首先,本文實(shí)際測(cè)量了不同組合負(fù)荷的電氣量數(shù)據(jù),并逐一對(duì)電流、功率、諧波三類特征在不同負(fù)荷上的表現(xiàn)做了細(xì)致的分析。然后對(duì)采集到的數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理與特征選擇,通過(guò)皮爾森相關(guān)系數(shù)、隨機(jī)森林重要度評(píng)估、主成分分析和小波除噪幾種方法過(guò)濾掉無(wú)效的樣本特征變量并篩選出更合適的特征變量。其次,針對(duì)目前居民負(fù)荷識(shí)別存在的問(wèn)題,本文提出了一種基于多標(biāo)簽隨機(jī)森林的非侵入式負(fù)荷識(shí)別方法。首先采用多標(biāo)簽技術(shù)對(duì)傳統(tǒng)隨機(jī)森林進(jìn)行改編,通過(guò)構(gòu)建多標(biāo)簽CART決策樹組成多標(biāo)簽隨機(jī)森林,接著然后對(duì)多標(biāo)簽隨機(jī)森林進(jìn)行優(yōu)化和調(diào)參,使模型能夠達(dá)到一個(gè)較好的狀態(tài)。該算法支持多標(biāo)簽數(shù)據(jù)集,可以較好地處理復(fù)雜情況下的負(fù)荷識(shí)別問(wèn)題,進(jìn)一步擴(kuò)展了傳統(tǒng)樹類算法的適用范圍。仿真測(cè)試結(jié)果表明該負(fù)荷識(shí)別方法快速高效,識(shí)別精度極高,泛化能力強(qiáng),抗噪性能優(yōu)越,訓(xùn)練成本低,對(duì)比單標(biāo)簽隨機(jī)森林及其他算法有很大的優(yōu)點(diǎn),有助于非侵入式居民負(fù)荷識(shí)別的進(jìn)一步研究、應(yīng)用和推廣。再次,本文還將深度森林這一新興的算法首次應(yīng)用到負(fù)荷識(shí)別上來(lái),并取得了較好的識(shí)別效果。深度森林在性能上媲美深度神經(jīng)網(wǎng)絡(luò),但訓(xùn)練成本更低,而且相比深度神經(jīng)網(wǎng)絡(luò)需要更少的超參數(shù),即便在默認(rèn)參... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

負(fù)荷識(shí)別的一般流程圖

碩士學(xué)位論文4負(fù)荷數(shù)量有限的環(huán)境，負(fù)荷識(shí)別算法能夠高效地應(yīng)用。對(duì)于負(fù)荷數(shù)量負(fù)，負(fù)荷種類和狀態(tài)復(fù)雜的場(chǎng)景，使用深度神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解算法可能更為適用。圖1-2負(fù)荷分解的一般流程圖Figure1-2Generalflowchartofloaddisaggregation1.2國(guó)內(nèi)外研究現(xiàn)狀（Researchstatusathomeandabroad）1.2.1國(guó)內(nèi)研究現(xiàn)狀國(guó)內(nèi)相關(guān)的研究大多數(shù)集中于負(fù)荷識(shí)別工作，還有一部分專注于事件檢測(cè)的相關(guān)工作，研究者們一般會(huì)從負(fù)荷識(shí)別中的特征數(shù)據(jù)的提取和選擇以及識(shí)別模型和算法這兩個(gè)主要部分進(jìn)行創(chuàng)新和提升。從事負(fù)荷分解相關(guān)方面的研究較少，但隨著最近兩年負(fù)荷分解熱潮的興起，越來(lái)越多的研究者把目光從負(fù)荷識(shí)別轉(zhuǎn)到了負(fù)荷分解方向。在研究現(xiàn)狀方面，文獻(xiàn)[22]綜述了目前國(guó)內(nèi)外在非侵入式負(fù)荷監(jiān)測(cè)方面的研究進(jìn)展，按基本原理、流程步驟、重要算法、指標(biāo)衡量的順序進(jìn)行詳細(xì)的論述，簡(jiǎn)要說(shuō)明了這一方向在智能電網(wǎng)中的一些實(shí)踐應(yīng)用，并指出了非侵入式負(fù)荷監(jiān)測(cè)未來(lái)可能的研究方向。特征的提娶處理與選擇方面，文獻(xiàn)[23]通過(guò)提取負(fù)荷電流的波形特征得到了較為精確的結(jié)果。文獻(xiàn)[24]不采用穩(wěn)態(tài)數(shù)據(jù)作為特征，而把負(fù)荷開關(guān)時(shí)的暫態(tài)波形和功率變化值這些暫態(tài)數(shù)據(jù)作為特征，并將數(shù)據(jù)庫(kù)分為大功率和小功率兩個(gè)子數(shù)據(jù)庫(kù)，大大縮小了匹配范圍，間接提升了準(zhǔn)確率，最后采用歐氏距離作為度量相似性進(jìn)行識(shí)別。文獻(xiàn)[25]對(duì)暫態(tài)電流進(jìn)行離散S變換，把諧波的幅值作為作為特征進(jìn)行識(shí)別，但該方法會(huì)因特征電流信息提取不充分導(dǎo)致識(shí)別率較低。文獻(xiàn)[26]提取了暫態(tài)電流均值、方差等多維數(shù)據(jù)波形作為識(shí)別特征。適用于數(shù)據(jù)相差較大的識(shí)別場(chǎng)景，不易識(shí)別出相似的負(fù)荷。文獻(xiàn)[27]將倒譜分析引入到了特征選擇之中，把負(fù)荷的電流波形的倒譜系數(shù)添加進(jìn)了負(fù)荷識(shí)別的特征，最后采用決策樹模?

2負(fù)荷特征采集與分析132.2負(fù)荷特征分析（Loadcharacteristicanalysis）2.2.1電壓和頻率特征說(shuō)明從圖2-1頻率折線圖可以看出，頻率的波動(dòng)范圍極小，頻率的最小值為49.954Hz，最大值為50.044Hz。以50Hz市電為標(biāo)準(zhǔn)進(jìn)行計(jì)算，波動(dòng)的變化范圍在-0.092%到+0.088%之間，可以認(rèn)為頻率是一個(gè)環(huán)境定值，基本不受負(fù)荷影響，因此頻率不能作為區(qū)分負(fù)荷的特征。圖2-1頻率折線圖Figure2-1Linechartoffrequency電壓特征還存在不同國(guó)家都不同的情況，我國(guó)的電壓標(biāo)準(zhǔn)是220V，中國(guó)香港、德國(guó)、法國(guó)、英國(guó)等多數(shù)歐洲國(guó)家是230V，美國(guó)和加拿大則是120V，中國(guó)臺(tái)灣是110V，日本是100V。因此，考慮到不同數(shù)據(jù)集的電壓標(biāo)準(zhǔn)可能存在不同，對(duì)待電壓特征的處理辦法有兩種，一種是將不同標(biāo)準(zhǔn)的電壓進(jìn)行標(biāo)準(zhǔn)化的換算，另一種則是根據(jù)實(shí)際情況不把電壓列為負(fù)荷的特征。如果將電壓進(jìn)行標(biāo)準(zhǔn)化的換算，由于有功功率是固定不變的，所以電流值特征也勢(shì)必會(huì)跟著進(jìn)行變動(dòng)，這會(huì)進(jìn)一步增大計(jì)算量。同樣地，從圖2-2電壓有效值折線圖可以看出，電壓的波動(dòng)雖然較頻率相對(duì)來(lái)說(shuō)大了一些，但整體波動(dòng)范圍仍然較小，電壓有效值的最小值為220.58V，最大值為232.735V。以市電220V為標(biāo)準(zhǔn)進(jìn)行計(jì)算，波動(dòng)的變化范圍在+0.26%到+5.789%之間。圖2-2電壓有效值折線圖Figure2-2Linechartofeffectivevalueofvoltage

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)遺傳算法的非侵入式電器負(fù)荷識(shí)別[J]. 徐琳,丁理杰,林瑞星.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2019(01)
[2]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷識(shí)別方法[J]. 江帆,楊洪耕.  電測(cè)與儀表. 2020(03)
[3]基于小波設(shè)計(jì)和數(shù)據(jù)挖掘算法協(xié)同訓(xùn)練的非侵入式負(fù)載識(shí)別[J]. 周步祥,張致強(qiáng),袁岳,劉治凡,廖敏芳.  電測(cè)與儀表. 2019(04)
[4]基于DTW算法的非侵入式家居負(fù)荷行為識(shí)別方法[J]. 華亮亮,黃偉,楊子力,王鈺,張可佳.  電測(cè)與儀表. 2019(14)
[5]基于監(jiān)督學(xué)習(xí)的非侵入式負(fù)荷監(jiān)測(cè)算法比較[J]. 涂京,周明,宋旭帆,周光東,李庚銀.  電力自動(dòng)化設(shè)備. 2018(12)
[6]基于云平臺(tái)的非侵入式負(fù)荷監(jiān)測(cè)與識(shí)別系統(tǒng)[J]. 陳彭鑫,仲思東.  電子技術(shù)應(yīng)用. 2018(09)
[7]基于非侵入式負(fù)荷監(jiān)測(cè)的居民用電行為分析[J]. 周明,宋旭帆,涂京,李庚銀,欒開寧.  電網(wǎng)技術(shù). 2018(10)
[8]非侵入式負(fù)荷識(shí)別中的小波去噪分析[J]. 陳柯豪,王燕祥,宣磊,沈國(guó)富,劉明.  云南電力技術(shù). 2018(04)
[9]基于改進(jìn)聚類和DTW的非侵入式負(fù)荷識(shí)別[J]. 王丹,黃小莉.  信息通信. 2018(07)
[10]一種基于倒譜分析的非侵入式負(fù)荷監(jiān)測(cè)方法[J]. 詹航,竺紅衛(wèi),朱領(lǐng)軍.  電子技術(shù). 2018(05)

博士論文
[1]智能電網(wǎng)中基于負(fù)荷分析的需求側(cè)管理體系發(fā)展研究[D]. 郭皓池.華北電力大學(xué) 2014

碩士論文
[1]非侵入式負(fù)荷分解算法的綜合研究[D]. 李雨軒.北京交通大學(xué) 2016
[2]結(jié)合改進(jìn)最近鄰法與支持向量機(jī)的住宅用電負(fù)荷識(shí)別研究[D]. 劉然.重慶大學(xué) 2014
[3]神經(jīng)網(wǎng)絡(luò)在學(xué)生公寓用電負(fù)荷識(shí)別中的應(yīng)用研究[D]. 鄭宇.重慶大學(xué) 2007



本文編號(hào)：2954758