| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 关于电力系统低频振荡问题的研究现状 | 第11-17页 |
| 1.2.1 低频振荡产生机理的研究 | 第11-13页 |
| 1.2.2 低频振荡分析方法的研究 | 第13-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 第二章 低频振荡的在线监测及其传统模式辨识方法 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 广域测量系统 | 第18-20页 |
| 2.2.1 概述 | 第18-19页 |
| 2.2.2 国内外WAMS发展现状 | 第19-20页 |
| 2.3 低频振荡信号的数学模型 | 第20-21页 |
| 2.4 传统Prony算法理论基础 | 第21-23页 |
| 2.5 传统Prony算法应用的常见问题 | 第23-24页 |
| 2.5.1 模型的阶数确定 | 第23-24页 |
| 2.5.2 噪声及非线性的影响 | 第24页 |
| 2.5.3 矩阵运算的可靠性及病态方程的问题 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于奇异值分解定阶和群搜索算法的低频振荡模式辨识 | 第25-48页 |
| 3.1 引言 | 第25页 |
| 3.2 基于广义形态滤波器预处理的SVD定阶 | 第25-29页 |
| 3.2.1 数学形态学理论基础 | 第25-26页 |
| 3.2.2 广义形态滤波器 | 第26-27页 |
| 3.2.3 SVD定阶法 | 第27-29页 |
| 3.3 基于群搜索算法的低频振荡模式辨识 | 第29-34页 |
| 3.3.1 GSO算法概述 | 第29-32页 |
| 3.3.2 群搜索算法在低频振荡模式辨识中的具体实现 | 第32-34页 |
| 3.4 算例验证 | 第34-46页 |
| 3.4.1 基于MATLAB理想信号的算例验证 | 第34-43页 |
| 3.4.2 基于RTDS仿真模型信号的算例验证 | 第43-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于深度学习的低频振荡模式辨识 | 第48-63页 |
| 4.1 引言 | 第48页 |
| 4.2 深度学习基本概念 | 第48-49页 |
| 4.3 深度置信网络(DBN) | 第49-53页 |
| 4.3.1 RBM模型参数分析 | 第50-51页 |
| 4.3.2 RBM的训练方法 | 第51-52页 |
| 4.3.3 BP神经网络 | 第52-53页 |
| 4.4 基于深度置信网络的低频振荡模式辨识 | 第53-58页 |
| 4.4.1 算法基本框架结构 | 第53-54页 |
| 4.4.2 算法基本流程 | 第54-58页 |
| 4.4.2.1 低频振荡信号训练和测试样本设计 | 第54-55页 |
| 4.4.2.2 DBN模型的训练 | 第55-56页 |
| 4.4.2.3 DBN算法参数设计 | 第56-57页 |
| 4.4.2.4 参数辨识流程 | 第57-58页 |
| 4.5 算例验证 | 第58-62页 |
| 4.5.1 基于仿真信号的算例验证 | 第58-61页 |
| 4.5.2 基于WAMS和仿真模型的算例验证 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 结论与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |