| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·研究背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·论文主要工作与内容安排 | 第12-14页 |
| 第2章 采用混合量测的智能电网状态估计的研究 | 第14-20页 |
| ·电力系统状态估计的概念及数学模型 | 第14-16页 |
| ·量测系统的数学描述 | 第14页 |
| ·电力网络的数学描述 | 第14-15页 |
| ·电力系统状态估计的量测方程 | 第15-16页 |
| ·基于SCADA的传统量测系统 | 第16-17页 |
| ·基于PMU的WAMS量测系统 | 第17-18页 |
| ·PMU的原理 | 第17页 |
| ·PMU量测的应用 | 第17-18页 |
| ·基于混合量测的状态估计研究 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 基于相关向量机的状态估计模型 | 第20-28页 |
| ·电力系统状态估计常用算法分析 | 第20-23页 |
| ·加权最小二乘状态估计方法 | 第20-21页 |
| ·基于卡尔曼滤波的逐次状态估计方法 | 第21-22页 |
| ·状态估计常用方法的比较 | 第22-23页 |
| ·相关向量机原理研究 | 第23-24页 |
| ·相关向量机在状态估计系统中的应用 | 第24-27页 |
| ·相关向量机在状态估计系统中的应用原理分析 | 第24-26页 |
| ·相关向量机在状态估计中存在的问题 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第4章 基于Autoencoder和RVM的状态估计模型 | 第28-37页 |
| ·自编码神经网络 | 第28-29页 |
| ·基于数据降维的状态估计改进模型 | 第29-31页 |
| ·RVM状态估计模型分析 | 第30页 |
| ·基于数据降维处理的状态估计器改进模型 | 第30-31页 |
| ·状态估计器改进模型的样本集构造 | 第31页 |
| ·基于Autoencoder和RVM的状态估计模型分析 | 第31-33页 |
| ·基于Autoencoder和RVM的状态估计的实验与结果分析 | 第33-35页 |
| ·实验仿真 | 第33页 |
| ·对Autoencoder-RVM预测实验结果的分析 | 第33-35页 |
| ·本章小结 | 第35-37页 |
| 第5章 智能电网状态估计系统的设计及实现 | 第37-47页 |
| ·引言 | 第37页 |
| ·智能电网状态估计系统的设计 | 第37-40页 |
| ·系统设计原则 | 第38页 |
| ·智能电网状态估计系统总体结构设计 | 第38-39页 |
| ·系统开发及运行环境 | 第39-40页 |
| ·系统数据库设计 | 第40-43页 |
| ·表设计 | 第40-42页 |
| ·数据源 | 第42-43页 |
| ·系统部分功能界面设计介绍 | 第43-46页 |
| ·登录界面 | 第43-44页 |
| ·主界面 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第6章 结论与展望 | 第47-49页 |
| ·本文主要工作 | 第47页 |
| ·未来工作展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第53-54页 |
| 致谢 | 第54页 |
