| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 扰动信号的特征提取 | 第13-15页 |
| 1.2.2 扰动信号的分类 | 第15-16页 |
| 1.3 论文主要工作与章节安排 | 第16-18页 |
| 第2章 电能质量问题综述 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 电能质量定义 | 第18页 |
| 2.3 电能质量相关标准 | 第18-20页 |
| 2.3.1 国际标准 | 第18-19页 |
| 2.3.2 国内标准 | 第19-20页 |
| 2.4 电能质量扰动 | 第20-24页 |
| 2.4.1 波形畸变 | 第21-22页 |
| 2.4.2 电压不平衡 | 第22页 |
| 2.4.3 短时电压变动 | 第22-23页 |
| 2.4.4 长时电压变动 | 第23页 |
| 2.4.5 瞬态现象 | 第23页 |
| 2.4.6 电压波动与闪变 | 第23-24页 |
| 2.5 常见的电能质量扰动信号数学模型 | 第24-27页 |
| 2.5.1 单一电能质量扰动模型 | 第24-25页 |
| 2.5.2 复合电能质量扰动模型 | 第25-26页 |
| 2.5.3 电能质量扰动信号的仿真 | 第26-27页 |
| 2.6 小结 | 第27-28页 |
| 第3章 基于压缩感知理论和深度信念网络的电能质量扰动识别 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 基于压缩感知理论的电能质量扰动信号压缩与重构 | 第28-30页 |
| 3.2.1 压缩感知理论的基本原理 | 第28-29页 |
| 3.2.2 扰动信号的稀疏表示 | 第29页 |
| 3.2.3 观测矩阵设计 | 第29-30页 |
| 3.2.4 扰动信号的重构 | 第30页 |
| 3.3 基于深度信念网络(Deep Belief Networks，DBNs)的电能质量扰动分类 | 第30-35页 |
| 3.3.1 深度学习（deep Learning） | 第30-31页 |
| 3.3.2 深度信念网络 | 第31-32页 |
| 3.3.3 Softmax分类器 | 第32-33页 |
| 3.3.4 电能质量扰动分类模型的建立 | 第33-34页 |
| 3.3.5 基于深度信念网络的电能质量扰动分类的实现过程 | 第34-35页 |
| 3.4 仿真实验分析 | 第35-42页 |
| 3.4.1 原始数据的预处理 | 第35-36页 |
| 3.4.2 电能质量扰动信号的压缩与重构 | 第36-39页 |
| 3.4.3 仿真结果 | 第39-40页 |
| 3.4.4 网络性能评估 | 第40-42页 |
| 3.5 小结 | 第42-43页 |
| 第4章 基于相空间重构和卷积神经网络的电能质量扰动识别 | 第43-56页 |
| 4.1 引言 | 第43页 |
| 4.2 电能质量扰动信号的相空间重构 | 第43页 |
| 4.3 基于坐标延迟法的相空间重构 | 第43-45页 |
| 4.4 卷积神经网络（Convolutional Neural Network，CNN） | 第45-47页 |
| 4.4.1 CNN网络结构和原理 | 第45-46页 |
| 4.4.2 CNN参数训练 | 第46-47页 |
| 4.5 基于Caffe深度学习框架的电能质量扰动分类模型 | 第47-49页 |
| 4.5.1 分类模型构建 | 第47-48页 |
| 4.5.2 网络的最优化求解 | 第48-49页 |
| 4.6 仿真实验分析 | 第49-55页 |
| 4.6.1 电能质量扰动信号的相空间重构轨迹图像 | 第49-52页 |
| 4.6.2 Caffe框架搭建和数据预处理 | 第52-53页 |
| 4.6.3 仿真分析 | 第53-55页 |
| 4.7 小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 附录 攻读学位期间所发表的学术论文目录 | 第62页 |
