基于分解识别与预测的家庭能源中心研究

摘要

本文基于高级量测架构(AMI)，设计出具有电器设备识别和电量负荷预测功能的一款实用的家庭能源中心，为家庭用户感知家庭设备的工作状态，节省电能，对家庭用电的合理规划，提高家庭的智能化都具有极其重要意义。
　　文中分析了高级量测架构，详细设计了家庭能源中心的符合AMI体系概念模型和硬件软件的架构。还设计了远程通信网络，详细设计了系统的GPRS通信方式，在用户室内网中，创建了ZigBee网络，实现了对室内其他节点的管理控制等一系列功能。
　　对于设备的非侵入式在线分解识别功能，是以入口处家庭能源中心采集的数据，通过分解其总电流来监测室内的每个电器的用电量和工作状态，还可得知家庭内每个用电设备的用电状态和使用规律等。把电器的稳态电流作为分解和识别的特征值，并根据总电流的时间序列曲线区域，设计单个特征值的2种不同的稳态和跳变识别模式，和多特征值空间定位识别模式的方法。通过求解最小值的二次整数规划，这些方法可以识别各个设备的工作状态，通过仿真结果，和实际设备运行情况对比，设备识别率是在合理的范围内。
　　对于家庭的电量预测，参考时间序列ARIMA模型设计了一种实用的算法，此算法实现起来简单可以应用到嵌入式设备中。并且针对日电量的5个样本数据，分别进行了经典的ARIMA模型，改进后的滑差时间序列算法，和2种不同输入模式 BP网络算法的预测实验。通过仿真分析，分析出滑差时间序列算法和经典 ARIMA仿真的结果比较偏差并不大，在第5个样本数据预测的实验中，滑差时间序列算法比经典 ARIMA预测的结果还精确。而在滑差时间序列算法和2种不同输入模式 BP神经网络算法的预测比较中，滑差时间序列算法预测误差比BP神经网络算法预测结果要准确一些。

目录

第1章 绪 论

1.1 课题研究的背景和意义

1.2 课题研究的来源和目的

1.3 国内外研究现状

1.4 本文的主要研究内容

第2章 能源中心的设计实现

2.1 引言

2.2 概念模型

2.3 硬件架构

2.4 软件架构

2.5 测试及问题改进

2.6 本章小结

第3章 能源中心的设备识别

3.1 引言

3.2 特征值提取

3.3 整数规划识别算法

3.4 仿真与分析

3.5 多特征分析识别

3.6 本章小结

第4章 能源中心的电量预测

4.1 引言

4.2 基于ARIMA的负荷预测

4.3 基于BP算法的负荷预测

4.4 不同算法结果比较

4.5 本章小结

结论

参考文献

声明

致谢

个人简历