| 【中文题名】 | 基于神经网络和支持向量机的暂态稳定评估方法研究 |
| 【英文题名】 | Research on Transient Stability Assessment Based on Neural Networks and Support Vector Machines |
| 【学科专业】 | 电力系统及其自动化 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-12-5 |
| 【中关键词】 | 暂态稳定评估,神经网络,粗糙集理论,边界区,支持向量机,集成 |
| 【英关键词】 | transient stability assessment,artificial neural network,rough set,boundary regions,support vector machines,ensemble, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
由于暂态稳定评估问题输入空间的复杂性以及神经网络本身的局限性，神经网络的分类结果中不可避免地会存在误分类。误分类大多是由处于两类样本分布的边界区内的样本造成的。如果能够应用某种方法把容易造成误分类的样本划分出来，势必提高神经网络暂态稳定评估的可靠性。本文提出了几种划分样本边界区的方法:提出了一种应用于半监督BP算法的实用结束判据，并根据粗糙集理论，研究了一种新的粗糙分类机制，取得良好的效果；应用支持向量机理论，构造分类器并划分样本边界区；最后研究多个分类器集成的方法寻找样本边界区，同样提高了暂态稳定评估的可靠性 |
| 【论文题纲】 |
|
中文摘要 |
3 |
|
英文摘要 |
3-6 |
|
第一章 引言 |
6-12 |
|
1．1 课题的目的和意义 |
6-7 |
|
1．2 电力系统暂态稳定评估 |
7 |
|
1．3 基于神经网络的暂态稳定评估方法综述 |
7-10 |
|
1．3．1 人工神经网络基本原理及其在电力系统中的应用 |
7-8 |
|
1．3．2 神经网络在暂态稳定评估中的应用综述 |
8-10 |
|
1．4 支持向量机理论及其在暂态稳定评估中应用的可能性 |
10-11 |
|
1．5 本文的主要工作 |
11-12 |
|
第二章 基于神经网络和粗糙集的暂态稳定评估方法 |
12-21 |
|
2．1 引言 |
12-13 |
|
2．2 粗糙集理论的基本概念 |
13-16 |
|
2．2．1 粗糙集理论及其上下边界概念 |
13-14 |
|
2．2．2 粗糙集和神经网络的不同特性 |
14-15 |
|
2．2．3 基于粗糙集的暂态稳定评估 |
15-16 |
|
2．3 用于暂态稳定评估的一种粗糙分类算法 |
16-18 |
|
2．3．1 基于BPNN的稳定指标 |
16-17 |
|
2．3．2 暂态稳定评估中的粗糙分类概念 |
17-18 |
|
2．4 SSBP算法的收敛判据 |
18-20 |
|
2．5 用SSBP算法和收敛判据进行稳定分类 |
20 |
|
2．6 本章小结 |
20-21 |
|
第三章 基于支持向量机理论的暂态稳定评估方法 |
21-31 |
|
3．1 引言 |
21 |
|
3．2 统计学习理论与机器学习 |
21-25 |
|
3．2．1 复杂性与推广能力 |
21-22 |
|
3．2．2 统计学习理论 |
22-23 |
|
3．2．3 指示函数集和生长函数 |
23-25 |
|
3．3 支持向量机 |
25-28 |
|
3．3．1 线性问题 |
25-26 |
|
3．3．2 非线性高维问题 |
26-27 |
|
3．3．3 支持向量机 |
27-28 |
|
3．4 分类器的设计和仿真 |
28-30 |
|
3．5 本章小结 |
30-31 |
|
第四章 多分类器集成用于电力系统暂态稳定评估 |
31-38 |
|
4．1 引言 |
31 |
|
4．2 多分类器集成 |
31-33 |
|
4．2．1 分类器集成的原理 |
31-33 |
|
4．2．2 集成方法的选择 |
33 |
|
4．3 所用的分类器简介 |
33-34 |
|
4．3．1 Fisher线性识别 |
33-34 |
|
4．3．2 BP网络 |
34 |
|
4．4 仿真算例及结果分析 |
34-37 |
|
4．5 本章小结 |
37-38 |
|
第五章 结论 |
38-39 |
|
参考文献 |
39-42 |
|
致谢 |
42-41 |
|
附录 |
41-43 |
|
在学期间发表论文和参加科研情况 |
43 |
|
| 【DOI】 | LunWen.ID:2.2008.386944 |
