| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 电力系统暂态稳定评估方法 | 第10-15页 |
| 1.2.1 时域仿真法 | 第10-11页 |
| 1.2.2 直接法 | 第11-12页 |
| 1.2.3 基于轨迹的分析方法 | 第12-13页 |
| 1.2.4 机器学习与深度学习 | 第13-15页 |
| 1.3 本文主要工作 | 第15-18页 |
| 1.3.1 基本研究思路 | 第15-16页 |
| 1.3.2 主要研究内容 | 第16-18页 |
| 第2章 基于EChart的电网动态过程可视化 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 电网可视化 | 第18-22页 |
| 2.2.1 电网可视化发展过程 | 第18-20页 |
| 2.2.2 传统可视化的几个角度 | 第20-22页 |
| 2.2.3 本文可视化分析方法 | 第22页 |
| 2.3 基于EChart的电网暂态过程实现 | 第22-25页 |
| 2.3.1 EChart实现流程 | 第23页 |
| 2.3.2 基于电压信息的电网动态拓扑 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于电压相量距离的暂态稳定分析 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 电压相量距离和薄弱断面 | 第26-29页 |
| 3.2.1 线路的电压相量距离 | 第26-27页 |
| 3.2.2 两机系统中的电压相量距离和薄弱断面分析 | 第27-29页 |
| 3.3 动态实时观测及稳定判据 | 第29-33页 |
| 3.3.1 电压相量平面中动态展示 | 第30-31页 |
| 3.3.2 基于割集搜索算法的薄弱断面动态识别 | 第31页 |
| 3.3.3 基于薄弱断面信息的稳定性评估 | 第31-33页 |
| 3.4 算例 | 第33-39页 |
| 3.4.1 10机39节点系统仿真分析 | 第33-36页 |
| 3.4.2 南方电网交直流混联系统仿真分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 深度学习及其主流框架 | 第40-51页 |
| 4.1 引言 | 第40页 |
| 4.2 神经网络理论 | 第40-45页 |
| 4.2.1 BP神经网络 | 第40-43页 |
| 4.2.2 卷积神经网络(CNN) | 第43-45页 |
| 4.3 硬件加速及主流框架 | 第45-50页 |
| 4.3.1 4类主流GPU及英伟达cuDNN | 第46-47页 |
| 4.3.2 深度学习框架 | 第47-49页 |
| 4.3.3 几种深度学习经典模型 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 基于深度学习的电网暂态稳定评估 | 第51-73页 |
| 5.1 引言 | 第51页 |
| 5.2 数据样本 | 第51-56页 |
| 5.2.1 批量制造样本的方法 | 第51-52页 |
| 5.2.2 基于BPA的自动仿真程序开发 | 第52-54页 |
| 5.2.3 数据处理 | 第54-56页 |
| 5.3 建立基于CNN的暂态稳定评估模型 | 第56-62页 |
| 5.3.1 卷积网络构建 | 第56-58页 |
| 5.3.2 模型训练 | 第58-62页 |
| 5.4 本章算例 | 第62-72页 |
| 5.4.1 实验环境设计 | 第63页 |
| 5.4.2 实验数据准备 | 第63-64页 |
| 5.4.3 模型选择 | 第64-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79-80页 |
| 附录 | 第80-84页 |
| 附录1 | 第80-81页 |
| 附录2 | 第81-82页 |
| 附录3 | 第82-84页 |
| 致谢 | 第84页 |