| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第1章 绪论 | 第11-19页 |
| ·引言 | 第11页 |
| ·研究背景 | 第11-14页 |
| ·无功电压控制的研究内容及意义 | 第11-12页 |
| ·无功电压控制研究现状 | 第12-14页 |
| ·无功电压控制算法概述 | 第14-17页 |
| ·传统无功优化算法 | 第14-16页 |
| ·新兴人工智能算法 | 第16-17页 |
| ·本论文主要研究内容 | 第17-19页 |
| 第2章 配电网优化控制分析 | 第19-28页 |
| ·配电网络结构 | 第19-21页 |
| ·网络结构特点 | 第19页 |
| ·配电网线路及变压器 | 第19-20页 |
| ·配电网无功补偿设备 | 第20-21页 |
| ·配电网考核指标及其联系 | 第21-23页 |
| ·配电网功率因数和电压指标 | 第21-22页 |
| ·功率因数与电压之间的联系 | 第22-23页 |
| ·配电网优化原则及模型 | 第23-25页 |
| ·优化原则 | 第23页 |
| ·无功电压控制数学模型 | 第23-25页 |
| ·配电网九区图控制 | 第25-28页 |
| ·九区图控制策略 | 第25-26页 |
| ·设备控制定量分析 | 第26-28页 |
| 第3章 学习理论概述 | 第28-34页 |
| ·监督学习 | 第28-29页 |
| ·非监督学习 | 第29页 |
| ·强化学习 | 第29-33页 |
| ·强化学习的定义及思想 | 第29-30页 |
| ·强化学习系统的要素 | 第30-31页 |
| ·强化学习理论的主要算法 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于支持向量机的无功电压控制 | 第34-43页 |
| ·支持向量机分类模型 | 第34-35页 |
| ·状态分类 | 第35-38页 |
| ·无功电压控制思路 | 第38-39页 |
| ·算例分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 基于Q-learning算法的无功电压控制 | 第43-55页 |
| ·引言 | 第43页 |
| ·强化学习在电力系统中应用 | 第43-44页 |
| ·Q-learning算法 | 第44-46页 |
| ·无功电压控制的相关要素 | 第46-49页 |
| ·环境状态集 | 第46-47页 |
| ·动作集 | 第47-48页 |
| ·回报值 | 第48-49页 |
| ·无功电压控制过程 | 第49-50页 |
| ·算例分析 | 第50-53页 |
| ·与基于SVM控制算法比较分析 | 第53-55页 |
| 第6章 滨州与德州AVC系统的改进 | 第55-66页 |
| ·项目介绍 | 第55-63页 |
| ·系统总体结构 | 第55-60页 |
| ·控制原则 | 第60-62页 |
| ·存在问题 | 第62-63页 |
| ·基于学习理论算法的改进 | 第63-66页 |
| ·改进的可行性 | 第64页 |
| ·改进后控制效果 | 第64-66页 |
| 第7章 结论与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间所发表的论文及参与的项目 | 第73-74页 |
| 学位论文评阅及答辩情况表 | 第74页 |