随着高校后勤的社会化改革,大部分的高校对学生公寓已开放用电。但由于大量大功率违章电器的使用,使得学生公寓火灾发生频繁,高校学生公寓的用电安全问题成为人们日益关注的焦点。如何采用有效的方法对这类负载进行准确的识别,成为本文研究的内容。论文针对此问题在对学生公寓负载种类及其特性进行详细总结和分析的基础上,结合电路模型,利用傅立叶变换对其负载电流进行谐波分析,以功率和周期谐波绝对值面积的变化作为恶意负载是否投入的判别条件,得出了学生公寓恶意负载判别方法。其关键问题是准确检测负载总谐波电流。论文详细分析了现行主要谐波检测手段和方法。结合学生公寓负载识别的要求,确定在时域中进行谐波检测的原则。由于基于神经元的谐波检测算法收敛速度相对较慢,不适合负载变化的场合。论文将Hopfield神经网络优化计算的理论用于谐波电流检测,建立合理的能量函数,用Hopfield神经网络能量函数进行优化计算,从而给出了一种基于Hopfield神经网络的自适应谐波电流检测算法。该方法能够根据负载电流的变化自适应地检测负载电流的基波分量,进而获得总谐波电流,并具有检测速度快,精度高,跟踪性能好等优点。并将各项性能指标与基于神经元谐波电流检测算法作对比分析,进行了仿真研究,取得了较好的效果。本文建立了学生公寓中典型非线性负载的等效电路模型,利用恶意负载判别方法和Hopfield谐波电流检测算法对学生公寓用电过程中投入恶意负载进行了识别,通过仿真,表明了该方法的有效性和可行性。