基于权值共享的深度卷积网络的电力系统暂态稳定预测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 电力系统暂态稳定研究现状 | 第10-13页 |
| 1.2.2 机器学习方法的研究现状 | 第13-15页 |
| 1.2.3 基于机器学习的电力暂态稳定预测方法 | 第15-16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 电力系统的暂态稳定性理论分析 | 第19-23页 |
| 2.1 电力系统的暂态过程概述 | 第19页 |
| 2.2 暂态稳定的物理过程分析 | 第19-23页 |
| 第三章 人工神经网络理论 | 第23-39页 |
| 3.1 人工神经网络 | 第23-32页 |
| 3.1.1 多层感知器网络 | 第23-26页 |
| 3.1.2 卷积神经网络 | 第26-28页 |
| 3.1.3 现代人工神经网络 | 第28-31页 |
| 3.1.4 深度神经网络的预训练 | 第31-32页 |
| 3.2 硬件加速的人工神经网络计算 | 第32-36页 |
| 3.2.1 Cuda | 第33-34页 |
| 3.2.2 Tensoflow | 第34-36页 |
| 3.2.3 Keras | 第36页 |
| 3.3 小结 | 第36-39页 |
| 第四章 基于深度学习的暂态稳定预测方案 | 第39-51页 |
| 4.1 定义与符号 | 第40页 |
| 4.2 问题描述 | 第40-41页 |
| 4.3 模型架构 | 第41-42页 |
| 4.4 坐标转换层 | 第42-43页 |
| 4.5 卷积网络 | 第43-44页 |
| 4.5.1 滤波层 | 第43页 |
| 4.5.2 激活层 | 第43-44页 |
| 4.5.3 最大池化层 | 第44页 |
| 4.6 多层感知器 | 第44页 |
| 4.7 前向传播 | 第44-45页 |
| 4.8 模型训练 | 第45-48页 |
| 4.8.1 通道间权值共享机制 | 第45-46页 |
| 4.8.2 反向传播过程 | 第46-47页 |
| 4.8.3 更新权值 | 第47-48页 |
| 4.9 决策边界与评价指标 | 第48-49页 |
| 4.10 神经网络预训练 | 第49页 |
| 4.11 工程实现 | 第49-50页 |
| 4.12 小结 | 第50-51页 |
| 第五章 实验设计与结果验证 | 第51-59页 |
| 5.1 实验数据 | 第51-52页 |
| 5.2 模型设置 | 第52页 |
| 5.3 结果分析 | 第52-56页 |
| 5.4 卷积网络可视化 | 第56-58页 |
| 5.5 小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |
