隨著社會經濟地大步向前發(fā)展,人們對能源的需求也越來越大。社會上常用的化石能源,會導致嚴重的環(huán)境污染問題,與建設低碳環(huán)保型社會背道而馳。但是目前新型清潔能源的轉換技術并不成熟,因此提升能源的利用率、合理利用能源是緩和這一矛盾的有效方法。而電能是社會上應用最廣泛的二次能源,節(jié)約用電是一種行之有效的節(jié)能方法。智能電網通過向供電方與用電方提供各方面詳細的用電信息,可以讓供電方根據需求及時合理地安排電能供應,也可以幫助用電方開展節(jié)能工作。對電力負荷進行監(jiān)測識別是建設智能電網的一個重要環(huán)節(jié),可以為電網公司提供更加詳實的用電信息,保障電網的正常運轉,為電網規(guī)劃提供真實有效的參考數據。本文以實地采集到的工業(yè)電力負荷數據作為研究對象,結合深度學習方法,提出了兩種電力負荷識別算法。本文的主要研究內容如下:(1)對原始數據進行預處理。首先對采集到的電力負荷數據進行最近鄰值插值替換處理,剔除無效值與空值;其次使用巴特沃斯濾波器抑制線性漂移和濾除高頻噪聲;然后通過歸一化消除畸變值的影響,為后續(xù)網絡模型尋求最優(yōu)值做鋪墊;最后使用主成分分析(Principal Component Analysis,PCA)降維與白化...

【文章頁數】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 負荷監(jiān)測識別
        1.2.2 深度學習技術
        1.2.3 基于深度學習的電力負荷識別
    1.3 主要研究內容和創(chuàng)新點
    1.4 論文章節(jié)安排
第2章 相關理論知識
    2.1 卷積神經網絡
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 激活函數
    2.2 優(yōu)化算法與損失函數
        2.2.1 Adam優(yōu)化算法
        2.2.2 損失函數
    2.3 評價指標
    2.4 網絡模塊
        2.4.1 SE模塊
        2.4.2 Ghost模塊
        2.4.3 注意力機制模塊
    2.5 本章小結
第3章 電力負荷數據預處理
    3.1 數據來源
    3.2 主成分分析與白化
    3.3 數據處理過程
    3.4 本章小結
第4章 基于S-CNN的電力負荷識別算法
    4.1 S-CNN模型
    4.2 實驗結果與分析
        4.2.1 實驗環(huán)境與參數設置
        4.2.2 實驗流程
        4.2.3 參數設置對模型性能的影響
        4.2.4 實驗結果可視化
        4.2.5 二十五種電力負荷實驗驗證
    4.3 本章小結
第5章 基于GS-CNN的移動設備電力負荷識別算法
    5.1 GS-CNN模型
        5.1.1 網絡模型設計
        5.1.2 GS-CNN模型的介紹
    5.2 實驗結果與分析
        5.2.1 實驗環(huán)境與參數設置
        5.2.2 實驗流程
        5.2.3 參數設置對模型性能的影響
        5.2.4 實驗結果可視化
        5.2.5 二十五種電力負荷實驗驗證
    5.3 本章小結
第6章 總結和展望
    6.1 總結
    6.2 進一步的工作方向
致謝
參考文獻
攻讀學位期間的研究成果



本文編號：4007283