工厂供电系统运行分析论文提纲

论文题目：基于ARM Cortex_M3和SVM的非侵入式电力负载识别方法的研究

摘要：随着经济的飞速发展,全社会用电量不断增加,能源短缺问题日益严峻,为了更加高效、合理地规划电能的使用,非侵入式用电负荷监测与识别系统应用而生,大到大型数据中心和工厂,小到家庭供电系统,该系统都能实现电力负载的监控和识别,使用户及时了解所属用电器的运行状态,为采取相应措施提供信息支撑。负载识别作为非侵入式用电负荷监测系统的核心技术,目前大多数计算都是由远程服务器完成,基于嵌入式系统的负载识别方法不是很多,现有的系统实时性差,面对复杂场景识别准确率也不高,可升级扩展性不强。针对这一问题,本文提出了基于ARM CortexM3和SVM的非侵入式电力负载识别方法。本文设计了基于ARM CortexM3和SVM的非侵入式电力负载识别系统的结构,包括数据采集和处理模块、电源供电模块、负载识别和分解模块以及窄带物联网通信模块。其工作流程为:首先利用数据采集模块对电网中电参数进行采集;其次提取可以作为负载识别的特征参数;随后对SVM算法进行优化,在上位机对SVM多分类器进行训练,将算法的预测部分和训练模型部署到CortexXM3中,实现电力负载的在线识别和进行功率分解;最终将分析结果显示在用户终端并通过窄带物联网上传云服务器。经过实验和测试,本文提出的非侵入式负载识别方法能够实现监测、识别和分解的功能,在实验环境下,数据采集结果误差不超过1.5%,电力负载整体识别准确率高于96%,与基于服务器的负载识别准确率相差不大,功率分解结果误差不超过2%,符合设计要求,达到了预期目标。本文主要工作如下:（1）采集了十四种单负载和十六组混合负载电力数据共两万多条,并通过数据分析提取特征参数;（2）根据特征参数特点,对SVM多分类算法进行裁剪和优化,使其能够运行于CortexM3中,实现了嵌入式在线负载识别;（3）设计了数据采集和处理方式,编写了数据采集和SVM分类算法程序代码;（4）对系统数据采集、负载识别和功率分解进行实测,数据和结果通过窄带物联网进行展示。论文主要创新点为:通过将SVM电力负载识别算法成功部署在CortexM3的方式将电力负载识别过程下移到嵌入式系统中,有一定的应用价值。

关键词：非侵入式;负载识别;Cortex_M3;支持向量机;窄带物联网

学科专业：电子与通信工程（专业学位）

摘要

Abstract

第一章 绪论

1.1 非侵入式负载识别技术研究的背景

1.2 国内外研究现状

1.2.1 数学优化

1.2.2 模式识别

1.3 论文研究目的和意义

1.4 论文的主要内容与组织结构

第二章 系统结构总体设计与理论依据

2.1 负载的类型分析

2.1.1 负载的分类

2.1.2 电流谐波分解及其应用

2.1.2.1 电流谐波及其产生的原因

2.1.2.2 傅里叶变换理论

2.1.2.3 电力系统谐波分析

2.2 非侵入式负荷分解的基本原理

2.2.1 非侵入式负荷分解系统的组成

2.2.2 模型和方法

2.3 物联网技术

2.4 系统的结构设计

2.4.1 系统设计要求与架构

2.4.2 功能介绍

2.4.3 工作流程

2.5 本章小结

第三章 非侵入式负载识别算法研究

3.1 负载特征量分析研究

3.1.1 负载数据采集

3.1.2 负载电流分析

3.1.3 特征量选择总结分析

3.2 基于SVM多分类算法

3.2.1 支持向量机的算法

3.2.2 支持向量机在STM32的设计和实现

3.2.2.1 LIBSVM的分解和抽取

3.2.2.2 代码的移植和实现

3.2.2.3 优化运行环境

3.3 其他多分类算法

3.3.1 K最近邻多分类算法

3.3.2 人工神经网络多分类算法

3.4 算法对比与分析

3.5 本章小结

第四章 非侵入式电力负载识别系统设计与实现

4.1 系统设计概述

4.2 基于Cortex_ M3内核的微处理器模块

4.3 电源供电模块

4.4 数据采集与处理模块

4.4.1 LT-518电能采集模块

4.4.2 电流采样模块

4.4.2.1 霍尔电流传感器

4.4.2.2 FFT转换模块

4.5 负载识别模块

4.5.1 离线训练

4.5.2 在线检测

4.6 NB-IoT通讯模块

4.7 本章小结

第五章 系统测试与分析

5.1 负载识别多分类器的训练集与测试集的构建

5.2 负载识别离线性能分析

5.2.1 单负载识别性能分析

5.2.2 混合负载识别测试及性能分析

5.3 STM32在线监测与识别

5.4 NB-IoT通信测试

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢