基于基分类器多层次证据合成的低频数据负荷分解研究

发布时间：2024-06-15 05:46

　　第二次工业革命以来,电力得到广泛的应用,进入二十一世纪后,随着互联网技术的发展,智能电网技术应运而生。作为智能电网的重要组成部分,高级量测体系(Advance Metering Infrastructure,AMI)是进行电能管理和提高电能利用效率的基础。将用电监测细化到用电器层面又是AMI的重要内容之一,对居民用户可以采用非侵入式负荷监测技术(Non-Intrusive Load Monitoring,NILM,又称负荷分解技术)。NILM可以通过分析电力入口处的电压、电流、功率等信息,得到主要用电器的用电情况,具有成本低廉、对用户干扰低的特点。本文提出一种面向家居环境的负荷分解方法,在仅有低频(1/60 Hz)总功率数据的前提下,通过充分挖掘数据的人工特征和隐含特征识别各用电器的运行状态,并基于证据理论合成识别结果,采用融合神经网络估计得到主要用电器的运行功率。在用电器运行状态识别方面,传统方法一般利用高频电压、电流、谐波等数据,基于事件检测得出人工特征作为识别依据,或不检测事件直接分析原始数据。本文在仅有低频总功率数据的前提下,为充分利用有效信息,创新性地从数据的人工特征和原始数...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
主要缩写对照表
1 绪论
    1.1 引言
    1.2 NILM概述
    1.3 传统负荷分解方法的问题
    1.4 论文的研究内容、贡献和结构安排
2 负荷分解的事件对特征提取
    2.1 数据集概述
        2.1.1 常用数据集
        2.1.2 AMPds数据集
    2.2 事件检测
        2.2.1 累积和滤波器事件检测原理
        2.2.2 滑动窗累积和滤波器事件检测
        2.2.3 事件检测效果
    2.3 规范特征提取时间范围的事件对
    2.4 事件对特征提取
        2.4.1 时间特征
        2.4.2 功率特征
        2.4.3 波动特征
    2.5 用电器的事件对特征分布
    2.6 小结
3 基于模糊决策树和LSTM的负荷运行状态识别
    3.1 负荷运行状态
    3.2 基于事件对特征的识别方法
        3.2.1 决策树
        3.2.2 用电器的模糊决策树训练数据构建
        3.2.3 模糊决策树
        3.2.4 模糊决策树效果分析
    3.3 基于原始数据的识别方法
        3.3.1 模糊决策树存在的问题
        3.3.2 LSTM及网络结构
        3.3.3 用电器的LSTM训练数据构建
        3.3.4 LSTM效果分析
    3.4 模糊决策树与LSTM表现比较
    3.5 小结
4 基于证据理论的识别结果多层次合成
    4.1 负荷分解的集成学习思想
        4.1.1 负荷识别方法存在的问题
        4.1.2 集成学习和基分类器
        4.1.3 基于证据理论的集成学习方法
    4.2 证据理论基础知识
        4.2.1 识别框架
        4.2.2 基本概率分配函数、信任函数和似然函数
    4.3 证据合成
        4.3.1 Dempster合成规则
        4.3.2 Dempster合成规则的性质
        4.3.3 证据合成冲突
    4.4 负荷分解的识别框架与基本概率分配函数
        4.4.1 负荷分解问题的识别框架
        4.4.2 基本概率分配函数构造方法
        4.4.3 负荷分解的基本概率分配函数
    4.5 负荷分解的多层次证据合成
    4.6 多层次证据合成效果分析
        4.6.1 多层次证据合成效果
        4.6.2 与复杂分类器效果比较
    4.7 小结
5 基于融合神经网络的功率估计和案例分析
    5.1 基于融合神经网络的功率估计
        5.1.1 用电器的运行模式
        5.1.2 CNN及其特征提取
        5.1.3 融合神经网络
        5.1.4 Teacher Forcing
    5.2 功率估计效果分析
        5.2.1 功率估计整体表现
        5.2.2 功率细节恢复表现
    5.3 应用案例分析
        5.3.1 项目的具体背景和需求
        5.3.2 项目技术路线及对负荷分解的要求
        5.3.3 电能信息采集
        5.3.4 负荷分解模型生成及表现
    5.4 小结
6 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
作者简历



本文编号：3995018