声明
1.绪 论
1.1研究背景
1.2电力系统暂态稳定评估研究现状
1.2.1 电力系统暂态稳定评估问题描述
1.2.2 电力系统暂态稳定评估方法
1.3风速及风电功率预测研究现状
1.3.1 风电预测的时间尺度划分
1.3.2 风电预测方法
1.4深度学习概述
1.5论文的主要工作及章节安排
2.基于深度置信网络的电力系统暂态稳定评估方法
2.1引言
2.2暂态稳定评估问题描述
2.3深度置信网络
2.3.1 受限玻尔兹曼机
2.3.2 深度置信网络模型
2.3.3 深度置信网络训练方法
2.4 暂态稳定评估模型
2.4.1 输入特征的选择
2.4.2 建模过程
2.5 算例分析
2.5.1 样本数据集的构造
2.5.2 样本全标注时的评估性能
2.5.3 样本部分标注时评估性能
2.5.4 加入无关特征时的评估性能
2.6 小结
3.基于堆叠自动编码器的电力系统暂态稳定评估方法
3.1 引言
3.2暂态稳定评估模式
3.2.1 两阶段式
3.2.2 整体式
3.3堆叠自动编码器
3.3.1 自动编码器
3.3.2 堆叠自动编码器
3.3.3 Dropout
3.4暂态稳定评估模型
3.4.1 评估模型的结构设计
3.4.2 评估模型的训练算法
3.4.3 评估模型的输入和输出
3.4.4 模型性能评估指标
3.5算例分析
3.5.1 模型评估性能
3.5.2 模型特征提取能力
3.5.3 时域仿真时间
3.6小结
4.基于深层稀疏去噪编码网络的电力系统暂态稳定评估方法
4.1引言
4.2深层稀疏去噪编码网络
4.2.1 稀疏去噪编码器
4.2.2 深层稀疏去噪编码网络
4.3暂态稳定评估模型
4.3.1 建模思想
4.3.2 模型框架
4.3.3 训练算法
4.4算例分析
4.4.1 数据集
4.4.2 模型细节
4.4.3 基线算法
4.4.4 评估性能
4.4.5 结构优势
4.4.6 鲁棒性
4.4.7 时间复杂度
4.4.8 讨论
4.5小结
5.计及空间相关性的多位置风速预测方法
5.1引言
5.2多位置风速预测
5.2.1 风速的时空相关性
5.2.2 空间相关性的可视化描述
5.2.3 问题描述
5.3卷积神经网络
5.4风速预测模型
5.4.1 建模策略
5.4.2 时空特征提取
5.4.3 模型结构
5.4.4 输入特征选择
5.4.5 训练算法及性能指标
5.5算例分析
5.5.1 数据来源
5.5.2 模型选择和技术细节
5.5.3 性能分析
5.5.4 模型扩展能力
5.6小结
6.利用时空相关性的多位置多步风速预测方法
6.1引言
6.2多位置、多步风速预测
6.2.1 时空相关性的数学分析
6.2.2 问题描述
6.3双向门控循环单元
6.3.1 门控循环单元
6.3.2 双向门控循环单元
6.4风速预测模型
6.4.1 建模策略
6.4.2 预测模型结构
6.4.3 感受野与空间关联域
6.4.4 训练算法及性能指标
6.5算例分析
6.5.1 数据来源
6.5.2 超参数设置
6.5.3 对比算法
6.5.4 性能分析
6.5.5 时间复杂度
6.6小结
7.基于多模态多任务学习的风电功率预测方法
7.1引言
7.2多模态风电功率预测
7.2.1 问题描述
7.2.2 数学建模
7.3风电功率预测模型
7.3.1 建模策略
7.3.2 多模态学习和多任务学习
7.3.3 模型结构
7.3.4 输入变量选择
7.3.5 训练算法
7.4正交试验
7.5算例分析
7.5.1 数据集和评价指标
7.5.2 模型选择和技术细节
7.5.3 评估性能
7.5.4 不同PSAE的对比
7.5.5 时间复杂度
7.6小结
8.全文总结
8.1总结
8.2展望
致谢
参考文献
附录1 攻读博士学位期间发表论文目录
附录2 攻读博士学位期间参与的科研项目
附录3 英文缩写对照表
