| 第一章 绪论 | 第1-14页 |
| 1．1 静止无功发生器在电力系统中的作用 | 第7-10页 |
| 1．2 TCR 与TSC 型SVC 数字仿真的概况与存在的问题 | 第10-12页 |
| 1．3 本文的主要工作 | 第12-14页 |
| 第二章 修正后的阻尼梯形算法 | 第14-23页 |
| 2．1 阻尼梯形法及频谱误差分析 | 第14-17页 |
| 2．2 减少误差的修正阻尼梯形法 | 第17-20页 |
| 2．3 阻尼梯形法应用于跃变量的计算 | 第20-23页 |
| 第三章 基于神经网络的 PID 非线性控制系统的SVC 数学模型 | 第23-39页 |
| 3．1 BP 神经网络简介 | 第23-25页 |
| 3．2 PID 控制器的数学模型 | 第25-26页 |
| 3．3 基于神经网络的PID参数自适应算法 | 第26-32页 |
| 3．4 神经网络的训练 | 第32-35页 |
| 3．4．1 BP 神经网络的前向计算与权值的调整 | 第32-33页 |
| 3．4．2 样本的确定 | 第33-34页 |
| 3．4．3 初始权值的选择 | 第34页 |
| 3．4．4 训练次数的确定 | 第34-35页 |
| 3．5 基于神经网络的PID 非线性控制系统的TCR-TSC 型SVC 的综合友模 | 第35-39页 |
| 第四章 求解方法与步骤的相关程序处理 | 第39-54页 |
| 4．1 华东仿真软件PSS/E数据参数文件相关处理 | 第39-46页 |
| 4．1．1 PSS/E 序参数文件的利用及拓扑结构自动生成 | 第42-43页 |
| 4．1．2 利用PSS/E 数据文件提取元件数据及形成拓扑结构 | 第43-46页 |
| 4．2 实际无功输出参考值的计算整定 | 第46-47页 |
| 4．3 神经网络的PID 控制算法 | 第47-48页 |
| 4．4 基于神经网络的PID非线性控制系统的SVC相关程序的处理 | 第48-50页 |
| 4．5 仿真过程的整体思路 | 第50-53页 |
| 4．6 COMTRADE 数据文件生成 | 第53-54页 |
| 第五章 算例和结果分析 | 第54-64页 |
| 5．1 基于神经网络的非线性PID 控制SVC 模型潮流算例 | 第54-57页 |
| 5．2 华东500kV 等值网络算例 | 第57-64页 |
| 第六章 结论 | 第64-66页 |
| 6．1 本文的结论 | 第64-65页 |
| 6．2 今后的研究方向 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 发表论文和参加科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |
