CN110488128A - 双边累积和事件检测方法 - Google Patents

Abstract

双边累积和事件检测方法，双边累积和事件检测方法既可检测出负荷投入、也可检测出负荷切除；双边累积和事件检测方法引入两个累积量。两个累积量分别为正向变化累积量和负向变化累积量；还包括有稳态时信号序列的均值和噪声信号。本发明和现有技术相比，其优点在于：双边累积和事件检测方法既能检测出开关型负载、有限状态型负载的投切事件，也能检测出负荷连续变化型负载投切事件。

Description

双边累积和事件检测方法

技术领域

本发明涉及非侵入式负荷分解技术领域，尤其是一种双边累积和事件检测方法。

背景技术

非侵入式负荷分解(NILD)是指在不改变现有电路结构的前提下，通过电力入口处的用电量数据实现用户用电负荷的分项电量统计。现在的电力系统中，由于用电设备分项电量统计信息的缺失，延缓了发配电系统的经济高效运行。经研究表明，若用户知道各个设备的耗电量信息，则可节能12％，电网可根据各个用户、设备的耗电量更加有效的调整电力结构。随着智能电网的发展，由于非侵入式负荷分解的成本低、适用性强、适用范围广，因此得到很大的关注。

为了实现电能的分项统计，电力负荷分解技术得到快速发展。负荷分解是指将电表的电量数据对应到每个用电设备的用电量上。负荷分解可以分为侵入式负荷分解和非侵入式负荷分解两种方法。其中，侵入式负荷分解是指在每个用电设备前安装一个传感器，即可清楚的知道该用电设备的用电量信息。侵入式负荷分解方法精度高，但是因为要在每个设备前都安装一个传感器，导致硬件成本高；并且如果现场情况比较复杂，安装困难，并且会导致维护成本高。非侵入式负荷分解是指在电力入口处安装一个传感器，不改变用户现有的电路结构，利用智能电表采集到的数据信息进行分析，实现用户内部用电设备的用电设备种类、用电设备分项耗电量监测的目的，即可得到该总线上所有用电设备的用电量数据信息。采用非侵入式负荷分解方法，在入户端加一个传感器即可实现负荷分解，因此成本低，且对用户的电路结构影响小，易于向各个用电领域推广，安装方便。

事件检测是基于事件的NILD关键技术之一，准确的掌握负荷的投切时间是关键。现有的文献中，事件检测有变点检测和规则判断两种方法，大多数是利用所提取到的一段时间内负荷印记的变化来实现的。规则判断因其原理简单、易实现，因此利用的更多。而变点检测在多状态型、负载连续变化型负载的检测上有更好的表现。

变点是指在某个过程或者序列中，在某一个不知道的时刻，该过程或者序列的某些统计特征发生改变。变点检测一般是根据序列的统计特性是否发生了改变进行判定，目前变点检测常用的统计特征包括数据的均值和方差、残差等。很明显当序列发生变化时会改变一些统计特征，比较明显的是序列信号的均值和方差会发生改变，变点检测的方式就是我们根据这种改变进行合理阈值设置，超过设定的阈值时就可以判定该过程或序列有突变发生。变点检测这一方法在很多场合都在使用，例如各种信号突变的监测和设备故障检测等方面。

累积和(CUSUM)算法，最早是由Page在1954年提出的，之后有很多关于CUSUM的研究。CUSUM是一种统计方法，其理论原理是基于序贯概率比检验(SPRT)，利用当前的和最近的数据来检验均值或方差变化不大的过程或信号序列，CUSUM代表偏离目标值的差的“累积和”，它把当前的数据和最近的数据看的相同重要。CUSUM算法的优势在于将整个过程或信号序列的小偏移累加起来，起到放大作用，提高的灵敏度。但如果阈值H过小，则会出现过度灵敏现象，而过大则会导致不能即使给出警报。因为CUSUM变点检测使用方便，原理简单等，CUSUM算法在设备故障监测、工业生产以及经济方面都有应用。

CUSUM算法可分为参数化和非参数化算法这两种，在NILM应用方面，由于用电负荷的电压、电流、功率等用电量的概率分布情况很难提前得知，因此采用非参数化CUSUM算法。CUSUM算法在NILM应用的基本思想如下：当有负荷投切事件发生时，必然会引起功率、电流等负荷印记的变化，对应监测的负荷特征序列将会发生改变，因此可以利用CUSUM变点检测算法监测出变化，即可知道有事件发生。

事件检测的难点在于时间段长度、阈值等参数的选取上，参数过大或过小都会导致事件检测的准确度下降，且对于类似于变频空调的负载连续变化型负荷的事件检测没有完善的解决方法。

发明内容

为了解决上述现有技术中存在的问题，本发明提供一种双边累积和事件检测方法，既能检测出开关型负载、有限状态型负载的投切事件，也能检测出负荷连续变化型负载投切事件。

本发明解决其技术问题所采用的技术方案是：双边累积和事件检测方法，双边累积和事件检测方法既可检测出负荷投入、也可检测出负荷切除；双边累积和事件检测方法引入两个累积量对一随机时间序列X＝x(k)，k＝1，2，3，…，对累积量有式(1)和式(2)的定义：

其中，和分别为正向变化累积量和负向变化累积量；μ₀为稳态时信号序列的均值；β为噪声信号。

本发明和现有技术相比，其优点在于：双边累积和事件检测方法既能检测出开关型负载、有限状态型负载的投切事件，也能检测出负荷连续变化型负载投切事件。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明算法的程序流程示意图；

图2为本发明事件检测算法示意图；

图3为本发明判断事件进入稳态示意图；

图4为本发明投入事件检测过程的4个阶段示意图；

图5为变化曲线示意图；

图6为设备组合投切功率变化曲线示意图；

图7为吹风机、烤箱、烧水壶启停事件检测示意图；

图8为细节图示意图；

图9为中值处理后的变频空调功率曲线示意图；

图10为变频空调启停事件检测示意图。

具体实施方式

下面将参照附图更详细地描述本发明公开的示例性实施例，这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，本发明而不应被这里阐述的实施例所限制。

双边累积和事件检测方法，双边累积和事件检测方法既可检测出负荷投入、也可检测出负荷切除；双边累积和事件检测方法引入两个累积量对一随机时间序列X＝x(k)，k＝1，2，3，…，对累积量有式(1)和式(2)的定义：

其中，和分别为正向变化累积量和负向变化累积量；μ₀为稳态时信号序列的均值；β为噪声信号。

1)当信号序列处于稳态时，累积量和在0附近波动，均值为0。

2)当信号序列发生变化时，如果发生正向变化，即信号序列的值增大。信列发生正向变化之后的均值μ₁＞μ₀+β，这个正向的偏移量会不断累积到正向变化累积量中，因此不断增大；如果发生负向变化，即信号序列的值减小。信号序列发生负向变化之后的均值μ₁＜μ₀-β，这个负向的偏移量会不断累积到负向变化累积量中，因此不断增大。

3)当正向累积量时，其中H为设定的阈值，令检测的正向时间延迟变量否则当时，此均值增加的事件被检测出来，随机信号序列发生变化的时间τ可以通过得出；同理，当负向累积量时，令检测的负向时间延迟变量否则当时，此均值减小的事件被检测出来，随机信号序列发生变化的时间τ可以通过得出。

如图2所示，双边累积和事件检测方法定义了两个连续的滑动窗；其中，WM为平均值计算窗口，其采样点数为N_m，设其长度为m；WD为事件过程检测窗口，其采样点数为N_d，设其长度为n。对一功率时间序列P＝p(k)，k＝1，2，3…，计算平均值计算窗和事件过程检测窗的均值M_m、M_d，如式(3)和式(4)的定义：

定义投入事件累积量和切除事件累积量如式(5)和式(6)的定义：

其中，β表示功率稳态时的波动量；设置投入事件累积量阈值H来判断是否有事件发生，当时表明有事件投入，时表明有事件切除。

当检测是否有事件投入时，的初值为0，当事件检测窗口的均值M_d大于均值计算窗口的均值M_m和功率波动水平β的和时，即M_d＞M_m+β，投入事件累积量开始大于0，当投入事件累积量时，说明此时有发生事件的可能，但因为还不能确定有事件发生。因此引入时间延迟变量d，令d＝d+1，此时计算直到判断有投入事件发生。投入事件发生的时刻τ＝k-d；为了避免因为功率时间序列的波动导致的事件投入与切除多识别这一问题，当时间延迟变量每增加1就对和的大小关系进行判断，如果则认为此时是由于功率的波动引起的，并令

如图3所示，检测到事件投入时刻之后，是该事件进入稳态时刻的检测，在该事件进入稳态之前，功率时间序列会一直变化，因此，当检测到事件发生时(t₀时刻)，不结束事件检测程序，而是继续计算累积量，直到累积量不在变化为止(t₄时刻)，此时即可检测出事件进入稳态。

均值计算窗的长度m应该能够代表事件检测窗之前一段功率序列的特征，因此m的值不宜太小，一般情况下根据事件投入到进入稳态所需时间进行选值；事件检测窗的长度n对时间投入时刻检测的精度有影响，因此n的值不宜太大，否则检测到的投入事件时刻会有较大的误差；功率波动水平β应根据负荷运行的实际情况而定。阈值H时滑动窗双边累积和算法的一个重要参数，对该事件检测算法的准确度以及精度有很大的影响。通过以上分析发现，有的负荷时近乎瞬时启动的，而有的负荷启动过程较长，因此阈值H值的设定需考虑负荷投切过程。以投入事件为例，先假设事件投入时瞬间完成的，滑动窗在滑过投入事件时，可以分为四个阶段，如图4所示。

当滑动窗位于不同的阶段时，其均值也会发生变化。定义P₁＝P₀+ΔP；设t为事件检测窗第一个数据所在的时刻，定义t_d＝t-t₁。

1)第一阶段：滑动窗未到事件投入时刻，此时均值计算窗和事件检测窗的均值相等，如式所示：M_m＝M_d＝P₀；

2)第二阶段：事件投入时刻位于事件检测窗内(1≤t_d≤n)；此时均值计算窗和事件检测窗的均值如式所示：

M_m＝P₀。

在第二阶段内，均值计算窗和事件检测窗的均值之差如式所示：

在该阶段内，投入事件累积量为当t_d＝n时，

3)第三阶段：事件投入时刻位于均值计算窗内(1≤t_d-n≤m-1)；此时均值计算窗和事件检测窗的均值如式所示：

在第三阶段内，均值计算窗和事件检测窗的均值之差如式所示：

在该阶段内，投入事件累积量为：

当t_d＝m+n-1时，

4)第四阶段：滑动窗滑过事件投入时刻，此时均值计算窗和事件检测窗的均值相等，如式所示：M_m＝M_d＝P₁；此时投入事件累积量不再变化。

根据以上的分析，投入事件累积量k∈[t₁，t₁+m+n-1]的的变化曲线如图5所示。

由此可以得到投入事件累积量阈值H的取值范围为：

投入事件累积量阈值H的取值范围分析是基于瞬时投入事件的。但实际有很多负荷设备的启动不是瞬时完成的。因此，投入事件累积量阈值H的设为其范围最大最小值的平均值；如式(7)、式(8)和式(9)的定义：

实施例

对吹风机、烤箱和烧水壶等近似瞬时启动的用电设备，测量其在5分钟内多次投切的有功功率时间信号序列，采样频率为5Hz，如图6所示。设备实际投切情况如下：15s时开吹风机低档，38s时打开烤箱，63s时关闭烤箱，73s时开吹风机高档，92s时关吹风机，112s时开吹风机低档、开烧水壶，140s时开吹风机高档，160s时关吹风机，270s时烧水结束。

通过第二章用电负荷特性分析，可得到以上三种设备稳态负荷有功功率都在600W以上，因此ΔP取600；设备大约6个采样点可以完成投切，因此均值计算窗长度m取6；事件检测窗口n的取值不宜太大，否则影响事件检测准确度，因此n取1；β表示负荷稳态时的波动水平，在此事件中β取10。根据以上的参数，累积量阈值H的计算如下所示：

事件检测结果如图7所示，可以看出事件开始时刻、进入稳态时刻与实际情况相符。

对变频空调类启动时间长的用电设备，测量变频空调25分钟的投切过程功率数据，采样频率为0.2Hz，10s时打开空调(室温25°，空调设22°)，780s时关闭空调。从第二章空调的用电特性分析可看出，由于变频空调内部的启动特性，变频空调功率变化复杂，且存在较大的波动。因此，事件检测前，对变频空调的数据做中值处理，处理后的功率曲线如图9所示。且对变频空调的事件检测，不再以启停作为事件，而是根据空调启动实际启停特性，将变频空调功率时间序列分为一系列小事件，这些事件都是属于变频空调启停的范畴。

由图8可看出，空调启停过程中功率变化最小的事件ΔP约为150W，平均值计算窗长度m为200，事件检测窗长度n为10，功率波动水平β取50。累积量阈值H的计算如下所示：

事件检测结果如图10所示。从图中可以发现，事件开始时刻检测结果与实际情况相符；而检测事件进入稳态时刻，因为空调启动持续时间长，所以均值计算窗长度m设为200，因此影响了瞬时事件进入稳态时刻的检测的精确度。

本发明研究了累积和算法以及用于事件检测的滑动窗双边累计和算法，通过两个累积量分别用于事件投入与切除的检测。由于NILD中功率时间序列随用电设备状态变化而变化，因此不存在一个稳态的均值，所以利用滑动窗对整个功率时间序列进行事件检测。本节介绍的事件检测算法需要对均值计算窗的长度m、事件检测窗的长度n、功率波动水平β以及阈值H进行初始化，通过分析H在不同阶段的变化范围，进行折中处理对阈值H取值。

本发明通过对吹风机、烤箱、烧水壶等近乎瞬时启动(1s左右)的设备的启停进行事件检测，算法得出的事件开始和进入稳态的时刻与实际情况相符；对变频空调等启动持续时间长的设备进行事件检测，将变频空调整个启停过程按照其特性分为小事件，其中事件开始时刻和长事件进入稳态时刻与实际情况相符，而瞬时小事件因受滑动窗长度的影响，时间进入稳态的时刻会有延迟误差。

综上所述，本双边累积和事件检测方法既能检测出开关型负载、有限状态型负载的投切事件，也能检测出负荷连续变化型负载投切事件。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (7)

1.双边累积和事件检测方法，其特征在于：所述双边累积和事件检测方法既可检测出负荷投入、也可检测出负荷切除；所述双边累积和事件检测方法引入两个累积量对一随机时间序列X＝x(k)，k＝1，2，3，…，对累积量有式(1)和式(2)的定义：

其中，和分别为正向变化累积量和负向变化累积量；μ₀为稳态时信号序列的均值；β为噪声信号。

2.根据权利要求1所述的双边累积和事件检测方法，其特征在于：

1)当信号序列处于稳态时，累积量和在0附近波动，均值为0；

2)当信号序列发生变化时，如果发生正向变化，即信号序列的值增大；信列发生正向变化之后的均值μ₁＞μ₀+β，这个正向的偏移量会不断累积到正向变化累积量中，因此不断增大；如果发生负向变化，即信号序列的值减小；信号序列发生负向变化之后的均值μ₁＜μ₀-β，这个负向的偏移量会不断累积到负向变化累积量中，因此不断增大；

3)当正向累积量时，其中H为设定的阈值，令检测的正向时间延迟变量否则当对，此均值增加的事件被检测出来，随机信号序列发生变化的时间τ可以通过得出；同理，当负向累积量时，令检测的负向时间延迟变量否则当时，此均值减小的事件被检测出来，随机信号序列发生变化的时间τ可以通过得出。

3.根据权利要求1所述的双边累积和事件检测方法，其特征在于：所述双边累积和事件检测方法定义了两个连续的滑动窗；其中，WM为平均值计算窗口，其采样点数为N_m，设其长度为m；WD为事件过程检测窗口，其采样点数为N_d，设其长度为n；对一功率时间序列P＝p(k)，k＝1，2，3…，计算平均值计算窗和事件过程检测窗的均值M_m、M_d，如式(3)和式(4)的定义：

定义投入事件累积量和切除事件累积量如式(5)和式(6)的定义：

其中，β表示功率稳态时的波动量；设置投入事件累积量阈值H来判断是否有事件发生，当时表明有事件投入，时表明有事件切除。

4.根据权利要求3所述的双边累积和事件检测方法，其特征在于：当检测是否有事件投入时，的初值为0，当事件检测窗口的均值M_d大于均值计算窗口的均值M_m和功率波动水平β的和时，即M_d＞M_m+β，投入事件累积量开始大于0，当投入事件累积量时，说明此时有发生事件的可能，但因为还不能确定有事件发生；因此引入时间延迟变量d，令d＝d+1，此时计算直到判断有投入事件发生；投入事件发生的时刻τ＝k-d；为了避免因为功率时间序列的波动导致的事件投入与切除多识别这一问题，当时间延迟变量每增加1就对和的大小关系进行判断，如果则认为此时是由于功率的波动引起的，并令

5.根据权利要求3所述的双边累积和事件检测方法，其特征在于：检测到事件投入时刻之后，是该事件进入稳态时刻的检测，在该事件进入稳态之前，功率时间序列会一直变化，因此，当检测到事件发生时(t₀时刻)，不结束事件检测程序，而是继续计算累积量，直到累积量不在变化为止(t₄时刻)，此时即可检测出事件进入稳态。

6.根据权利要求3所述的双边累积和事件检测方法，其特征在于：投入事件累积量阈值H的取值范围为

7.根据权利要求6所述的，其特征在于：投入事件累积量阈值H的取值范围分析是基于瞬时投入事件的；但实际有很多负荷设备的启动不是瞬时完成的；因此，投入事件累积量阈值H的设为其范围最大最小值的平均值；如式(7)、式(8)和式(9)的定义：