摘要 | 第4-5页 |
ABSTRACT | 第5页 |
第一章 绪论 | 第9-13页 |
1.1 研究背景和意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-11页 |
1.3 论文主要工作及内容安排 | 第11-13页 |
1.3.1 论文主要研究内容 | 第11-12页 |
1.3.2 论文结构 | 第12-13页 |
第二章 基于信息物理系统(CPS)的风光互补微电网模型设计 | 第13-28页 |
2.1 CPS概述 | 第13-19页 |
2.1.1 CPS定义 | 第13-14页 |
2.1.2 CPS系统特点 | 第14-15页 |
2.1.3 CPS与其他系统的区别 | 第15-16页 |
2.1.4 CPS理论体系结构 | 第16-19页 |
2.2 微电网与CPS的结合点 | 第19-20页 |
2.2.1 CIM与微电网网络化控制系统 | 第19页 |
2.2.2 大数据带来的影响及解决措施 | 第19-20页 |
2.3 基于CPS的微电网分层结构 | 第20-23页 |
2.4 基于CPS的微电网风光互补发电系统 | 第23-27页 |
2.4.1 分布式风力发电CPS建模 | 第23-24页 |
2.4.2 分布式光伏发电CPS建模 | 第24-26页 |
2.4.3 分布式风光互补CPS建模 | 第26-27页 |
2.5 本章小结 | 第27-28页 |
第三章 数据融合技术研究 | 第28-37页 |
3.1 数据融合的定义 | 第28-30页 |
3.1.1 数据融合的概念 | 第28页 |
3.1.2 数据融合的作用 | 第28-29页 |
3.1.3 数据融合处理方式 | 第29-30页 |
3.2 数据融合的分类 | 第30-36页 |
3.2.1 应用层数据融合 | 第30页 |
3.2.2 网络层数据融合 | 第30-36页 |
3.3 数据融合的挑战和发展趋势 | 第36页 |
3.4 本章小结 | 第36-37页 |
第四章 基于压缩感知(CS)的微电网数据融合算法研究 | 第37-66页 |
4.1 压缩感知研究背景 | 第37-38页 |
4.2 压缩感知理论框架 | 第38-40页 |
4.3 风速信号模型 | 第40-42页 |
4.3.1 风速信号模型的发展状况 | 第40-41页 |
4.3.2 风速信号模型的确定和仿真 | 第41-42页 |
4.4 风速信号压缩感知的稀疏基研究 | 第42-52页 |
4.4.1 DFT | 第43-45页 |
4.4.2 DCT | 第45-47页 |
4.4.3 DWT | 第47-50页 |
4.4.4 稀疏基选定 | 第50-52页 |
4.5 风速压缩感知的测量矩阵研究 | 第52-55页 |
4.5.1 测量矩阵需要满足的条件 | 第52-53页 |
4.5.2 几种常见测量矩阵的比较 | 第53-55页 |
4.6 风速压缩感知的重构算法研究 | 第55-57页 |
4.7 一种基于SVD-SPHR算法的压缩感知测量矩阵 | 第57-65页 |
4.7.1 SVD-SPHR测量矩阵的构造方案 | 第57-59页 |
4.7.2 SVD-SPHR测量矩阵的性能分析 | 第59-62页 |
4.7.3 SVD-SPHR测量矩阵的性能仿真 | 第62-65页 |
4.8 本章小结 | 第65-66页 |
第五章 基于改进粒子群算法的微电网数据融合方案 | 第66-76页 |
5.1 风/光/储实时经济调控模型 | 第66-68页 |
5.1.1 风光发电成本分析 | 第67页 |
5.1.2 储能电池成本分析 | 第67-68页 |
5.1.3 目标函数 | 第68页 |
5.2 改进的0/1惩罚离散粒子群算法 | 第68-72页 |
5.2.1 问题描述 | 第68-69页 |
5.2.2 两种改进算法的模型 | 第69-70页 |
5.2.3 DPSO-Ⅱ算法步骤 | 第70-71页 |
5.2.4 仿真验证 | 第71-72页 |
5.3 基于DPSO-Ⅱ的风/光/储实时派遣策略 | 第72-75页 |
5.3.1 风光实时发电功率的计算 | 第72-74页 |
5.3.2 24小时风/光/储实时派遣策略及成本分析 | 第74-75页 |
5.4 本章小结 | 第75-76页 |
第六章 总结 | 第76-77页 |
6.1 总结 | 第76页 |
6.2 下一步可以改进的地方 | 第76-77页 |
参考文献 | 第77-85页 |
致谢 | 第85-86页 |
作者攻读学位期间发表的学术论文目录 | 第86页 |