基于模式识别和机器学习的电网运行断面估计算法研究
摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 引言 | 第12-20页 |
1.1 研究背景和意义 | 第12-13页 |
1.2 电网安全校核与计划潮流生成技术 | 第13-15页 |
1.3 计划潮流生成技术的研究现状和问题 | 第15-17页 |
1.4 论文主要工作 | 第17-20页 |
第2章 电网运行断面估计算法 | 第20-39页 |
2.1 电网运行断面估计算法 | 第20-23页 |
2.1.1 电网运行断面估计算法流程 | 第20-22页 |
2.1.2 算法拟解决的关键问题 | 第22-23页 |
2.2 基于模式识别的相似断面搜索算法 | 第23-30页 |
2.2.1 模式识别的基本概念 | 第24-25页 |
2.2.2 相似断面搜索的相似性指标 | 第25-28页 |
2.2.3 相似断面的匹配方式 | 第28-30页 |
2.3 基于状态估计的计划潮流生成算法 | 第30-38页 |
2.3.1 状态估计的基本概念 | 第30-32页 |
2.3.2 基于最大相关熵的状态估计算法 | 第32-35页 |
2.3.3 计划潮流生成算法 | 第35-38页 |
2.4 本章小结 | 第38-39页 |
第3章 基于机器学习的不平衡功率调整算法 | 第39-47页 |
3.1 机器学习和神经网络基本概念 | 第39-41页 |
3.2 极限学习机 | 第41-44页 |
3.3 不平衡功率调整算法 | 第44-46页 |
3.4 本章小结 | 第46-47页 |
第4章 电网运行断面估计算法应用实例 | 第47-60页 |
4.1 IEEE9节点算例 | 第47-54页 |
4.1.1 算例设计1 | 第47-49页 |
4.1.2 算例设计2 | 第49-54页 |
4.2 实际电网算例 | 第54-58页 |
4.3 算法应用特点分析 | 第58页 |
4.4 本章小结 | 第58-60页 |
第5章 结论及展望 | 第60-62页 |
5.1 结论 | 第60-61页 |
5.2 展望 | 第61-62页 |
参考文献 | 第62-67页 |
附录A IEEE9节点系统数据 | 第67-68页 |
致谢 | 第68-72页 |
个人简历、在学期间发表的学术论文与研究成果 | 第72页 |