| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 本课题的研究背景和意义 | 第12-13页 |
| 1.2 电力系统暂态稳定分析方法的研究现状 | 第13-15页 |
| 1.2.1 时域仿真法 | 第13-14页 |
| 1.2.2 直接法 | 第14页 |
| 1.2.3 扩展等面积法 | 第14-15页 |
| 1.3 基于WAMS的暂态稳定分析方法的研究现状 | 第15-20页 |
| 1.3.1 详细模型预测法 | 第15-16页 |
| 1.3.2 同调群(等面积定则)预测法 | 第16页 |
| 1.3.3 角度曲线外推预测法 | 第16-17页 |
| 1.3.4 能量函数模型预测法 | 第17-18页 |
| 1.3.5 模式识别预测方法 | 第18-20页 |
| 1.4 本论文主要工作 | 第20-22页 |
| 2 基于WAMS的故障后受扰机端电压轨迹的获取 | 第22-30页 |
| 2.1 WAMS简介 | 第22-24页 |
| 2.2 扰动后电压轨迹特征 | 第24-25页 |
| 2.3 暂态电压变化与功角稳定性的关系 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于受扰电压轨迹簇的广域故障特征定义与提取 | 第30-44页 |
| 3.1 轨迹簇特征的定义 | 第30-34页 |
| 3.2 基于Relief算法的广域故障特征提取 | 第34-37页 |
| 3.2.1 Relief 算法 | 第34-36页 |
| 3.2.2 特征之间的冗余问题的 Relief-Recorre 组合算法 | 第36-37页 |
| 3.3 特征样本的构造 | 第37-42页 |
| 3.3.1 故障切除时间 | 第37-38页 |
| 3.3.2 故障位置 | 第38-39页 |
| 3.3.3 故障类型 | 第39-40页 |
| 3.3.4 特征提取前后预测效果对比 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 基于SVM的电力系统暂态稳定预测算法 | 第44-56页 |
| 4.1 支持向量机概述 | 第44-48页 |
| 4.1.1 最优分类面 | 第45-46页 |
| 4.1.2 非线性分类问题 | 第46-47页 |
| 4.1.3 核函数 | 第47-48页 |
| 4.2 基于SVM的暂态稳定预测算法 | 第48-51页 |
| 4.2.1 Libsvm工具箱简介 | 第48-49页 |
| 4.2.2 交叉验证法优化SVM的参数 | 第49-50页 |
| 4.2.3 预测算法流程 | 第50-51页 |
| 4.3 SVM 的增量学习 | 第51-55页 |
| 4.3.1 基于错误率小的增量学习 | 第51-52页 |
| 4.3.2 基于多支持向量机的增量学习 | 第52页 |
| 4.3.3 基于KKT条件的增量学习 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 基于广域故障特征的暂态稳定性预测算例与分析 | 第56-70页 |
| 5.1 预测性能的评价指标 | 第56-58页 |
| 5.2 预测算例的样本构成 | 第58-59页 |
| 5.3 IEEE39节点系统的暂态稳定情况 | 第59-60页 |
| 5.4 算例分析 | 第60-64页 |
| 5.4.1 功角轨迹和电压轨迹预测性能对比 | 第60-61页 |
| 5.4.2 广域故障特征提取前后的预测性能对比 | 第61页 |
| 5.4.3 不同故障类型的预测性能对比 | 第61-62页 |
| 5.4.4 不同样本数据量的预测性能对比 | 第62-63页 |
| 5.4.5 不同时间尺度数据预测性能对比 | 第63页 |
| 5.4.6 对于未知拓扑结构与负荷水平的暂态稳定性预测 | 第63-64页 |
| 5.5 基于不完全WAMS信息的预测能力分析 | 第64-69页 |
| 5.6 本章小结 | 第69-70页 |
| 6 结论与展望 | 第70-72页 |
| 6.1 主要结论 | 第70-71页 |
| 6.2 课题展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 附录A | 第76-78页 |
| 附录B | 第78-82页 |
| 作者简历 | 第82-86页 |
| 学位论文数据集 | 第86页 |