| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 选题背景及研究意义 | 第10-13页 |
| 1.2 课题研究现状 | 第13-16页 |
| 1.2.1 非侵入式负荷分解的研究概况 | 第13-15页 |
| 1.2.2 大数据技术的研究概况 | 第15-16页 |
| 1.3 当前研究存在的问题 | 第16-17页 |
| 1.4 本文主要工作 | 第17-20页 |
| 第二章 负荷数据的采集与处理 | 第20-30页 |
| 2.1 电流数据采集 | 第20-23页 |
| 2.1.1 稳态过程的负荷数据采集 | 第20-22页 |
| 2.1.2 暂态过程的负荷数据获取 | 第22-23页 |
| 2.2 电流信号去噪 | 第23-28页 |
| 2.2.1 去噪算法的性能比较 | 第24页 |
| 2.2.2 小波分析去噪过程 | 第24-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 稳态过程的非侵入式负荷分解 | 第30-50页 |
| 3.1 稳态过程负荷分解模型的构建 | 第30-34页 |
| 3.1.1 单负荷稳态电流分解的数学模型 | 第30-31页 |
| 3.1.2 多负荷稳态电流分解的数学模型 | 第31-33页 |
| 3.1.3 稳态过程负荷分解的算法流程 | 第33-34页 |
| 3.2 谐波分析 | 第34-38页 |
| 3.2.1 FFT谐波分析 | 第34-36页 |
| 3.2.2 基于Hanning窗的FFT改进算法 | 第36-38页 |
| 3.3 大数据技术求解稳态过程的单负荷识别 | 第38-43页 |
| 3.3.1 单负荷识别训练过程 | 第39-42页 |
| 3.3.2 单负荷识别测试过程 | 第42-43页 |
| 3.4 大数据技术求解稳态过程的多负荷分解 | 第43-47页 |
| 3.4.1 多负荷分解训练过程 | 第43-44页 |
| 3.4.2 多负荷分解测试过程 | 第44-47页 |
| 3.4.3 基于约束条件的最小二乘法求解多负荷分解 | 第47页 |
| 3.5 本章小结 | 第47-50页 |
| 第四章 暂态过程的非侵入式负荷分解 | 第50-70页 |
| 4.1 暂态过程的检测与分离 | 第50-54页 |
| 4.1.1 暂态过程检测 | 第50-51页 |
| 4.1.2 暂态过程分离 | 第51-54页 |
| 4.2 暂态过程特征空间构建 | 第54-62页 |
| 4.2.1 暂态过程负荷印记选取 | 第55-57页 |
| 4.2.2 暂态过程特征空间形成 | 第57-58页 |
| 4.2.3 改进的PCA算法实现特征空间降维 | 第58-62页 |
| 4.3 大数据技术实现已知暂态过程聚类 | 第62-66页 |
| 4.3.1 K-means聚类算法简介 | 第62-64页 |
| 4.3.2 暂态过程聚类结果 | 第64-66页 |
| 4.4 大数据技术实现未知暂态过程识别 | 第66-69页 |
| 4.4.1 未知暂态过程特征空间构建 | 第67-68页 |
| 4.4.2 分类器识别未知暂态过程 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 暂态过程分解的深入研究 | 第70-80页 |
| 5.1 分类器的改进 | 第70-74页 |
| 5.1.1 随机森林算法原理 | 第71-73页 |
| 5.1.2 随机森林分类结果 | 第73-74页 |
| 5.2 K-means算法的改进 | 第74-77页 |
| 5.2.1 基于最大距离的初始聚类中心K-means聚类算法 | 第74-76页 |
| 5.2.2 基于最大距离的初始聚类中心K-means聚类结果 | 第76-77页 |
| 5.3 大数据技术实现未知暂态过程的高精度识别 | 第77-78页 |
| 5.4 本章小结 | 第78-80页 |
| 第六章 结论与展望 | 第80-82页 |
| 6.1 本文结论 | 第80-81页 |
| 6.2 未来展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-90页 |
| 附录 | 第90-91页 |
