非侵入式居民负荷特征提取及智能用电研究

发布时间：2020-11-01 22:42

　　 智能用电技术作为智能电网体系的一个重要组成部分,其发展的好坏将会直接影响电网的经济运行与有序用电。为了获取更加精细的电力负荷监测数据来发展智能用电技术,目前主要采取“侵入式”监测的方法,即在用户家中每个电器上都设置传感装置来记录其使用情况,由于会影响用户的生活且投资成本较高,因此难以普及。非侵入式负荷监测技术则可以有效避免上述问题。本文对非侵入式居民负荷监测展开研究,通过对负荷特征提取与识别、用户负荷数据挖掘等方面展开研究,实现以非侵入式负荷监测技术来获取更加精细的电力负荷数据。本文主要分为非侵入式负荷监测特征提取与负荷识别方法、非侵入式负荷分解方法和面向智能用电的非侵入式负荷分解典型应用三个方面,具体内容如下:首先介绍了非侵入式负荷监测中常用的特征提取方法以及负荷识别方法。针对现有方法普遍利用负荷的暂态特征进行分析,对数据采集设备精度要求高,在实际中难以应用的问题,提出了一种新的负荷特征提取方法,该方法除了考虑用电设备本身的电气负荷特征之外,还充分挖掘了历史数据中隐藏的细节信息;针对数学优化算法在处理负荷识别问题时求解效率低的问题,提出了一种基于神经网络的非侵入式居民负荷识别方法,该方法利用神经网络模式识别技术,实现了精确的非侵入式负荷识别。针对非侵入式负荷分解问题,本文提出一种基于用电设备工作模式识别的非侵入式家庭负荷分解方法。首先,提取了家用电器的电流波形、有功功率、无功功率稳态特征,在此基础上提出一种新的用电器工作模式判定方法。然后,采用人工神经网络进行电器工作模式的识别,实现家用电器负荷的精确分解。最后,通过仿真实验表明:本文方法能够实现负荷的有效识别与精确分解。针对面向智能用电的非侵入式负荷分解典型应用,本文在对非侵入式负荷分解问题研究的基础上,进一步研究了对负荷分解后的状态数据进行深度挖掘,分析了非侵入式负荷分解在智能用电技术中的用电行为分析和电力需求侧管理业务两方面的应用。
【学位单位】：沈阳工程学院
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM714;TM76
【部分图文】：

重点研究方向。本文采用发展相对比较成熟的基于有监督式学习的算法度较高，但由于 SVM 是借助二次规划对支持向量进行求大的训练样本难以实施。因此，本文选择采用神经网络识别研究。网络模式识别的非侵入式负荷识别算法模式识别的方法应用于电力负荷分解的问题中，首先必和其中的函数及算法的选择。理论基础网络是由大量的基本元件—神经元组成的复杂网络系统通过对人类大脑神经处理信息的方法进行模拟，以达到转换的目标。人工神经网络通过多输入与多输出的形式行并行处理的能力，其典型结构如图 3.1 所示。

图 3.2 BP 神经网络典型三层结构pical three-layer structure of BP ne态工作特征，如电压、电流工作模式，且输出层的神经有一个隐藏层，隐藏层利用藏层神经元数目，以避免出的方法。个数选取经验公式如下：h = m + n + l 2n + 0.12n + 2.54m + 0.77n数目，m、n 分别为输入层神经

因此，本文根据文献[11]中给出的神经网络隐藏层神经元个将隐藏层神经元个数确定为 10。网络拓扑结构中的输入层与输出层神经元数量需要根据实际情况确在第 4 章中详细介绍。经网络训练方法递函数的选择经网络的训练过程中，对训练神经网络所用传递函数的选择至关重是连续可微，神经网络通常采用 Sigmoid 函数的对数函数或正切函数igmoid(logsig)，tan-sigmoid(tansig)和线性函数(purelin)三种形式。igmoid(tansig)函数的值域为(-1,1)，线性函数(purelin)的值域为(-∞id(logsig)函数的表达式见式(3.6)，其图像如图 3.3 所示，它可以将一的区间上，即输出映射在(0,1)之间。( )1S x =-x1 + e
【相似文献】

相关期刊论文 前10条

1 詹伟;查志勇;梁航函;;非侵入式负荷监测技术在客户服务中的应用研究[J];电力信息与通信技术;2019年11期

2 ;科学在身边[J];科学家;2017年10期

3 刘耀先;孙毅;李彬;黄婷;;基于边缘嵌入深度学习的非侵入式负荷分解方法[J];电网技术;2019年12期

4 汪四仙;毕忠勤;;非侵入式电力负荷监测技术研究[J];上海电力学院学报;2017年04期

5 李自文;魏平;李海;;非侵入式负荷分解方法综述[J];价值工程;2018年18期

6 ;非侵入式吃水测量系统[J];船舶物资与市场;2012年01期

7 Israel Niv;非侵入式光学探测技术加快硅片调试[J];电子设计应用;2004年05期

8 M.R.Swain ,毛焕雄;一种非侵入式表面点火检测器[J];小型内燃机;1991年02期

9 李玲娜;邵子娟;金垚灯;;基于支持向量机的非侵入式负荷印记识别模型[J];数学的实践与认识;2019年20期

10 孙毅;崔灿;陆俊;郝建红;刘向军;;基于遗传优化的非侵入式家居负荷分解方法[J];电网技术;2016年12期

相关博士学位论文 前3条

1 崔灿;面向智能用电的非侵入式居民负荷监测关键技术研究[D];华北电力大学(北京);2017年

2 凌张伟;基于临界折射纵波和表面波的压力容器压力测量方法研究[D];浙江大学;2010年

3 刘思佳;基于在线电流数据驱动方法的地下电缆故障预诊断的研究[D];北京交通大学;2016年

相关硕士学位论文 前10条

1 耿赫男;非侵入式居民负荷特征提取及智能用电研究[D];沈阳工程学院;2019年

2 王成建;基于矩阵稀疏性的非侵入式负荷分解[D];华北电力大学(北京);2019年

3 黄栩鉴;面向应用的非侵入式负荷监测与分解算法研究[D];华北电力大学(北京);2019年

4 吴瑶;基于因子隐马尔科夫模型的非侵入式负荷分解方法[D];华北电力大学(北京);2019年

5 田洁;基于用户行为分析的非侵入式家庭负荷分解研究[D];华北电力大学(北京);2019年

6 张璐;面向居民用户的非侵入式负荷分解算法研究[D];华北电力大学(北京);2019年

7 刘玲;基于稳态特征的非侵入式负荷监测算法研究[D];华南理工大学;2019年

8 张露;非侵入式负荷监测算法研究[D];华南理工大学;2019年

9 詹航;基于智能决策的非侵入式负荷监测研究[D];浙江大学;2018年

10 高浩瀚;非侵入式负荷辨识的特征分析研究[D];山东大学;2019年

本文编号：2866205