發(fā)布時間：2024-06-15 05:46

　　第二次工業(yè)革命以來,電力得到廣泛的應用,進入二十一世紀后,隨著互聯(lián)網(wǎng)技術的發(fā)展,智能電網(wǎng)技術應運而生。作為智能電網(wǎng)的重要組成部分,高級量測體系(Advance Metering Infrastructure,AMI)是進行電能管理和提高電能利用效率的基礎。將用電監(jiān)測細化到用電器層面又是AMI的重要內容之一,對居民用戶可以采用非侵入式負荷監(jiān)測技術(Non-Intrusive Load Monitoring,NILM,又稱負荷分解技術)。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。本文提出一種面向家居環(huán)境的負荷分解方法,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行狀態(tài),并基于證據(jù)理論合成識別結果,采用融合神經網(wǎng)絡估計得到主要用電器的運行功率。在用電器運行狀態(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)負荷分解方法的問題
    1.4 論文的研究內容、貢獻和結構安排
2 負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
3 基于模糊決策樹和LSTM的負荷運行狀態(tài)識別
    3.1 負荷運行狀態(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練數(shù)據(jù)構建
        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)絡結構
        3.3.3 用電器的LSTM訓練數(shù)據(jù)構建
        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
4 基于證據(jù)理論的識別結果多層次合成
    4.1 負荷分解的集成學習思想
        4.1.1 負荷識別方法存在的問題
        4.1.2 集成學習和基分類器
        4.1.3 基于證據(jù)理論的集成學習方法
    4.2 證據(jù)理論基礎知識
        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
        4.3.3 證據(jù)合成沖突
    4.4 負荷分解的識別框架與基本概率分配函數(shù)
        4.4.1 負荷分解問題的識別框架
        4.4.2 基本概率分配函數(shù)構造方法
        4.4.3 負荷分解的基本概率分配函數(shù)
    4.5 負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 與復雜分類器效果比較
    4.7 小結
5 基于融合神經網(wǎng)絡的功率估計和案例分析
    5.1 基于融合神經網(wǎng)絡的功率估計
        5.1.1 用電器的運行模式
        5.1.2 CNN及其特征提取
        5.1.3 融合神經網(wǎng)絡
        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 功率細節(jié)恢復表現(xiàn)
    5.3 應用案例分析
        5.3.1 項目的具體背景和需求
        5.3.2 項目技術路線及對負荷分解的要求
        5.3.3 電能信息采集
        5.3.4 負荷分解模型生成及表現(xiàn)
    5.4 小結
6 總結與展望
    6.1 全文總結
    6.2 研究展望
參考文獻
作者簡歷



本文編號：3995018