| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 配电网状态估计及量测装置配置方案的研究现状 | 第10-14页 |
| 1.2.1 静态状态估计和动态状态估计 | 第10-11页 |
| 1.2.2 线性状态估计和非线性状态估计 | 第11页 |
| 1.2.3 量测装置配置 | 第11-13页 |
| 1.2.4 神经网络状态估计 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 配电网状态估计原理 | 第15-19页 |
| 2.1 状态估计数学描述 | 第15页 |
| 2.2 状态估计算法 | 第15-17页 |
| 2.2.1 加权最小二乘状态估计 | 第16页 |
| 2.2.2 快速分解状态估计 | 第16-17页 |
| 2.2.3 量测变换状态估计 | 第17页 |
| 2.3 本章小结 | 第17-19页 |
| 第3章 PMU和传统量测装置混合配置方案研究 | 第19-32页 |
| 3.1 和声搜索算法 | 第19-21页 |
| 3.2 Pareto多目标模型 | 第21-22页 |
| 3.3 多目标优化的PMU和传统量测装置配置方案研究 | 第22-31页 |
| 3.3.1 保证系统可观情况下传统装置的配置 | 第22-23页 |
| 3.3.2 保证系统可观情况下PMU的配置 | 第23-24页 |
| 3.3.3 PMU和传统装置混合配置 | 第24-28页 |
| 3.3.4 两种装置混合后的结果分析 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于神经网络的配电网状态估计算法 | 第32-45页 |
| 4.1 BP神经网络 | 第32-33页 |
| 4.2 基于PSO的神经网络配电网状态估计模型及算法 | 第33-44页 |
| 4.2.1 粒子群算法 | 第33-35页 |
| 4.2.2 基于PSO的SAE-BP配电网状态估计模型 | 第35-38页 |
| 4.2.3 配电网IEEE14结果分析 | 第38-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 状态估计应用软件设计 | 第45-51页 |
| 5.1 需求分析 | 第45页 |
| 5.2 软件设计 | 第45-47页 |
| 5.3 编码实现 | 第47-48页 |
| 5.4 界面及结果展示 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 结论与展望 | 第51-53页 |
| 6.1 论文的主要成果 | 第51页 |
| 6.2 未来工作及展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士期间学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
