摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第12-17页 |
1.1 课题背景与研究意义 | 第12-13页 |
1.2 国内外发展现状 | 第13-15页 |
1.2.1 电力大数据 | 第13-14页 |
1.2.2 负荷用电行为分析 | 第14页 |
1.2.3 需求响应 | 第14-15页 |
1.3 本文的主要工作 | 第15-17页 |
第二章 典型负荷用电模式研究方法概述 | 第17-26页 |
2.1 用电模式定义 | 第17-18页 |
2.2 大数据环境下电力负荷数据深度挖掘技术 | 第18-21页 |
2.2.1 电力大数据环境下负荷用能数据分析架构 | 第18-19页 |
2.2.2 大数据环境下电力负荷用能数据处理与数据挖掘的关键技术 | 第19-21页 |
2.3 电力负荷用电特性分析 | 第21-24页 |
2.3.1 工业用户负荷用电特性分析 | 第21页 |
2.3.2 商业用户负荷用电特性分析 | 第21-23页 |
2.3.3 智能家居负荷用电特性分析 | 第23-24页 |
2.4 小结 | 第24-26页 |
第三章 基于大数据技术的用电行为模式辅助分析方法研究 | 第26-46页 |
3.1 基于大数据技术的用电行为特征辅助分析仪总体架构 | 第26-27页 |
3.2 电力用户用电行为特征分析 | 第27-34页 |
3.2.1 负荷分类方法及负荷特性研究 | 第27-28页 |
3.2.2 电力用户用电行为模式分析 | 第28-32页 |
3.2.3 电力用电行为模式的影响因素和影响机理分析 | 第32-33页 |
3.2.4 负荷用电行为特征分析 | 第33-34页 |
3.3 基于负荷特性分析和需求响应的高级应用 | 第34-35页 |
3.3.1 需求响应潜力分析模块 | 第34页 |
3.3.2 电力用户需求响应基线计算模块 | 第34页 |
3.3.3 电力用户需求响应效果评估模块 | 第34页 |
3.3.4 特定事件下的负荷预测模块 | 第34-35页 |
3.4 算例分析 | 第35-44页 |
3.4.1 基于聚类技术和关联技术的负荷特性研究 | 第35-36页 |
3.4.2 基于聚类分析技术的用户用电行为模式分析 | 第36-39页 |
3.4.3 基于贝叶斯分类的电力用电行为模式的影响因素和影响机理分析 | 第39-41页 |
3.4.4 客户用电行为特征分析 | 第41-42页 |
3.4.5 客户用电行为特征分析方法的高级应用 | 第42-44页 |
3.5 小结 | 第44-46页 |
第四章 空调负荷需求响应资源的用电模式及应用 | 第46-55页 |
4.1 家庭环境分析及人体舒适理论基础 | 第46-47页 |
4.1.1 环境因素 | 第46页 |
4.1.2 节能因素 | 第46-47页 |
4.2 空调负荷的用电模式分析 | 第47-48页 |
4.3 基于空调用电模式优化的自动需求响应分析 | 第48页 |
4.4 算例分析 | 第48-54页 |
4.4.1 仿真实验参数设置 | 第48-49页 |
4.4.2 仿真结果分析 | 第49-54页 |
4.5 小结 | 第54-55页 |
第五章 总结和展望 | 第55-57页 |
致谢 | 第57-58页 |
参考文献 | 第58-61页 |
攻读硕士期间发表的论文和参与的课题 | 第61页 |