| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 符号与缩写说明 | 第19-27页 |
| 第1章 绪论 | 第27-53页 |
| 1.1 研究背景与意义 | 第27-29页 |
| 1.2 国内外研究现状 | 第29-42页 |
| 1.3 自动发电控制与智能发电控制 | 第42-48页 |
| 1.3.1 自动发电控制 | 第42-46页 |
| 1.3.2 智能发电控制 | 第46-48页 |
| 1.4 控制性能指标与仿真环境 | 第48-50页 |
| 1.4.1 控制性能标准CPS指标 | 第48-50页 |
| 1.4.2 仿真环境 | 第50页 |
| 1.5 论文结构安排 | 第50-53页 |
| 第2章 基于人工情感强化学习算法的智能发电控制 | 第53-72页 |
| 2.1 强化学习算法 | 第53-56页 |
| 2.1.1 Q学习 | 第53-54页 |
| 2.1.2 Q(λ)学习算法 | 第54-55页 |
| 2.1.3 强化学习可改进之处 | 第55-56页 |
| 2.2 人工情感 | 第56-58页 |
| 2.2.1 人工心理学的分类 | 第56-57页 |
| 2.2.2 人工情感量化器的设计 | 第57-58页 |
| 2.3 人工情感Q学习算法 | 第58-61页 |
| 2.3.1 人工情感直接作用于输出动作 | 第59页 |
| 2.3.2 人工情感作用于学习率 | 第59-60页 |
| 2.3.3 人工情感作用于奖励函数 | 第60-61页 |
| 2.4 人工情感Q(λ)学习算法的智能发电控制器 | 第61-63页 |
| 2.5 稳定性分析 | 第63页 |
| 2.6 仿真算例 | 第63-71页 |
| 2.6.1 IEEE标准两区域算例 | 第64-69页 |
| 2.6.2 以南方电网为背景的四区域算例 | 第69-71页 |
| 2.7 小结 | 第71-72页 |
| 第3章 基于深度强化森林算法的单智能体互联电网智能发电控制 | 第72-87页 |
| 3.1 随机森林算法与深度森林算法 | 第72-75页 |
| 3.1.1 随机森林算法 | 第72-73页 |
| 3.1.2 深度森林算法 | 第73-75页 |
| 3.2 深度强化森林算法的智能发电控制 | 第75-79页 |
| 3.2.1 深度强化森林算法 | 第76-77页 |
| 3.2.2 发电控制中的预防控制策略 | 第77-78页 |
| 3.2.3 基于深度强化森林的智能发电控制器设计 | 第78页 |
| 3.2.4 深度强化森林算法的训练过程 | 第78-79页 |
| 3.3 稳定性分析 | 第79页 |
| 3.4 二区域、三区域和四区域仿真算例 | 第79-86页 |
| 3.5 小结 | 第86-87页 |
| 第4章 基于深度强化学习算法的多智能体互联电网智能发电控制 | 第87-103页 |
| 4.1 深度学习算法 | 第87-89页 |
| 4.1.1 深度学习的分类 | 第88页 |
| 4.1.2 深度神经网络 | 第88-89页 |
| 4.2 基于多智能体系统的深度强化学习算法 | 第89-93页 |
| 4.2.1 深度强化学习算法框架 | 第89-91页 |
| 4.2.2 基于深度Q学习算法的控制器的训练过程与互博弈 | 第91-92页 |
| 4.2.3 深度Q学习算法的智能发电控制器设计 | 第92-93页 |
| 4.3 稳定性分析 | 第93页 |
| 4.4 仿真算例 | 第93-102页 |
| 4.4.1 IEEE标准两区域算例 | 第93-97页 |
| 4.4.2 以南方电网为背景的四区域算例 | 第97-102页 |
| 4.5 小结 | 第102-103页 |
| 第5章 基于松弛深度学习算法的互联电网统一时间尺度智能发电调度与控制 | 第103-122页 |
| 5.1 传统发电控制中的时间尺度 | 第103-108页 |
| 5.1.1 机组组合模型 | 第104-105页 |
| 5.1.2 经济调度模型 | 第105-106页 |
| 5.1.3 自动发电控制模型 | 第106-107页 |
| 5.1.4 机组发电功率分配优化模型 | 第107-108页 |
| 5.1.5 多时间尺度的调度与发电控制 | 第108页 |
| 5.2 统一时间尺度的智能发电控制 | 第108-112页 |
| 5.2.1 统一时间尺度的智能发电控制框架 | 第109页 |
| 5.2.2 基于松弛深度学习算法的统一时间尺度发电调度与控制一体化控制器 | 第109-112页 |
| 5.3 稳定性分析 | 第112页 |
| 5.4 统一时间尺度的仿真算例 | 第112-121页 |
| 5.5 小结 | 第121-122页 |
| 第6章 基于深度自适应动态规划算法的微电网统一时间尺度智能发电控制 | 第122-160页 |
| 6.1 自适应动态规划算法 | 第122-125页 |
| 6.1.1 基于典型解析式自适应动态规划算法 | 第122-124页 |
| 6.1.2 基于神经网络的自适应动态规划算法 | 第124-125页 |
| 6.2 自动发电控制与发电指令分配结合的一体化框架 | 第125-126页 |
| 6.3 深度自适应动态规划算法 | 第126-132页 |
| 6.3.1 深度自适应动态规划算法原理 | 第127-129页 |
| 6.3.2 深度自适应动态规划算法中的深度神经网络 | 第129-130页 |
| 6.3.3 训练方法与样本获取 | 第130页 |
| 6.3.4 基于深度自适应动态规划算法的微网发电控制器设计 | 第130-132页 |
| 6.4 稳定性分析 | 第132页 |
| 6.5 微电网的统一时间尺度的智能发电控制算例 | 第132-159页 |
| 6.5.1 无故障的基本仿真 | 第142-145页 |
| 6.5.2 “即插即用”启停机仿真 | 第145-146页 |
| 6.5.3 “通讯故障”仿真 | 第146-147页 |
| 6.5.4 全天扰动仿真 | 第147-151页 |
| 6.5.5 变拓扑结构仿真 | 第151-154页 |
| 6.5.6 系统内部参数变化仿真 | 第154-159页 |
| 6.6 小结 | 第159-160页 |
| 第7章 基于信息物理社会融合系统与平行系统的智能发电控制仿真平台 | 第160-172页 |
| 7.1 仿真优化算法库和控制算法库的建立 | 第160-162页 |
| 7.2 基于平行系统的电力系统智能发电控制仿真平台 | 第162-165页 |
| 7.2.1 平行系统中的硬件与软件 | 第162页 |
| 7.2.2 平行系统的搭建 | 第162-165页 |
| 7.3 平行系统的仿真算例 | 第165-169页 |
| 7.4 示范工程 | 第169-171页 |
| 7.5 小结 | 第171-172页 |
| 结论与展望 | 第172-177页 |
| 结论 | 第172-174页 |
| 展望 | 第174-177页 |
| 参考文献 | 第177-191页 |
| 攻读博士学位期间取得的研究成果 | 第191-194页 |
| 致谢 | 第194-196页 |
| 附件 | 第196页 |
