全文总字数：2522字

1. 研究目的与意义及国内外研究现状

目的：1.了解非侵入式负荷分解

2.学习深度学习

3.熟悉基本的电气操作

2. 研究的基本内容

非侵入式负荷分解主要是将用户的总能耗分解为单个电气设备的负荷消耗，从而得到设备的电耗信息与用户电耗规律。我们这里提出的这种cd-lstm，用于解决低频采样数据的负载分解问题：

1.数据的选择和预处理，不同的电气设备可以分为三大类（单态电器，有限多态电器，具有连续变化状态的电器）因此再选择数据时应该注意选择以上三种电器的数据。其次对数据进行微分处理，并将数据归一化消除不同时间序列数据之间的影响；2.基于lstm提出一种复合深度lstm避免大量重复模型训练，首先由深lstm处理输入数据网络,然后输出数据的第一个深lstm结合的原始输入数据作为输入n分支,和目标设备的输出预测的深度lstm和完整的连接层：3.组合优化(co)、k近邻(knn)是经典的负载分解方法。kelly和knottenbelt的工作表明，自动编码器的性能优于传统的lstm。因此，该模型将与fhmm、co、knn和autoencoder进行比较分析对比。

3. 实施方案、进度安排及预期效果

实施方案：首先选择合适的实验数据并对其进行预处理（微分处理），同时将数据归一化消除不同数据间的相互影响。再采用复合深度lstm网络对数据进行数据处理分析，并与组合优化（co)、k近邻（knn)等经典负载分解方法进行比较分析。

进度安排：2019.4.1前完成任务书，开题报告的提交并按照导师意见进行相关修改：

4. 参考文献

[1]燕续峰,翟少鹏,王治华,王芬,何光宇.深度神经网络在非侵入式负荷分解中的应用[j].电力系统自动化,2019,43(01):126-132 167 133-135.[2]李自文,魏平,李海.非侵入式负荷分解方法综述[j].价值工程,2018,37(18):233-235.

[3]result a a,homes a. nonintrusive load monitoring based on advanced deep learning and novelsignature. comput intell neurosci. 2017, 2017(2-3):4216281.[4]陈小闽. 非侵入式负荷分解技术及应用研究[d].华南理工大学,2018.

[5] guo z, wang zj, kashani a. home appliance load modeling from aggregated smart meter data.ieee transactions on power systems, 2015, 30(1):254-262.