摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-19页 |
1.1 课题研究的背景 | 第11-12页 |
1.2 课题研究的意义 | 第12-13页 |
1.3 家庭能量管理系统发展现状 | 第13-15页 |
1.3.1 家庭能量管理系统国外发展现状 | 第13-15页 |
1.3.2 家庭能量管理系统国内发展现状 | 第15页 |
1.4 用户侧智能用电研究现状 | 第15-17页 |
1.5 主要研究内容 | 第17-19页 |
第2章 家庭能量管理系统设计 | 第19-31页 |
2.1 家庭能量管理系统结构设计 | 第19-24页 |
2.1.1 家庭能量管理系统的功能结构设计 | 第19-21页 |
2.1.2 网络层拓扑结构设计 | 第21-22页 |
2.1.3 组网技术设计 | 第22-24页 |
2.2 家庭能量管理系统中的数据采集方法设计 | 第24-26页 |
2.2.1 基于数据相关性的数据采集方法 | 第24-25页 |
2.2.2 本地模型的参数估计 | 第25-26页 |
2.3 家庭能量管理系统数据管理功能设计 | 第26-29页 |
2.3.1 基于云平台的数据存储 | 第26-28页 |
2.3.2 基于设备模型的数据管理 | 第28-29页 |
2.4 本章小结 | 第29-31页 |
第3章 用电设备负荷特性分类 | 第31-45页 |
3.1 GREEN数据库介绍 | 第31-32页 |
3.2 基于自适应阈值和时间窗口分割的多状态负荷分解方法 | 第32-41页 |
3.2.1 负荷分解方法流程 | 第33-35页 |
3.2.2 家电设备模型的负荷特性 | 第35-36页 |
3.2.3 负荷分解结果分析和负荷模型分类 | 第36-41页 |
3.3 用电设备工作的约束条件 | 第41-44页 |
3.3.1 可控与不可控用电负荷的划分 | 第41页 |
3.3.2 可控用电负荷的工作约束条件 | 第41-44页 |
3.4 本章小结 | 第44-45页 |
第4章 可控负荷用电调度策略研究 | 第45-67页 |
4.1 用电设备满意度模型 | 第45-47页 |
4.1.1 结合满意度的用电设备约束条件 | 第46-47页 |
4.2 用电费用最省模型 | 第47-48页 |
4.3 调度策略研究 | 第48-51页 |
4.3.1 常用调度优化算法 | 第48-50页 |
4.3.2 调度优化算法的选择 | 第50-51页 |
4.4 基于遗传算法的用电费用最优调度策略研究 | 第51-57页 |
4.4.1 基于遗传算法的用电调度要素的具体设计 | 第52-55页 |
4.4.2 基于遗传算法的调度策略仿真结果 | 第55-57页 |
4.5 基于遗传算法的用户满意度调度策略研究 | 第57-60页 |
4.5.1 基于遗传算法的用电调度要素具体设计 | 第58-59页 |
4.5.2 基于遗传算法的调度策略仿真结果 | 第59-60页 |
4.6 基于NSGA-Ⅱ算法的用电调度策略研究 | 第60-65页 |
4.6.1 基于NSGA-Ⅱ算法的用电调度策略 | 第61-62页 |
4.6.2 基于NSGA-Ⅱ算法的用电调度策略仿真结果 | 第62-65页 |
4.7 本章小结 | 第65-67页 |
第5章 接入分布式电源的用电调度策略研究 | 第67-79页 |
5.1 接入分布式电源的家庭能量管理系统 | 第67-68页 |
5.1.1 分布式电源分类 | 第67-68页 |
5.1.2 接入分布式电源的家庭能量管理系统结构 | 第68页 |
5.2 家庭光伏系统 | 第68-71页 |
5.2.1 光伏电池数学模型 | 第69-70页 |
5.2.2 2.2KW光伏系统 | 第70-71页 |
5.3 基于改进遗传算法的家庭用电调度策略研究 | 第71-77页 |
5.3.1 遗传算法陷入局部最优问题 | 第71-73页 |
5.3.2 基于自适应模拟退火遗传算法的用电最优调度策略研究 | 第73-75页 |
5.3.3 基于自适应模拟退火遗传算法用电调度策略的仿真结果 | 第75-77页 |
5.4 本章小结 | 第77-79页 |
第6章 总结与展望 | 第79-83页 |
6.1 本文总结 | 第79-80页 |
6.2 未来展望 | 第80-83页 |
参考文献 | 第83-87页 |
致谢 | 第87-89页 |
攻读硕士期间科研情况 | 第89页 |