微震监测技术的岩爆监测工作的进一步推广应用;通过监测数据与现场反馈的对比分析,逐步将指标定量化,推动岩爆风险等级定量化判别工作的发展。（4）开发了岩爆监测数据异常报警系统,当岩爆监测数据出现异常时可通过PC端和微信端同时推送报警信息,使技术人员可以第一时间获知并介入,大大缩短了处理周期,经过现场初步应用,岩爆监测数据异常报警系统可使数据处理和故障维修的时间周期缩短50%以上。（5）基于定量化的岩爆风险判别指标,开发了岩爆风险等级自动判别系统,能根据微震事件的波形处理结果实时给出岩爆风险等级,并可通过PC端和微信客户端实时推送相关信息,该系统可一定程度降低人为因素引起的岩爆风险判别误差,提高岩爆风险判别的客观性,为下一步人工智能的引入奠定基础,经过现场初步应用,岩爆风险等级自动判别系统与经验丰富的技术人员判别结果吻合度较高。
李京生[4]（2020）在《高速铁路车载地震紧急处置装置硬件可靠性建模及评估方法研究》文中研究表明高速铁路作为国民经济的大动脉,在人民的日常生活中扮演着至关重要的角色。我国处于环太平洋地震带与欧亚地震带这两个世界上最大的地震集中发生地带,是一个地震灾害严重的国家。对高速铁路而言,即使是较小震级的地震,也可能会给正在行驶中的高速列车带来脱轨、倾覆等列车运行安全事故,造成人员伤亡和经济损失。在地震发生后,高铁地震预警系统可以在破坏性的地震波到来之前的数秒至数十秒之间发出预警,使高速行驶的列车尽快减速或者停车,这样可以防止或减轻地震灾害为铁路运输安全带来的危害,避免重大的人员伤亡和财产损失,具有相当可观的减灾效益。车载地震紧急处置装置作为高铁地震预警系统的重要组成部分之一,一旦可靠性达不到要求从而发生故障,将会导致高铁地震预警系统误报或漏报地震预警信息,这不仅会造成旅客的恐慌,而且会给行车带来不便,以及导致一些不必要的损失,产生不良后果。因此,合理正确的对车载地震紧急处置装置进行建模及评估,是亟需解决的重要问题。车载地震紧急处置装置包括车载地震紧急处置装置主机和车载地震紧急处置装置操作终端。对于车载地震紧急处置装置这种复杂的系统来说,由于其具有极高的可靠性,并且可用于试验的样本很少,在试验过程中几乎不产生失效数据,因此很难用常规方法对其可靠性进行建模及评估。本文根据车载地震紧急处置装置及其组成部分的各自特点,将车载地震紧急处置装置操作终端视为不可修单元,将车载地震紧急处置装置主机视为可修系统,分别求出了其可靠性相关指标,同时,将车载地震紧急处置装置视为复杂系统,通过对车载地震紧急处置装置操作终端和车载地震紧急处置装置主机的可靠性相关指标进行融合,从而得到其可靠性指标。本文主要内容和成果如下:（1）将车载地震紧急处置装置操作终端视为不可修单元,并对其可靠性进行建模及评估:为了解决用于进行试验的车载地震紧急处置装置操作终端数量较少的限制,以及随着产品的复杂度和产品可靠性的提高,车载地震终端发生故障的可能性越来越小,导致单一的实验室试验或者现场试验得到的可靠性数据有限的弊端,本文使用相似性理论的相关内容和贝叶斯方法求出车载地震紧急处置装置操作终端的后验分布,通过继承因子,将实验室试验和现场试验的数据进行融合从而得到车载地震紧急处置装置操作终端的可靠性相关指标。本文使用的方法充分考虑了实验室试验和现场试验的异同,并且充分利用了车载地震紧急处置装置操作终端各试验阶段的信息,因此更具有合理性。（2）将车载地震紧急处置装置主机视为可修系统,并对其可靠性进行建模及评估:为了解决车载地震紧急处置装置主机后验分布复杂,难于计算等问题,本文先是建立了车载地震紧急处置装置主机可靠性的分层贝叶斯模型,然后将随机过程中的马尔科夫链应用到蒙特卡洛模拟中,使用Gibbs抽样的方法得出参数后验分布的抽样,进而求得其后验估计值。这使得最终结果不仅比普通贝叶斯方法得出的结果更“安全”,而且解决了其后验分布复杂,难于计算的问题。（3）将车载地震紧急处置装置视为复杂系统,并对其可靠性进行建模及评估:车载地震紧急处置装置由两部分构成,分别为车载地震紧急处置装置操作终端和车载地震紧急处置装置主机。本文在考虑到其是由不同组成部分构成的因素,在其不同组成部分可靠性指标融合的过程中引入了权重的概念,并且采用了基于D-S证据推理的专家信息融合。与其他确定权重的方式相比,在使用D-S证据理论的方法确定车载地震紧急处置装置主机和车载地震紧急处置装置操作终端可靠性权重的过程中,充分考虑了不同的专家提供信息的不确定性,使不确定性在信息融合的过程中不断降低。
陈模盛[5]（2020）在《基于LPWAN的高压开关柜智能监测系统研究》文中研究表明高压开关柜作为电力系统中最重要的电力设备之一,在发电、输电、配电等领域起着通断、控制及保护电力线路等作用。在开关柜的长期工作过程中,易受绝缘性能老化、误操作、柜内触头过热等问题引发电气故障,影响电力系统的安全稳定性。因此,本文结合高压设备状态感知技术、低功耗广域网（LPWAN）技术、云/边缘计算技术以及人工智能算法,提出了一种多源信息融合的高压开关柜监测方法,对局部地区内所有开关柜的运行状态进行实时监测与故障诊断。针对高压开关柜内部环境复杂,故障监测困难等问题,文中分析了高压开关柜的内部结构以及其易发生故障的节点与故障原因,设计了柜内参数的监测方案。针对电力线路中存在高压开关柜设备分布不均,以及柜内监测参数较多、监测节点分散所带来的数据传输等问题,结合LoRa和NB-IoT的技术优势,设计了 LoRa自组网感知与NB-IoT汇聚上传的LPWAN网络结构。针对高压开关柜在工作过程中产生的大量数据,导致对系统的通信及服务器的数据处理带来较大的压力等问题,采用边云协同数据处理机制改进了传统高压开关设备监测系统数据处理与存储方式,优化了基于自适应阈值算法的边缘智能处理模型,并将其应用在监测数据分级传输上。经过验证,该方式显着减少了感知节点监测数据冗余问题,提高了系统数据传输效率。通过建立PCA-PNN多源信息融合的电力设备故障诊断模型,解决感知层监测数据多源化问题,对高压开关柜的运行状态进行诊断分析与故障预警。最后,本文对系统的关键技术与系统性能分别进行了实验测试,并分析了测试结果。结果表明,本文设计的高压开关柜智能监测系统的性能满足设计要求,提高了开关柜监测系统的数据传输效率与实时性,实现了对开关柜的在线监测与故障诊断预警的功能,具有较高的研究意义。图[47]表[11]参[84]
郭芳荟[6]（2019）在《变电站电气设备温度预测及故障预警研究》文中提出变电站是电网中不可或缺的部分。伴随着我国经济的发展,生活生产用电量的激增,电气设备的安全性更加受到社会的关注,所以确保电力设备的长期稳定运行,科学优化电力设备布局,加强电力设备温度管控和做好应急预警预案,成为日常电网维护管理的工作重点,而变电站电气设备温度预测及故障预警研究也就成为了一项值得展开学术研究的命题。本文首先研究了变电站测温系统构成、电气设备温升影响因素、发热故障类型和温度数据样本特性。然后从基础数据研究出发,分析现阶段实用的温度预测和故障诊断原理与方法,多元化的结合时间序列和神经网络这两种方式,设计设备温度的预测系统,并就常见的三种神经网络模型,即BP（Back Propagation）神经网络模型、径向基神经网络模型及回归神经网络模型进行系统性能分析,通过仿真筛选出性能最优的预测方式。在此基础上就掌握的预测温度值,通过表面温度测量法、同类对比法及对比温差法对故障进行诊断,快速发出警报。最终根据变电站的实际使用需求,为昭通供电局110k V南宅变电站电网公司研发并设计出一套变电站常规设备核心温度预警系统。本文利用MATLAB仿真实验证实,神经网络模型的预测能力相对于线性统计模型来说要好很多。并且在样本数据量较多时,BP神经网络模型是最好的预测模型。在实际温度预测和预警系统方面,使用BP神经网络预测模型,能够更好的对变电站的电气设备进行温度管理,更加科学高效地为变电站的日常工作提供安全保障。
王淳[7]（2019）在《面向多源数据的高压电缆状态评价及缺陷识别方法研究》文中指出及时地了解电缆的运行状态和发现电缆的潜在缺陷是保证电力系统可靠运行的基础。如今,国内外对电气设备状态评价方法进行了许多理论研究并在应用中取得了良好效果。但通常的状态评价方法给出的权重值固定单一,没有考虑权重的差异性和不确定性,无法分析权重向量偏差对评价结果的影响。本文针对上述问题,建立了基于权重空间抽样的电缆状态评价模型,并在状态评价结果基础上对电缆进行缺陷识别。由于目前的缺陷识别方法主要针对局部放电模式的识别,但实际情况中电缆还存在其它缺陷类型,因此本文从数据挖掘角度提出了一种基于多元模糊支持向量描述的高压电缆缺陷识别方法。论文主要的研究内容如下:（1）针对以往状态评价方法给出的权重值固定单一而无法分析权重向量偏差对评价结果影响的问题,提出了一种基于权重空间马尔科夫链与蒙特卡罗法（Markov chains Monte Carlo,MCMC）抽样的高压电缆状态评价方法。通过MCMC抽样得到的权重向量集合与高压电缆样本劣化度进行加权求和并两两对比,得到其综合劣化度结果。并基于概率统计,得到待评价对象的状态概率值和整体优先排序概率,根据状态概率值和排序结果确定检修的先后顺序。并基于评价结果,明确后续需要进行缺陷识别的电缆线路。（2）针对电缆缺陷识别方法单一且少有研究从数据挖掘的角度进行缺陷识别的问题,提出了一种基于多元模糊支持向量描述的高压电缆缺陷识别方法。利用竞争凝聚算法对高压电缆不同状态的训练样本进行模糊聚类和筛选,并利用筛选后的样本的隶属度对支持向量描述（Support Vector Data Description,SVDD）进行加权处理,进而建立高压电缆不同状态的训练样本的最小超球体模型,通过状态判别函数实现对高压电缆缺陷类型的识别判断。（3）根据高压电缆状态综合评价和缺陷识别的数据来源,包括:在线监测数据、离线试验数据、运维信息、设备信息和环境及外力破坏数据5个方面,建立了电缆多源状态指标集合。并以某供电局辖区内同时安装了温度、局部放电、接地环流监测装置的高压电缆为案例,通过本文提出的状态评价方法,得到了待评价对象的状态概率值和排序结果,并分析了权重的随机性对评价结果和排序结果的影响;再在评价结果的基础上,以评价结果异常的电缆为例,测试了本文缺陷识别方法的有效性。
邹勋[8]（2017）在《基于NPE算法的环网柜过程监控》文中提出环网柜作为环网系统配送电的关键环节,其运行过程中会产生大量的过程数据,这些数据可以直接反映出环网柜系统实时运行情况,因此实施过程监控可以掌握环网柜的故障情况。传统的环网柜故障检测方法大多都是基于单变量进行的,单变量阀值故障检测的方法忽略了各个变量之间的关联性,损失了数据信息,只能检测直接超限故障,而环网柜系统数据各变量之间具有相互关联性,基于单变量的检测方法难以适应复杂多变的环网柜系统数据,故检测效果往往达不到预期要求。针对上述问题,本文先提出基于NPE算法的环网柜故障检测模型。利用环网柜实际数据进行建模,得到模型空间及残差空间,分别将构造的模型实验结果与单变量模型以及PCA算法模型定性进行比较,并定量讨论算法对故障检测的效果:此外,本文还提出了基于NPE算法的环网柜故障预测模型,预测模型主要从三个角度对NPE算法实施改进:未来公共气象数据、电缆老化寿命预测、以往用户用电习惯,同样对模型结果进行评价分析。模型建立后采用云南省某供电局提供的真实数据对模型训练,分别得到两个模型统计量T2和SPE的统计限。最终,针对故障检测模型,分别采用实时正常数据和历史单个变量均未超限的故障数据对模型检验,检验后的结果:模型对正常数据具有较低的误报率;检测结果与PCA算法模型相比较,得出NPE算法模型对故障数据具有更好的检测效果;此外,利用只有单个变量超限的故障数据进行检验,模型同样能检测出故障;证明了基于NPE算法环网柜故障检测的有效性。针对故障预测模型,采用故障前的数据对模型进行验证,验证的结果:预测模型能在故障发生之前给出故障预警提示,证实了预测模型对环网柜故障预测的有效性。
何建强,滕志军,李国强[9]（2017）在《基于物联网的高压带电体温度在线预警系统》文中提出为了克服传统有线监测和人工离线式监测高压设备温度数据的高复杂度、高成本及布线难等弊端,该文设计了一种基于物联网的高压带电体温度预警系统。通过物联网技术对温度数据进行采集、传输,利用BP神经网络对高压带电体温度进行预测,并对BP神经网络建立的预测模型进行优化。实验结果表明,该系统实现了高压设备温度的预测预警和设备的安全控制,具有较高的工程应用价值。
周广钰,周封,朱瑞[10]（2015）在《电力电缆及附件故障的行波反射检测方法》文中提出根据行波反射法原理提出了恶劣环境中的电缆及附件故障检测的新方法,并进行了电缆接头故障和电缆接头绝缘老化的模拟实验,验证了该方法的有效性和可靠性,证明了其工程应用上的可行性和创新性,使煤矿、水利等行业在生产运行中有效避免电缆事故带来的损害,提高了生产效率。
二、基于最小方差温度预报的电缆接头故障预警系统（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、基于最小方差温度预报的电缆接头故障预警系统（论文提纲范文）
（1）基于机器学习的储粮品质预测方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 粮食安全问题仍是中国未来发展面临的挑战 |
| 1.1.2 储存损失已成为中国粮食安全的潜在威胁 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 储粮品质研究现状 |
| 1.3.2 机器学习算法 |
| 1.3.3 机器学习在粮食储藏中的应用 |
| 1.4 论文的研究目标与研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 本文的结构 |
| 第2章 基于粮情数据的储粮品质分析与建模方法研究 |
| 2.1 引言 |
| 2.2 储粮生态区的选择 |
| 2.3 数据检测方法与标准 |
| 2.3.1 粮情数据采集 |
| 2.3.2 扦样方法 |
| 2.3.3 水分测定 |
| 2.3.4 品尝评分值测定 |
| 2.3.5 脂肪酸值测定 |
| 2.4 储粮数据处理与统计规律分析 |
| 2.4.1 储藏温度变化规律 |
| 2.4.2 储粮水分变化规律 |
| 2.4.3 储粮品质变化规律 |
| 2.5 数据驱动的储粮品质预测方法研究 |
| 2.5.1 储粮品质预测方法研究 |
| 2.5.2 数据驱动的预测方法分析 |
| 2.6 基于机器学习方法的储粮品质预测过程 |
| 2.6.1 建模过程 |
| 2.6.2 预测过程 |
| 2.7 本章小结 |
| 第3章 数据预处理方法研究 |
| 3.1 引言 |
| 3.2 粮温数据预处理方法研究 |
| 3.2.1 重复及缺失的历史温度数据修复方法 |
| 3.2.2 异常的历史温度数据判断方法 |
| 3.3 基于滑动窗口的粮温预测算法 |
| 3.3.1 预测模型的建立 |
| 3.3.2 滑动窗口算法 |
| 3.3.3 不同参数选择分析与讨论 |
| 3.4 预测因子的筛选与处理 |
| 3.4.1 数据统计 |
| 3.4.2 主成分分析法的基本原理与过程 |
| 3.4.3 主成分分析结果 |
| 3.5 本章小结 |
| 第4章 基于多核学习的储粮品质预测模型研究 |
| 4.1 引言 |
| 4.2 多核学习理论 |
| 4.2.1 多核学习方法 |
| 4.2.2 单步多核学习算法 |
| 4.2.3 两步多核学习算法 |
| 4.3 基于多核学习的储粮品质预测模型 |
| 4.3.1 多核支持向量回归模型 |
| 4.3.2 模型优化算法 |
| 4.4 实验与分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 实验设置与评价指标 |
| 4.4.3 多核学习模型的影响因素 |
| 4.4.4 脂肪酸值预测结果分析 |
| 4.4.5 品尝评分值预测结果分析 |
| 4.4.6 不同模型的对比实验 |
| 4.5 本章小结 |
| 第5章 基于多任务与多核学习的储粮品质预测模型研究 |
| 5.1 引言 |
| 5.2 多任务学习理论 |
| 5.2.1 基本概念 |
| 5.2.2 多任务学习的正则化模型 |
| 5.3 基于多任务与多核学习的储粮品质预测模型 |
| 5.3.1 多任务与多核学习框架 |
| 5.3.2 模型优化算法 |
| 5.4 实验与分析 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 多任务与多核学习模型的影响参数分析 |
| 5.4.3 样本数量对多任务与多核学习模型的影响 |
| 5.4.4 多任务与多核学习模型预测结果分析 |
| 5.5 本章小结 |
| 第6章 储粮安全预警系统的设计与开发 |
| 6.1 引言 |
| 6.2 储粮安全预警系统的构建 |
| 6.2.1 软件系统需求分析 |
| 6.2.2 系统功能分析 |
| 6.2.3 系统功能设计 |
| 6.2.4 警级规则制定 |
| 6.2.5 系统流程图 |
| 6.3 系统功能模块实现 |
| 6.3.1 登陆访问模块 |
| 6.3.2 数据连接 |
| 6.3.3 数据清洗 |
| 6.3.4 预测模块 |
| 6.3.5 文件保存 |
| 6.4 系统运行效果的验证及分析 |
| 6.4.1 实仓基本信息 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 特色与创新 |
| 7.3 本文工作不足与展望 |
| 参考文献 |
| 作者简介及在学期间研究成果 |
| 攻读博士学位期间参与的项目 |
| 致谢 |
（2）特高压直流换流站设备故障预警系统（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备故障预警研究现状 |
| 1.2.2 时序预测在故障预警中的研究现状 |
| 1.2.3 电力设备状态评估与报警研究现状 |
| 1.3 本文主要内容及组织架构 |
| 1.4 本文主要创新点 |
| 1.5 本章小结 |
| 2 换流站故障预警系统框架构建 |
| 2.1 特高压直流换流站组成及工作方式 |
| 2.1.1 换流站场区分布及主要设备 |
| 2.1.2 现有设备状态监控系统 |
| 2.2 存在问题与需求分析 |
| 2.3 针对换流站的故障预警框架构建 |
| 2.3.1 “云端”+“边缘端”预测框架 |
| 2.3.2 层级结构及关键技术分析 |
| 2.4 本章小结 |
| 3 边缘端基于数据共享的电力设备参数预测 |
| 3.1 引言 |
| 3.2 基于LSTM和Seq2Seq的多粒度时序预测模型 |
| 3.2.1 预备知识 |
| 3.2.2 多粒度时序预测模型 |
| 3.3 基于数据共享的预测模型 |
| 3.3.1 发送者-接受者模式 |
| 3.3.2 发送节点的关键参数提取 |
| 3.3.3 接收节点的多粒度时序预测 |
| 3.4 实例分析 |
| 3.4.1 实验设计 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 4 云端智能预警信息生成与误报过滤 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 模糊理论 |
| 4.2.2 在线学习模型 |
| 4.3 针对设备参数的模糊化处理 |
| 4.3.1 隶属度函数 |
| 4.3.2 典型报警类别分析及参数模糊化 |
| 4.4 基于模糊神经网络的故障预警生成模型 |
| 4.4.1 基于专家规则的模糊规则构建 |
| 4.4.2 基于RBF神经网络的在线学习误报过滤机制 |
| 4.5 实例分析 |
| 4.5.1 基于模糊神经网络的故障检测 |
| 4.5.2 基于RBF的在线故障过滤 |
| 4.6 本章小结 |
| 5 特高压直流换流站设备故障预警系统设计与实现 |
| 5.1 设计原则 |
| 5.2 故障预警系统总体框架与系统结构 |
| 5.2.1 故障预警系统软件总体框架 |
| 5.2.2 故障预警系统软件功能模块设计 |
| 5.3 故障预警系统技术实现 |
| 5.3.1 数据库设计 |
| 5.3.2 基于Django的故障预警系统结构 |
| 5.3.3 数据集成与同步模块 |
| 5.3.4 数据预测模块实现 |
| 5.3.5 报警信息生成 |
| 5.4 系统界面展示 |
| 5.4.1 首页展示 |
| 5.4.2 系统报警界面 |
| 5.4.3 历史数据查询界面 |
| 5.4.4 用户帮助界面 |
| 5.5 系统测试 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简历 |
| 攻读学位期间取得的其他研究成果 |
（3）基于微震监测的岩爆风险判别及预测预报（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩爆机理 |
| 1.2.2 岩爆预警方法 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 主要创新点 |
| 2 引汉济渭工程及其岩爆特征 |
| 2.1 概述 |
| 2.2 工程概况 |
| 2.3 围岩特性 |
| 2.4 花岗岩的岩爆特征 |
| 3 岩爆监测与预警 |
| 3.1 微震监测系统简介 |
| 3.2 4号洞钻爆法岩爆监测 |
| 3.2.1 监测难点及对策 |
| 3.2.2 监测时间 |
| 3.2.3 监测里程 |
| 3.2.4 监测数据 |
| 3.2.5 预测对比 |
| 3.2.6 典型案例 |
| 3.3 岭南TBM (3号洞)岩爆监测 |
| 3.3.1 监测条件 |
| 3.3.2 岭南TBM监测结果 |
| 4 岩爆风险判别指标 |
| 4.1 概述 |
| 4.2 不同微震监测系统的对比试验 |
| 4.2.1 对比实验方案 |
| 4.2.2 现场试验及结果分析 |
| 4.3 确定岩爆风险判别指标 |
| 4.3.1 现场岩爆监测结果 |
| 4.3.2 对比试验结果 |
| 4.3.3 确定岩爆风险判别指标 |
| 5 岩爆监测报警及判别系统 |
| 5.1 岩爆监测数据异常报警系统 |
| 5.1.1 具体介绍 |
| 5.1.2 现场应用分析 |
| 5.2 岩爆风险等级自动判别系统 |
| 5.2.1 系统简介 |
| 5.2.2 现场应用分析 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（4）高速铁路车载地震紧急处置装置硬件可靠性建模及评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 系统可靠性理论研究现状 |
| 1.2.2 高铁地震预警系统研究现状 |
| 1.3 高铁地震预警系统简介 |
| 1.3.1 高铁地震预警系统及其架构 |
| 1.3.2 高铁地震预警系统的原理及控车方式 |
| 1.3.3 高铁地震预警系统功能及意义 |
| 1.3.4 车载地震紧急处置装置 |
| 1.4 本文主要工作 |
| 1.4.1 研究内容及结构 |
| 1.4.2 研究方法和技术路线 |
| 2 本研究的理论基础 |
| 2.1 传统可靠性相关概念 |
| 2.1.1 传统可靠性定义 |
| 2.1.2 常用传统可靠性指标 |
| 2.1.3 常用的寿命分布 |
| 2.1.4 典型系统传统可靠性模型 |
| 2.2 贝叶斯方法 |
| 2.2.1 贝叶斯学派基本概念 |
| 2.2.2 贝叶斯定理 |
| 2.2.3 经典学派与贝叶斯学派的比较 |
| 2.3 本章小结 |
| 3 车载地震终端可靠性建模及评估方法研究 |
| 3.1 概述 |
| 3.1.1 单元产品可靠性评估内容 |
| 3.1.2 单元产品可靠性评估方法 |
| 3.2 车载地震终端可靠性分析 |
| 3.2.1 车载地震终端功能分析 |
| 3.2.2 车载地震终端结构分析 |
| 3.3 车载地震终端可靠性建模及评估 |
| 3.3.1 车载地震终端可靠性分析概述 |
| 3.3.2 车载地震终端可靠性后验分布的确定 |
| 3.3.3 超参数的确定 |
| 3.3.4 继承因子的确定 |
| 3.3.5 融合后验分布的确定 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 4 车载地震主机可靠性建模及评估方法研究 |
| 4.1 概述 |
| 4.1.1 可修系统可靠性评估内容 |
| 4.1.2 可修系统可靠性研究方法 |
| 4.2 车载地震主机的可靠性分析 |
| 4.2.1 车载地震主机功能分析 |
| 4.2.2 车载地震主机结构分析 |
| 4.3 车载地震主机可靠性建模及评估 |
| 4.3.1 车载地震主机可靠性数据分析 |
| 4.3.2 车载地震主机可靠性分层贝叶斯模型的建立 |
| 4.3.3 车载地震主机失效率后验分布的推断 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 5 车载地震紧急处置装置可靠性建模及评估方法研究 |
| 5.1 概述 |
| 5.1.1 复杂系统可靠性评估内容 |
| 5.1.2 复杂系统可靠性研究方法 |
| 5.2 车载地震装置的可靠性分析 |
| 5.2.1 车载地震装置功能分析 |
| 5.2.2 车载地震装置结构分析 |
| 5.3 车载地震装置可靠性建模及评估 |
| 5.3.1 信息融合方法 |
| 5.3.2 基于D-S证据理论的专家信息融合 |
| 5.3.3 基于D-S证据理论的不同权重的专家信息融合方法 |
| 5.4 实例分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 论文的主要结论 |
| 6.2 待开展工作 |
| 6.3 论文的主要创新点 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的科研成果 |
| 学位论文数据集 |
（5）基于LPWAN的高压开关柜智能监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 开关柜监测研究现状 |
| 1.2.2 开关柜故障诊断方法研究现状 |
| 1.3 本文的研究内容及工作安排 |
| 2 高压开关柜监测方法研究 |
| 2.1 高压开关柜结构与故障类型 |
| 2.1.1 高压开关柜结构 |
| 2.1.2 常见故障类型分析 |
| 2.2 高压开关柜监测需求及参数分析 |
| 2.2.1 监测系统设计需求 |
| 2.2.2 柜内监测方案设计 |
| 2.2.3 监测参数分析 |
| 2.3 开关柜通讯方式分析 |
| 2.3.1 常用物联网通讯技术对比 |
| 2.3.2 LoRa与NB-IoT的网络架构 |
| 2.3.3 监测系统的通讯网络架构设计 |
| 2.4 本章小结 |
| 3 高压开关柜智能监测系统方案设计 |
| 3.1 系统结构 |
| 3.1.1 系统工作过程 |
| 3.1.2 系统功能 |
| 3.2 监测节点系统设计 |
| 3.2.1 监测节点结构 |
| 3.2.2 主控电路 |
| 3.2.3 电源电路 |
| 3.3 参数采集模块设计 |
| 3.3.1 温度采集电路 |
| 3.3.2 电气参数监测模块 |
| 3.3.3 避雷器放电检测 |
| 3.3.4 开关量检测电路 |
| 3.4 通讯模块 |
| 3.4.1 亿佰特E32通讯模块 |
| 3.4.2 移远BC95通讯模块 |
| 3.5 应用管理层 |
| 3.5.1 服务器选型 |
| 3.5.2 数据库选型 |
| 3.5.3 系统界面设计 |
| 3.6 本章小结 |
| 4 边云协同数据交互机制与边缘智能监测模型研究 |
| 4.1 边缘计算与边云协同 |
| 4.1.1 边缘计算概述 |
| 4.1.2 边云协同数据处理模型 |
| 4.1.3 边云协同数据交互机制 |
| 4.2 高压开关柜监测数据分析处理模型 |
| 4.2.1 信号数据预处理步骤 |
| 4.2.2 数据自适应阈值处理 |
| 4.2.3 边缘数据处理模型 |
| 4.3 开关柜温度监测数据上传实验分析 |
| 4.3.1 建立温度数据上传模型 |
| 4.3.2 实验测试 |
| 4.4 本章小结 |
| 5 基于PCA-PNN多源信息融合的开关柜故障诊断方法研究 |
| 5.1 开关柜监测数据诊断流程 |
| 5.2 多源信息融合技术及其融合算法 |
| 5.2.1 多源信息融合技术 |
| 5.2.2 主元分析法 |
| 5.2.3 概率神经网络 |
| 5.3 PCA-PNN的故障诊断模型 |
| 5.3.1 PCA-PNN的故障诊断算法 |
| 5.3.2 故障诊断算法流程 |
| 5.4 分析与验证 |
| 5.4.1 故障分析 |
| 5.4.2 仿真与分析 |
| 5.5 本章小结 |
| 6 系统测试 |
| 6.1 系统功能测试 |
| 6.1.1 节点接入测试 |
| 6.1.2 报警功能测试 |
| 6.1.3 数据查询 |
| 6.2 系统性能测试 |
| 6.2.1 通信距离测试 |
| 6.2.2 抗干扰性测试 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及主要科研成果 |
（6）变电站电气设备温度预测及故障预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电气设备温度预测国内外研究现状 |
| 1.2.2 故障预警国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 电气设备测温系统及温度特性分析 |
| 2.1 变电站测温系统构成 |
| 2.2 电气设备温升影响因素分析 |
| 2.3 电气设备故障类型分析 |
| 2.3.1 设备分类 |
| 2.3.2 发热故障类型 |
| 2.3.3 故障等级划分 |
| 2.4 数据样本特性分析 |
| 2.4.1 设备温度数据 |
| 2.4.2 设备运行最高工作温度 |
| 2.5 本章小结 |
| 第3章 温度预测和故障诊断原理与方法分析 |
| 3.1 基于差分整合移动平均自回归模型的温度预测 |
| 3.1.1 差分整合移动平均自回归模型思想 |
| 3.1.2 差分整合移动平均自回归模型构建 |
| 3.2 基于神经网络的温度预测 |
| 3.2.1 BP神经网络 |
| 3.2.2 径向基神经网络 |
| 3.2.3 广义回归神经网络 |
| 3.2.4 网络模型在系统中的结构设计 |
| 3.3 基于预测温度的故障判断方法研究 |
| 3.3.1 故障判别指标 |
| 3.3.2 故障判别方法 |
| 3.4 本章小结 |
| 第4章 变电站的温度预测和故障预警仿真分析 |
| 4.1 数据预处理及评价标准 |
| 4.1.1 数据选取及预处理 |
| 4.1.2 预测精度评价标准 |
| 4.2 一维温度数据的MATLAB仿真 |
| 4.2.1 设备正常运行 |
| 4.2.2 设备出现异常 |
| 4.3 多维信息数据的MATLAB仿真 |
| 4.3.1 大量数据样本下的仿真 |
| 4.3.2 少量数据样本下的仿真 |
| 4.3.3 综合分析 |
| 4.4 算法在温度预警系统中的实现 |
| 4.4.1 整体系统架构 |
| 4.4.2 温度预测模块设计及实现 |
| 4.4.3 故障诊断模块设计及实现 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
| 个人简历 |
（7）面向多源数据的高压电缆状态评价及缺陷识别方法研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高压电缆状态评价方法研究现状 |
| 1.2.2 高压电缆缺陷识别研究现状 |
| 1.3 本文的主要工作 |
| 2 基于权重空间MCMC抽样的高压电缆状态评价方法 |
| 2.1 引言 |
| 2.2 多属性综合评价的权重空间 |
| 2.2.1 权重空间的定义 |
| 2.2.2 权重空间的约束 |
| 2.3 基于权重空间MCMC抽样的高压电缆状态评价 |
| 2.3.1 MCMC抽样 |
| 2.3.2 综合评价流程 |
| 2.4 本章小结 |
| 3 基于多元模糊支持向量描述方法高压电缆缺陷识别方法 |
| 3.1 引言 |
| 3.2 支持向量数据描述和竞争凝聚算法 |
| 3.2.1 支持向量数据描述 |
| 3.2.2 竞争凝聚算法 |
| 3.3 基于多元模糊支持向量描述方法的电缆缺陷识别 |
| 3.3.1 高压电缆缺陷类型 |
| 3.3.2 多元模糊支持向量数据描述方法 |
| 3.3.3 高压电缆缺陷识别流程 |
| 3.4 本章小结 |
| 4 算例分析 |
| 4.1 引言 |
| 4.2 高压电缆状态数据的获取 |
| 4.3 高压电缆状态评价算例分析 |
| 4.3.1 高压电缆状态综合评价指标的选取 |
| 4.3.2 算例分析 |
| 4.4 高压电缆缺陷识别算例分析 |
| 4.4.1 高压电缆缺陷识别指标的选取 |
| 4.4.2 算例分析 |
| 4.4.3 算法性能分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间发表的论文目录 |
| B.作者在攻读硕士学位期间参与的项目 |
| C.学位论文数据集 |
| 致谢 |
（8）基于NPE算法的环网柜过程监控（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 环网柜故障监测研究现状综述 |
| 1.2.1 绝缘故障检测 |
| 1.2.2 环网柜SF6气体浓度监测 |
| 1.2.3 基于电缆温度的故障检测 |
| 1.2.4 基于物理机理模型的故障检测 |
| 1.2.5 综合监测方法 |
| 1.3 环网柜故障检测存在的问题 |
| 1.4 本文研究的主要内容 |
| 第二章 基本理论介绍 |
| 2.1 邻域保持嵌入算法介绍 |
| 2.1.1 NPE算法构造过程 |
| 2.1.2 NPE算法论证 |
| 2.2 T~2及SPE统计量 |
| 2.2.1 平方预测误差统计(SPE) |
| 2.2.2 Hotelling T~2 |
| 2.3 本章小结 |
| 第三章 基于NPE算法的环网柜故障检测 |
| 3.1 引言 |
| 3.2 环网柜故障检测模型实现 |
| 3.2.1 基于NPE环网柜故障检测模型 |
| 3.2.2 模型分析 |
| 3.3 模型仿真验证 |
| 3.3.1 实验数据的选取方案 |
| 3.3.2 确定近邻个数及降维维度 |
| 3.3.3 Matlab软件仿真实验结果分析 |
| 3.3.4 NPE算法与PCA算法故障检测结果对比 |
| 3.4 本章小结 |
| 第四章 基于NPE算法的环网柜故障预测 |
| 4.1 引言 |
| 4.2 基于NPE的环网柜故障预测模型 |
| 4.2.1 模型构建 |
| 4.2.2 模型分析 |
| 4.3 模型仿真验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及研究成果 |
| 致谢 |
（9）基于物联网的高压带电体温度在线预警系统（论文提纲范文）
| 1 系统总体设计 |
| 2 硬件设计 |
| 2.1 传感器节点硬件设计 |
| 2.2 数据处理模块设计 |
| 2.3 电源模块设计 |
| 3 基于BP神经网络的高压带电体温度预测方法 |
| 3.1 BP神经网络算法描述 |
| 3.2 基于BP神经网络的高压电缆接头温度预测仿真 |
| 3.3 BP神经网络的缺点及改进方法 |
| 4 预警系统软件设计 |
| 4.1 预警系统管理软件 |
| 4.2 实验数据 |
| 5 结语 |
（10）电力电缆及附件故障的行波反射检测方法（论文提纲范文）
| 0引言 |
| 1行波反射法原理与模型的建立 |
| 2电力电缆接头故障实验及分析 |
| 3电力电缆绝缘故障实验及分析 |
| 4结语 |
四、基于最小方差温度预报的电缆接头故障预警系统（论文参考文献）
- [1]基于机器学习的储粮品质预测方法及应用研究[D]. 王启阳. 吉林大学, 2021(01)
- [2]特高压直流换流站设备故障预警系统[D]. 胡宪. 浙江大学, 2021(01)
- [3]基于微震监测的岩爆风险判别及预测预报[D]. 刘福生. 西安理工大学, 2020(01)
- [4]高速铁路车载地震紧急处置装置硬件可靠性建模及评估方法研究[D]. 李京生. 中国铁道科学研究院, 2020(01)
- [5]基于LPWAN的高压开关柜智能监测系统研究[D]. 陈模盛. 安徽理工大学, 2020(04)
- [6]变电站电气设备温度预测及故障预警研究[D]. 郭芳荟. 哈尔滨理工大学, 2019(02)
- [7]面向多源数据的高压电缆状态评价及缺陷识别方法研究[D]. 王淳. 重庆大学, 2019(01)
- [8]基于NPE算法的环网柜过程监控[D]. 邹勋. 云南大学, 2017(07)
- [9]基于物联网的高压带电体温度在线预警系统[J]. 何建强,滕志军,李国强. 自动化与仪表, 2017(04)
- [10]电力电缆及附件故障的行波反射检测方法[J]. 周广钰,周封,朱瑞. 煤矿机械, 2015(10)