基于神经网络的用电行为监测技术的研究
摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-16页 |
1.1 研究背景及意义 | 第11页 |
1.2 国内外研究现状与发展趋势 | 第11-13页 |
1.3 负载识别技术 | 第13-14页 |
1.3.1 功率特征 | 第13页 |
1.3.2 电流-电压轨迹特征 | 第13-14页 |
1.3.3 稳态特征 | 第14页 |
1.3.4 暂态特征 | 第14页 |
1.3.5 神经网络在负载识别中的研究现状 | 第14页 |
1.4 论文主要研究工作 | 第14-15页 |
1.4.1 论文主要研究内容 | 第14页 |
1.4.2 论文内容安排 | 第14-15页 |
1.5 本章小结 | 第15-16页 |
第二章 神经网络理论模型 | 第16-25页 |
2.1 人工神经网络 | 第16-19页 |
2.1.1 神经网络的基本特点 | 第16页 |
2.1.2 神经元模型 | 第16-17页 |
2.1.3 神经元变换函数 | 第17-19页 |
2.2 单层计算单元-感知器 | 第19-20页 |
2.3 多层神经网络 | 第20-21页 |
2.4 BP神经网络 | 第21-24页 |
2.4.1 BP神经网络模型 | 第21-22页 |
2.4.2 BP神经网络应用 | 第22-23页 |
2.4.3 用电行为分类中的应用 | 第23-24页 |
2.5 本章小结 | 第24-25页 |
第三章 用电行为特征提取与数据处理 | 第25-39页 |
3.1 负载识别相关技术研究 | 第25-32页 |
3.1.1 负载基本模型 | 第25-27页 |
3.1.2 非侵入数据采集 | 第27页 |
3.1.3 数据预处理 | 第27-28页 |
3.1.4 快速傅里叶变换 | 第28-31页 |
3.1.5 电流谐波特征 | 第31-32页 |
3.2 智能识别模型设计 | 第32-36页 |
3.2.1 BP神经网络结构设计 | 第33-35页 |
3.2.2 网络的传递函数 | 第35-36页 |
3.2.3 变学习率学习算法 | 第36页 |
3.3 欧式距离匹配算法 | 第36-37页 |
3.4 差分数据提取 | 第37-38页 |
3.5 本章小结 | 第38-39页 |
第四章 系统总体设计与架构 | 第39-44页 |
4.1 系统设计目标 | 第39页 |
4.2 系统设计要求 | 第39-40页 |
4.2.1 系统设计原则要求 | 第39-40页 |
4.2.2 系统设计功能要求 | 第40页 |
4.3 系统整体结构设计 | 第40-41页 |
4.4 系统软件框架 | 第41-43页 |
4.4.1 系统实现方案 | 第41-43页 |
4.4.2 系统主要接口 | 第43页 |
4.5 本章小结 | 第43-44页 |
第五章 用电行为监测系统设计与实现 | 第44-65页 |
5.1 系统软件工作流程 | 第44-45页 |
5.2 数据采集模块设计 | 第45-49页 |
5.2.1 电流霍尔传感器 | 第45-46页 |
5.2.2 奈奎斯特(Nyquist)采样定理 | 第46-48页 |
5.2.3 功率计算 | 第48-49页 |
5.3 通信模块设计 | 第49-53页 |
5.3.1 传输协议 | 第49-51页 |
5.3.2 应用层数据协议 | 第51-52页 |
5.3.3 超时与重传 | 第52-53页 |
5.4 BP神经网络分类系统训练 | 第53-54页 |
5.4.1 神经网络系统输入 | 第53-54页 |
5.4.2 神经网络系统输出设计 | 第54页 |
5.5 BP神经网络分类系统测试 | 第54-56页 |
5.6 监测系统平台架构 | 第56-64页 |
5.6.1 Spring-Boot框架 | 第57-59页 |
5.6.2 数据库设计 | 第59-64页 |
5.7 本章小结 | 第64-65页 |
第六章 系统测试与分析 | 第65-73页 |
6.1 电流数据特征提取 | 第65-68页 |
6.2 BP用电行为监测系统终端平台 | 第68-72页 |
6.3 本章小结 | 第72-73页 |
第七章 总结与展望 | 第73-75页 |
7.1 论文工作总结 | 第73-74页 |
7.2 展望 | 第74-75页 |
致谢 | 第75-76页 |
参考文献 | 第76-80页 |
附录 | 第80页 |