| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 课题研究背景与意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 家电电气工作状态识别研究现状 | 第18-19页 |
| 1.2.2 电力信号的单通道盲源分离研究现状 | 第19-20页 |
| 1.2.3 电能负荷短期预测研究现状 | 第20-21页 |
| 1.3 研究内容 | 第21-23页 |
| 第二章 单电器的电气工作状态识别方法 | 第23-63页 |
| 2.1 数据采集及滤波 | 第23-28页 |
| 2.1.1 通用自动测试系统平台概述 | 第23-25页 |
| 2.1.2 数据采集及滤波 | 第25-27页 |
| 2.1.3 建立电器原始样本库 | 第27-28页 |
| 2.2 自动分期 | 第28-29页 |
| 2.3 特征提取 | 第29-35页 |
| 2.3.1 稳态信号特征提取 | 第29-33页 |
| 2.3.2 基于WPT的瞬态信号特征提取方法 | 第33-35页 |
| 2.4 聚类分析 | 第35-36页 |
| 2.5 状态匹配及时序图的构建 | 第36-37页 |
| 2.5.1 基于状态维持时间的一致性分析 | 第36页 |
| 2.5.2 基于状态熵的一致性分析 | 第36-37页 |
| 2.6 微波炉实例验证 | 第37-47页 |
| 2.6.1 数据采集及与预处理 | 第38页 |
| 2.6.2 自动分期 | 第38-39页 |
| 2.6.3 特征提取 | 第39-42页 |
| 2.6.4 状态匹配 | 第42-44页 |
| 2.6.5 状态-时序图构建及一致性分析 | 第44-47页 |
| 2.7 空调实例验证 | 第47-49页 |
| 2.7.1 数据采集及预处理 | 第47页 |
| 2.7.2 特征提取及匹配 | 第47-49页 |
| 2.8 洗衣机实例验证 | 第49-62页 |
| 2.8.1 数据采集及滤波 | 第49-50页 |
| 2.8.2 特征提取及匹配 | 第50-56页 |
| 2.8.3 状态时序图构建及一致性评价 | 第56-62页 |
| 2.9 本章小结 | 第62-63页 |
| 第三章 基于特征排序向量内积的单通道多电器叠加电流信号分离 | 第63-76页 |
| 3.1 单通道盲源分离模型 | 第63-64页 |
| 3.2 基于特征排序向量内积的单通道半盲分离算法 | 第64-66页 |
| 3.3 分离实验及结果分析 | 第66-71页 |
| 3.3.1 实验数据采集 | 第66-67页 |
| 3.3.2 实验结果及分析 | 第67-71页 |
| 3.4 与传统单通道盲分离算法的比较 | 第71-75页 |
| 3.4.1 传统单通道盲分离算法 | 第71-72页 |
| 3.4.2 实验结果及分析 | 第72-75页 |
| 3.5 本章小结 | 第75-76页 |
| 第四章 建筑电能负荷短期预测方法研究 | 第76-90页 |
| 4.1 基于PSO-Elman模型的建筑电能负荷粗粒度预测 | 第76-86页 |
| 4.1.1 Elman神经网络模型 | 第76-78页 |
| 4.1.2 PSO优化算法 | 第78-79页 |
| 4.1.3 PSO-ELman神经网络模型 | 第79-80页 |
| 4.1.4 建筑电能负荷粗粒度预测实验 | 第80-86页 |
| 4.2 基于家电电气工作状态的电能负荷细粒度预测 | 第86-88页 |
| 4.2.1 负荷能耗细粒度模型 | 第86-87页 |
| 4.2.2 基于电气工作状态的负荷峰值预测实验 | 第87-88页 |
| 4.3 本章小结 | 第88-90页 |
| 第五章 总结与后续工作展望 | 第90-92页 |
| 5.1 论文主要结论 | 第90-91页 |
| 5.2 后续工作展望 | 第91-92页 |
| 参考文献 | 第92-97页 |
| 致谢 | 第97-98页 |
| 作者简介及读研期间主要科研成果 | 第98页 |