非侵入式負荷分解算法研究
發(fā)布時間：2021-11-08 13:51
非侵入式負荷分解能從用戶總用電數(shù)據(jù)中獲取用戶用電詳情,便于電力部門提升用戶管理水平。本文對非侵入式負荷分解相關技術進行了綜合分析,并進一步研究了非侵入式負荷分解算法。本文主要從如下幾個方面展開研究:首先針對非侵入式負荷分解的事件檢測算法準確率不高的問題,利用穩(wěn)態(tài)有功功率特征,改進了三種事件檢測算法:改進滑動CUSUM雙邊累積和算法,改進滑動卡方-GOF算法和改進滑動Cepstrum算法;與文獻結果對比可知,三種事件檢測算法的事件檢測準確率較優(yōu)。并且改進滑動卡方-GOF算法相比傳統(tǒng)滑動卡方-GOF算法能夠有效地檢測出大基準功率事件,避免了此種情況的漏檢。同時,在改進滑動CUSUM雙邊累積和算法進行事件檢測的基礎上利用差量特征提取算法進行了功率特征提取。提取特征序列和模板特征序列的對比結果表明了良好的特征提取效果。然后采用K-means聚類獲取模板特征序列和提取特征序列聚類中心,同時對模板特征序列聚類中心和提取特征序列聚類中心進行聚類中心匹配,獲取匹配距離排序。進一步利用DTW算法計算模板特征序列和提取特征序列的整體匹配距離,獲取整體相似度排序。選擇兩個排序結果中排名最靠前的設備為識別設備...
【文章來源】：西華大學四川省
【文章頁數(shù)】：97 頁
【學位級別】：碩士
【圖文】：
非侵入式負荷分解技術框架
Fig.2.3 Flowchart of Non-intrusive event based load disaggregation圖 2.3 可以看出事件型非侵入式方法在獲取總用電數(shù)據(jù)后進行事件檢測，再進別，從而辨別出每個設備。侵入式負荷分解研究首先需要對負荷設備進行建模分析，以此作為負荷分解的對負荷設備按照功率特征進行建模分析，則負荷設備通常可以分為以下四種：
Fig.2.2 Flowchart of Non-intrusive non-event based load disaggregation圖 2.2 可以看出非事件型非侵入式方法利用總體數(shù)據(jù)訓練或構建分解模型，再估算出各設備用電情況。
【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡在非侵入式負荷分解中的應用[J]. 燕續(xù)峰,翟少鵬,王治華,王芬,何光宇. 電力系統(tǒng)自動化. 2019(01)
[2]基于DTW算法的非侵入式家居負荷行為識別方法[J]. 華亮亮,黃偉,楊子力,王鈺,張可佳. 電測與儀表. 2019(14)
[3]敏捷成像衛(wèi)星調(diào)度的改進量子遺傳算法[J]. 王海蛟,賀歡,楊震. 宇航學報. 2018(11)
[4]基于譜圖理論的居民用戶非侵入式負荷分解[J]. 彭顯剛,鄭凱,林哲昊,朱俊超,李壯茂. 電網(wǎng)技術. 2018(08)
[5]基于Hadamard門變異的量子遺傳算法[J]. 鄂旭,蓋佳妮,周津,楊芳,劉春曉. 控制工程. 2018(01)
[6]量子衍生布谷鳥算法及在地層對比中的應用[J]. 曹茂俊,薛誠,趙靜,孫文龍. 計算機與現(xiàn)代化. 2017(12)
[7]基于DTW算法與穩(wěn)態(tài)電流波形的非侵入式負荷辨識方法[J]. 祁兵,董超,武昕,崔高穎. 電力系統(tǒng)自動化. 2018(03)
[8]基于量化正交交叉的量子衍生布谷鳥搜索算法[J]. 劉志剛,杜娟,許少華,田偉. 信息與控制. 2017(04)
[9]欠定分離機制下基于特征濾波的居民負荷非侵入辨識算法[J]. 武昕,韓璐,韓笑,祁兵,崔高穎. 電力系統(tǒng)自動化. 2017(20)
[10]基于約束HMM的變點檢測算法[J]. 莊玉,何振峰. 計算機系統(tǒng)應用. 2017(05)
博士論文
[1]面向智能用電的非侵入式居民負荷監(jiān)測關鍵技術研究[D]. 崔燦.華北電力大學(北京) 2017
[2]非侵入式電力負荷分解與監(jiān)測[D]. 黎鵬.天津大學 2009
碩士論文
[1]基于穩(wěn)態(tài)特征的非侵入式負荷辨識系統(tǒng)的設計與實現(xiàn)[D]. 張志豪.電子科技大學 2018
[2]結合事件檢測的HMM非侵入式電力負荷監(jiān)測算法研究[D]. 盧天琪.華中科技大學 2017
[3]基于深度學習的非侵入式住宅用電負荷分解方法[D]. 姜波.合肥工業(yè)大學 2017
[4]基于深度學習優(yōu)化的非侵入式負荷監(jiān)控算法研究[D]. 李蔥.華中科技大學 2017
[5]基于HMM及其擴展模型的非侵入式電力負荷監(jiān)測技術研究[D]. 陳鴻川.天津大學 2017
[6]基于用戶用電行為建模和參數(shù)辨識的需求響應應用研究[D]. 錢程.東南大學 2016
[7]布谷鳥算法的應用研究及算法性能度量[D]. 劉延龍.東北林業(yè)大學 2016
[8]非侵入式負荷分解算法的綜合研究[D]. 李雨軒.北京交通大學 2016
[9]電力大數(shù)據(jù)平臺下數(shù)據(jù)分析與挖掘研究與應用[D]. 馬曉丹.華北電力大學 2016
[10]非侵入式電器識別算法的研究[D]. 盛夢嬌.中國海洋大學 2015
本文編號：3483825
【文章來源】：西華大學四川省
【文章頁數(shù)】：97 頁
【學位級別】：碩士
【圖文】：
非侵入式負荷分解技術框架
Fig.2.3 Flowchart of Non-intrusive event based load disaggregation圖 2.3 可以看出事件型非侵入式方法在獲取總用電數(shù)據(jù)后進行事件檢測，再進別，從而辨別出每個設備。侵入式負荷分解研究首先需要對負荷設備進行建模分析，以此作為負荷分解的對負荷設備按照功率特征進行建模分析，則負荷設備通常可以分為以下四種：
Fig.2.2 Flowchart of Non-intrusive non-event based load disaggregation圖 2.2 可以看出非事件型非侵入式方法利用總體數(shù)據(jù)訓練或構建分解模型，再估算出各設備用電情況。
【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡在非侵入式負荷分解中的應用[J]. 燕續(xù)峰,翟少鵬,王治華,王芬,何光宇. 電力系統(tǒng)自動化. 2019(01)
[2]基于DTW算法的非侵入式家居負荷行為識別方法[J]. 華亮亮,黃偉,楊子力,王鈺,張可佳. 電測與儀表. 2019(14)
[3]敏捷成像衛(wèi)星調(diào)度的改進量子遺傳算法[J]. 王海蛟,賀歡,楊震. 宇航學報. 2018(11)
[4]基于譜圖理論的居民用戶非侵入式負荷分解[J]. 彭顯剛,鄭凱,林哲昊,朱俊超,李壯茂. 電網(wǎng)技術. 2018(08)
[5]基于Hadamard門變異的量子遺傳算法[J]. 鄂旭,蓋佳妮,周津,楊芳,劉春曉. 控制工程. 2018(01)
[6]量子衍生布谷鳥算法及在地層對比中的應用[J]. 曹茂俊,薛誠,趙靜,孫文龍. 計算機與現(xiàn)代化. 2017(12)
[7]基于DTW算法與穩(wěn)態(tài)電流波形的非侵入式負荷辨識方法[J]. 祁兵,董超,武昕,崔高穎. 電力系統(tǒng)自動化. 2018(03)
[8]基于量化正交交叉的量子衍生布谷鳥搜索算法[J]. 劉志剛,杜娟,許少華,田偉. 信息與控制. 2017(04)
[9]欠定分離機制下基于特征濾波的居民負荷非侵入辨識算法[J]. 武昕,韓璐,韓笑,祁兵,崔高穎. 電力系統(tǒng)自動化. 2017(20)
[10]基于約束HMM的變點檢測算法[J]. 莊玉,何振峰. 計算機系統(tǒng)應用. 2017(05)
博士論文
[1]面向智能用電的非侵入式居民負荷監(jiān)測關鍵技術研究[D]. 崔燦.華北電力大學(北京) 2017
[2]非侵入式電力負荷分解與監(jiān)測[D]. 黎鵬.天津大學 2009
碩士論文
[1]基于穩(wěn)態(tài)特征的非侵入式負荷辨識系統(tǒng)的設計與實現(xiàn)[D]. 張志豪.電子科技大學 2018
[2]結合事件檢測的HMM非侵入式電力負荷監(jiān)測算法研究[D]. 盧天琪.華中科技大學 2017
[3]基于深度學習的非侵入式住宅用電負荷分解方法[D]. 姜波.合肥工業(yè)大學 2017
[4]基于深度學習優(yōu)化的非侵入式負荷監(jiān)控算法研究[D]. 李蔥.華中科技大學 2017
[5]基于HMM及其擴展模型的非侵入式電力負荷監(jiān)測技術研究[D]. 陳鴻川.天津大學 2017
[6]基于用戶用電行為建模和參數(shù)辨識的需求響應應用研究[D]. 錢程.東南大學 2016
[7]布谷鳥算法的應用研究及算法性能度量[D]. 劉延龍.東北林業(yè)大學 2016
[8]非侵入式負荷分解算法的綜合研究[D]. 李雨軒.北京交通大學 2016
[9]電力大數(shù)據(jù)平臺下數(shù)據(jù)分析與挖掘研究與應用[D]. 馬曉丹.華北電力大學 2016
[10]非侵入式電器識別算法的研究[D]. 盛夢嬌.中國海洋大學 2015
本文編號：3483825
本文鏈接：http://sikaile.net/kejilunwen/dianlilw/3483825.html
教材專著
