摘要 | 第1-8页 |
Abstract | 第8-13页 |
第1章 绪论 | 第13-29页 |
·课题的提出 | 第13-17页 |
·暂态稳定的定义 | 第15-16页 |
·暂态稳定的数学描述 | 第16-17页 |
·暂态稳定分析方法的发展与现状 | 第17-25页 |
·时域仿真法 | 第18页 |
·直接法 | 第18-20页 |
·机器学习方法 | 第20-25页 |
·暂态稳定概率评估方法的发展与现状 | 第25-27页 |
·解析法 | 第25-26页 |
·蒙特卡罗法 | 第26-27页 |
·本文的主要工作与章节安排 | 第27-29页 |
第2章 机器学习理论及电力系统暂态稳定评估 | 第29-50页 |
·引言 | 第29页 |
·机器学习理论 | 第29-33页 |
·机器学习问题的分类 | 第30-31页 |
·支持向量机 | 第31-33页 |
·暂态稳定评估的机器学习模型 | 第33-42页 |
·原始特征的构建 | 第34-37页 |
·支持向量机双阶段特征选择 | 第37-39页 |
·支持向量机的模型选择 | 第39页 |
·分类性能评估指标 | 第39-42页 |
·算例研究 | 第42-48页 |
·新英格兰39节点系统 | 第42-45页 |
·IEEE50机测试系统 | 第45-47页 |
·其他暂态稳定评估模型的结果 | 第47-48页 |
·小结 | 第48-50页 |
第3章 元学习策略的融合多模型评估 | 第50-62页 |
·引言 | 第50页 |
·暂态稳定评估单一模型 | 第50-51页 |
·融合多模型方法 | 第51-55页 |
·Stacking原理 | 第52页 |
·AdaBoost原理 | 第52-54页 |
·Random Forest原理 | 第54-55页 |
·算例研究 | 第55-61页 |
·暂态稳定评估Stacking组合模型构建 | 第55-58页 |
·暂态稳定评估AdaBoost组合模型构建 | 第58-59页 |
·暂态稳定评估Random Forest组合模型构建 | 第59-61页 |
·小结 | 第61-62页 |
第4章 受扰严重机组特征的暂态稳定评估 | 第62-68页 |
·引言 | 第62页 |
·受扰严重机组特征的构建和选择 | 第62-64页 |
·受扰严重机组识别 | 第63页 |
·特征构建和选择 | 第63-64页 |
·算例研究 | 第64-67页 |
·新英格兰39节点系统 | 第64-66页 |
·IEEE50机测试系统 | 第66-67页 |
·小结 | 第67-68页 |
第5章 基于支持向量机增量学习的暂态稳定评估 | 第68-76页 |
·引言 | 第68-69页 |
·支持向量机增量学习 | 第69-71页 |
·经典的支持向量机 | 第69页 |
·支持向量机增量学习 | 第69-71页 |
·暂态稳定评估增量学习模型的构建 | 第71-72页 |
·参数寻优 | 第71-72页 |
·增量学习模块 | 第72页 |
·算例分析 | 第72-75页 |
·小结 | 第75-76页 |
第6章 电力系统暂态稳定概率评估 | 第76-89页 |
·引言 | 第76页 |
·概率暂态稳定评估方法 | 第76-77页 |
·解析法 | 第77页 |
·蒙特卡罗模拟法 | 第77页 |
·非序贯蒙特卡罗模拟 | 第77-79页 |
·基本原理 | 第77-78页 |
·随机因素的概率模型 | 第78-79页 |
·随机因素的非序贯蒙特卡罗模拟 | 第79页 |
·蒙特卡罗—支持向量机法 | 第79-81页 |
·输入特征 | 第79-80页 |
·支持向量机的训练 | 第80页 |
·算例分析 | 第80-81页 |
·马尔可夫链蒙特卡罗方法 | 第81-88页 |
·马尔可夫链蒙特卡罗方法原理 | 第82-83页 |
·暂态稳定概率评估模型构建 | 第83页 |
·状态抽样模型 | 第83-84页 |
·暂态稳定模拟和不稳定指标计算 | 第84-85页 |
·算例分析 | 第85-88页 |
·小结 | 第88-89页 |
全文总结和展望 | 第89-91页 |
主要研究成果 | 第89-90页 |
需要进一步研究的问题 | 第90-91页 |
致谢 | 第91-92页 |
参考文献 | 第92-104页 |
作者在攻读博士学位期间发表的学术论文 | 第104-105页 |
攻读博士学位期间参与的科研工作 | 第105-106页 |