CN108021736A - 一种基于滑动窗残差模型的负荷投切动作监测方法 - Google Patents

Abstract

本发明公开一种基于滑动窗自回归残差模型的非侵入式负荷投切动作监测方法。通过NILM设备如智能电表获取总线电流，对电流进行小波滤波去噪处理。获取电流周期最大值序列，使用AR回归模型获取下一个电流最大值残差，根据残差与阈值的大小关系来判断负荷状态，该方法使用双阈值U和L来对负荷投切的相应事件进行划分。本发明方法对负荷投切动作的监测范围扩大，能够对较小功率的负荷投切动作进行检测，避免了因功率变化导致对小功率负荷的投切动作漏检；另外不需要获取非侵入式测量设备的其他电力参量，只需要总线电流参数，这样简化了对非侵入式的性能要求；负荷的种类划分也能简化整个NILM的识别算法复杂程度。

Description

一种基于滑动窗残差模型的负荷投切动作监测方法

技术领域

本发明涉及信号处理领域，具体涉及一种基于滑动窗残差模型的负荷投切动作监测方法。

背景技术

智能微网是智能电网中一个重要发展环节，对用户用电数据的分析并做出灵活用电调度有利于节约用电和构建智能微网。实现家庭用户的电力监测可以在电力供给的入口安装非侵入式设备如智能电表等电力监控设备，这种非侵入式负荷监测(non-intrusiveload monitoring,NILM)方式是20世纪80年代由Hart提出。NILM本质是一个分类问题，对负荷的在线识别分类可以得知负荷运行的详细情况，进一步可以得知用户在该段时间内使用的各个电器电能消耗。负荷的识别分解是智能家居和智能微网等基础性工作，通过对家用负荷的识别进而获取用户用电规律等用电信息可为电网公司和用户等多方带来效益。

最早研究人员从负荷运行的稳态特性出发对负荷进行在线分解，随着研究的深入，近些年来负荷的暂态投切动作过程中的暂态信息引起了众多研究人员的关注。在NILM研究中，负荷的投切动作监测是后续负荷在线分解的基础环节。

专利号为CN106680637A的发明公开了一种基于有功功率的家用负荷投切方法，该发明根据有功功率是否到达稳态来判断负荷是否发生了投切动作，虽然能够对功率较大的负荷进行投切监测，但是对于功率较小的负荷投切，识别效果不佳。

专利号为CN102466771A的发明公开了一种基于电压的暂态事件监测方法，其根据电压的变化与阈值的关系来判断负荷的投切状态。实际上在MILM设备测量的是电路总线的电压电流数值，动作投切的瞬间并不能有效监测到电压的变化，该方法在NILM设备中实用性能有限。

专利号为CN103105556A的发明公开了一种通过双边CUSUM实现暂态事件监测的方法。由于该方法是根据有功功率的变化来判断负荷的投切动作，通过CUSUM的累积量与阈值相比较，判断负荷的投切状态。同样不可避免对小功率负荷的投切动作的漏检问题。

发明内容

本发明的目的在于针对现有暂态事件检测算法中对小功率负荷投切动作易漏检的问题，提出一种基于滑动窗自回归残差模型的非侵入式负荷投切动作监测方法。通过NILM设备如智能电表获取总线电流，对电流进行小波滤波去噪处理。获取电流周期最大值序列，使用AR回归模型获取下一个电流最大值残差，根据残差与阈值的大小关系来判断负荷状态，该方法使用双阈值U和L来对负荷投切的相应事件进行划分。

本发明的技术方案:一种基于滑动窗残差模型的负荷投切动作监测方法，包括如下步骤：

1)、时间序列周期最大值提取：提取电流信号的周期最大值，获取电流波形的包络信号，得到时间序列X(t₁),X(t₂),X(t₃),…,X(t_n),X(t_n+1),…

2)、滑动窗零均值化：设X(t_n)为t＝n时的电流观测值，对检测滑动窗W1{X(t_n),X(t_n+1),…,X(t_n+N-1)}(N表示滑动窗的长度)进行零均值化：

公式(1)：表示获取检测滑动窗W1的均值；

公式(2)为每个电流周期最大值采样点与均值的差，表示检测滑动窗W1零均值化的序列；

3)、滑动窗残差模型：

对异常检测滑动窗W1零均值化后的时间序列用AR(2)模型进行拟合，得到模型系数和计算X(t_n+N)的残差e_n+N：

4)、暂态事件检测：

通过残差e_n+N来判断X(t_n+N)是否发生异常，在暂态事件检测结果中根据准确率和召回率最大来选择全局最优的的双阈值U,L；

当e_n+N>U或者e_n+N<-L时，X(t_n+N)判断为异常点，此时判断系统中有电器发生了投切或者工作状态转换动作；

当e_n+N≤U且e_n+N≥-L时，返回至步骤1)；

5)、暂态窗检测：

暂态事件窗W2(M为暂态窗长度)，W2{X(t_n+N),X(t_n+N+1),…,X(t_n+N+M-1)}

W2_1为暂态事件窗W2零均值化的序列；

计算(4)式来划分广义ON和OFF事件；

具体可以根据暂态事件窗W2与异常检测滑动窗W1均值差的正负性以及数量占优的原则进行判断：

6)、稳态窗检测：通过稳态窗W3来实现R类和非R类的负荷划分

设W3稳态窗的长度为L，W3{X(t_n+N+M),X(t_n+N+M+1),…,X(t_n+N+M+L-1)}，定义脉冲系数α和脉冲偏移δ，H为自适应阈值，Amp为W2_1最大值。

Amp＝max(W2_1) (7)

自适应阈值H为稳态事件窗W3零均值化的序列平均值与系数α乘积再加上偏执δ；当H大于Amp将负荷划分为非R类，反之则将负荷划分为R类；

7)、暂态特征提取：在暂态事件窗W2中对暂态时间进行提取。

所述步骤4)具体：对于不同的用户，阈值U和L的选择是在该用户数据集中所有负荷数据的训练迭代之后，根据暂态事件检测的精确率和召回率选择全局最优的U和L。

所述步骤7)具体:取负荷电流周期的整数倍数作为暂态时间

公式(8)获取W3电流幅值均值，公式(9)中暂态事件窗W2中的时间序列依次与稳态事件窗W3的均值作差得到新的时间序列W2_3，设定暂态时间阈值为T，在W2_3中采用从后向前的搜索方式来确定暂态时间。

与现有技术相比，本发明具有的优点：对非侵入式负荷的投切动作监测方法进行创新，创新点主要有三点：

(1)不需要获取非侵入式测量设备的其他电力参量，只需要总线电流参数，这样简化了对非侵入式的性能要求。

(2)本发明方法对负荷投切动作的监测范围扩大，能够对较小功率的负荷投切动作进行检测，避免了因功率变化导致对小功率负荷的投切动作漏检。

(3)引入滑动窗，不仅可以对所有电路总线的所有负荷进行实时监测，避免对家用负荷漏检，还能对负荷的种类进行划分，通常负荷根据电气特性可以划分为电阻型和非电阻型两大类，这两类负荷在投切动作瞬间电气特性差别较大，非电阻型负荷常常伴随着较明显的电流脉冲。此外方法使用暂态事件检测窗、暂态窗、稳态窗来判断负荷的投切状态，还能提取负荷投切动作的暂态周期。这也是后续负荷识别的一个特征量，负荷的种类划分也能简化整个NILM的识别算法复杂程度。

附图说明

图1为本发明所述基于滑动窗残差模型的负荷投切动作监测方法流程图。

图2为本发明所述基于滑动窗残差模型的负荷投切动作监测方法说明图。

图3为Phase B的Precession-Recall曲线。

图4为暂态事件时间获取方法程序代码。

具体实施方式

下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了更好地使本领域的技术人员更好地理解本发明，并不对本发明作任何的限制。

如图1和图2所示，本发明所述一种基于滑动窗残差模型的负荷投切动作监测方法，主要包括对电流周期最大值提取、滑动窗零均值化、AR回归拟合计算残差、残差判断与事件划分、暂态时间提取步骤：

(1)通过非侵入式设备获取电路总线交流电流的时间序列，并对电流信号进行小波滤波去噪处理；

(2)提取电流周期最大值：对小波滤波后的电流根据其周期提取周期最大值，在一个电流周期采样电流的序列个数可以由非侵入式设备的电流采样频率得出；

(3)创建滑动窗模型：设置暂态时间检测窗W1，并对滑动窗即将要探测到的点进行残差计算，并与阈值相比较，根据残差与阈值大小关系判断负荷的运行状态；并对负荷的投切动作进行属性划分，通过暂态检测窗W2和稳态窗W3来获取负荷投切的暂态过程维持时间。

具体步骤如下：

1)、时间序列周期最大值提取：提取电流信号的周期最大值，获取电流波形的包络信号，得到时间序列X(t₁),X(t₂),X(t₃),…,X(t_n),X(t_n+1),…

2)、滑动窗零均值化：设X(t_n)为t＝n时的电流观测值，对检测滑动窗W1{X(t_n),X(t_n+1),…,X(t_n+N-1)}(N表示滑动窗的长度)进行零均值化：

公式(1)：表示获取检测滑动窗W1的均值；

公式(2)为每个电流周期最大值采样点与均值的差，表示检测滑动窗W1零均值化的序列；

3)、滑动窗残差模型：

对异常检测滑动窗W1零均值化后的时间序列用AR(2)模型即二阶自回归模型进行拟合，得到模型系数和计算X(t_n+N)的残差e_n+N：

4)、暂态事件检测：

通过残差e_n+N来判断X(t_n+N)是否发生异常，在暂态事件检测结果中根据准确率和召回率最大来选择全局最优的的双阈值U,L；负荷数据训练迭代的过程为：对于用户家中的电力负荷样本，设置初始阈值U和L的大小，U和L的范围为0.1-1A，阈值U以步长为0.05A从0.1A进行递增，阈值L以0.05A的步长从1A开始递减，在不同的双阈值U和L下就对应不同的暂态事件检测的精确率和召回率。

精确率与召回率是评估暂态事件检测结果的性能指标。由于精确度和召回率同时受到U和L的影响。实际中可通过采用控制变量的方式选择最优的参数。对于每一个固定阈值U时，对阈值L进行依次递减。在另外一方面阈值U也以0.05的步长进行递增变化，这样在全局的精确度与召回率曲线中选择所有曲线中精确度和召回率最大情况下对应的U和L，即为当前用户家中最优的双阈值参数。

当e_n+N>U或者e_n+N<-L时，X(t_n+N)判断为异常点，此时判断系统中有电器发生了投切或者工作状态转换动作；对于不同的用户，阈值U和L的选择是在该用户数据集中所有负荷数据的训练迭代之后，根据暂态事件检测的精确率和召回率选择全局最优的U和L；

当e_n+N≤U且e_n+N≥-L时，返回至步骤1)；

5)、暂态窗检测：

暂态事件窗W2(M为暂态窗长度)，W2{X(t_n+N),X(t_n+N+1),…,X(t_n+N+M-1)}

W2_1为暂态事件窗W2零均值化的序列；

计算(4)式来划分广义ON和OFF事件；

具体可以根据暂态事件窗W2与异常检测滑动窗W1均值差的正负性以及数量占优的原则进行判断：

6)、稳态窗检测：通过稳态窗W3来实现R类和非R类的负荷划分

设W3稳态窗的长度为L，W3{X(t_n+N+M),X(t_n+N+M+1),…,X(t_n+N+M+L-1)}，定义脉冲系数α和脉冲偏移δ，H为自适应阈值，Amp为W2_1最大值。

Amp＝max(W2_1) (7)

自适应阈值H为稳态事件窗W3零均值化的序列平均值与系数α乘积再加上偏执δ；当H大于Amp将负荷划分为非R类，反之则将负荷划分为R类；

7)、暂态特征提取：对于非R类负荷，暂态时间是一个重要暂态特性，在暂态事件窗W2中对暂态时间进行提取。通常暂态时间很短，往往只有不到0.1秒的时间，由于暂态事件算法是对周期最大值包络信号上来实现，检测、分离算法都是基于周期为基本时间单位。暂态时间的计算最小时间间隔也是一个周期。为了简化运算，可以取负荷电流周期的整数倍数作为暂态时间^[1-2]。

公式(8)获取W3电流幅值均值，公式(9)中暂态事件窗W2中的时间序列依次与稳态事件窗W3的均值作差得到新的时间序列W2_3，设定暂态时间阈值为T，为了避免局部脉冲的影响，在W2_3中采用从后向前的搜索方式来确定暂态时间，暂态时间提取过程如图4所示。

验证本发明所提供方法的有效性：

BLUED(Building-Level Fully-labeled dataset for ElectricityDisaggregation)数据库A/B两相共35种负荷进行投切动作监测，BLUED数据库中A相有10种负荷共产生885个负荷投切动作，B相总线上有25种家用负荷共产生1570个负荷投切动作。表1给出了不同的负荷投切动作的暂态事件检测方法的性能对比情况，采用P_recall、P_precision作为评判指标。其中KFDA(kernel Fisher discriminant analysis)属于判别分析法、Grid-based Clustering(GBC)属于网格聚类方法、generalize likelihood ratio(GLR)属于似然比法。

表1不同A相暂态事件检测算法性能比较

表2不同B相暂态事件检测算法性能比较

图3Phase B的Precession-Recall曲线，给出了B相暂态事件检测在不同阈值U下的准确率与召回率曲线。从图3可以看出，不同阈值U下的PR曲线趋势大致相同。在U为0.4A时准确率和召回率达到最高，此时阈值L为0.33A。阈值U是一个全局最优的结果，表示在用户中用电负荷启动电流只要超过广义OFF事件电流大于0.233A时即可检测投切动作。从表1和表2可以看出，绝大多数电器在检测的范围之内,能够满足实际需求。例如对于B相上15W的灯来说，其正常工作电流为0.125A(参考文献中照明电压120V)，其启动脉冲电流是工作电流的数倍，本发明所述方法能够检测得到该负荷。在本发明所述方法的暂态事件检测结果中，没有准确辨识出来的投切事件主要包含部分低功率负荷广义OFF事件，不包括低功率负荷广义ON事件。因为绝大多数广义OFF事件特别是负荷关闭时不会产生电流脉冲。当负荷功率较低时，动作电流就不会超过广义OFF事件电流阈值L，表3给出BLUED数据库中B相功率低于30W的负荷及其事件情况。由于能够检测到低功率负荷的广义ON事件，故不影响进行后续负荷在线分解。

表3B相功率低于30W的负荷及其事件

本发明所述的基于滑动窗残差模型的负荷投切动作监测方法对传统的家用负荷的投切动作监测方法进行了创新，传统的负荷投切动作监测方法一般是基于功率的变化或者是电流周期差分后与阈值的大小来判断负荷的投切状态，这种方法容易对小功率负荷漏检，采用电流的周期方法在监测过程中难以避免投切动作产生的信号与电流噪声的影响。而本发明独创之处在于根据电流的波动，采用滑动窗回归残差模型监测电流的波动情况，能够扩大对小功率负荷的投切动作监测范围，并且对产生的投切动作进行事件划分，采用滑动窗的方式还可以对负荷投切动作的暂态时间进行估计

应当理解的是，这里所讨论的实施方案及实例只是为了说明，对本领域技术人员来说，可以加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

参考文献:

[1]Lin Y H,Tsai M S.Development of an improved time–frequencyanalysis-based nonintrusive load monitor for load demand identification[J].IEEE Transactions on Instrumentation and Measurement,2014,63(6):1470-1483.

[2]李雨轩.非侵入式负荷分解算法的综合研究[D].北京交通大学,2016.

Claims (3)

1.一种基于滑动窗残差模型的负荷投切动作监测方法，其特征在于，包括如下步骤：

1)、时间序列周期最大值提取：提取电流信号的周期最大值，获取电流波形的包络信号，得到时间序列X(t₁),X(t₂),X(t₃),…,X(t_n),X(t_n+1),…

2)、滑动窗零均值化：设X(t_n)为t＝n时的电流观测值，对检测滑动窗W1{X(t_n),X(t_n+1),…,X(t_n+N-1)}(N表示滑动窗的长度)进行零均值化：

<mrow> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mtable> <mtr> <mtd> <mrow> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>N</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

公式(1)：表示获取检测滑动窗W1的均值；

公式(2)为每个电流周期最大值采样点与均值的差，表示检测滑动窗W1零均值化的序列；

3)、滑动窗残差模型：

对异常检测滑动窗W1零均值化后的时间序列用AR(2)模型进行拟合，得到模型系数和计算X(t_n+N)的残差e_n+N：

4)、暂态事件检测：

通过残差e_n+N来判断X(t_n+N)是否发生异常，在暂态事件检测结果中根据准确率和召回率最大来选择全局最优的的双阈值U,L；

当e_n+N>U或者e_n+N<-L时，X(t_n+N)判断为异常点，此时判断系统中有电器发生了投切或者工作状态转换动作；

当e_n+N≤U且e_n+N≥-L时，返回至步骤1)；

5)、暂态窗检测：

暂态事件窗W2(M为暂态窗长度)，W2{X(t_n+N),X(t_n+N+1),…,X(t_n+N+M-1)}

<mrow> <mi>W</mi> <mn>2</mn> <mo>_</mo> <mn>1</mn> <mo>=</mo> <mi>W</mi> <mn>2</mn> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

W2_1为暂态事件窗W2零均值化的序列；

计算(4)式来划分广义ON和OFF事件；

具体可以根据暂态事件窗W2与异常检测滑动窗W1均值差的正负性以及数量占优的原则进行判断：

6)、稳态窗检测：通过稳态窗W3来实现R类和非R类的负荷划分

设W3稳态窗的长度为L，W3{X(t_n+N+M),X(t_n+N+M+1),…,X(t_n+N+M+L-1)}，定义脉冲系数α和脉冲偏移δ，H为自适应阈值，Amp为W2_1最大值。

<mrow> <mi>H</mi> <mo>=</mo> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>W</mi> <mn>3</mn> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;delta;</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

Amp＝max(W2_1) (7)

自适应阈值H为稳态事件窗W3零均值化的序列平均值与系数α乘积再加上偏执δ；当H大于Amp将负荷划分为非R类，反之则将负荷划分为R类；

7)、暂态特征提取：在暂态事件窗W2中对暂态时间进行提取。

2.根据权利要求1所述的方法，其特征在于，所述步骤4)具体：对于不同的用户，阈值U和L的选择是在该用户数据集中所有负荷数据的训练迭代之后，根据暂态事件检测的精确率和召回率选择全局最优的U和L。

3.根据权利要求1所述的方法，其特征在于，所述步骤7)具体:取负荷电流周期的整数倍数作为暂态时间

<mrow> <msub> <mover> <mi>W</mi> <mo>&amp;OverBar;</mo> </mover> <mn>3</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>L</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>L</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>n</mi> <mo>+</mo> <mi>N</mi> <mo>+</mo> <mi>M</mi> <mo>+</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>W</mi> <mn>2</mn> <mo>_</mo> <mn>3</mn> <mo>=</mo> <mi>W</mi> <mn>2</mn> <mo>-</mo> <msub> <mover> <mi>W</mi> <mo>&amp;OverBar;</mo> </mover> <mn>3</mn> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

公式(8)获取W3电流幅值均值，公式(9)中暂态事件窗W2中的时间序列依次与稳态事件窗W3的均值作差得到新的时间序列W2_3，设定暂态时间阈值为T，在W2_3中采用从后向前的搜索方式来确定暂态时间。