| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 课题研究意义 | 第11-12页 |
| 1.2 人工智能算法国内外发展现状 | 第12页 |
| 1.3 本文的主要工作内容 | 第12-14页 |
| 第二章 基于拓扑约束和改进遗传算法的PMU优化配置 | 第14-30页 |
| 2.1 PMU配置研究现状 | 第14-15页 |
| 2.2 引言 | 第15-16页 |
| 2.3 PMU优化配置目标函数 | 第16页 |
| 2.3.1 可观测性分析 | 第16页 |
| 2.3.2 目标函数 | 第16页 |
| 2.4 约束条件和PMU拓扑约束分析法 | 第16-20页 |
| 2.4.1 拓扑重构规则和PMU配置规则 | 第16-18页 |
| 2.4.2 PMU有效值计算 | 第18-19页 |
| 2.4.3 拓扑约束分析法 | 第19-20页 |
| 2.4.4 约束条件 | 第20页 |
| 2.5 基于序号编码法的遗传算法 | 第20-24页 |
| 2.5.1 传统 0-1 位串编码法遗传算法缺点分析 | 第20-21页 |
| 2.5.2 序号编码及交叉变异运算 | 第21-23页 |
| 2.5.3 满足约束的初始种群和交叉变异运算方法 | 第23页 |
| 2.5.4 二分法及PMU数目的确定 | 第23-24页 |
| 2.5.5 算法总体流程 | 第24页 |
| 2.6 算例分析 | 第24-29页 |
| 2.6.1 IEEE-30标准测试系统 | 第24-25页 |
| 2.6.2 IEEE-57标准测试系统 | 第25-26页 |
| 2.6.3 IEEE-118标准测试系统 | 第26-28页 |
| 2.6.4 算法性能小结 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于改进的遗传-模拟退火算法和误差度分析原理的PMU多目标优化配置研究 | 第30-46页 |
| 3.1 PMU测量误差度及可观测性分析 | 第30-32页 |
| 3.1.1 误差度分析原理 | 第30-32页 |
| 3.1.2 可观测性分析 | 第32页 |
| 3.2 PMU配置目标函数 | 第32-33页 |
| 3.3 算法配置及流程 | 第33-40页 |
| 3.3.1 遗传算法全局Pareto寻优 | 第33-38页 |
| 3.3.2 模拟退火算法多目标降维寻优 | 第38-40页 |
| 3.4 算例分析 | 第40-45页 |
| 3.4.1 误差度有效性及优化过程分析 | 第40-43页 |
| 3.4.2 IEEE-30节点系统算例结果 | 第43-44页 |
| 3.4.3 IEEE-57节点系统算例结果 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于自适应遗传算法与模糊决策的电网分布式能源功率优化 | 第46-63页 |
| 4.1 引言 | 第46-47页 |
| 4.2 目标函数 | 第47-49页 |
| 4.3 约束条件及处理 | 第49-50页 |
| 4.4 自适应遗传算法 | 第50-52页 |
| 4.5 模糊决策 | 第52-53页 |
| 4.6 算例分析 | 第53-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第五章 结束语 | 第63-65页 |
| 5.1 主要工作与创新点 | 第63页 |
| 5.2 后续研究工作 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间已发表或录用的论文 | 第72页 |
