| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题的研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 电力系统稳定性分析 | 第11-12页 |
| 1.2.2 异常检测方法 | 第12-16页 |
| 1.2.3 时间序列数据分析方法 | 第16-18页 |
| 1.3 本文的主要工作 | 第18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第二章 深度学习与异常检测理论 | 第20-44页 |
| 2.1 神经网络理论 | 第20-41页 |
| 2.1.1 感知机模型 | 第20-21页 |
| 2.1.2 卷积神经网络 | 第21-27页 |
| 2.1.3 神经网络训练 | 第27-41页 |
| 2.2 异常检测理论 | 第41-43页 |
| 2.3 本章小结 | 第43-44页 |
| 第三章 基于RNN的时间序列异常检测模型 | 第44-59页 |
| 3.1 循环神经网络编解码框架的异常检测模型关键技术 | 第44-51页 |
| 3.1.1 循环神经网络 | 第44-48页 |
| 3.1.2 时间序列数据相似性度量 | 第48-51页 |
| 3.2 电力系统相量时间序列数据预处理 | 第51-52页 |
| 3.3 电网时间序列异常检测算法概述 | 第52-56页 |
| 3.4 实验结果与分析 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 基于图像纹理特征的时间序列降维模型 | 第59-71页 |
| 4.1 电力系统时间序列数据采集与预处理技术 | 第59-62页 |
| 4.2 基于图像纹理特征的数据特征提取降维模型设计 | 第62-67页 |
| 4.3 实验结果与分析 | 第67-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 论文主要工作总结 | 第71页 |
| 5.2 下一步研究工作展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士期间取得主要成果 | 第77页 |