| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-19页 |
| 1.2.1 低频振荡的定义及产生原因 | 第11-12页 |
| 1.2.2 低频振荡分析方法 | 第12-14页 |
| 1.2.3 低频振荡抑制方法 | 第14-16页 |
| 1.2.4 深度学习算法的研究现状 | 第16-19页 |
| 1.3 研究内容 | 第19-20页 |
| 第二章 基于Prony算法的低频振荡模式识别研究 | 第20-30页 |
| 2.1 概述 | 第20页 |
| 2.2 Prony算法原理 | 第20-22页 |
| 2.3 拟合精度指标信噪比SNR计算 | 第22页 |
| 2.4 Prony算法初始阶数分析 | 第22-25页 |
| 2.5 Prony算法抗噪性分析 | 第25-26页 |
| 2.6 对Prony算法的改进 | 第26-29页 |
| 2.6.1 FIR滤波器原理 | 第26-27页 |
| 2.6.2 窗函数设计 | 第27页 |
| 2.6.3 仿真分析 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于深度学习算法的低频振荡阶数识别研究 | 第30-42页 |
| 3.1 概述 | 第30页 |
| 3.2 深度学习原理 | 第30-36页 |
| 3.2.1 深度学习模型 | 第31-36页 |
| 3.3 基于深度学习的低频振荡阶数识别 | 第36-41页 |
| 3.3.1 算法模型设计 | 第37页 |
| 3.3.2 算法参数设计 | 第37-38页 |
| 3.3.3 算法步骤流程 | 第38-39页 |
| 3.3.4 实验结果分析与对比 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于深度学习算法的电力系统低频振荡信号模式识别研究 | 第42-52页 |
| 4.1 概述 | 第42页 |
| 4.2 基于深度学习算法的电力系统低频振荡信号模式识别算法 | 第42-44页 |
| 4.2.1 算法基本框架 | 第42-43页 |
| 4.2.2 算法基本步骤 | 第43-44页 |
| 4.3 算例分析 | 第44-51页 |
| 4.3.1 带噪声的低频振荡信号模式识别 | 第44-47页 |
| 4.3.2 IEEE 10 机39节点模型的低频振荡分析 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 结论与展望 | 第52-54页 |
| 5.1 研究结论 | 第52页 |
| 5.2 研究展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 附件 | 第60页 |
