非侵入式负荷分解技术及应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状及存在问题 | 第11-17页 |
| 1.2.1 事件探测 | 第12-13页 |
| 1.2.2 负荷特征 | 第13-14页 |
| 1.2.3 负荷识别 | 第14-16页 |
| 1.2.4 实践应用 | 第16-17页 |
| 1.3 主要研究工作 | 第17-18页 |
| 第二章 基于V-I轨迹特征的非侵入式负荷分解算法 | 第18-33页 |
| 2.1 引言 | 第18页 |
| 2.2 非侵入式负荷分解框架 | 第18-19页 |
| 2.3 非侵入式负荷分解算法 | 第19-25页 |
| 2.3.1 事件探测 | 第19-20页 |
| 2.3.2 V-I轨迹特征 | 第20-25页 |
| 2.4 负荷识别 | 第25-26页 |
| 2.5 算例 | 第26-32页 |
| 2.5.1 算例背景 | 第26-27页 |
| 2.5.2 事件探测 | 第27页 |
| 2.5.3 轨迹提取 | 第27-28页 |
| 2.5.4 特征量化 | 第28页 |
| 2.5.5 负荷识别 | 第28-30页 |
| 2.5.6 算法灵敏度分析 | 第30-31页 |
| 2.5.7 结果对比 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于迁移学习与卷积特征的非侵入式负荷分解 | 第33-52页 |
| 3.1 引言 | 第33-34页 |
| 3.2 卷积神经网络基本概念 | 第34-43页 |
| 3.2.1 人工神经网络 | 第34-35页 |
| 3.2.2 BP-NN反向传播 | 第35-36页 |
| 3.2.3 卷积神经网络原理 | 第36-38页 |
| 3.2.4 卷积神经网络反向传播过程 | 第38-39页 |
| 3.2.5 卷积神经网络经典结构 | 第39-43页 |
| 3.3 基于迁移学习的深度卷积特征学习算法 | 第43-45页 |
| 3.3.1 迁移学习基本概念 | 第43页 |
| 3.3.2 卷积神经网络特征提取 | 第43-44页 |
| 3.3.3 基于迁移学习的V-I轨迹卷积特征提取 | 第44-45页 |
| 3.4 算例分析 | 第45-50页 |
| 3.4.1 含色彩特征的V-I轨迹 | 第45页 |
| 3.4.2 REDD数据集测试 | 第45-47页 |
| 3.4.3 UK-DALE数据集测试 | 第47-49页 |
| 3.4.4 实验室测试 | 第49-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于非侵入式负荷分解的工业能耗监测系统 | 第52-66页 |
| 4.1 引言 | 第52页 |
| 4.2 系统框架 | 第52-53页 |
| 4.3 数据分解 | 第53-54页 |
| 4.4 网关通讯 | 第54页 |
| 4.5 基于工业负荷特性的非侵入式负荷分解算法 | 第54-60页 |
| 4.5.1 工业负荷特性 | 第54-55页 |
| 4.5.2 基于滑动双边窗的事件检测算法 | 第55-58页 |
| 4.5.3 V-I轨迹提取及负荷识别 | 第58页 |
| 4.5.4 设备状态连续性判断及二次识别 | 第58-59页 |
| 4.5.5 网关及云平台 | 第59-60页 |
| 4.6 算例 | 第60-65页 |
| 4.7 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 1.本文工作总结 | 第66页 |
| 2.不足与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |
