| 摘要 | 第1页 |
| ABSTRACT | 第3-6页 |
| 第一章 绪论 | 第6-13页 |
| ·研究背景与意义 | 第6-8页 |
| ·国内外研究现状 | 第8-11页 |
| ·论文的主要工作和内容安排 | 第11-13页 |
| 第二章 基于支持向量回归的动态状态估计模型 | 第13-25页 |
| ·电力系统状态估计常用算法分析 | 第13-17页 |
| ·加权最小二乘状态估计方法 | 第13-14页 |
| ·基于卡尔曼滤波的逐次状态估计方法 | 第14-16页 |
| ·状态估计常用方法的比较 | 第16-17页 |
| ·支持向量机原理研究(SVM,Support Vector Machine) | 第17-20页 |
| ·VC维 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·核函数 | 第19-20页 |
| ·动态状态估计计算模型 | 第20页 |
| ·支持向量机在状态估计系统中的应用原理分析 | 第20-24页 |
| ·支持向量机在状态估计系统中的应用原理分析 | 第21-23页 |
| ·支持向量机在动态状态估计中存在的问题 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于KPCA和SVR的动态状态估计系统 | 第25-37页 |
| ·核主成分分析(KPCA) | 第25-28页 |
| ·主成分分析(PCA) | 第25页 |
| ·核主成分分析(KPCA) | 第25-28页 |
| ·基于数据降维的动态状态估计改进模型 | 第28-31页 |
| ·SVR状态估计模型分析 | 第28-29页 |
| ·基于数据降维处理的状态估计器改进模型 | 第29-31页 |
| ·状态估计器改进模型的样本集构造 | 第31页 |
| ·基于KPCA和SVR的动态状态估计模型分析 | 第31-33页 |
| ·基于KPCA和SVR的动态状态估计的实验与结果分析 | 第33-36页 |
| ·实验数据准备 | 第33-34页 |
| ·对量测数据预处理结果的分析 | 第34-35页 |
| ·对KPCA-SVM预测实验结果的分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于LLE和KMPLM的动态状态估计系统 | 第37-45页 |
| ·局部线性嵌入式算法(LLE)和核匹配追踪学习机(KMPLM) | 第37-41页 |
| ·局部线性嵌入式算法(LLE)在状态估计中的应用分析 | 第37-38页 |
| ·核匹配追踪学习机(KMPLM)原理 | 第38-39页 |
| ·核匹配追踪学习机(KMPLM)在状态估计中的应用分析 | 第39-41页 |
| ·基于LLE和KMPLM的状态估计系统模型分析 | 第41-43页 |
| ·基于LLE和KMPLM的状态估计方法的实验与结果分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 结论与展望 | 第45-47页 |
| ·本文的主要工作 | 第45页 |
| ·未来工作的展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 在学期间发表的学术论文和参加科研情况 | 第51页 |
