| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第12-22页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 暂态功角稳定的定义与数学模型 | 第13-14页 |
| 1.2.1 暂态功角稳定的定义 | 第13页 |
| 1.2.2 暂态功角稳定的数学模型 | 第13-14页 |
| 1.3 暂态功角稳定评估方法 | 第14-18页 |
| 1.3.1 数值仿真法 | 第14-15页 |
| 1.3.2 直接法 | 第15-17页 |
| 1.3.3 基于轨迹的分析方法 | 第17-18页 |
| 1.3.4 机器学习 | 第18页 |
| 1.4 基于机器学习的暂态稳定评估 | 第18-21页 |
| 1.4.1 基于机器学习的暂态稳定问题描述 | 第18-19页 |
| 1.4.2 基于机器学习的暂态稳定现状 | 第19-21页 |
| 1.5 本文的主要研究内容 | 第21-22页 |
| 2 机端电压轨迹与暂态稳定性 | 第22-27页 |
| 2.1 双机等值系统 | 第22-23页 |
| 2.2 电压幅值轨迹与功角稳定性关系 | 第23-25页 |
| 2.3 电压幅值轨迹特征 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于模糊聚类及Adaboost-SVM的暂态稳定评估 | 第27-42页 |
| 3.1 模糊聚类法(FCM)概述 | 第27-29页 |
| 3.2 支持向量机概述 | 第29-33页 |
| 3.2.1 线性可分 | 第29-32页 |
| 3.2.2 线性不可分 | 第32-33页 |
| 3.3 Adaboost概述 | 第33-34页 |
| 3.4 整体方案实施 | 第34-36页 |
| 3.5 算例仿真与结果分析 | 第36-41页 |
| 3.5.1 测试系统 | 第36页 |
| 3.5.2 生成样本集 | 第36-37页 |
| 3.5.3 交叉验证 | 第37页 |
| 3.5.4 模型性能 | 第37-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于改进shapelet的暂态稳定评估 | 第42-59页 |
| 4.1 shapelet概述 | 第42-44页 |
| 4.2 Shapelet的搜索方式 | 第44-50页 |
| 4.2.1 暴力算法(Brute Force) | 第44-47页 |
| 4.2.2 删减子序列距离的冗余计算 | 第47-48页 |
| 4.2.3 早期剪枝 | 第48-50页 |
| 4.3 使用PSO加速shapelet的提取 | 第50-53页 |
| 4.3.1 shapelet提取的加速方式 | 第50-51页 |
| 4.3.2 使用PSO加速shapelet的提取 | 第51-53页 |
| 4.4 整体方案实施 | 第53-55页 |
| 4.5 算例分析 | 第55-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 结论与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 作者简历 | 第67页 |