电力系统风险调度的智能优化方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 电力系统风险调度研究 | 第10-11页 |
| 1.2.2 智能优化技术研究与发展 | 第11-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 第二章 基于知识迁移的细菌觅食强化学习优化算法 | 第15-23页 |
| 2.1 细菌觅食算法概述 | 第15页 |
| 2.2 Q-学习算法概述 | 第15-16页 |
| 2.3 迁移学习概述 | 第16-17页 |
| 2.4 基于知识迁移的细菌觅食强化学习优化算法 | 第17-22页 |
| 2.4.1 知识矩阵 | 第17-18页 |
| 2.4.2 知识迁移 | 第18-19页 |
| 2.4.3 知识获取 | 第19-21页 |
| 2.4.4 动作策略 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 TBFO算法在风险调度中的应用 | 第23-38页 |
| 3.1 风险调度数学模型 | 第23-26页 |
| 3.1.1 运行风险指标计算 | 第23-24页 |
| 3.1.2 风险调度的目标函数及约束条件 | 第24-26页 |
| 3.2 风险调度的求解 | 第26-29页 |
| 3.2.1 算法结构优化 | 第26页 |
| 3.2.2 状态与动作设计 | 第26页 |
| 3.2.3 奖励函数设计 | 第26-27页 |
| 3.2.4 迁移设计 | 第27-28页 |
| 3.2.5 参数设置 | 第28-29页 |
| 3.3 仿真算例 | 第29-36页 |
| 3.3.1 仿真模型 | 第29-31页 |
| 3.3.2 对源任务的预学习 | 第31-32页 |
| 3.3.3 新任务的迁移学习 | 第32-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 帕累托部落进化算法在风险鲁棒调度中的应用 | 第38-58页 |
| 4.1 帕累托部落进化算法原理 | 第38-43页 |
| 4.1.1 帕累托优化 | 第38页 |
| 4.1.2 基于非支配排序和共享度的个体强度 | 第38-39页 |
| 4.1.3 部落寻优原理 | 第39-42页 |
| 4.1.4 基于灰色关联度的折中解选择 | 第42-43页 |
| 4.2 风险鲁棒调度数学模型 | 第43-48页 |
| 4.2.1 鲁棒经济调度的原理 | 第43-44页 |
| 4.2.2 基于模糊机会约束的鲁棒经济调度 | 第44-45页 |
| 4.2.3 基于蒙特卡洛法的供需系统风险评估 | 第45-46页 |
| 4.2.4 风险鲁棒调度的目标函数与约束条件 | 第46-48页 |
| 4.3 求解设计 | 第48-49页 |
| 4.3.1 隶属度函数设计 | 第48页 |
| 4.3.2 适应度函数设计 | 第48-49页 |
| 4.4 仿真分析 | 第49-56页 |
| 4.4.1 仿真模型和参数 | 第49-51页 |
| 4.4.2 仿真结果分析 | 第51-56页 |
| 4.5 本章小结 | 第56-58页 |
| 结论与展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
