基于深度学习的电力系统扰动后频率预测
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外频率预测的研究现状 | 第15-19页 |
| 1.2.1 电力系统频率预测方法研究现状 | 第15-17页 |
| 1.2.2 基于人工智能的频率预测方法研究现状 | 第17-19页 |
| 1.3 本文研究内容 | 第19-21页 |
| 第2章 深度学习基本原理及其适应场景 | 第21-33页 |
| 2.1 深度学习理论框架 | 第21-24页 |
| 2.1.1 深度学习基本思想 | 第21-22页 |
| 2.1.2 深度学习与神经网络 | 第22-24页 |
| 2.1.3 深度学习训练方法 | 第24页 |
| 2.2 深度学习结构 | 第24-25页 |
| 2.3 深度学习典型模型 | 第25-31页 |
| 2.3.1 深度神经网络(DNN) | 第25-27页 |
| 2.3.2 受限玻尔兹曼机(RBM) | 第27-29页 |
| 2.3.3 深度信念网络(DBN) | 第29-31页 |
| 2.4 深度学习针对频率预测的适应性 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 电网动态频率响应模式特征定义及计算方法 | 第33-46页 |
| 3.1 系统动态频率描述与分析 | 第33-35页 |
| 3.1.1 系统频率的基本概念 | 第33-34页 |
| 3.1.2 频率动态特性 | 第34-35页 |
| 3.2 动态频率响应模式定义及特征提取 | 第35-37页 |
| 3.2.1 频率平均变化率 | 第35-36页 |
| 3.2.2 频率最大偏移量及其对应时间 | 第36-37页 |
| 3.3 输入特征量的选择和计算 | 第37-39页 |
| 3.3.1 功率扰动程度 | 第37-38页 |
| 3.3.2 旋转备用 | 第38页 |
| 3.3.3 惯性时间常数 | 第38-39页 |
| 3.3.4 负荷模型 | 第39页 |
| 3.4 动态频率特征仿真 | 第39-45页 |
| 3.4.1 仿真设置 | 第39-40页 |
| 3.4.2 扰动程度的影响 | 第40-42页 |
| 3.4.3 旋转备用的影响 | 第42-43页 |
| 3.4.4 惯性时间常数的影响 | 第43-44页 |
| 3.4.5 负荷模型的影响 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 大扰动频率响应场景生成机制 | 第46-59页 |
| 4.1 大扰动频率响应数据库的生成流程 | 第46-48页 |
| 4.1.1 PSS/E暂态仿真基本流程 | 第46-47页 |
| 4.1.2 扰动功能模块实现 | 第47-48页 |
| 4.2 大扰动频率响应数据库的生成策略 | 第48-49页 |
| 4.2.1 基本思想 | 第48页 |
| 4.2.2 数据库生成方法 | 第48-49页 |
| 4.3 程序总体设计 | 第49-57页 |
| 4.3.1 程序基本流程 | 第49-51页 |
| 4.3.2 扰动函数模块介绍 | 第51-56页 |
| 4.3.3 数据库生成结果 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 基于深度信念神经网络的频率预测方法 | 第59-72页 |
| 5.1 深度信念神经网络 | 第59-62页 |
| 5.1.1 网络结构 | 第59页 |
| 5.1.2 训练方法 | 第59-62页 |
| 5.2 深度信念神经网络频率预测模型 | 第62-66页 |
| 5.2.1 预测模型构建过程 | 第62-63页 |
| 5.2.2 预测模型的输入和输出 | 第63-64页 |
| 5.2.3 预测模型的网络结构设计 | 第64-65页 |
| 5.2.4 评价标准 | 第65-66页 |
| 5.3 仿真与结果分析 | 第66-71页 |
| 5.3.1 仿真设置 | 第66页 |
| 5.3.2 网络结构参数分析 | 第66-69页 |
| 5.3.3 模型预测性能分析 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| 6.1 本文总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |
| 学位论文评阅及答辩情况表 | 第80页 |
