基于深度置信网络的电力系统暂态稳定评估

目录

声明

致谢

1 绪论

1.1 课题研究背景及意义

1.2 电力系统的暂态稳定

1.3 国内外研究现状

1.3.1 暂态稳定评估方法综述

1.3.2 机器学习在暂态稳定评估中的应用

1.4 论文的主要工作和章节安排

2 暂态稳定评估的输入特征集

2.1 原始特征的选择

2.2 输入特征的提取

2.2.1 基于互信息法的特征筛选

2.2.2 发电机功角轨迹簇特征集

2.2.3 基于堆叠降噪自编码器的特征提取

2.3 样本集的生成

2.3.1 算例系统及样本集的生成

2.3.2 输入特征集的获取及可视化

2.4 本章小结

3 基于单一深度置信网络的暂态稳定评估

3.1 深度置信网络

3.1.1 受限玻尔兹曼机

3.1.2 深度置信网络的结构和训练

3.2 基于DBN的暂态稳定评估方法

3.2.1 DBN的优化

3.2.2 基于DBN的暂态稳定评估流程

3.2.3 模型性能评价指标

3.3 算例分析

3.3.1 不同结构的DBN模型性能分析

3.3.2 不同输入特征下TSA模型的性能分析

3.3.3 基于DBN的TSA模型性能分析

3.3.4 DBN模型的可视化结果

3.4 本章小结

4 基于集成深度置信网络的两阶段暂态稳定评估

4.1 集成学习与TSA模型

4.1.1 问题引入

4.1.2 集成学习

4.2 基于集成DBN的两阶段TSA模型

4.2.1 基于集成DBN的暂态稳定预测模型

4.2.2 基于DBN的暂态稳定程度预测模型

4.3 基于两阶段TSA模型的时序评估流程

4.3.1 两阶段暂态稳定评估流程

4.3.2 时序评估流程

4.4 集成DBN模型的评估性能分析

4.4.1 集成DBN模型的预测性能

4.4.2 集成DBN模型的鲁棒性测试

4.4.3 集成DBN模型的泛化能力

4.4.4 集成DBN模型的集成方式探究

4.5 两阶段TSA模型的时序评估分析

4.5.1 集成DBN模型的可信度分析

4.5.2 时序评估性能分析

4.5.3 暂态稳定程度预测模型分析

4.6 本章小结

5 基于迁移学习的暂态稳定自适应评估

5.1 迁移学习与TSA

5.2 基于迁移学习的暂态稳定自适应评估

5.2.1 基于迁移学习的模型更新方案

5.2.2 DBN自主筛选关键样本

5.2.3 基于迁移学习的暂态稳定自适应评估

5.3 算例分析

5.3.1 不同迁移学习方案效果对比

5.3.2 基于迁移学习的模型自适应更新效果分析

5.4 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集