| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 电网智能调度研究现状 | 第12-13页 |
| 1.2.2 电网安全态势评估与预测研究现状 | 第13-14页 |
| 1.3 论文主要工作与章节安排 | 第14-17页 |
| 1.3.1 论文主要工作 | 第14-15页 |
| 1.3.2 论文章节安排 | 第15-17页 |
| 第2章 电网安全态势评估指标体系及样本构建 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 电网安全态势评估指标体系的构建 | 第17-24页 |
| 2.2.1 指标体系的构建原则 | 第17页 |
| 2.2.2 电网安全态势评估指标体系的层次结构 | 第17-20页 |
| 2.2.3 电网安全态势评估指标的计算 | 第20-24页 |
| 2.3 模拟样本的构建 | 第24-26页 |
| 2.3.1 评估指标的量化分级 | 第24-25页 |
| 2.3.2 模拟样本来源 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 电网安全态势评估指标体系指标降维 | 第27-36页 |
| 3.1 引言 | 第27页 |
| 3.2 降维的定义及应用 | 第27-28页 |
| 3.2.1 降维的定义 | 第27-28页 |
| 3.2.2 Autoencoder方法 | 第28页 |
| 3.3 基于Autoencoder网络结构的指标降维 | 第28-31页 |
| 3.3.1 Autoencoder网络结构设计 | 第28-29页 |
| 3.3.2 Autoencoder降维流程 | 第29-31页 |
| 3.4 降维实验结果及分析 | 第31-35页 |
| 3.4.1 基于Autoencoder算法的降维流程 | 第31-32页 |
| 3.4.2 数据样本 | 第32-33页 |
| 3.4.3 评价标准 | 第33页 |
| 3.4.4 实验结果 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于ELM的电网安全态势评估模型 | 第36-42页 |
| 4.1 引言 | 第36页 |
| 4.2 电网安全态势评估建模原理 | 第36-38页 |
| 4.2.1 前馈神经网络模型及其缺点 | 第36-37页 |
| 4.2.2 极限学习机 | 第37-38页 |
| 4.3 基于极限学习机的电网安全态势评估模型 | 第38-39页 |
| 4.3.1 实现原理 | 第38页 |
| 4.3.2 电网安全态势评估模型实现 | 第38-39页 |
| 4.4 电网安全态势评估实验 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 基于加权OS-ELM的电网安全态势预测模型 | 第42-53页 |
| 5.1 引言 | 第42页 |
| 5.2 电网安全态势预测建模原理 | 第42-45页 |
| 5.2.1 在线序列极限学习机（OS-ELM） | 第42-43页 |
| 5.2.2 OS-ELM的算法流程 | 第43-44页 |
| 5.2.3 加权在线序列极限学习机 | 第44-45页 |
| 5.3 基于加权在线序列极限学习机的电网安全态势预测模型 | 第45-47页 |
| 5.3.1 电网安全态势预测模型实现 | 第45-46页 |
| 5.3.2 电网安全态势预测样本 | 第46-47页 |
| 5.4 电网安全态势预测实验 | 第47-52页 |
| 5.4.1 参数设置 | 第47页 |
| 5.4.2 评价标准 | 第47-48页 |
| 5.4.3 实验结果及分析 | 第48-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 结论与展望 | 第53-55页 |
| 6.1 结论 | 第53-54页 |
| 6.2 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |
