基于图信号和混合神经网络的非侵入式电力负荷分解

发布时间：2024-03-04 23:41

　　需求侧的能源管理技术是智能电网的关键技术,它通过减少高峰负荷期间用户的能源需求,帮助实现电力能源的更有效利用。在智能电网和智能电表的背景下,针对传统传感器侵入式电力监测手段投资成本高,难以推广应用等问题,非侵入式的电力监测手段成为众多学者研究的热点。本文对非侵入式居民电力负荷监测课题展开研究,选取了简单高效的有功功率作为非侵入式电力负荷分解特征,其通用性更强,适用范围更广,成本更低。本文研究了如何使用图信号处理的方法进行非侵入式电力负荷分解,通过对初始事件检测与聚类分析,类簇合并与配对,以及设备工作状态和设备功率序列匹配的研究过程详细分析,并在进行序列匹配时采用了动态时间规整(Dynamic Time Warping,DTW)算法来进行序列匹配过程,有效的减弱了使用欧式距离匹配时因为序列漂移时产生的匹配失效问题并结合相关算例对本文所采用的方法进行论证,结果表明对于提高非侵入式电力负荷分解的准确率有一定的改善作用。最后还将本文的方法与相关文献中的隐马尔科夫的负荷分解方法在相同数据上进行了对比,进一步验证了本文方法的有效性。虽然基于图信号处理的负荷分解方法在低采样率的数据上已经取得了很好的...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景与意义
    1.2 国内外研究现状
    1.4 本文主要研究内容和结构
2 非侵入式负荷分解的基本原理
    2.1 负荷分解的定义
    2.2 负荷分解的基本流程
    2.3 设备类型
    2.4 设备特征
        2.4.1 稳态特征
        2.4.2 暂态特征
        2.4.3 混合和非传统特征
    2.5 本章小结
3 基于图信号的非侵入式负荷分解
    3.1 图信号处理基本理论
        3.1.1 图信号的基本原理
        3.1.2 用于负荷分解的图信号处理
    3.2 基于图信号处理的非侵入式负荷分解
        3.2.1 初始事件检测与聚类分析
        3.2.2 类簇合并与配对
        3.2.3 设备工作状态对匹配以及功率序列生成
        3.2.4 欧式距离匹配与DTW匹配
        3.2.5 整体的算法流程和思路
    3.3 算例分析
    3.4 本章小结
4 基于混合神经网络的非侵入式负荷分解
    4.1 基本的神经网络
        4.1.1 神经网络的定义
        4.1.2 卷积神经网络
        4.1.3 循环神经网络
    4.2 基于混合神经网络的非侵入式负荷分解
        4.2.1 使用神经网络进行负荷分解的总体思路
        4.2.2 混合神经网络的构建过程
        4.2.3 混合神经网络的整体算法流程
    4.3 算例分析
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读硕士学位期间主要研究成果



本文编号：3919347