| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 第1章 绪论 | 第15-27页 |
| ·选题背景与意义 | 第15-16页 |
| ·暂态稳定的定义及数学描述 | 第16-17页 |
| ·暂态稳定的定义 | 第16页 |
| ·暂态稳定的数学描述 | 第16-17页 |
| ·暂态稳定评估技术概述 | 第17-21页 |
| ·时域仿真法 | 第17-18页 |
| ·直接法 | 第18-19页 |
| ·模式识别方法 | 第19-21页 |
| ·基于模式识别技术的暂态稳定评估研究现状 | 第21-26页 |
| ·输入特征的构造 | 第21页 |
| ·特征分析方法 | 第21-22页 |
| ·评估模型的构建和学习方法 | 第22-25页 |
| ·与其它方法的结合 | 第25-26页 |
| ·本文主要工作 | 第26-27页 |
| 第2章 暂态稳定评估的特征选择研究 | 第27-45页 |
| ·引言 | 第27页 |
| ·机理分析和特征集的构造 | 第27-34页 |
| ·故障后系统稳定信息的实时获取手段 | 第27-28页 |
| ·原始特征选择的原则 | 第28页 |
| ·输入特征描述 | 第28-34页 |
| ·特征选择方法 | 第34-38页 |
| ·最大相关最小冗余准则(mRMR)简介 | 第34-36页 |
| ·基于改进mRMR的特征选择方法 | 第36-38页 |
| ·算例分析 | 第38-44页 |
| ·新英格兰39节点系统 | 第38-42页 |
| ·IEEE 50机测试系统 | 第42-43页 |
| ·其他评估模型的评估结果 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 暂态稳定评估分类器构建研究 | 第45-60页 |
| ·引言 | 第45页 |
| ·基于局部学习机的暂态稳定评估 | 第45-54页 |
| ·LLM原理简介 | 第45-47页 |
| ·基于优化LLM的暂态稳定评估 | 第47-51页 |
| ·算例分析 | 第51-54页 |
| ·基于极限学习机的暂态稳定评估 | 第54-59页 |
| ·ELM的基本原理 | 第54-55页 |
| ·基于优化ELM的暂态稳定评估 | 第55-57页 |
| ·算例分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第4章 暂态稳定评估在线学习机制研究 | 第60-69页 |
| ·引言 | 第60-61页 |
| ·OS-ELM基本原理 | 第61-62页 |
| ·初始化阶段 | 第61页 |
| ·序贯学习阶段 | 第61-62页 |
| ·基于集成OS-ELM的暂态稳定评估 | 第62-65页 |
| ·集成 OS-ELM | 第62-64页 |
| ·基于集成OS-ELM的TSA模型 | 第64-65页 |
| ·算例分析 | 第65-67页 |
| ·算例介绍 | 第65页 |
| ·样本集的构造 | 第65页 |
| ·结果与讨论 | 第65-67页 |
| ·本章小结 | 第67-69页 |
| 第5章 暂态稳定评估方法的拓扑变化适应性研究 | 第69-74页 |
| ·引言 | 第69页 |
| ·基于优化ELM的暂态稳定评估 | 第69-70页 |
| ·原始特征集的构建 | 第70页 |
| ·算例分析 | 第70-73页 |
| ·算例介绍 | 第70页 |
| ·样本集的构造 | 第70-71页 |
| ·结果与讨论 | 第71-72页 |
| ·其他评估模型的评估结果 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第6章 基于极限学习机和改进蚁群挖掘算法的稳定评估规则提取研究 | 第74-81页 |
| ·引言 | 第74页 |
| ·蚁群挖掘算法简介 | 第74-75页 |
| ·基于ELM和改进蚁群挖掘算法的稳定评估规则提取 | 第75-78页 |
| ·规则提取步骤 | 第75-76页 |
| ·特征选择 | 第76页 |
| ·示例样本集的获取 | 第76-77页 |
| ·规则学习 | 第77-78页 |
| ·算例分析 | 第78-80页 |
| ·算例介绍 | 第78-79页 |
| ·结果与讨论 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第7章 结论与展望 | 第81-83页 |
| 附录 | 第83-84页 |
| 参考文献 | 第84-98页 |
| 攻读博士学位期间发表的论文及其它成果 | 第98-99页 |
| 攻读博士学位期间参加的科研工作 | 第99-100页 |
| 致谢 | 第100-101页 |
| 作者简介 | 第101页 |