基于智能电表数据的家庭用户用电行为分析
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 方法研究 | 第10-12页 |
| 1.2.2 数据库采集 | 第12-13页 |
| 1.3 研究内容及研究思路 | 第13-15页 |
| 第2章 非侵入式负荷监测 | 第15-23页 |
| 2.1 非侵入式的特点 | 第15-16页 |
| 2.2 非侵入式算法步骤 | 第16-22页 |
| 2.2.1 非侵入式负荷监测原理步骤 | 第16-17页 |
| 2.2.2 负荷监测 | 第17页 |
| 2.2.3 状态标签 | 第17-20页 |
| 2.2.4 特征提取 | 第20-21页 |
| 2.2.5 识别分类 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 非侵入式负荷分解算法 | 第23-33页 |
| 3.1 隐马尔科夫模型及其拓展介绍 | 第23-26页 |
| 3.1.1 隐马尔科夫模型 | 第23-25页 |
| 3.1.2 因子隐马尔科夫模型 | 第25-26页 |
| 3.2 卷积神经网络 | 第26-32页 |
| 3.2.1 卷积网络步骤介绍 | 第27-31页 |
| 3.2.2 卷积神经网络训练过程 | 第31页 |
| 3.2.3 卷积神经网络分类流程 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 基于卷积神经网络家庭用电行为分析 | 第33-53页 |
| 4.1 数据处理 | 第33-41页 |
| 4.1.1 数据分析 | 第33页 |
| 4.1.2 选择合理的分析设备 | 第33-34页 |
| 4.1.3 时间窗口进行状态标签 | 第34-35页 |
| 4.1.4 时频分析 | 第35-41页 |
| 4.2 构建卷积模型实验 | 第41-49页 |
| 4.2.1 用户行为识别流程 | 第41-43页 |
| 4.2.2 迭代次数对分类结果的影响 | 第43-44页 |
| 4.2.3 学习率对分类结果的影响 | 第44-45页 |
| 4.2.4 卷积核个数对分类结果的影响 | 第45-47页 |
| 4.2.5 卷积核尺寸对分类结果的影响 | 第47-49页 |
| 4.3 实验对比分析 | 第49-51页 |
| 4.3.1 五种行为模式误差分析 | 第49-50页 |
| 4.3.2 分类模型的总代价函数 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57页 |
