| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 非侵入式负荷监测的研究背景和意义 | 第10-12页 |
| 1.2 国内外非侵入式负荷监测的研究现状 | 第12-15页 |
| 1.2.1 基于事件的非侵入式负荷识别方法的研究现状 | 第12-14页 |
| 1.2.2 基于负荷模型的非侵入式负荷分解方法的研究现状 | 第14-15页 |
| 1.3 数据来源 | 第15-18页 |
| 1.3.1 REDD数据集 | 第15-16页 |
| 1.3.2 AMPds数据集 | 第16-17页 |
| 1.3.3 数据采集设备 | 第17-18页 |
| 1.4 本文的研究内容及架构 | 第18-19页 |
| 第二章 基于数学形态学的事件检测算法 | 第19-29页 |
| 2.1 数学形态学 | 第19-21页 |
| 2.2 基于数学形态学的事件检测算法 | 第21-26页 |
| 2.2.1 信号预处理 | 第22-24页 |
| 2.2.2 变化检测 | 第24-25页 |
| 2.2.3 尖峰检测 | 第25-26页 |
| 2.3 算例分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于事件检测的非侵入式负荷识别 | 第29-51页 |
| 3.1 Delta形式稳态负荷信号的提取 | 第29-31页 |
| 3.2 单个电器稳态负荷信号的聚类标签过程 | 第31-37页 |
| 3.2.1 k-means聚类的基本原理 | 第32-34页 |
| 3.2.2 基于k-means的单个电器聚类标签方法 | 第34-37页 |
| 3.3 负荷特征提取 | 第37-39页 |
| 3.3.1 谐波特征参数 | 第37页 |
| 3.3.2 V-I轨迹特征参数 | 第37-39页 |
| 3.4 分类方法基本原理 | 第39-42页 |
| 3.4.1 支持向量机 | 第39-40页 |
| 3.4.2 逻辑回归 | 第40-41页 |
| 3.4.3 人工神经网络 | 第41-42页 |
| 3.5 基于事件检测的负荷识别方法 | 第42-44页 |
| 3.6 算例分析 | 第44-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第四章 基于隐马尔可夫模型的非侵入式负荷分解 | 第51-69页 |
| 4.1 单个家用电器的隐马尔可夫模型 | 第51-53页 |
| 4.2 基于DBSCAN聚类的HMM模型参数估计 | 第53-59页 |
| 4.2.1 DBSCAN聚类 | 第53-55页 |
| 4.2.2 基于DBSCAN的HMM模型参数估计 | 第55-59页 |
| 4.3 总负荷模型 | 第59-61页 |
| 4.4 基于FHMM的负荷分解方法 | 第61-63页 |
| 4.5 算例分析 | 第63-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第五章 结论与展望 | 第69-71页 |
| 5.1 研究结论 | 第69页 |
| 5.2 研究展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
