| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 引言 | 第9-10页 |
| 1.2 非侵入式负荷识别的研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.3 本论文主要研究内容 | 第12-15页 |
| 2 模式识别与负荷分类识别 | 第15-29页 |
| 2.1 概述 | 第15-17页 |
| 2.2 模式识别方法对负荷识别的适用性 | 第17-18页 |
| 2.3 聚类分析与负荷分类识别 | 第18-21页 |
| 2.3.1 概述 | 第18-19页 |
| 2.3.2 相似性测度 | 第19页 |
| 2.3.3 常用聚类算法 | 第19-21页 |
| 2.4 支持向量机与负荷分类识别 | 第21-27页 |
| 2.4.1 概述 | 第21-22页 |
| 2.4.2 最优分类超平面 | 第22-24页 |
| 2.4.3 线性支持向量机 | 第24-25页 |
| 2.4.4 非线性支持向量机 | 第25-26页 |
| 2.4.5 核函数 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 3 非侵入式住宅用电负荷投切检测与数据库建立 | 第29-59页 |
| 3.1 非侵入式负荷识别过程 | 第29-31页 |
| 3.2 实际住宅用电负荷信号采集实验 | 第31-47页 |
| 3.2.1 实验目的与实验对象的选择 | 第31-32页 |
| 3.2.2 实验原理与接线 | 第32-33页 |
| 3.2.3 负荷波形数据与分析 | 第33-47页 |
| 3.3 负荷投切检测 | 第47-52页 |
| 3.3.1 基于小波软阈值去噪的数据预处理 | 第47-49页 |
| 3.3.2 基于移动窗负荷投切事件检测与暂稳态分区 | 第49-52页 |
| 3.4 数据库的建立 | 第52-58页 |
| 3.4.1 住宅用电负荷特征量的提取 | 第52-55页 |
| 3.4.2 特征量数据归一化 | 第55-56页 |
| 3.4.3 负荷特征量筛选 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 4 基于改进最近邻法的住宅用电负荷识别 | 第59-79页 |
| 4.1 传统最近邻法的缺陷 | 第59-60页 |
| 4.2 传统单层分类器的不足 | 第60-62页 |
| 4.3 基于改进最近邻算法的分类器设计 | 第62-64页 |
| 4.3.1 分类器判决函数 | 第62-63页 |
| 4.2.2 多层分类器构架 | 第63-64页 |
| 4.3 分类器训练 | 第64-73页 |
| 4.3.1 分类器结构优化 | 第65页 |
| 4.3.2 特征量组合寻优 | 第65-71页 |
| 4.3.3 基于网格搜索法参数寻优 | 第71-73页 |
| 4.4 住宅用电负荷识别实验 | 第73-78页 |
| 4.5 本章小结 | 第78-79页 |
| 5 结合 MC-kNN 法与 SVM 的住宅用电负荷识别 | 第79-85页 |
| 5.1 MC-kNN 分类器的误差分析 | 第79-80页 |
| 5.2 多层 MC-kNN 法与 SVM 混合分类器的设计与训练 | 第80-82页 |
| 5.2.1 多层分类器结构 | 第80-81页 |
| 5.2.2 参数寻优 | 第81-82页 |
| 5.3 住宅用电负荷识别实验 | 第82-83页 |
| 5.4 本章小结 | 第83-85页 |
| 6 结论与展望 | 第85-87页 |
| 6.1 结论 | 第85-86页 |
| 6.2 工作展望 | 第86-87页 |
| 致谢 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 附录 | 第93页 |
| A 作者在攻读学位期间发表的论文目录 | 第93页 |
| B. 作者在攻读学位期间取得的科研成果目录 | 第93页 |
