基于智能电表数据的家庭用户用电行为分析

摘要

非侵入式家庭电力负荷监测是对家庭电力入口处总的电能变化情况进行识别，分析单个设备所消耗的电能。本文以家庭电力负荷功率幅值变化为特征，提出了一种基于卷积神经网络的识别算法，通过对单位家庭用户的用电行为进行辨识，从而得出用户行为所消耗的功率情况。 论文首先介绍了非侵入式负荷监测的背景以及研究意义，并针对非侵入式负荷监测算法流程四个主要步骤进行了分步介绍。通过简要的介绍卷积神经网络与隐马尔科夫模型这两种分类模型的理论与结构，将两种分类模型与非侵入式负荷监测的识别分类相结合进行实验分析，并通过实验分析对比两类算法在非侵入式负荷监测中的行为识别能力。 在理论研究的基础上，将原始信号数据进行数据预处理，通过设备选择、分析滤波、状态标签以及短时傅里叶变换得到频域信号，并将时域信号与频域信号相结合，最终得到卷积神经网络所需要的时频图像。通过实验对最终分类模型的实验参数进行调试，在选取参数的同时，需要满足误差率低以及计算时间小的条件，通过控制变量法对迭代参数、学习率、卷积核尺寸以及卷积核数目进行参数调整，选取最优参数进行卷积神经网络的实验，针对单位家庭用户的用电行为识别性能进行分析。最后，将调试出来的最优卷积神经网络模型与非侵入式算法常用的因子隐马尔科夫模型识别结果进行对比分析，并总结其优越性。

目录

声明

第1章 绪论

1.1 背景及意义

1.2 国内外研究现状

1.2.1方法研究

1.2.2数据库采集

1.3 研究内容及研究思路

第2章 非侵入式负荷监测

2.1非侵入式的特点

2.2 非侵入式算法步骤

2.2.1非侵入式负荷监测原理步骤

2.2.2负荷监测

2.2.3状态标签

2.2.4特征提取

2.2.5识别分类

2.3本章小结

第3章 非侵入式负荷分解算法

3.1 隐马尔科夫模型及其拓展介绍

3.1.1隐马尔科夫模型

3.1.2因子隐马尔科夫模型

3.2 卷积神经网络

3.2.1卷积网络步骤介绍

3.2.2卷积神经网络训练过程

3.2.3 卷积神经网络分类流程

3.3 本章小结

第4章 基于卷积神经网络家庭用电行为分析

4.1 数据处理

4.1.1数据分析

4.1.2 选择合理的分析设备

4.1.3 时间窗口进行状态标签

4.1.4 时频分析

4.2 构建卷积模型实验

4.2.1用户行为识别流程

4.2.2迭代次数对分类结果的影响

4.2.3学习率对分类结果的影响

4.2.4卷积核个数对分类结果的影响

4.2.5卷积核尺寸对分类结果的影响

4.3实验对比分析

4.3.1五种行为模式误差分析

4.3.2分类模型的总代价函数

4.4 本章小结

第5章 总结与展望

5.1总结

5.2未来展望

参考文献

致谢