基于无线通信的电力需求侧能耗信息反馈和预测的研究

发布时间：2017-10-14 08:12

  本文关键词：基于无线通信的电力需求侧能耗信息反馈和预测的研究

  更多相关文章： 电力需求侧 无线通信 数据采集 预测模型

【摘要】：当前电力需求侧用电消费反馈依然存在着内容单一、方式简单、周期过长等问题,没有抓住智能电网需求侧节约能源和提高能效的关键问题,用电反馈数据的完整性及反馈内容的针对性在技术上尚不成熟。本文利用电力需求侧能源直接反馈方法,设计了基于无线通信网络的电力需求侧能耗信息反馈系统。该反馈系统主要由基于ZigBee和WiFi通信的能耗采集系统和能耗信息管理系统组成。能耗采集系统负责用电设备能耗数据的采集与传输,能耗信息管理系统负责能耗数据的可视化展示。本文最后研究了能耗预测模型的建立,为能耗管理策略的研究提供了依据。论文的工作主要体现以下几个方面：(1)本文首先设计了一种基于ZigBee通信的能耗采集系统实现用电设备能耗信息采集与传输。主要完成了ZigBee能耗采集节点和网关的设计。节点采集的能耗信息完整和准确,数据传输安全可靠。网关负责将ZigBee网络与Internet网络进行了连接,实现了能耗数据的汇聚与转发功能。(2)针对基于ZigBee无线通信在电力需求侧的普及性不高,本文又设计了基于WiFi通信的能耗采集系统,并设计了用电能耗信息管理系统。管理系统实现了能耗数据的可视化展示,为用户提供能耗信息的横向和纵向对比,促使用户改变不良的用电习惯,增强节电意识。(3)本文最后对电力需求侧能耗预测模型进行了研究,提出通过遗传算法来改进核极限学习机算法并利用核极限学习机算法建立了电力需求侧能耗预测模型,通过实验仿真验证了电力需求侧能耗预测模型的准确性。能耗预测模型可以为能耗管理策略的研究提供必要的依据。
【关键词】：电力需求侧 无线通信 数据采集 预测模型
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM73;TN92
【目录】：

• 摘要5-6
• Abstract6-7
• 第一章 前言7-14
• 1.1 研究背景及意义7-9
• 1.2 国内外研究现状9-11
• 1.2.1 电力需求侧能源反馈的研究现状9-11
• 1.2.2 电力需求侧能耗预测的研究现状11
• 1.3 课题来源及本人工作11-12
• 1.4 论文研究的组织结构12-14
• 第二章 相关理论及方法14-20
• 2.1 引言14
• 2.2 电力需求侧能源直接反馈方法14-16
• 2.2.1 完整采集准确反馈方法14-15
• 2.2.2 单一采集估值反馈方法15
• 2.2.3 特殊采集反馈方法15-16
• 2.3 电力需求侧能耗预测建模的常用算法16-17
• 2.3.1 BP神经网络16-17
• 2.3.2 SVM回归算法17
• 2.4 能耗信息采集和传输的常见方法17-19
• 2.4.1 电力能耗数据的采集方式18-19
• 2.4.2 电力能耗数据传输方式19
• 2.5 本章小节19-20
• 第三章 基于ZigBee通信的电力需求侧能耗采集系统设计20-34
• 3.1 引言20
• 3.2 基于ZigBee能耗采集系统的总体设计20-22
• 3.2.1 基于ZigBee通信的能耗采集系统的网络架构图21-22
• 3.2.2 能耗采集系统实现的功能及工作流程22
• 3.3 ZigBee采集节点的硬件设计22-26
• 3.3.1 采集模块设计23-24
• 3.3.2 处理器模块设计24-25
• 3.3.3 ZigBee模块电路设计25-26
• 3.3.4 PCB图和实物图26
• 3.4 ZigBee采集节点的软件设计26-31
• 3.5 网关的设计31-33
• 3.6 本章小节33-34
• 第四章 基于WiFi和ZigBee通信的能耗反馈系统的设计34-52
• 4.1 引言34
• 4.2 基于WiFi和ZigBee通信的能耗采集系统的整体架构34-36
• 4.3 WiFi能耗采集节点的硬件设计36-42
• 4.3.1 处理器模块硬件设计37-38
• 4.3.2 采集模块硬件设计38-39
• 4.3.3 WiFi模块硬件设计39
• 4.3.4 电源模块电路设计39-40
• 4.3.5 JTAG接口设计40-41
• 4.3.6 PCB图及实物图41-42
• 4.4 WiFi能耗采集节点的软件设计42-45
• 4.4.1 STM8S单片机与ADS1013模数转换器之间通信程序的设计42-43
• 4.4.2 STM8S单片机与WiFi模块之间通信程序的设计43-45
• 4.5 能耗管理系统的设计45-51
• 4.5.1 能耗管理系统开发的关键技术46-47
• 4.5.2 能耗管理系统的设计与实现47-51
• 4.6 本章小节51-52
• 第五章 基于核极限学习机的电力能耗预测的研究52-61
• 5.1 引言52-53
• 5.2 核极限学习机53-55
• 5.2.1 核极限学习机概述53-55
• 5.2.2 核极限学习机建立预测模型的过程55
• 5.3 核极限学习机的改进算法55-57
• 5.3.1 遗传算法介绍56-57
• 5.3.2 将遗传算法应用在核极限学习机参数的选取中57
• 5.4 实验仿真和效果分析57-60
• 5.4.1 数据选取及预处理57-58
• 5.4.2 实验仿真分析58-59
• 5.4.3 和BP神经网络和SVM回归的进行仿真比较59-60
• 5.5 本章小节60-61
• 第六章 总结与展望61-63
• 6.1 总结61-62
• 6.2 下一步工作与展望62-63
• 参考文献63-68
• 致谢68-69
• 作者简介69
• 攻读学位期间学习情况69
• 作者攻读学位期间发表的学术论文69
• 作者攻读学位期间取得的其他学术成果69

，

本文编号：1029954