| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 电力系统暂态稳定的基本原理 | 第10-13页 |
| 1.2.1 电力系统暂态稳定概念 | 第10页 |
| 1.2.2 电力系统暂态稳定评估的方法简介 | 第10-13页 |
| 1.3 基于机器学习方法的研究现状 | 第13-14页 |
| 1.4 本文主要工作 | 第14-16页 |
| 第2章 暂态特征变量的选择与样本的确定 | 第16-23页 |
| 2.1 引言 | 第16-17页 |
| 2.2 选取特征量的原则 | 第17页 |
| 2.3 常用的特征变量 | 第17-21页 |
| 2.4 暂态稳定的判断与样本的获得 | 第21-22页 |
| 2.4.1 暂态稳定的判断 | 第21页 |
| 2.4.2 样本的获得 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于最小二乘支持向量机的电力系统暂态稳定评估 | 第23-34页 |
| 3.1 粗糙集理论 | 第23-26页 |
| 3.1.1 信息系统 | 第23页 |
| 3.1.2 不可分辨关系 | 第23页 |
| 3.1.3 粗糙近似 | 第23-24页 |
| 3.1.4 约简与核 | 第24页 |
| 3.1.5 连续属性离散化 | 第24-25页 |
| 3.1.6 基于依赖度的属性约简算法 | 第25-26页 |
| 3.2 支持向量机理论 | 第26-29页 |
| 3.2.1 线性支持向量机 | 第26-27页 |
| 3.2.2 非线性支持向量机 | 第27-28页 |
| 3.2.3 最小二乘支持向量机 | 第28-29页 |
| 3.3 算法流程 | 第29-30页 |
| 3.4 算例分析 | 第30-33页 |
| 3.4.1 样本属性离散化和属性约简 | 第30-32页 |
| 3.4.2 基于最小二乘支持向量机的暂态稳定评估 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于深度信念网络的电力系统暂态稳定评估 | 第34-46页 |
| 4.1 深度学习 | 第34-38页 |
| 4.1.1 受限玻尔兹曼机（RBM）模型 | 第34-36页 |
| 4.1.2 受限玻尔兹曼机的学习算法 | 第36-38页 |
| 4.2 深度信念网络 | 第38-39页 |
| 4.3 DBN分类器算法流程图 | 第39-40页 |
| 4.4 算例分析 | 第40-45页 |
| 4.4.1 算例 1 | 第40-42页 |
| 4.4.2 算例 2 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 结论与展望 | 第46-48页 |
| 5.1 结论 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间发表的论文 | 第51-52页 |
| 攻读硕士学位期间参加的科研情况 | 第52-53页 |
| 致谢 | 第53页 |