| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-32页 |
| 1.1 选题的背景和意义 | 第13-18页 |
| 1.1.1 电力系统运行过程中各种优化目标不断涌现 | 第13-15页 |
| 1.1.2 计算智能用于求解优化问题具有突出优势 | 第15-16页 |
| 1.1.3 计算智能在电力系统应用广泛 | 第16-18页 |
| 1.2 多目标进化算法研究概述 | 第18-23页 |
| 1.2.1 多目标优化的基本概念 | 第18-19页 |
| 1.2.2 多目标进化算法的研究现状及趋势 | 第19-23页 |
| 1.3 人工神经网络研究概述 | 第23-29页 |
| 1.3.1 人工神经网络研究的高潮和低谷 | 第23-25页 |
| 1.3.2 深度学习技术简介 | 第25-29页 |
| 1.4 本文的主要工作和创新点 | 第29-32页 |
| 1.4.1 主要工作 | 第29-31页 |
| 1.4.2 创新点 | 第31-32页 |
| 第二章 协同进化策略在电力系统多目标优化中的应用 | 第32-59页 |
| 2.1 引言 | 第32页 |
| 2.2 协同进化理论基础 | 第32-37页 |
| 2.2.1 协同进化的概念 | 第32-34页 |
| 2.2.4 数学模型分析 | 第34-37页 |
| 2.3 协同策略在多目标进化计算中的适用性分析 | 第37-38页 |
| 2.4 多目标协同进化算法的策略和流程 | 第38-42页 |
| 2.4.1 多目标协同进化策略架构 | 第38-39页 |
| 2.4.2 多目标协同进化算法流程 | 第39-42页 |
| 2.5 多目标协同进化模型的算法池 | 第42-51页 |
| 2.5.1 NSGA-Ⅱ | 第42-45页 |
| 2.5.2 PESA | 第45-46页 |
| 2.5.3 SPEA2 | 第46-48页 |
| 2.5.4 NMPSO | 第48-51页 |
| 2.6 多目标协同进化最优解决策策略 | 第51-55页 |
| 2.6.1 主观最优解决策方法：基于层次分析法的最优解决策 | 第51-54页 |
| 2.6.2 客观最优解决策方法：基于模糊隶属度的最优解决策 | 第54-55页 |
| 2.7 基于信息熵的多目标协同进化进程控制策略 | 第55-57页 |
| 2.7.1 信息熵概念 | 第55-56页 |
| 2.7.2 种群信息熵算法 | 第56-57页 |
| 2.8 小结 | 第57-59页 |
| 第三章 并行计算在电力系统多目标优化中的应用 | 第59-73页 |
| 3.1 引言 | 第59页 |
| 3.2 并行计算理论基础 | 第59-63页 |
| 3.2.1 并行计算机的Flynn分类体系 | 第60-61页 |
| 3.2.2 并行计算机访存分类 | 第61-62页 |
| 3.2.3 并行程序设计模型 | 第62页 |
| 3.2.4 并行计算发展趋势 | 第62-63页 |
| 3.3 基于主从三级并行结构的多目标协同进化算法 | 第63-72页 |
| 3.3.1 电力系统多目标优化的并行计算需求 | 第64页 |
| 3.3.2 多目标协同进化算法的三级主从并行架构 | 第64-67页 |
| 3.3.3 主从并行多目标协同进化算法流程 | 第67-72页 |
| 3.4 小结 | 第72-73页 |
| 第四章 基于稀疏自编码的深度学习在多目标优化中的应用 | 第73-94页 |
| 4.1 引言 | 第73页 |
| 4.2 现有进化群体多样性和分布性保持策略的局限性 | 第73-77页 |
| 4.3 稀疏自编码分类器 | 第77-87页 |
| 4.3.1 前向传播 | 第77-79页 |
| 4.3.2 反向传播 | 第79-82页 |
| 4.3.3 梯度下降 | 第82页 |
| 4.3.4 分类器 | 第82-85页 |
| 4.3.5 自编码算法与稀疏性 | 第85-87页 |
| 4.4 基于稀疏自编码的深度学习种群多样性策略 | 第87-93页 |
| 4.4.1 稀疏自编码聚类模型 | 第87-89页 |
| 4.4.2 稀疏自编码器的Wake-sleep训练算法 | 第89-93页 |
| 4.5 小结 | 第93-94页 |
| 第五章 稳定约束最优潮流模型的多目标改造 | 第94-108页 |
| 5.1 引言 | 第94-95页 |
| 5.2 多目标最优潮流模型 | 第95-97页 |
| 5.3 高效搜索策略 | 第97-98页 |
| 5.4 优化能力比较分析 | 第98-104页 |
| 5.5 并行加速性能分析 | 第104-107页 |
| 5.6 小结 | 第107-108页 |
| 第六章 大电网限流措施多目标优化配置 | 第108-126页 |
| 6.1 引言 | 第108页 |
| 6.2 短路电流限制措施类型及其数学模型 | 第108-110页 |
| 6.3 限流措施多目标优化模型 | 第110-112页 |
| 6.4 优化算法 | 第112-114页 |
| 6.4.1 基于灵敏度的支路筛选策略 | 第112-113页 |
| 6.4.2 染色体编码和进化遗弃 | 第113-114页 |
| 6.5 IEEE标准算例分析 | 第114-119页 |
| 6.6 在实际输电网限流措施配置中的应用效果 | 第119-121页 |
| 6.7 基于稀疏自编码的深度学习种群聚类模型效果分析 | 第121-125页 |
| 6.7.1 种群多样性策略的性能效果比较 | 第121-123页 |
| 6.7.2 聚类算法效果比较 | 第123-125页 |
| 6.8 小结 | 第125-126页 |
| 第七章 微电网多目标优化规划 | 第126-141页 |
| 7.1 引言 | 第126页 |
| 7.2 微电网多目标优化规划的目标函数 | 第126-127页 |
| 7.3 分布式电源离散概率模型 | 第127-131页 |
| 7.4 改进的概率潮流算法 | 第131-134页 |
| 7.4.1 经典概率潮流算法 | 第131-132页 |
| 7.4.2 矩与半不变量的性质 | 第132页 |
| 7.4.3 概率目标函数计算 | 第132-134页 |
| 7.5 海岛微网算例分析 | 第134-139页 |
| 7.5.1 气象信息处理和参数设置 | 第134-137页 |
| 7.5.2 Pareto最优解分析 | 第137-138页 |
| 7.5.3 改进PLF算法性能分析 | 第138-139页 |
| 7.6 小结 | 第139-141页 |
| 第八章 总结与展望 | 第141-143页 |
| 参考文献 | 第143-157页 |
| 攻读博士学位期间发表和录用的学术论文 | 第157页 |
