非侵入式负荷分解算法研究
发布时间：2021-11-08 13:51
非侵入式负荷分解能从用户总用电数据中获取用户用电详情,便于电力部门提升用户管理水平。本文对非侵入式负荷分解相关技术进行了综合分析,并进一步研究了非侵入式负荷分解算法。本文主要从如下几个方面展开研究:首先针对非侵入式负荷分解的事件检测算法准确率不高的问题,利用稳态有功功率特征,改进了三种事件检测算法:改进滑动CUSUM双边累积和算法,改进滑动卡方-GOF算法和改进滑动Cepstrum算法;与文献结果对比可知,三种事件检测算法的事件检测准确率较优。并且改进滑动卡方-GOF算法相比传统滑动卡方-GOF算法能够有效地检测出大基准功率事件,避免了此种情况的漏检。同时,在改进滑动CUSUM双边累积和算法进行事件检测的基础上利用差量特征提取算法进行了功率特征提取。提取特征序列和模板特征序列的对比结果表明了良好的特征提取效果。然后采用K-means聚类获取模板特征序列和提取特征序列聚类中心,同时对模板特征序列聚类中心和提取特征序列聚类中心进行聚类中心匹配,获取匹配距离排序。进一步利用DTW算法计算模板特征序列和提取特征序列的整体匹配距离,获取整体相似度排序。选择两个排序结果中排名最靠前的设备为识别设备...
【文章来源】：西华大学四川省
【文章页数】：97 页
【学位级别】：硕士
【图文】：
非侵入式负荷分解技术框架
Fig.2.3 Flowchart of Non-intrusive event based load disaggregation图 2.3 可以看出事件型非侵入式方法在获取总用电数据后进行事件检测，再进别，从而辨别出每个设备。侵入式负荷分解研究首先需要对负荷设备进行建模分析，以此作为负荷分解的对负荷设备按照功率特征进行建模分析，则负荷设备通常可以分为以下四种：
Fig.2.2 Flowchart of Non-intrusive non-event based load disaggregation图 2.2 可以看出非事件型非侵入式方法利用总体数据训练或构建分解模型，再估算出各设备用电情况。
【参考文献】：
期刊论文
[1]深度神经网络在非侵入式负荷分解中的应用[J]. 燕续峰,翟少鹏,王治华,王芬,何光宇. 电力系统自动化. 2019(01)
[2]基于DTW算法的非侵入式家居负荷行为识别方法[J]. 华亮亮,黄伟,杨子力,王钰,张可佳. 电测与仪表. 2019(14)
[3]敏捷成像卫星调度的改进量子遗传算法[J]. 王海蛟,贺欢,杨震. 宇航学报. 2018(11)
[4]基于谱图理论的居民用户非侵入式负荷分解[J]. 彭显刚,郑凯,林哲昊,朱俊超,李壮茂. 电网技术. 2018(08)
[5]基于Hadamard门变异的量子遗传算法[J]. 鄂旭,盖佳妮,周津,杨芳,刘春晓. 控制工程. 2018(01)
[6]量子衍生布谷鸟算法及在地层对比中的应用[J]. 曹茂俊,薛诚,赵静,孙文龙. 计算机与现代化. 2017(12)
[7]基于DTW算法与稳态电流波形的非侵入式负荷辨识方法[J]. 祁兵,董超,武昕,崔高颖. 电力系统自动化. 2018(03)
[8]基于量化正交交叉的量子衍生布谷鸟搜索算法[J]. 刘志刚,杜娟,许少华,田伟. 信息与控制. 2017(04)
[9]欠定分离机制下基于特征滤波的居民负荷非侵入辨识算法[J]. 武昕,韩璐,韩笑,祁兵,崔高颖. 电力系统自动化. 2017(20)
[10]基于约束HMM的变点检测算法[J]. 庄玉,何振峰. 计算机系统应用. 2017(05)
博士论文
[1]面向智能用电的非侵入式居民负荷监测关键技术研究[D]. 崔灿.华北电力大学(北京) 2017
[2]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]基于稳态特征的非侵入式负荷辨识系统的设计与实现[D]. 张志豪.电子科技大学 2018
[2]结合事件检测的HMM非侵入式电力负荷监测算法研究[D]. 卢天琪.华中科技大学 2017
[3]基于深度学习的非侵入式住宅用电负荷分解方法[D]. 姜波.合肥工业大学 2017
[4]基于深度学习优化的非侵入式负荷监控算法研究[D]. 李葱.华中科技大学 2017
[5]基于HMM及其扩展模型的非侵入式电力负荷监测技术研究[D]. 陈鸿川.天津大学 2017
[6]基于用户用电行为建模和参数辨识的需求响应应用研究[D]. 钱程.东南大学 2016
[7]布谷鸟算法的应用研究及算法性能度量[D]. 刘延龙.东北林业大学 2016
[8]非侵入式负荷分解算法的综合研究[D]. 李雨轩.北京交通大学 2016
[9]电力大数据平台下数据分析与挖掘研究与应用[D]. 马晓丹.华北电力大学 2016
[10]非侵入式电器识别算法的研究[D]. 盛梦娇.中国海洋大学 2015
本文编号：3483825
【文章来源】：西华大学四川省
【文章页数】：97 页
【学位级别】：硕士
【图文】：
非侵入式负荷分解技术框架
Fig.2.3 Flowchart of Non-intrusive event based load disaggregation图 2.3 可以看出事件型非侵入式方法在获取总用电数据后进行事件检测，再进别，从而辨别出每个设备。侵入式负荷分解研究首先需要对负荷设备进行建模分析，以此作为负荷分解的对负荷设备按照功率特征进行建模分析，则负荷设备通常可以分为以下四种：
Fig.2.2 Flowchart of Non-intrusive non-event based load disaggregation图 2.2 可以看出非事件型非侵入式方法利用总体数据训练或构建分解模型，再估算出各设备用电情况。
【参考文献】：
期刊论文
[1]深度神经网络在非侵入式负荷分解中的应用[J]. 燕续峰,翟少鹏,王治华,王芬,何光宇. 电力系统自动化. 2019(01)
[2]基于DTW算法的非侵入式家居负荷行为识别方法[J]. 华亮亮,黄伟,杨子力,王钰,张可佳. 电测与仪表. 2019(14)
[3]敏捷成像卫星调度的改进量子遗传算法[J]. 王海蛟,贺欢,杨震. 宇航学报. 2018(11)
[4]基于谱图理论的居民用户非侵入式负荷分解[J]. 彭显刚,郑凯,林哲昊,朱俊超,李壮茂. 电网技术. 2018(08)
[5]基于Hadamard门变异的量子遗传算法[J]. 鄂旭,盖佳妮,周津,杨芳,刘春晓. 控制工程. 2018(01)
[6]量子衍生布谷鸟算法及在地层对比中的应用[J]. 曹茂俊,薛诚,赵静,孙文龙. 计算机与现代化. 2017(12)
[7]基于DTW算法与稳态电流波形的非侵入式负荷辨识方法[J]. 祁兵,董超,武昕,崔高颖. 电力系统自动化. 2018(03)
[8]基于量化正交交叉的量子衍生布谷鸟搜索算法[J]. 刘志刚,杜娟,许少华,田伟. 信息与控制. 2017(04)
[9]欠定分离机制下基于特征滤波的居民负荷非侵入辨识算法[J]. 武昕,韩璐,韩笑,祁兵,崔高颖. 电力系统自动化. 2017(20)
[10]基于约束HMM的变点检测算法[J]. 庄玉,何振峰. 计算机系统应用. 2017(05)
博士论文
[1]面向智能用电的非侵入式居民负荷监测关键技术研究[D]. 崔灿.华北电力大学(北京) 2017
[2]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]基于稳态特征的非侵入式负荷辨识系统的设计与实现[D]. 张志豪.电子科技大学 2018
[2]结合事件检测的HMM非侵入式电力负荷监测算法研究[D]. 卢天琪.华中科技大学 2017
[3]基于深度学习的非侵入式住宅用电负荷分解方法[D]. 姜波.合肥工业大学 2017
[4]基于深度学习优化的非侵入式负荷监控算法研究[D]. 李葱.华中科技大学 2017
[5]基于HMM及其扩展模型的非侵入式电力负荷监测技术研究[D]. 陈鸿川.天津大学 2017
[6]基于用户用电行为建模和参数辨识的需求响应应用研究[D]. 钱程.东南大学 2016
[7]布谷鸟算法的应用研究及算法性能度量[D]. 刘延龙.东北林业大学 2016
[8]非侵入式负荷分解算法的综合研究[D]. 李雨轩.北京交通大学 2016
[9]电力大数据平台下数据分析与挖掘研究与应用[D]. 马晓丹.华北电力大学 2016
[10]非侵入式电器识别算法的研究[D]. 盛梦娇.中国海洋大学 2015
本文编号：3483825
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3483825.html
