| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-19页 |
| ·无功优化研究的背景和意义 | 第11-13页 |
| ·电力系统无功优化算法的发展 | 第13-16页 |
| ·传统的优化算法 | 第13-14页 |
| ·人工智能优化算法 | 第14-16页 |
| ·电力系统无功优化的研究现状 | 第16-17页 |
| ·本文的主要工作 | 第17-19页 |
| 第2章 无功优化的数学模型与潮流计算 | 第19-32页 |
| ·无功优化数学模型概述 | 第19页 |
| ·单目标无功优化的数学模型 | 第19-21页 |
| ·等式约束条件 | 第19-20页 |
| ·不等式约束条件 | 第20-21页 |
| ·目标函数 | 第21页 |
| ·多目标无功优化的数学模型 | 第21-25页 |
| ·目标函数的转换 | 第23-25页 |
| ·无功优化中的潮流计算 | 第25-31页 |
| ·潮流计算的数学模型 | 第25-26页 |
| ·牛顿—拉夫逊迭代法潮流计算 | 第26-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于云自适应梯度粒子群算法（CAGPSO）的单目标无功优化 | 第32-41页 |
| ·云自适应梯度粒子群算法 | 第32-37页 |
| ·标准粒子群算法 | 第32-33页 |
| ·云模型 | 第33-35页 |
| ·梯度的思想 | 第35-36页 |
| ·云自适应梯度粒子群算法的调整策略 | 第36-37页 |
| ·基于云自适应梯度粒子群算法的单目标无功优化 | 第37-40页 |
| ·控制变量的选取 | 第37页 |
| ·控制变量的处理 | 第37-38页 |
| ·收敛条件 | 第38页 |
| ·基于云自适应梯度粒子群算法的单目标无功优化的流程图 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于改进社会认知优化算法（ISCO）的多目标无功优化 | 第41-48页 |
| ·社会认知优化算法（SCO） | 第41-44页 |
| ·社会认知优化算法的基本概念 | 第41-42页 |
| ·社会认知优化算法的实现过程 | 第42-43页 |
| ·社会认知优化算法的行动规则 | 第43-44页 |
| ·改进社会认知优化算法（ISCO） | 第44-45页 |
| ·收缩收索 | 第44页 |
| ·改进社会认知优化算法的流程图 | 第44-45页 |
| ·基于改进社会认知优化算法的多目标无功优化流程图 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 算例分析 | 第48-56页 |
| ·试验条件 | 第48页 |
| ·仿真结果及分析 | 第48-55页 |
| ·基于云自适应梯度粒子群算法的单目标无功优化算例分析 | 第48-52页 |
| ·基于改进社会认知优化算法的多目标无功优化算例分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 功读学位期间发表的学术论文和参加实践情况 | 第62-63页 |
| 附录 | 第63-70页 |
| 附录 A IEEE-14 节点系统参数 | 第63-66页 |
| 附录 B IEEE-30 节点系统参数 | 第66-70页 |
