| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 智能电网概述 | 第11-14页 |
| 1.2 潮流算法研究的发展状况 | 第14-18页 |
| 1.2.1 潮流计算的数学模型 | 第14页 |
| 1.2.2 潮流计算在传统电网中的算法 | 第14-16页 |
| 1.2.3 潮流计算在智能电网中的算法 | 第16-18页 |
| 1.3 最优潮流算法研究的发展状况 | 第18-24页 |
| 1.3.1 最优潮流的数学模型 | 第18-20页 |
| 1.3.2 最优潮流在电力系统中的算法 | 第20-24页 |
| 1.4 本文的主要工作 | 第24-25页 |
| 第2章 牛顿法潮流计算的收敛性分析和最优初值选取方法 | 第25-47页 |
| 2.1 引言 | 第25-26页 |
| 2.2 牛顿法潮流计算的数学机理 | 第26-27页 |
| 2.3 牛顿法潮流计算的收敛定理和最大迭代次数估计定理 | 第27-33页 |
| 2.3.1 牛顿法潮流计算的收敛定理 | 第27-31页 |
| 2.3.2 牛顿法潮流计算的迭代次数估计定理 | 第31-33页 |
| 2.4 基于遗传算法的潮流计算最优初值选取方法 | 第33-35页 |
| 2.5 仿真分析及实际电网验证 | 第35-46页 |
| 2.5.1 通辽电网的潮流计算实例分析 | 第35-38页 |
| 2.5.2 牛顿法潮流计算的收敛定理仿真分析 | 第38-42页 |
| 2.5.3 基于遗传算法的最优初值选取仿真分析 | 第42-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第3章 基于Fisher函数的广义梯度投影最优潮流算法 | 第47-65页 |
| 3.1 引言 | 第47-48页 |
| 3.2 广义梯度投影最优潮流的数学模型 | 第48-49页 |
| 3.3 基于Fisher函数的广义梯度投影最优潮流算法 | 第49-56页 |
| 3.4 算法的全局收敛性 | 第56-57页 |
| 3.5 仿真分析 | 第57-64页 |
| 3.5.1 IEEE标准节点的仿真结果 | 第57-62页 |
| 3.5.2 与现有方法的比较 | 第62-64页 |
| 3.6 本章小结 | 第64-65页 |
| 第4章 基于Hopfield神经网络的最优潮流算法 | 第65-87页 |
| 4.1 引言 | 第65-66页 |
| 4.2 基于有功无功解耦的最优潮流数学模型 | 第66-67页 |
| 4.3 Hopfield神经网络 | 第67-72页 |
| 4.3.1 Hopfield神经网络的能量函数 | 第67-68页 |
| 4.3.2 有功和无功最优化问题的Hopfield模型表示 | 第68-72页 |
| 4.4 基于Hopfield神经网络的最优潮流算法 | 第72-75页 |
| 4.5 基于双Hopfield神经网络的最优潮流算法 | 第75-78页 |
| 4.6 仿真分析 | 第78-86页 |
| 4.7 本章小结 | 第86-87页 |
| 第5章 总结与展望 | 第87-89页 |
| 参考文献 | 第89-95页 |
| 致谢 | 第95-97页 |
| 硕士期间所做工作 | 第97-98页 |
