基于深度学习的非侵入式住宅用电负荷分解方法
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第15-26页 |
| 1.1 课题研究背景与意义 | 第15-17页 |
| 1.2 非侵入式负荷监测系统 | 第17-20页 |
| 1.3 非侵入式负荷分解算法国内外研究现状 | 第20-23页 |
| 1.3.1 国外研究现状 | 第20-22页 |
| 1.3.2 国内研究现状 | 第22-23页 |
| 1.4 深度学习在非侵入式负荷分解中应用现状 | 第23-24页 |
| 1.5 非侵入住宅用电负荷分解面临的主要问题 | 第24-25页 |
| 1.6 本文主要研究内容 | 第25-26页 |
| 第二章 住宅用电负荷特征分析 | 第26-37页 |
| 2.1 典型住宅用电负荷 | 第26-27页 |
| 2.2 住宅用电负荷分类 | 第27-28页 |
| 2.3 住宅用电负荷特征分析 | 第28-36页 |
| 2.3.1 稳态特征 | 第29-34页 |
| 2.3.2 暂态特征 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 深度学习模型与算法 | 第37-50页 |
| 3.1 深度学习概述 | 第37-39页 |
| 3.1.1 人工神经网络 | 第37-38页 |
| 3.1.2 深度学习概念 | 第38-39页 |
| 3.2 深度学习基本思想与训练过程 | 第39-40页 |
| 3.2.1 深度学习基本思想 | 第39页 |
| 3.2.2 深度学习的训练过程 | 第39-40页 |
| 3.3 深度学习模型分类 | 第40-41页 |
| 3.4 循环神经网络 | 第41-45页 |
| 3.4.1 长短期记忆网络 | 第42-44页 |
| 3.4.2 门控循环单元循环神经网络 | 第44-45页 |
| 3.5 卷积神经网络 | 第45-46页 |
| 3.6 循环卷积神经网络 | 第46-47页 |
| 3.7 残差网络 | 第47-48页 |
| 3.8 本章小结 | 第48-50页 |
| 第四章 基于深度学习的非侵入式负荷分解方法 | 第50-62页 |
| 4.1 总体思路 | 第50-51页 |
| 4.2 非侵入式负荷分解的深度学习模型结构 | 第51-56页 |
| 4.2.1 基于LSTM网络模型结构 | 第51-52页 |
| 4.2.2 基于GRU网络模型结构 | 第52-53页 |
| 4.2.3 基于CNN模型结构 | 第53-55页 |
| 4.2.4 基于RCNN网络模型结构 | 第55页 |
| 4.2.5 基于Resnet网络模型结构 | 第55-56页 |
| 4.3 非侵入式负荷分解深度学习模型训练 | 第56-59页 |
| 4.3.1 损失函数 | 第56-57页 |
| 4.3.2 参数优化方法 | 第57-58页 |
| 4.3.3 分批标准化与Dropout | 第58-59页 |
| 4.4 基于深度学习的非侵入式负荷分解方法 | 第59-60页 |
| 4.5 非侵入式负荷分解优化 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 实验结果与分析 | 第62-80页 |
| 5.1 实验环境与配置 | 第62-63页 |
| 5.2 数据集来源和预处理 | 第63-69页 |
| 5.2.1 实验数据集来源 | 第63-64页 |
| 5.2.2 实验数据预处理 | 第64-69页 |
| 5.3 负荷分解评价指标 | 第69页 |
| 5.4 案例一 | 第69-76页 |
| 5.5 案例二 | 第76-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 本文工作总结 | 第80页 |
| 6.2 未来工作展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第87-88页 |
