| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 电力系统状态估计研究现状 | 第11-14页 |
| 1.2.1 静态状态估计研究现状 | 第11-12页 |
| 1.2.2 动态状态估计研究现状 | 第12-14页 |
| 1.3 压缩感知理论研究现状 | 第14-16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 第2章 基于无迹卡尔曼的动态状态估计 | 第17-26页 |
| 2.1 电力系统状态估计的作用 | 第17页 |
| 2.2 电力系统动态状态估计的数学模型 | 第17-18页 |
| 2.3 基于无迹卡尔曼的电力系统动态状态估计 | 第18-21页 |
| 2.3.1 无迹变换 | 第18-19页 |
| 2.3.2 采样方法 | 第19-20页 |
| 2.3.3 无迹卡尔曼基本步骤 | 第20-21页 |
| 2.4 基本无迹卡尔曼滤波存在的问题 | 第21-25页 |
| 2.4.1 电力系统信号采集方面的问题 | 第21-22页 |
| 2.4.2 电力系统未知噪声及建模误差问题 | 第22页 |
| 2.4.3 比例修正参数取值问题 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 压缩感知的理论基础 | 第26-32页 |
| 3.1 压缩感知理论概述 | 第26-27页 |
| 3.2 压缩感知的关键步骤 | 第27-30页 |
| 3.2.1 信号的稀疏性表示 | 第27-28页 |
| 3.2.2 信号的观测矩阵 | 第28-29页 |
| 3.2.3 信号的重构 | 第29-30页 |
| 3.3 压缩感知的应用 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于改进粒子群算法优化的压缩感知 | 第32-51页 |
| 4.1 常用的压缩感知算法 | 第32-35页 |
| 4.1.1 匹配追踪算法 | 第32-33页 |
| 4.1.2 正交匹配追踪算法 | 第33-35页 |
| 4.1.3 正则化匹配追踪重构算法 | 第35页 |
| 4.2 改进粒子群匹配追踪算法 | 第35-50页 |
| 4.2.1 基本粒子群算法 | 第36-37页 |
| 4.2.2 改进小生境粒子群算法 | 第37-41页 |
| 4.2.3 粒子群算法仿真及分析 | 第41-47页 |
| 4.2.4 改进粒子群匹配追踪算法流程及其仿真 | 第47-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 基于压缩感知的改进无迹卡尔曼算法及仿真分析 | 第51-63页 |
| 5.1 改进的SAGE-HUSA噪声估值器 | 第51-53页 |
| 5.2 自由参数的优化 | 第53-55页 |
| 5.3 基于压缩感知的改进无迹卡尔曼算法计算步骤 | 第55-56页 |
| 5.4 仿真分析 | 第56-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |