| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 本文研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 电力系统小干扰稳定分析 | 第13-14页 |
| 1.2.2 电力系统动态稳定安全预警 | 第14-15页 |
| 1.2.3 数据驱动方法在电力系统中的应用 | 第15-16页 |
| 1.3 本文工作与章节安排 | 第16-19页 |
| 1.3.1 本文创新点 | 第16-17页 |
| 1.3.2 章节内容安排 | 第17-19页 |
| 第二章 基于卷积神经网络的电力系统小干扰稳定评估 | 第19-41页 |
| 2.1 引言 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-24页 |
| 2.2.1 深度学习 | 第20页 |
| 2.2.2 卷积神经网络的结构 | 第20-23页 |
| 2.2.3 CNN相对其他数据驱动方法的优点 | 第23-24页 |
| 2.3 基于卷积神经网络的电力系统小干扰稳定分评估 | 第24-31页 |
| 2.3.1 输入变量选择 | 第24-25页 |
| 2.3.2 问题描述 | 第25-26页 |
| 2.3.3 建模过程 | 第26-28页 |
| 2.3.4 对大规模系统的优化 | 第28页 |
| 2.3.5 CNN并行计算方法 | 第28-31页 |
| 2.4 数值实验 | 第31-39页 |
| 2.4.1 测试系统 | 第31-32页 |
| 2.4.2 系统正常运行时的评估结果 | 第32-34页 |
| 2.4.3 考虑线路N-1的评估结果 | 第34-37页 |
| 2.4.4 PMU配置的影响 | 第37-38页 |
| 2.4.5 并行计算效率 | 第38-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第三章 基于双流卷积神经网络的电力系统小干扰稳定预警 | 第41-60页 |
| 3.1 引言 | 第41-42页 |
| 3.2 双流卷积神经网络(双流CNN) | 第42-46页 |
| 3.2.1 双流CNN的结构 | 第42-45页 |
| 3.2.2 结合电力系统小干扰稳定问题的结构修改 | 第45-46页 |
| 3.3 基于双流CNN的电力系统小干扰稳定预警 | 第46-50页 |
| 3.3.1 输入变量选择 | 第46-47页 |
| 3.3.2 问题描述 | 第47页 |
| 3.3.3 建模过程 | 第47-50页 |
| 3.4 双流CNN模型压缩 | 第50-54页 |
| 3.4.1 CNN常用模型压缩方法 | 第50-52页 |
| 3.4.2 压缩后的双流CNN结构 | 第52-54页 |
| 3.5 数值实验 | 第54-59页 |
| 3.5.1 关键特征值运动趋势预测结果 | 第54-57页 |
| 3.5.2 模型压缩效率 | 第57-58页 |
| 3.5.3 并行计算效率 | 第58-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第四章 总结与展望 | 第60-63页 |
| 4.1 研究工作总结 | 第60-61页 |
| 4.2 后续工作展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 作者简历 | 第69页 |