| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 非侵入式电力负荷监测的基本原理与技术路线 | 第10-12页 |
| 1.2.1 基本原理 | 第10页 |
| 1.2.2 技术路线 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 国外研究发展现状 | 第12页 |
| 1.3.2 国内研究发展现状 | 第12-13页 |
| 1.3.3 国内外研究总结 | 第13-15页 |
| 1.4 本文主要研究工作与内容安排 | 第15-16页 |
| 第二章 居民电力负荷特征分析与仿真建模 | 第16-23页 |
| 2.1 家用电器负荷选取 | 第16页 |
| 2.2 家用电器仿真 | 第16-22页 |
| 2.2.1 MATLAB简介 | 第16-17页 |
| 2.2.2 典型家用电器的仿真建模 | 第17-21页 |
| 2.2.3 家用电器综合运行情景仿真 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于能量比算法的暂态过程事件探测 | 第23-35页 |
| 3.1 能量比算法原理概述 | 第24页 |
| 3.2 基于能量比算法的家用电器投切事件检测 | 第24-31页 |
| 3.2.1 基于不同负荷特征参数的能量比检测算法分析 | 第24-26页 |
| 3.2.2 基于不同时间窗参数的能量比检测算法分析 | 第26-31页 |
| 3.3 基于能量比算法的家用电器电流暂态过程的检测和分离 | 第31-34页 |
| 3.3.1 暂态过程的分离 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于小波变换的负荷特征提取 | 第35-57页 |
| 4.1 概述 | 第35-37页 |
| 4.1.1 信号时域处理方法 | 第35-36页 |
| 4.1.2 信号频域处理方法 | 第36-37页 |
| 4.1.3 时频域处理方法 | 第37页 |
| 4.2 小波变换 | 第37-42页 |
| 4.2.1 傅里叶变换到小波分析 | 第37-38页 |
| 4.2.2 小波分析 | 第38-39页 |
| 4.2.3 常用小波函数介绍 | 第39-40页 |
| 4.2.4 一维离散小波变换 | 第40-41页 |
| 4.2.5 多分辨分析与Mallat算法 | 第41-42页 |
| 4.2.6 并行滤波器组 | 第42页 |
| 4.3 信息熵与小波熵 | 第42-45页 |
| 4.3.1 信息熵 | 第42-43页 |
| 4.3.2 谱熵 | 第43页 |
| 4.3.3 小波熵 | 第43-45页 |
| 4.4 基于小波变换的家用电器负荷特征分析 | 第45-53页 |
| 4.4.1 单个家用电器的小波变换 | 第45-48页 |
| 4.4.2 单个家用电器的小波熵 | 第48-52页 |
| 4.4.3 家用电器综合运行情况的负荷特征提取 | 第52-53页 |
| 4.5 基于主成分分析的负荷特征降维 | 第53-55页 |
| 4.5.1 主成分分析方法基本原理 | 第53-55页 |
| 4.5.2 基于主成分分析的负荷特征提取 | 第55页 |
| 4.6 本章小结 | 第55-57页 |
| 第五章 基于深度信念网络算法的负荷识别 | 第57-68页 |
| 5.1 概述 | 第57-58页 |
| 5.1.1 数学优化 | 第57页 |
| 5.1.2 模式识别 | 第57-58页 |
| 5.2 人工神经网络 | 第58-60页 |
| 5.2.1 神经元结构模型 | 第58-59页 |
| 5.2.2 神经网络的互连模式 | 第59-60页 |
| 5.3 深度信念网络模型 | 第60-62页 |
| 5.3.0 深度学习概述 | 第60页 |
| 5.3.1 受限玻尔兹曼机（restricted Boltzmann machine，RBM） | 第60-61页 |
| 5.3.2 深度信念网络 | 第61-62页 |
| 5.4 基于DBN的家用电器非侵入式负荷监测 | 第62-67页 |
| 5.4.1 单个家庭家用电器的负荷识别算例分析 | 第62页 |
| 5.4.2 居民单元综合运行的负荷识别算例分析 | 第62-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
