| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 电力系统暂态稳定评估研究现状 | 第9-15页 |
| 1.2.1 传统暂稳评估方法研究现状 | 第9-11页 |
| 1.2.2 机器学习法暂稳评估研究现状 | 第11-15页 |
| 1.3 本文主要研究内容 | 第15-18页 |
| 2 半监督支持向量机暂态稳定评估基础理论 | 第18-34页 |
| 2.1 引言 | 第18页 |
| 2.2 支持向量机算法简介 | 第18-26页 |
| 2.2.1 标准支持向量机 | 第18-22页 |
| 2.2.2 孪生支持向量机 | 第22-26页 |
| 2.3 半监督学习理论 | 第26-27页 |
| 2.3.1 基于图的半监督学习 | 第26页 |
| 2.3.2 直推式半监督学习 | 第26-27页 |
| 2.4 机器学习法暂态稳定评估框架 | 第27-32页 |
| 2.4.1 样本生成与特征构建 | 第27-28页 |
| 2.4.2 关键特征的选择及提取 | 第28-29页 |
| 2.4.3 模型构建与参数寻优 | 第29-31页 |
| 2.4.4 结果检验及性能评价 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 3 基于模糊半监督孪生支持向量机的暂态稳定评估 | 第34-56页 |
| 3.1 引言 | 第34页 |
| 3.2 模糊拉普拉斯孪生支持向量机算法 | 第34-42页 |
| 3.2.1 拉普拉斯正则化半监督学习框架 | 第34-35页 |
| 3.2.2 模糊隶属度函数的构建 | 第35-37页 |
| 3.2.3 模糊拉普拉斯孪生支持向量机 | 第37-42页 |
| 3.3 基于FLAP-TWSVM的电力系统暂态稳定评估模型 | 第42-45页 |
| 3.3.1 半监督机器学习法暂稳评估问题描述 | 第42页 |
| 3.3.2 关键输入特征集的构建与缩减 | 第42-44页 |
| 3.3.3 基于FLAP-TWSVM的暂态稳定评估流程 | 第44-45页 |
| 3.4 算例与结果分析 | 第45-54页 |
| 3.4.1 WSCC-9 节点系统 | 第46-49页 |
| 3.4.2 IEEE-39 节点系统 | 第49-54页 |
| 3.5 本章小结 | 第54-56页 |
| 4 基于在线自适应直推式支持向量机的暂态稳定评估 | 第56-72页 |
| 4.1 引言 | 第56页 |
| 4.2 基本研究思路 | 第56-57页 |
| 4.3 在线自适应直推式支持向量机学习算法 | 第57-62页 |
| 4.3.1 直推式支持向量机的原理 | 第57-58页 |
| 4.3.2 在线增量学习与减量学习 | 第58-61页 |
| 4.3.3 参数摄动模型自适应优化 | 第61-62页 |
| 4.4 基于OATSVM的电力系统暂态稳定实时评估方法 | 第62-66页 |
| 4.4.1 输入特征的构建原则及描述 | 第62-65页 |
| 4.4.2 在线自适应暂态稳定评估流程 | 第65-66页 |
| 4.5 算例与结果分析 | 第66-71页 |
| 4.5.1 样本数据集的构造 | 第66-67页 |
| 4.5.2 评估精度及时间分析 | 第67-71页 |
| 4.6 本章小结 | 第71-72页 |
| 5 结论与展望 | 第72-74页 |
| 5.1 结论 | 第72页 |
| 5.2 展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录 | 第80-82页 |
| A.作者在攻读硕士学位期间完成的论文 | 第80-81页 |
| B.学位论文数据集 | 第81-82页 |
| 致谢 | 第82页 |
