| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 课题的研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 智能电网可视化研究现状 | 第14-16页 |
| 1.2.2 机器学习算法国内外研究现状 | 第16-20页 |
| 1.3 本文的主要研究内容与创新 | 第20-22页 |
| 1.3.1 论文的研究内容 | 第20-21页 |
| 1.3.2 论文的组织结构 | 第21-22页 |
| 第2章 相关技术理论 | 第22-35页 |
| 2.1 态势可视化概述 | 第22-23页 |
| 2.2 态势感知及配电网电压等高线态势图 | 第23-25页 |
| 2.2.1 态势感知模型 | 第23-24页 |
| 2.2.2 态势感知模式内容 | 第24-25页 |
| 2.2.3 态势感知与态势可视化的关系 | 第25页 |
| 2.3 配电网电压等高线态势图 | 第25-28页 |
| 2.3.1 配电网电压等高线态势图结构 | 第26页 |
| 2.3.2 配电网地理接线图 | 第26页 |
| 2.3.3 配电网均匀接线图 | 第26-27页 |
| 2.3.4 配电网态势渲染图 | 第27-28页 |
| 2.4 机器学习算法 | 第28-33页 |
| 2.4.1 机器学习算法概述 | 第28-29页 |
| 2.4.2 Logistic回归模型 | 第29-31页 |
| 2.4.3 最优间隔器分类 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 基于SVG的态势图片及特征提取 | 第35-44页 |
| 3.1 基于SVG的态势图片 | 第35-36页 |
| 3.1.1 SVG图形简介 | 第35页 |
| 3.1.2 态势图片SVG代码 | 第35-36页 |
| 3.2 图形特征提取的一般方法 | 第36-37页 |
| 3.3 基于等高线模型的电压态势图特征提取 | 第37-41页 |
| 3.3.1 基于空间关系特征的等高线模型 | 第37-38页 |
| 3.3.2 基于等高线模型的特征提取算法 | 第38-41页 |
| 3.4 基于特征基向量的电压态势图特征提取 | 第41-43页 |
| 3.4.1 特征基向量模型离散化方法 | 第41-42页 |
| 3.4.2 特征向量的标准化处理 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于聚类分析和GA-SVM回归模型的配电网电压等高线图形态势评估 | 第44-52页 |
| 4.1 基于电压态势图的态势评估方法 | 第44-46页 |
| 4.1.1 SCDN综合电压合格率 | 第44-45页 |
| 4.1.2 态势图片SCDN特征向量 | 第45-46页 |
| 4.2 方法流程 | 第46-48页 |
| 4.2.1 聚类方法流程 | 第46页 |
| 4.2.2 SVM回归模型方法流程 | 第46-48页 |
| 4.3 聚类分析 | 第48-49页 |
| 4.4 SVM模型建立 | 第49-52页 |
| 4.4.1 聚类样本训练集 | 第49-50页 |
| 4.4.2 未聚类样本训练集 | 第50-52页 |
| 4.5 本章小结 | 第52页 |
| 第5章 基于SVM分类模型的负荷节点电压合格判定研究 | 第52-64页 |
| 5.1 电压合格率图形计算法 | 第53-55页 |
| 5.2 负荷节点特征向量提取 | 第55-57页 |
| 5.3 支持向量机算法分类模型 | 第57-59页 |
| 5.3.1 支持向量机分类模型与回归模型 | 第57-58页 |
| 5.3.2 支持向量分类模型算法流程 | 第58-59页 |
| 5.4 案例分析 | 第59-63页 |
| 5.4.1 小样本集SVM模型建立 | 第59-61页 |
| 5.4.2 大样本集SVM模型建立 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 全文总结及进一步工作展望 | 第64-66页 |
| 6.1 全文总结 | 第64-65页 |
| 6.2 进一步工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |