第1章 概述
1.1 非侵入式负荷监测概述
1.2 非侵入式负荷监测前处理
1.2.1 数据采集与预处理
1.2.2 数据切片
1.2.3 特征提取
1.3 非侵入式负荷监测算法
1.3.1 负荷识别算法
1.3.2 负荷分解算法
第2章 非侵入式负荷监测数据集及处理方法
2.1 BLUED数据集及处理方法
2.1.1 BLUED数据集
2.1.2 BLUED数据集文件载入
2.1.3 BLUED数据集变量读取
2.1.4 BLUED数据集序列存储
2.2 PLAID数据集及处理方法
2.2.1 PLAID数据集
2.2.2 PLAID数据集文件载入
2.2.3 PLAID数据集变量读取
2.3 COOLL数据集及处理方法
2.3.1 COOLL数据集
2.3.2 COOLL数据集文件载入及变量读取
2.4 REDD数据集及处理方法
2.4.1 REDD数据集
2.4.2 REDD数据集文件载入及变量读取
第3章 负荷特征提取
3.1 案例背景
3.2 功率和电流谐波特征提取及MATLAB实例
3.2.1 信号周期划分
3.2.2 功率特征
3.2.3 电流谐波特征
3.3 负荷图像特征提取及MATLAB实例
3.3.1 V-I轨迹
3.3.2 二进制V-I轨迹
3.3.3 像素加权V-I轨迹
3.4 案例拓展
第4章 基于机器学习模型的负荷分类
4.1 案例背景
4.2 基于k近邻算法的负荷分类
4.2.1 k近邻算法及常用距离
4.2.2 MATLAB实例及结果分析
4.3 基于决策树的负荷分类
4.3.1 决策树算法简述
4.3.2 MATLAB实例及结果分析
4.4 基于判别分析的负荷分类
4.4.1 判别分析算法简述
4.4.2 MATLAB实例及结果分析
4.5 基于朴素贝叶斯的负荷分类
4.5.1 朴素贝叶斯算法简述
4.5.2 MATLAB实例及结果分析
4.6 基于支持向量机的负荷分类
4.6.1 支持向量机算法简述
4.6.2 MATLAB实例及结果分析
4.7 基于卷积神经网络的负荷分类
24.7.1 卷积神经网络简述
4.7.2 MATLAB实例及结果分析
4.8 案例拓展
第5章 基于集成学习模型的负荷分类
5.1 案例背景
5.2 基于Bagging算法的负荷分类
5.2.1 Bagging算法简述
5.2.2 MATLAB实例及结果分析
5.3 基于Boosting算法的负荷分类
5.3.1 Boosting算法简述
5.3.2 MATLAB实例及结果分析
5.4 基于Stacking算法的负荷分类
5.4.1 Stacking算法简述
5.4.2 MATLAB实例及结果分析
5.5 案例拓展
第6章 基于组合优化的非侵入式负荷分解
6.1 案例背景
6.2 基于组合优化的非侵入式负荷分解
6.2.1 建模数据选取
6.2.2 设备状态量化
6.2.3 负荷分解
6.3 分解性能评估
6.3.1 模型性能评价指标计算
6.3.2 结果分析
6.4 案例拓展
第7章 基于隐马尔可夫模型的非侵入式负荷分解
7.1 隐马尔可夫模型及MATLAB工具箱
7.1.1 隐马尔可夫模型定义
7.1.2 隐马尔可夫模型参数学习
7.1.3 隐马尔可夫模型解码
7.1.4 隐马尔可夫模型MATLAB工具箱
7.2 家庭用电负荷隐马尔可夫建模流程
7.2.1 隐马尔可夫模型训练
7.2.2 隐马尔可夫模型测试
7.3 隐马尔可夫模型性能分析
7.3.1 模型性能指标
7.3.2 增加子回路状态数量后的性能指标分析
7.4 案例拓展
参考文献
展开
