面向智能电网的高能效状态估计方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.2 面向智能电网的状态估计算法研究现状 | 第11-12页 |
| 1.2.1 传统状态估计算法 | 第11页 |
| 1.2.2 基于智能算法的状态估计算法 | 第11-12页 |
| 1.3 智能电网欺诈性数据注入防御研究现状 | 第12-13页 |
| 1.4 论文内容 | 第13-14页 |
| 第2章 背景知识简介 | 第14-20页 |
| 2.1 电力系统状态估计 | 第14-15页 |
| 2.2 欺诈性数据注入攻击 | 第15-16页 |
| 2.3 基于低秩矩阵恢复的欺诈性数据检测 | 第16-17页 |
| 2.4 神经网络算法 | 第17-19页 |
| 2.4.1 神经元和前向计算 | 第17-18页 |
| 2.4.2 反向传播权重训练公式 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 基于神经网络的欺诈性数据注入防御 | 第20-28页 |
| 3.1 防御方法结构图 | 第20页 |
| 3.2 神经网络建立 | 第20-22页 |
| 3.3 神经网络权重初始化 | 第22页 |
| 3.4 训练与验证流程设计 | 第22页 |
| 3.5 欺诈性数据的识别和修正 | 第22-24页 |
| 3.5.1 欺诈性数据识别阈值确定 | 第23-24页 |
| 3.5.2 欺诈性数据的修正 | 第24页 |
| 3.6 实验及验证 | 第24-27页 |
| 3.6.1 测试平台神经网络数据集生成 | 第24页 |
| 3.6.2 神经网络数据集生成 | 第24-25页 |
| 3.6.3 神经网络建立参数相关实验结果 | 第25页 |
| 3.6.4 神经网络权重初始化效果 | 第25-26页 |
| 3.6.5 计算时间以及与现存算法的对比 | 第26-27页 |
| 3.7 本章小结 | 第27-28页 |
| 第4章 基于神经网络的状态估计算法 | 第28-41页 |
| 4.1 方法结构 | 第28-29页 |
| 4.2 神经网络结构与建立 | 第29页 |
| 4.3 神经网络权重初始化 | 第29-31页 |
| 4.3.1 相邻量测量和不相邻量测量 | 第30-31页 |
| 4.3.2 神经网络权重初始化 | 第31页 |
| 4.4 训练流程设计 | 第31-32页 |
| 4.5 基于神经网络的状态估计算法实验分析 | 第32-40页 |
| 4.5.1 测试平台 | 第32页 |
| 4.5.2 并行对比算法说明 | 第32-34页 |
| 4.5.3 隐含层选择测试结果 | 第34-35页 |
| 4.5.4 神经网络训练结果及分析 | 第35-37页 |
| 4.5.5 大规模网络状态估计计算 | 第37-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第5章 总结与展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第46-47页 |
| 致谢 | 第47页 |
