發(fā)布時間：2024-06-15 05:46

　　第二次工業(yè)革命以來,電力得到廣泛的應(yīng)用,進(jìn)入二十一世紀(jì)后,隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,智能電網(wǎng)技術(shù)應(yīng)運(yùn)而生。作為智能電網(wǎng)的重要組成部分,高級量測體系(Advance Metering Infrastructure,AMI)是進(jìn)行電能管理和提高電能利用效率的基礎(chǔ)。將用電監(jiān)測細(xì)化到用電器層面又是AMI的重要內(nèi)容之一,對居民用戶可以采用非侵入式負(fù)荷監(jiān)測技術(shù)(Non-Intrusive Load Monitoring,NILM,又稱負(fù)荷分解技術(shù))。NILM可以通過分析電力入口處的電壓、電流、功率等信息,得到主要用電器的用電情況,具有成本低廉、對用戶干擾低的特點(diǎn)。本文提出一種面向家居環(huán)境的負(fù)荷分解方法,在僅有低頻(1/60 Hz)總功率數(shù)據(jù)的前提下,通過充分挖掘數(shù)據(jù)的人工特征和隱含特征識別各用電器的運(yùn)行狀態(tài),并基于證據(jù)理論合成識別結(jié)果,采用融合神經(jīng)網(wǎng)絡(luò)估計得到主要用電器的運(yùn)行功率。在用電器運(yùn)行狀態(tài)識別方面,傳統(tǒng)方法一般利用高頻電壓、電流、諧波等數(shù)據(jù),基于事件檢測得出人工特征作為識別依據(jù),或不檢測事件直接分析原始數(shù)據(jù)。本文在僅有低頻總功率數(shù)據(jù)的前提下,為充分利用有效信息,創(chuàng)新性地從數(shù)據(jù)的人工特征和原始數(shù)...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
主要縮寫對照表
1 緒論
    1.1 引言
    1.2 NILM概述
    1.3 傳統(tǒng)負(fù)荷分解方法的問題
    1.4 論文的研究內(nèi)容、貢獻(xiàn)和結(jié)構(gòu)安排
2 負(fù)荷分解的事件對特征提取
    2.1 數(shù)據(jù)集概述
        2.1.1 常用數(shù)據(jù)集
        2.1.2 AMPds數(shù)據(jù)集
    2.2 事件檢測
        2.2.1 累積和濾波器事件檢測原理
        2.2.2 滑動窗累積和濾波器事件檢測
        2.2.3 事件檢測效果
    2.3 規(guī)范特征提取時間范圍的事件對
    2.4 事件對特征提取
        2.4.1 時間特征
        2.4.2 功率特征
        2.4.3 波動特征
    2.5 用電器的事件對特征分布
    2.6 小結(jié)
3 基于模糊決策樹和LSTM的負(fù)荷運(yùn)行狀態(tài)識別
    3.1 負(fù)荷運(yùn)行狀態(tài)
    3.2 基于事件對特征的識別方法
        3.2.1 決策樹
        3.2.2 用電器的模糊決策樹訓(xùn)練數(shù)據(jù)構(gòu)建
        3.2.3 模糊決策樹
        3.2.4 模糊決策樹效果分析
    3.3 基于原始數(shù)據(jù)的識別方法
        3.3.1 模糊決策樹存在的問題
        3.3.2 LSTM及網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.3 用電器的LSTM訓(xùn)練數(shù)據(jù)構(gòu)建
        3.3.4 LSTM效果分析
    3.4 模糊決策樹與LSTM表現(xiàn)比較
    3.5 小結(jié)
4 基于證據(jù)理論的識別結(jié)果多層次合成
    4.1 負(fù)荷分解的集成學(xué)習(xí)思想
        4.1.1 負(fù)荷識別方法存在的問題
        4.1.2 集成學(xué)習(xí)和基分類器
        4.1.3 基于證據(jù)理論的集成學(xué)習(xí)方法
    4.2 證據(jù)理論基礎(chǔ)知識
        4.2.1 識別框架
        4.2.2 基本概率分配函數(shù)、信任函數(shù)和似然函數(shù)
    4.3 證據(jù)合成
        4.3.1 Dempster合成規(guī)則
        4.3.2 Dempster合成規(guī)則的性質(zhì)
        4.3.3 證據(jù)合成沖突
    4.4 負(fù)荷分解的識別框架與基本概率分配函數(shù)
        4.4.1 負(fù)荷分解問題的識別框架
        4.4.2 基本概率分配函數(shù)構(gòu)造方法
        4.4.3 負(fù)荷分解的基本概率分配函數(shù)
    4.5 負(fù)荷分解的多層次證據(jù)合成
    4.6 多層次證據(jù)合成效果分析
        4.6.1 多層次證據(jù)合成效果
        4.6.2 與復(fù)雜分類器效果比較
    4.7 小結(jié)
5 基于融合神經(jīng)網(wǎng)絡(luò)的功率估計和案例分析
    5.1 基于融合神經(jīng)網(wǎng)絡(luò)的功率估計
        5.1.1 用電器的運(yùn)行模式
        5.1.2 CNN及其特征提取
        5.1.3 融合神經(jīng)網(wǎng)絡(luò)
        5.1.4 Teacher Forcing
    5.2 功率估計效果分析
        5.2.1 功率估計整體表現(xiàn)
        5.2.2 功率細(xì)節(jié)恢復(fù)表現(xiàn)
    5.3 應(yīng)用案例分析
        5.3.1 項(xiàng)目的具體背景和需求
        5.3.2 項(xiàng)目技術(shù)路線及對負(fù)荷分解的要求
        5.3.3 電能信息采集
        5.3.4 負(fù)荷分解模型生成及表現(xiàn)
    5.4 小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
作者簡歷



本文編號：3995018