基于分类多模型融合的分布式电网孤岛检测技术
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第15-31页 |
| 1.1 研究背景与意义 | 第15-18页 |
| 1.1.1 分布式发电系统 | 第15-17页 |
| 1.1.2 国内外发展现状 | 第17-18页 |
| 1.1.3 分布式发电系统的前景 | 第18页 |
| 1.2 孤岛检测的意义 | 第18-21页 |
| 1.2.1 孤岛效应 | 第18-20页 |
| 1.2.2 孤岛检测标准 | 第20-21页 |
| 1.3 孤岛检测技术现状 | 第21-29页 |
| 1.3.1 被动检测法 | 第22-23页 |
| 1.3.2 主动检测法 | 第23-25页 |
| 1.3.3 远程检测法 | 第25-26页 |
| 1.3.4 孤岛检测技术的挑战 | 第26页 |
| 1.3.5 孤岛检测盲区分析 | 第26-29页 |
| 1.4 本文主要研究内容 | 第29-31页 |
| 第二章 基于系统辨识的孤岛检测技术 | 第31-46页 |
| 2.1 辨识模型的建立 | 第31-33页 |
| 2.2 最小二乘系统辨识 | 第33-36页 |
| 2.2.1 系统辨识方法简述 | 第33页 |
| 2.2.2 最小二乘法 | 第33-34页 |
| 2.2.3 带遗忘因子递推最小二乘法 | 第34-36页 |
| 2.3 谐波量模型估计 | 第36-38页 |
| 2.4 逻辑回归分类器 | 第38-40页 |
| 2.5 仿真建模和硬件平台验证 | 第40-45页 |
| 2.5.1 平台设计 | 第40-41页 |
| 2.5.2 软件仿真平台 | 第41-42页 |
| 2.5.3 硬件仿真平台 | 第42-43页 |
| 2.5.4 模型建立 | 第43页 |
| 2.5.5 实验结果 | 第43-45页 |
| 2.6 本章小结 | 第45-46页 |
| 第三章 基于小波分析的孤岛检测技术 | 第46-74页 |
| 3.1 小波分析原理 | 第46-48页 |
| 3.1.1 小波分析基本原理 | 第46-47页 |
| 3.1.2 小波变换 | 第47-48页 |
| 3.2 基于小波分析的电网特征提取 | 第48-53页 |
| 3.2.1 多分辨率分析和Mallat算法 | 第48-49页 |
| 3.2.2 小波包分析 | 第49-50页 |
| 3.2.3 小波包局部能量特征 | 第50-52页 |
| 3.2.4 多分辨率分析与小波包奇异熵 | 第52-53页 |
| 3.3 关键特征值提取 | 第53-55页 |
| 3.3.1 特征优选的意义 | 第53-54页 |
| 3.3.2 Fisher准则与序列浮动后向选择法 | 第54-55页 |
| 3.4 决策树组合模型 | 第55-58页 |
| 3.4.1 决策树 | 第55-56页 |
| 3.4.2 随机森林分类器 | 第56-57页 |
| 3.4.3 Adaboost分类器 | 第57-58页 |
| 3.5 仿真建模与实验分析 | 第58-73页 |
| 3.5.1 平台设计 | 第58-61页 |
| 3.5.2 实验分析 | 第61-66页 |
| 3.5.3 特征提取 | 第66-69页 |
| 3.5.4 模型建立 | 第69-72页 |
| 3.5.5 实验结果 | 第72-73页 |
| 3.6 本章小结 | 第73-74页 |
| 第四章 基于组合模型的孤岛检测技术 | 第74-88页 |
| 4.1 非平衡状态孤岛检测 | 第74-77页 |
| 4.1.1 支持向量机 | 第74-76页 |
| 4.1.2 常规特征选取 | 第76-77页 |
| 4.2 组合模型的应用 | 第77-81页 |
| 4.2.1 组合模型的优势 | 第77页 |
| 4.2.2 组合模型的类型 | 第77-78页 |
| 4.2.3 多层次动态权重投票模式 | 第78-81页 |
| 4.3 仿真建模与实验分析 | 第81-86页 |
| 4.3.1 平台设计 | 第81-82页 |
| 4.3.2 模型建立 | 第82-84页 |
| 4.3.3 实验结果 | 第84-86页 |
| 4.4 本章小结 | 第86-88页 |
| 第五章 总结与展望 | 第88-90页 |
| 5.1 总结 | 第88-89页 |
| 5.2 展望 | 第89-90页 |
| 参考文献 | 第90-97页 |
| 作者简介 | 第97-98页 |
| 攻读学位期间发表的论文成果 | 第98页 |
