非侵入式负荷监测的负荷分解与分类网络拓扑分析研究
发布时间：2021-01-21 10:54
非侵入式负荷监测的负荷监测方法指的是,能够利用安放于特殊位置的装置,完成对整个架构内的所有设备的识别和监测,获得的分解结果可不仅让用户直接了解各设备的用电行为,并能够在基于用电行为,为更多的服务和技术提供庞大的数据基础和支撑。现有的常用的用电设备分解方案主要通过采集的电气设备的电气数据转换成电气特征作为训练数据,同时也有包括使用频率和使用时长等非电气数据的结合,然后运用优化算法或者是机器学习的模型等进行进一步的负荷监测。但目前阶段存在的问题是并没有很好的分解方法能够高通过单一监测点精确地识别设备。现实生活中,单一的检测方法是暂时做不到识别所有设备,所以本文将从实际出发,从另一角度提出新的方案。针对以上问题,本文提出基于网络拓扑的非侵入式用电负荷分解方法。首先,用电设备的电气信息需要进行采集,利用数据生成的技术对多种复杂用电组合情况进行模拟,并产生充分的训练数据。其次,使用目前相对优秀的机器学习算法进行测试,以避免在他人研究中测试设备数量及种类的限制与本文提供设备的不同产生不一致的算法结果。第三,基于现实的使用环境,抽象出其电气网络拓扑,进而生成网络拓扑结构,用于实现和模拟现实场景,并在...
【文章来源】：广东工业大学广东省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
侵入式负荷监测基本模型
4图 1-2 非侵入式负荷监测基本模型Fig.1-2 Non-Intrusive Load Monitoring Model渐被人知晓后，负荷监测和设备识别方向的研究日新月本模型逻辑[14]作为基本框架。如图所示，该模型中包含
典型用电负荷由于家庭的丰富性，家内设备的种类和数量都有很大的差异性，并根据个人的使惯，因此设备的总负荷有很大的随机性和规律性。随着科技的不断进步和经济的发展，人的生活品质越来越高，各种新的电气设备的使用也越来越普及，对电量使缺乏了解，对有效用电显得非常需要解决。在 2011 年， Zeifman 和 Roth 对多个家庭展开研究发现，一个家庭内一般拥有的设备数量多达 40 种，这些设备的耗电分布非常广泛，从 0W 到 3kW，运行时段也有各自的特点(24 小时分布)[38]。表 2的是平均每个用户的用电设备的工作功率和一天的使用情况，图 2-1 表明经典的用户设备的单天平均电能消耗曲线图，原图，将同种的负荷进行简化，(如多个照设备并为一个照明设备)，所以图中家庭负荷的数量上不及与 2011 年的 Zeifman 和h 研究统计数量。
【参考文献】：
期刊论文
[1]非侵入式负荷监测与分解研究综述[J]. 程祥,李林芝,吴浩,丁一,宋永华,孙维真. 电网技术. 2016(10)
[2]灵活互动的智能用电展望与思考[J]. 李扬,王蓓蓓,李方兴. 电力系统自动化. 2015(17)
[3]智能用电互动服务平台的设计[J]. 林弘宇,张晶,徐鲲鹏,皮学军. 电网技术. 2012(07)
[4]智能电网述评[J]. 余贻鑫,栾文鹏. 中国电机工程学报. 2009(34)
[5]智能电网技术综述[J]. 陈树勇,宋书芳,李兰欣,沈杰. 电网技术. 2009(08)
博士论文
[1]非侵入式电力负荷分解与监测[D]. 黎鹏.天津大学 2009
硕士论文
[1]混合核SVM算法在肺结节识别中的应用[D]. 朱景涛.长春工业大学 2018
[2]基于粒子群算法的电网经济调度的研究[D]. 黄岩.东北农业大学 2018
[3]随机森林算法的优化研究及在文本并行分类上的应用[D]. 张鑫.南京邮电大学 2018
[4]基于粒子群算法的车载Ad hoc网络路由协议优化[D]. 龚凯.南京邮电大学 2018
[5]基于SVM和BP神经网络的短时交通流预测与实现[D]. 余涛.南京邮电大学 2018
[6]基于遗传算法的大规模MIMO系统导频优化研究[D]. 高露.南京邮电大学 2018
[7]基于遗传算法的网络视频流特征选择与识别研究[D]. 岳全涛.南京邮电大学 2018
[8]基于改进遗传算法的物流车辆路径规划方法研究与应用[D]. 仪孝展.西安理工大学 2018
[9]基于改进遗传算法的微电网优化调度[D]. 李珂明.西安理工大学 2018
[10]基于朴素贝叶斯分类器的轨道交通客流分布模型研究[D]. 汪周盼.华南理工大学 2018
本文编号：2991027
【文章来源】：广东工业大学广东省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
侵入式负荷监测基本模型
4图 1-2 非侵入式负荷监测基本模型Fig.1-2 Non-Intrusive Load Monitoring Model渐被人知晓后，负荷监测和设备识别方向的研究日新月本模型逻辑[14]作为基本框架。如图所示，该模型中包含
典型用电负荷由于家庭的丰富性，家内设备的种类和数量都有很大的差异性，并根据个人的使惯，因此设备的总负荷有很大的随机性和规律性。随着科技的不断进步和经济的发展，人的生活品质越来越高，各种新的电气设备的使用也越来越普及，对电量使缺乏了解，对有效用电显得非常需要解决。在 2011 年， Zeifman 和 Roth 对多个家庭展开研究发现，一个家庭内一般拥有的设备数量多达 40 种，这些设备的耗电分布非常广泛，从 0W 到 3kW，运行时段也有各自的特点(24 小时分布)[38]。表 2的是平均每个用户的用电设备的工作功率和一天的使用情况，图 2-1 表明经典的用户设备的单天平均电能消耗曲线图，原图，将同种的负荷进行简化，(如多个照设备并为一个照明设备)，所以图中家庭负荷的数量上不及与 2011 年的 Zeifman 和h 研究统计数量。
【参考文献】：
期刊论文
[1]非侵入式负荷监测与分解研究综述[J]. 程祥,李林芝,吴浩,丁一,宋永华,孙维真. 电网技术. 2016(10)
[2]灵活互动的智能用电展望与思考[J]. 李扬,王蓓蓓,李方兴. 电力系统自动化. 2015(17)
[3]智能用电互动服务平台的设计[J]. 林弘宇,张晶,徐鲲鹏,皮学军. 电网技术. 2012(07)
[4]智能电网述评[J]. 余贻鑫,栾文鹏. 中国电机工程学报. 2009(34)
[5]智能电网技术综述[J]. 陈树勇,宋书芳,李兰欣,沈杰. 电网技术. 2009(08)
博士论文
[1]非侵入式电力负荷分解与监测[D]. 黎鹏.天津大学 2009
硕士论文
[1]混合核SVM算法在肺结节识别中的应用[D]. 朱景涛.长春工业大学 2018
[2]基于粒子群算法的电网经济调度的研究[D]. 黄岩.东北农业大学 2018
[3]随机森林算法的优化研究及在文本并行分类上的应用[D]. 张鑫.南京邮电大学 2018
[4]基于粒子群算法的车载Ad hoc网络路由协议优化[D]. 龚凯.南京邮电大学 2018
[5]基于SVM和BP神经网络的短时交通流预测与实现[D]. 余涛.南京邮电大学 2018
[6]基于遗传算法的大规模MIMO系统导频优化研究[D]. 高露.南京邮电大学 2018
[7]基于遗传算法的网络视频流特征选择与识别研究[D]. 岳全涛.南京邮电大学 2018
[8]基于改进遗传算法的物流车辆路径规划方法研究与应用[D]. 仪孝展.西安理工大学 2018
[9]基于改进遗传算法的微电网优化调度[D]. 李珂明.西安理工大学 2018
[10]基于朴素贝叶斯分类器的轨道交通客流分布模型研究[D]. 汪周盼.华南理工大学 2018
本文编号：2991027
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2991027.html
