| 中文摘要 | 第1页 |
| 英文摘要 | 第3-6页 |
| 第一章 引言 | 第6-12页 |
| 1．1 课题的目的和意义 | 第6-7页 |
| 1．2 电力系统暂态稳定评估 | 第7页 |
| 1．3 基于神经网络的暂态稳定评估方法综述 | 第7-10页 |
| 1．3．1 人工神经网络基本原理及其在电力系统中的应用 | 第7-8页 |
| 1．3．2 神经网络在暂态稳定评估中的应用综述 | 第8-10页 |
| 1．4 支持向量机理论及其在暂态稳定评估中应用的可能性 | 第10-11页 |
| 1．5 本文的主要工作 | 第11-12页 |
| 第二章 基于神经网络和粗糙集的暂态稳定评估方法 | 第12-21页 |
| 2．1 引言 | 第12-13页 |
| 2．2 粗糙集理论的基本概念 | 第13-16页 |
| 2．2．1 粗糙集理论及其上下边界概念 | 第13-14页 |
| 2．2．2 粗糙集和神经网络的不同特性 | 第14-15页 |
| 2．2．3 基于粗糙集的暂态稳定评估 | 第15-16页 |
| 2．3 用于暂态稳定评估的一种粗糙分类算法 | 第16-18页 |
| 2．3．1 基于BPNN的稳定指标 | 第16-17页 |
| 2．3．2 暂态稳定评估中的粗糙分类概念 | 第17-18页 |
| 2．4 SSBP算法的收敛判据 | 第18-20页 |
| 2．5 用SSBP算法和收敛判据进行稳定分类 | 第20页 |
| 2．6 本章小结 | 第20-21页 |
| 第三章 基于支持向量机理论的暂态稳定评估方法 | 第21-31页 |
| 3．1 引言 | 第21页 |
| 3．2 统计学习理论与机器学习 | 第21-25页 |
| 3．2．1 复杂性与推广能力 | 第21-22页 |
| 3．2．2 统计学习理论 | 第22-23页 |
| 3．2．3 指示函数集和生长函数 | 第23-25页 |
| 3．3 支持向量机 | 第25-28页 |
| 3．3．1 线性问题 | 第25-26页 |
| 3．3．2 非线性高维问题 | 第26-27页 |
| 3．3．3 支持向量机 | 第27-28页 |
| 3．4 分类器的设计和仿真 | 第28-30页 |
| 3．5 本章小结 | 第30-31页 |
| 第四章 多分类器集成用于电力系统暂态稳定评估 | 第31-38页 |
| 4．1 引言 | 第31页 |
| 4．2 多分类器集成 | 第31-33页 |
| 4．2．1 分类器集成的原理 | 第31-33页 |
| 4．2．2 集成方法的选择 | 第33页 |
| 4．3 所用的分类器简介 | 第33-34页 |
| 4．3．1 Fisher线性识别 | 第33-34页 |
| 4．3．2 BP网络 | 第34页 |
| 4．4 仿真算例及结果分析 | 第34-37页 |
| 4．5 本章小结 | 第37-38页 |
| 第五章 结论 | 第38-39页 |
| 参考文献 | 第39-42页 |
| 致谢 | 第42-41页 |
| 附录 | 第41-43页 |
| 在学期间发表论文和参加科研情况 | 第43页 |