| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 电压稳定裕度指标计算方法研究现状 | 第14-16页 |
| 1.3 神经网络快速算法研究现状 | 第16-19页 |
| 1.3.1 电力系统中神经网络的应用现状 | 第17页 |
| 1.3.2 神经网络输入样本选择的研究现状 | 第17-18页 |
| 1.3.3 主成分分析法降低样本维数 | 第18页 |
| 1.3.4 PMU优化快速获取输入样本 | 第18-19页 |
| 1.4 本文主要研究内容 | 第19-21页 |
| 第2章 基于连续潮流法的裕度指标计算 | 第21-31页 |
| 2.1 裕度指标 | 第21-22页 |
| 2.2 潮流方程 | 第22页 |
| 2.3 连续潮流法计算裕度指标 | 第22-26页 |
| 2.4 系统随机样本 | 第26-28页 |
| 2.4.1 系统随机干扰模型 | 第26-28页 |
| 2.5 算例与分析 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 含风电场系统的裕度指标计算 | 第31-39页 |
| 3.1 风力发电机 | 第31-32页 |
| 3.2 风机的稳态等值电路 | 第32-35页 |
| 3.2.1 异步风力发电机等值电路 | 第32-34页 |
| 3.2.2 双馈异步风力发电机等值电路 | 第34-35页 |
| 3.3 含风机系统的裕度指标计算 | 第35-36页 |
| 3.3.1 含异步风力发电机的连续潮流计算 | 第35-36页 |
| 3.3.2 含双馈风力发电机的裕度指标计算方法 | 第36页 |
| 3.4 风电场随机风速模型 | 第36-37页 |
| 3.5 算例与分析 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于神经网络的裕度指标快速计算 | 第39-61页 |
| 4.1 两种神经网络的特性 | 第39-41页 |
| 4.1.1 BPNN的缺陷 | 第39-40页 |
| 4.1.2 GRNN的优势 | 第40-41页 |
| 4.2 基于PCA-GRNN的裕度指标快速计算 | 第41-44页 |
| 4.2.1 基于GRNN的裕度指标快速计算 | 第41-42页 |
| 4.2.2 主成分分析法对GRNN的改进 | 第42-44页 |
| 4.2.3 神经网络计算结果的评估方法 | 第44页 |
| 4.3 PMU优化配置获取神经网络的输入样本 | 第44-50页 |
| 4.3.1 系统可观测分析 | 第45-46页 |
| 4.3.2 PMU优化配置获取所有节点电压向量 | 第46-48页 |
| 4.3.3 PMU优化配置获取部分节点电压向量 | 第48-50页 |
| 4.4 含风电场系统裕度指标快速计算 | 第50页 |
| 4.5 算例与分析 | 第50-59页 |
| 4.5.1 系统完全可观测时神经网络计算结果对比 | 第51-56页 |
| 4.5.2 系统非完全可观测时PCA-GRNN的计算结果 | 第56-58页 |
| 4.5.3 PCA-GRNN计算含风电场系统的裕度指标 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录A 攻读学位期间主要研究成果 | 第69页 |