CN111161097A - 基于假设检验的事件检测算法检测开关事件的方法和装置 - Google Patents
基于假设检验的事件检测算法检测开关事件的方法和装置 Download PDFInfo
- Publication number
- CN111161097A CN111161097A CN201911410940.7A CN201911410940A CN111161097A CN 111161097 A CN111161097 A CN 111161097A CN 201911410940 A CN201911410940 A CN 201911410940A CN 111161097 A CN111161097 A CN 111161097A
- Authority
- CN
- China
- Prior art keywords
- value
- samples
- window
- sample
- goodness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012360 testing method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000004836 empirical method Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001801 Z-test Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本申请提供了一种基于假设检验的事件检测算法检测开关事件的方法和装置,涉及电力检测领域。所述方法包括:根据检测窗口、参考数据集以及拟合优度值公式,计算得到所有样本的拟合优度值,确定拟合优度值为最大值的样本点为可疑样本点;以可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;计算统计量Z的计算值;根据计算值,得到概率值P的计算值;在样本有显著差异的情况下,确定可疑样本点为开关事件发生点。本发明的技术方案,只针对可疑点进行事件检验,不但运算简单迅速,并且在用电功率较大时,依然保证了开关事件的识别精度,不会出现漏检且具有较高的鲁棒性。
Description
技术领域
本发明涉及电力检测领域,尤其是涉及一种基于假设检验的事件检测算法检测开关事件的方法和装置。
背景技术
非侵入式负荷监测(Non-intrusive load monitoring,NILM)技术Hart于10世纪80年代首次。NILM技术采用非侵入式负荷监测方法,只需要在用户的电力入户处进行用电数据采集,通过信号分析与处理进行负荷识别,即可实现对整个系统内部负荷的在线监测,最终获取整个用电网络内所有负荷的状态,该技术操作方便、成本低、效益高,也是用户和电力公司实现双向互动服务体系的重要环节之一。
NILM包括四个步骤,分别是数据量测及预处理、事件检测、负荷特性提取、负荷识别,精准的检测出开关事件才能为特性提取和负荷识别做好准备。为了提高NILM在事件检测方面的准确度,近年来国内外研究人员提出了很多改进方法。例如:基于贝叶斯信息准则的负荷事件检测方法;采用小波变换技术的负荷事件检测方法;使用倒频谱分析法的负荷事件检测方法;基于标准卡方拟合优度方法的负荷事件检测方法等。
但上述各种存在数据处理量大、涵盖面不全、鲁棒性等问题,从而导致对开关事件的识别精度较差,尤其是在用电功率较高时,开关事件漏检较为严重。
发明内容
鉴于上述问题,本发明提供一种基于假设检验的事件检测算法检测开关事件的方法和装置,解决了开关事件的识别精度较差,尤其是在用电功率较高时,开关事件漏检较为严重的问题。
本发明实施例提供一种基于假设检验的事件检测算法检测开关事件的方法,所述方法应用于智能电表,所述智能电表用于采集用户的用电总功率,所述方法包括:
步骤1:根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,所述参考数据集为所述智能电表采集的所述用电总功率形成的数据集,所述检测窗口为检测所述开关事件是否发生所使用的窗口,所述检测窗口大小的最小值为预设值,所述检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定;
步骤2:对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,所述功率波动阈值通过经验法得到,所述功率波动阈值随所述检测窗口大小的改变而改变;
步骤3:在所述拟合优度值中的最大值大于所述功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点;
步骤4:以所述可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;
步骤5:对所述第一样本窗口中的样本和所述第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值;
步骤6:根据所述统计量Z的计算值,计算得到所述开关事件发生的概率值P的计算值;
步骤7:根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异;
步骤8:在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,确定所述可疑样本点为所述开关事件发生点。
可选地,根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,包括:
根据所述智能电表采集的所述用电总功率,形成所述参考数据集,所述参考数据集中的所有样本均满足G(p)分布,其中样本的数量是n个,分别用pi,i=1,2,…,n表示,样本之间是相互独立的;
所述检测窗口中的所有样本均满足F(p)分布,其中样本的数量是n个,分别用qi,i=1,2,…,n表示;
所述G(p)和所述F(p)的分布类型将所述标准卡方拟合优度方法转化为二元假设检验公式,即
该公式中:二元假设分别是H0和H1,若对于假设H0是拒绝的,那么所述检测窗口中必然出现所述开关事件;
根据所述拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值;
所述拟合优度值公式为:
该公式中:lGOF为拟合优度值;
其中,计算所述检测窗口中任一样本的拟合优度值公式具体为:
该公式中:ln为所述检测窗口中任一样本的拟合优度值,Pn为所述参考窗口中任一样本。
可选地,对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,包括:
在所述二元假设H0是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值大于所述功率波动阈值;
在所述二元假设H1是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值小于所述功率波动阈值;
其中,判断所述二元假设H0是否是拒绝的条件如下:
n0<n<n1
其中,n0是所述检测窗口大小的最小值,n1是所述检测窗口大小的最大值。
可选地,对所述第一样本窗口中的样本和所述第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值,包括:
计算所述第一样本窗口中样本的平均数、标准差、容量值;
计算所述第二样本窗口中样本的平均数、标准差、容量值;
根据两个样本窗口中样本的平均数、标准差、容量值,通过所述Z检验的公式计算得到所述统计量Z的计算值;
其中,所述Z检验的公式为:
可选地,根据所述统计量Z的计算值,计算得到所述开关事件发生的概率值P的计算值,包括:
将所述统计量Z的计算值代入预设函数关系式;
利用所述预设函数关系式,计算得到所述开关事件发生的概率值P的计算值。
可选地,所述概率值P的标准值为:0.01、0.05,所述统计量Z的标准值为:2.58和1.96,根据所述概率值P的计算值和所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异,包括:
在所述统计量Z的计算值大于等于2.58,且所述概率值P的计算值小于等于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值大于等于1.96且小于2.58,同时所述概率值P的计算值小于等于0.05且大于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值小于1.96,且所述概率值P的计算值大于0.05的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本没有显著差异。
可选地,在在对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系之后,所述方法还包括:
在所述拟合优度值的最大值小于所述功率波动阈值的情况下,将所述检测窗口右移一个单位,形成新的检测窗口,并返回步骤1。
可选地,在根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异之后,所述方法还包括:
在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,将所述检测窗口右移长度为预设数量的单位,形成新的检测窗口,并返回步骤1。
本发明实施例还提供一种基于假设检验的事件检测算法检测开关事件的装置,所述装置应用于智能电表,所述智能电表用于采集用户的用电总功率,所述装置包括:
计算拟合优度值模块,用于根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,所述参考数据集为所述智能电表采集的所述用电总功率形成的数据集,所述检测窗口为检测所述开关事件是否发生所使用的窗口,所述检测窗口大小的最小值为预设值,所述检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定;
对比模块,用于对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,所述功率波动阈值通过经验法得到,所述功率波动阈值随所述检测窗口大小的改变而改变;
确定可疑样本点模块,用于在所述检测窗口中拟合优度值中的最大值大于所述功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点;
取样本窗口模块,用于以所述可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;
计算统计量模块,用于对所述第一样本窗口中的样本和所述第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z值的计算值;
计算概率值模块,用于根据所述Z的计算值,计算得到所述开关事件发生的概率值P值的计算值;
判断模块,用于根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异;
确定开关事件模块,用于在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,确定所述可疑样本点为所述开关事件发生点。
可选地,所述计算拟合优度值模块包括:
参考数据集子模块,用于根据所述智能电表采集的所述用电总功率,形成所述参考数据集,所述参考数据集中的所有样本均满足G(p)分布,其中样本的数量是n个,分别用pi,i=1,2,…,n表示,样本之间是相互独立的;
检测窗口子模块,用于建立所述检测窗口,所述检测窗口中的所有样本均满足F(p)分布,其中样本的数量是n个,分别用qi,i=1,2,…,n表示;
转换二元假设检验子模块,用于利用所述G(p)和所述F(p)的分布类型将所述标准卡方拟合优度方法转化为二元假设检验公式,即
该公式中:二元假设分别是H0和H1,若对于假设H0是拒绝的,那么所述检测窗口中必然出现所述开关事件;
计算拟合优度值子模块,用于根据所述拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值;
所述拟合优度值公式为:
该公式中:lGOF为拟合优度值;
其中,计算所述检测窗口中任一样本的拟合优度值公式具体为:
该公式中:ln为所述检测窗口中任一样本的拟合优度值,Pn为所述参考窗口中任一样本。
可选地,所述对比模块具体用于:
在所述二元假设H0是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值大于所述功率波动阈值;
在所述二元假设H1是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值小于所述功率波动阈值;
其中,判断所述二元假设H0是否是拒绝的条件如下:
n0<n<n1
其中,n0是所述检测窗口大小的最小值,n1是所述检测窗口大小的最大值。
可选地,所述计算统计量模块具体用于:
计算所述第一样本窗口中样本的平均数、标准差、容量值;
计算所述第二样本窗口中样本的平均数、标准差、容量值;
根据两个样本窗口中样本的平均数、标准差、容量值,通过所述Z检验的公式计算得到所述统计量Z的计算值;
其中,所述Z检验的公式为:
可选地,所述计算概率值模块包括:
代入函数关系式子模块,用于将所述统计量Z的计算值代入预设函数关系式;
计算概率值子模块,用于利用所述预设函数关系式,计算得到所述开关事件发生的概率值P的计算值。
可选地,所述概率值P的标准值为:0.01、0.05,所述统计量Z的标准值为:2.58和1.96,根据所述概率值P的计算值和所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异,包括:
在所述统计量Z的计算值大于等于2.58,且所述概率值P的计算值小于等于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值大于等于1.96且小于2.58,同时所述概率值P的计算值小于等于0.05且大于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值小于1.96,且所述概率值P的计算值大于0.05的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本没有显著差异。
可选地,所述装置还包括:
第一右移模块,用于在所述拟合优度值中的最大值小于所述功率波动阈值的情况下,将所述检测窗口右移一个单位,形成新的检测窗口。
可选地,所述装置还包括:
第二右移模块,用于在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,将所述检测窗口右移长度为预设数量的单位,形成新的检测窗口。
采用本发明提供的检测开关事件的方法,根据检测窗口、参考数据集以及拟合优度值公式,计算得到检测窗口中所有样本的拟合优度值,对比检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,在拟合优度值中的最大值大于功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点;以可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;对第一样本窗口中的样本和第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值;根据统计量Z的计算值,计算得到开关事件发生的概率值P的计算值;根据概率值P的计算值与标准值,以及统计量Z的标准值与计算值,判断第一样本窗口中的样本和第二样本窗口中的样本是否有显著差异;在第一样本窗口中的样本和第二样本窗口中的样本有显著差异的情况下,确定可疑样本点为开关事件发生点。本发明的方法,只针对可疑点进行事件检验,不但运算简单迅速,并且在用电功率较大时,依然保证了开关事件的识别精度,不会出现漏检。
附图说明
图1为本发明实施例一种基于假设检验的事件检测算法检测开关事件的方法的流程图;
图2为采用标准卡方拟合优度方法标记了开关事件的A相功率图;
图3为采用标准卡方拟合优度方法每个样本点的lGOF值对比图;
图4为采用本发明的方法标记了事件的A相功率图;
图5为采用标准卡方拟合优度方法标记了事件的B相功率图;
图6为采用本发明的标记了事件的B相功率图;
图7本发明实施例一种基于假设检验的事件检测算法检测开关事件的装置的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解,此处所描述的具体实施例仅用以解释本发明,仅仅是本发明一部分实施例,而不是全部的实施例,并不用于限定本发明。
发明人发现,目前针对NILM中事件检测的方法中,基于标准卡方拟合优度方法相较于其他方法的数据处理比较简捷,并且检测性能较为良好,是目前应用比较广泛的一种方法,但发明人发现基于标准卡方拟合优度方法来检测开关事件时,识别精度会随着用电功率的升高而降低,用电功率越高,漏检的概率越大。
发明人经过深入研究和探索,发现了问题:假若阈值不变,功率信号的原值与变化值的差值不同,事件发生的概率也不同,如果功率信号存在过大的基负荷,会出现功率仅发生微小变化的事件未参与检验的现象发生,故基于标准卡方拟合优度方法不具有鲁棒性。
基于上述问题,发明人创造性的提出了本发明的技术方案,以下对本发明的技术方案进行解释。
参照图1,示出了本发明实施例一种基于假设检验的事件检测算法检测开关事件的方法的流程图,该方法应用于智能电表,智能电表用于采集用户的用电总功率,检测开关事件的方法包括:
步骤101:根据检测窗口、参考数据集以及拟合优度值公式,计算得到检测窗口中所有样本的拟合优度值,参考数据集为智能电表采集的用电总功率形成的数据集,检测窗口为检测开关事件是否发生所使用的窗口,检测窗口大小的最小值为预设值,检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定。
本发明实施例中,基于假设检验的事件检测算法检测开关事件的方法可以由用户的智能电表完成,当然也可以由上级服务器来完成,由上级服务器完成的情况下,上级服务器需要接收用户智能电表发送的其采集的用户用电总功率,可以理解的是,假若是由上级服务器来完成,那么上级服务器的计算量是很大的,因为上级服务器是同时与数量庞大的智能电表连接的。所以最理想的情况就是由用户自己的智能电表来完成基于假设检验的事件检测算法的检测开关事件,智能电表只需将检测结果反馈给上级服务器即可。
首先,智能电表根据检测窗口、参考数据集以及拟合优度值公式,计算得到检测窗口中所有样本的拟合优度值,其中,参考数据集为智能电表采集的用电总功率形成的数据集,智能电表采集的用电总功率是经过中值滤波器滤去总功率信号的尖峰值之后得到的,这样做是为了后续的检测结果可以更精确;检测窗口为检测开关事件是否发生所使用的窗口,检测窗口大小的最小值为预设值,检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定。检测窗口、参考数据集以及拟合优度值公式均借鉴于目前的标准卡方拟合优度方法:
标准卡方拟合优度(GOF)方法中,根据拟合优度检验方式检测事件时作出的假设,得到以下两种分布类型:第一,先验未知分布G(p),要求检验过程中涉及的样本均满足G(p)分布,其中样本的数量是n个,分别用pi,i=1,2,…,n表示,样本之间是相互独立的;第二,F(p)分布,要求假设中紧邻的两个窗口的数据均满足F(p)分布。所以,上述两种分布类型能将拟合优度检验转化为下面的二元假设检验问题,即公式1:
上述公式中,二元假设分别是H0和H1,共同决定了GOF检测的最终结果。采用GOF检验方法检测开关事件的过程中,涉及的样本有两组:第一组为参考数据集,是智能电表根据采集的用电总功率形成的数据集,包含样本的数目是n个,分别用pi,i=1,2,…,n表示,分布类型是G(p),即,参考数据集中的所有样本均满足G(p)分布;第二组为检测窗口,其是为检测开关事件是否发生所使用的窗口,包含样本的数量是n个,分别用qi,i=1,2,…,n表示,分布类型是F(p),即,检测窗口中的所有样本均满足F(p)分布。上述两组样本的分布是一致的,相互独立,且无法得知G(p)和F(p)的具体分布。通过判断上述公式中假设H0和H1是否拒绝,从而得出GOF检测的结果,若对于假设H0是拒绝的,那么检测窗口中必然出现打开或关闭某个用电设备的情形。
采用标准卡方拟合优度检测开关事件的公式2如下:
该式中,Pi表示用电总功率,在检测过程中,检测窗口中样本的分布类型与上述假设的分布类型是一致的,判断是否对于假设H0是拒绝的条件如公式3:
在上述公式中,lGOF表示检测窗口中所有样本的拟合优度值,表示决策阈值,置信区间是100(1-α)%,自由度是n-1,该阀值可以根据检测窗口大小n和显著性水平α查表得到。选择合适的窗口大小应遵循以下公式4:
n0<n<n1
其中,n0是窗口大小的最小值,公知常识中就n0的选取方法有详细解释,此处不做赘述。而检测窗口的最大值n1由用电设备状态转变的最大长度决定,所谓用电设备状态转变的最大长度是指用户所有用电设备中,完成打开或者关闭设备所需时间中最长的时间与采集周期的倍数关系对应的长度。例如:假设某用户家中有用电设备1、用电设备2、用电设备3,三者完成设备打开所需的时间分别为:0.1秒、0.6秒、1.0秒;三者完成设备关闭所需的时间分别为:0.15秒、0.68秒、0.99秒,智能电表采集用电总功率的周期时0.05秒,那么检测窗口的最大值n1为:1.0秒/0.05秒=20,即检测窗口最大按照20个样本点对参考数据集中的样本进行检测。
由上可以看出,窗口大小确定后,不需要重复训练数据变化依赖的阀值,这也是标准卡方拟合优度方法的一个优势。
公式2是指检测窗口中所有样本的平均拟合优度值,在计算检测窗口中任一样本的拟合优度值时的公式具体为:
该公式中:ln为所述检测窗口中任一样本的拟合优度值,Pn为所述参考窗口中任一样本。
综合以上所述,由公式2和公式3可以知晓,假若阈值不变,功率信号的原值与变化值的差值不同,事件发生的概率也不同,如果功率信号存在过大的基负荷,会出现功率仅发生微小变化的事件未参与检验的现象发生,即,在用电总功率越大的情况下,标准卡方拟合优度方法会漏检更多的开关事件,具体可以通过公式2看出,假若功率较大,即Pi较大,那么公式1的分母就大,相应的计算结果就变小,会导致某些发生了开关事件的样本点的拟合优度值小于阈值,这样就造成了漏检,所以基于标准卡方拟合优度方法不具有鲁棒性。
基于上述结果,本发明进一步的改进,步骤101之后:
步骤102:对比检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,功率波动阈值通过经验法得到,标准卡方拟合优度方法计算拟合优度值时,是针对某个区间的公式,对应决策阈值为查表所得。而本发明的方法,是针对每个样本点计算拟合优度值,所取功率波动阈值通过经验法得出,功率波动阈值怎么得出是检测开关事件的关键,要通过对已知用户的电器设备的功率图形总结得到,功率波动阈值随检测窗口大小的改变而改变。
本发明实施例中,在计算出检测窗口中每一个样本的拟合优度值(即所有样本的拟合优度值)后,对比这些拟合优度值中的最大值与功率波动阈值的大小关系。功率波动阈值通过经验法得到,功率波动阈值会随检测窗口大小的改变而改变。
步骤103:在检测窗口中拟合优度值中的最大值大于功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点。
本发明实施例中,在检测窗口中所有样本的拟合优度值中最大的拟合优度值大于功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点,该样本点只是可能发生了开关事件。由于本发明实施例是针对民用电行为,一般情况下在极短时间内(例如1秒)只会存在一个开关事件,采样频率一般为50赫兹,故所选检测窗口一般小于这样的时间长度,即,只会存在一次开关事件,所以某一检测窗口内的只需要针对其拟合优度最大值的样本点进行甄别即可。
步骤104:以可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口。
本发明实施例中,在确定了可疑样本点后,以可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口。这其中,预设数量可以直接取检测窗口的大小,也可以自行定义。
例如:假设参考数据集为{1、2、3、4、5、6、7、8、9、10、11、12},检测窗口大小为3,那么检测窗口,某次取6点、7点、8点为样本,计算三个样本点的拟合优度值,得到的拟合优度值中最大值大于等于功率波动阈值,该最大值对应的样本点为7,那么就确定7这个样本点为可疑样本点,之后以7这个样本点为基点,向前取5点、6点、7点为第一样本窗口,向后取7点、8点、9点为第二样本窗口;假若预设数量取的是5,那么第一样本窗口取的就是3点、4点、5点、6点、7点,第二样本窗口取的就是7点、8点、9点、10点、11点。
需要说明的是,上述参考数据集中的数字1、2、3、4、5、6、7、8、9、10、11、12表示的是第几个样本点,是为了解释清楚本发明实施例而例举为这样,在实际参考数据集中,假若采样周期为0.1秒,那么1点的样本数据应该为第0.1秒的用电总功率,2点的样本数据应该为第0.2秒的用电总功率,3点的样本数据应该为第0.3秒的用电总功率,以此类推。
步骤105:对第一样本窗口中的样本和第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值。
本发明实施例中,在第一样本窗口和第二样本窗口形成后,对第一样本窗口中的样本和第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值,之所以用Z检验,是因为Z检验是检验两组数据相似性的一种手段,如果某样本点处发生了开关事件,那么该样本点前后的数据一定存在某种程度的不同。
具体的,计算统计量Z的过程为:
首先分别计算第一样本窗口中样本的平均数、标准差、容量值,以及第二样本窗口中样本的平均数、标准差、容量值;所谓标准差是指统计学基本概念,是一组数据平均值分散程度的一种度量。所谓容量值即为样本容量,是指每个样本含有的观测值的个数。
之后,再根据两个样本窗口中样本的平均数、标准差、容量值,通过Z检验的公式计算得到统计量Z的计算值;
其中,Z检验的公式为:
步骤106:根据统计量Z的计算值,计算得到开关事件发生的概率值P的计算值。
本发明实施例中,在计算出统计量Z的计算值之后,根据统计量Z的计算值,计算得到开关事件发生的概率值P的计算值。具体来讲,是将统计量Z的计算值代入预设函数关系式;再利用预设函数关系式,计算得到开关事件发生的概率值P的计算值。
概率值P在数值上等于:标准正态累积分布函数的反函数值,其可通过如下步骤在EXCEL中使用NORMSDIST函数计算得出:
(1)、根据公式计算出Z值。
(2)、P值=(1-NORMSDIST(Z值))*2,例如:(1-NORMSDIST(1.96))*2=0.024997895*2=0.05。
概率值P(P value)就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,就有理由拒绝原假设,P值越小,拒绝原假设的理由越充分。这也是计算概率值P的原因。
步骤107:根据概率值P的计算值与标准值,以及统计量Z的标准值与计算值,判断第一样本窗口中的样本和第二样本窗口中的样本是否有显著差异。
本发明实施例中,在计算出统计量Z的计算值和开关事件发生的概率值P的计算值之后,根据概率值P的计算值与标准值,以及统计量Z的标准值与计算值,就可以判断第一样本窗口中的样本和第二样本窗口中的样本是否有显著差异。
具体来讲,概率值P的标准值为:0.01、0.05,统计量Z的标准值为:2.58和1.96,判断的关系如下表:
Z值 | P值 | 显著差异 |
≥2.58 | ≤0.01 | 是 |
≥1.96 | ≤0.05 | 是 |
<1.96 | >0.05 | 否 |
在统计量Z的计算值大于等于2.58,且概率值P的计算值小于等于0.01的情况下,判断第一样本窗口中的样本和第二样本窗口中的样本有显著差异;
在统计量Z的计算值大于等于1.96且小于2.58,同时概率值P的计算值小于等于0.05且大于0.01的情况下,判断第一样本窗口中的样本和第二样本窗口中的样本有显著差异;
在统计量Z的计算值小于1.96,且概率值P的计算值大于0.05的情况下,判断第一样本窗口中的样本和第二样本窗口中的样本没有显著差异。
步骤108:在第一样本窗口中的样本和第二样本窗口中的样本有显著差异的情况下,确定可疑样本点为开关事件发生点。
本发明实施例中,在得到第一样本窗口中的样本和第二样本窗口中的样本是否有显著差异的结果后,假若第一样本窗口中的样本和第二样本窗口中的样本有显著差异,那么就确定可疑样本点为开关事件发生点;假若第一样本窗口中的样本和第二样本窗口中的样本没有显著差异,那么就确定可疑样本点没有发生开关事件。
上述步骤中,在对比拟合优度值中的最大值与功率波动阈值的大小关系,得到的结果是拟合优度值中的最大值小于功率波动阈值,那么将检测窗口右移一个单位,形成新的检测窗口,并返回步骤101。
例如:假设参考数据集为{1、2、3、4、5、6、7、8、9、10、11、12},检测窗口大小为3,那么检测窗口某一次取6点、7点、8点为样本,计算三个样本点的拟合优度值,得到的拟合优度值中最大值小于功率波动阈值,那么就将检测窗口右移一个单位,取7点、8点、9点形成新的检测窗口,返回步骤101;假若计算7点、8点、9点三个样本点的拟合优度值,得到的拟合优度值中最大值还是小于功率波动阈值,那么依旧就将检测窗口右移一个单位,取8点、9点、10点形成新的检测窗口,再返回步骤101,直到确定出开关事件发生点。
而在确定出开关事件发生点之后,直接将检测窗口右移长度为预设数量的单位,形成新的检测窗口,并返回步骤101。这样做,开关事件一般都会有持续的时间,且该持续时间会比采样的周期长,所以在开关事件发生时,会有连续样本点的用电总功率值发生变化,假若检测窗口只是右移一个单位,那么开关事件发生点之后的那个样本点可能也会被确定为开关事件发生点,这样就造成了一个开关事件被重复检测了,为了避免这种情况的发生,所以在在确定出开关事件发生点之后,直接将检测窗口右移长度为预设数量的单位,形成新的检测窗口。
例如:假设参考数据集为{1、2、3、4、5、6、7、8、9、10、11、12},检测窗口大小为3,那么检测窗口某一次取6点、7点、8点为样本,通过本发明实施例的方法确定7这个样本点为开关事件发生点,之后向后取10点、11点、12点形成新的检测窗口,继续进行后续检测。因为7点为开关事件发生点,假若是后取8点、9点、10点形成新的检测窗口,那么8点会有很大概率被确定为开关事件发生点,而事实上8点只是7点发生开关事件后,用电总功率持续的变化过程中的一个样本点,实质上还是只发生了一次开关事件,为了避免这种情况,就需要向后取10点、11点、12点形成新的检测窗口,来继续进行后续检测。
以下,以公开数据集BLUED上的数据,对本发明实施例中的方法进行实验仿真验证,数据集BLUED上的数据包含某区域A相功率和B相功率,分别使用标准卡方拟合优度方法和本发明的方法完成A相功率和B相功率的实例仿真,验证本发明的方法的检测性能。
对于A相功率,A相功率信号的功率较低,采用标准卡方拟合优度方法和本发明的方法都可以获得相对较好的事件检测识别度。在标准卡方拟合优度方法中,中值滤波窗m=30,检测窗口大小设置为n=40,显著性水平α=0.05,查表可得依据标准卡方拟合优度方法,可以得到标记了开关事件的A相功率图图2,其中,检测到的开关事件用矩形表示,漏检事件用三角形表示;与之对应的每个样本点的lGOF值对比图如图3所示。
使用本发明的方法,中值滤波窗m=30,事件检测窗口大小设置为n=40,Z检验样本窗ω=20(即长度为20的第一样本窗口、第二样本窗口),功率波动阈值lthr=0.5。依据以上所述方法,可以得到标记了事件的A相功率图图4,其中检测到的事件用矩形表示,此时无漏检事件发生。
对于B相功率,B相功率相对较高。在标准卡方拟合优度方法中,参数设定与上节相同。同样方法,可以得到标记了事件的B相功率图图5,其中检测到的事件用矩形表示,漏检事件用三角形表示;与之对应的每个样本点的lGOF值表格如下所示:
标号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
l<sub>GOF</sub> | 500 | 420 | 500 | 41 | 39 | 44 | 44 |
标号 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
l<sub>GOF</sub> | 43 | 440 | 270 | 500 | 480 | 42 | 42 |
从图5可以看出,在功率较高时,标准卡方拟合优度方法的漏检现象很严重,故而该方法不具有鲁棒性。
使用本发明的方法中,中值滤波窗m=30,事件检测窗口大小设置为n=40,Z检验样本窗ω=20,功率波动阈值lthr=0.2。据此可以得到标记了事件的B相功率图图6,其中检测到的事件用矩形表示,漏检事件用三角形表示。
从图6可以知晓,在功率较高时,本发明的方法依旧可以取得很好的效果,更具有鲁棒性。其中漏检两次事件的原因可能与Z检验样本窗ω设定的数值有关,如果要获得更为精准的识别度,则需要对其进行多次取值,找到最合适的数值。
此外,为了验证本发明方法相对于标准卡方拟合优度方法的鲁棒性,参照目前已知相关技术的评估指标,即,采用特征度量值F来具体衡量本发明方法的鲁棒性,特征度量值F是精确度和查全率的调和平均值,如下式所示:
其中,TP是准确检测到的事件数,FP是错误检测到的事件数,FN则表示未检测到的事件数。分别对BLUED数据集的功率添加不同的基负载进行事件检测,依据检测结果计算得到鲁棒性的特征度量值F的实际变化情况,其具体结果如下表1和表2所示:
表1:本发明方法在添加了不同基负载后对应的F值
表2:标准卡方拟合优度方法在添加了不同基负载后对应的F值
从以上两表数据可知,对于本发明的方法,当功率添加的基负载为0W时,A相的度量值F高达98%,B相则为80%,与此同时,随着功率基负载的不断升高,特征度量值F保持不变,表明本发明的方法对不同基负载的检测结果具有稳定性。
然而,标准卡方拟合优度方法随着添加的基负载不断升高,特征度量值F均呈下降趋势,表明该方法的事件检测结果不稳定,不具有鲁棒性。
综上所述,本发明的达到只针对可疑点进行事件检验,运算简单迅速,提高了开关事件检测的识别精度,克服了标准卡方拟合优度方法不具有鲁棒性的缺点。
参照图7,示出了本发明实施例一种基于假设检验的事件检测算法检测开关事件的装置的框图,该装置应用于智能电表,所述智能电表用于采集用户的用电总功率,所述装置包括:
计算拟合优度值模块310,用于根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,所述参考数据集为所述智能电表采集的所述用电总功率形成的数据集,所述检测窗口为检测所述开关事件是否发生所使用的窗口,所述检测窗口大小的最小值为预设值,所述检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定;
对比模块320,用于对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,所述功率波动阈值通过经验法得到,所述功率波动阈值随所述检测窗口大小的改变而改变;
确定可疑样本点模块330,用于在所述检测窗口中拟合优度值中的最大值大于所述功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点;
取样本窗口模块340,用于以所述可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;
计算统计量模块350,用于对所述第一样本窗口中的样本和所述第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z值的计算值;
计算概率值模块360,用于根据所述Z的计算值,计算得到所述开关事件发生的概率值P值的计算值;
判断模块370,用于根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异;
确定开关事件模块380,用于在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,确定所述可疑样本点为所述开关事件发生点。
可选地,所述计算拟合优度值模块310包括:
参考数据集子模块,用于根据所述智能电表采集的所述用电总功率,形成所述参考数据集,所述参考数据集中的所有样本均满足G(p)分布,其中样本的数量是n个,分别用pi,i=1,2,…,n表示,样本之间是相互独立的;
检测窗口子模块,用于建立所述检测窗口,所述检测窗口中的所有样本均满足F(p)分布,其中样本的数量是n个,分别用qi,i=1,2,…,n表示;
转换二元假设检验子模块,用于利用所述G(p)和所述F(p)的分布类型将所述标准卡方拟合优度方法转化为二元假设检验公式,即
该公式中:二元假设分别是H0和H1,若对于假设H0是拒绝的,那么所述检测窗口中必然出现所述开关事件;
计算拟合优度值子模块,用于根据所述拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值;
所述拟合优度值公式为:
该公式中:lGOF为拟合优度值;
其中,计算所述检测窗口中任一样本的拟合优度值公式具体为:
该公式中:ln为所述检测窗口中任一样本的拟合优度值,Pn为所述参考窗口中任一样本。
可选地,所述对比模块320具体用于:
在所述二元假设H0是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值大于所述功率波动阈值;
在所述二元假设H1是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值小于所述功率波动阈值;
其中,判断所述二元假设H0是否是拒绝的条件如下:
n0<n<n1
其中,n0是所述检测窗口大小的最小值,n1是所述检测窗口大小的最大值。
可选地,所述计算统计量模块350具体用于:
计算所述第一样本窗口中样本的平均数、标准差、容量值;
计算所述第二样本窗口中样本的平均数、标准差、容量值;
根据两个样本窗口中样本的平均数、标准差、容量值,通过所述Z检验的公式计算得到所述统计量Z的计算值;
其中,所述Z检验的公式为:
可选地,所述计算概率值模块360包括:
代入函数关系式子模块,用于将所述统计量Z的计算值代入预设函数关系式;
计算概率值子模块,用于利用所述预设函数关系式,计算得到所述开关事件发生的概率值P的计算值。
可选地,所述概率值P的标准值为:0.01、0.05,所述统计量Z的标准值为:2.58和1.96,根据所述概率值P的计算值和所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异,包括:
在所述统计量Z的计算值大于等于2.58,且所述概率值P的计算值小于等于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值大于等于1.96且小于2.58,同时所述概率值P的计算值小于等于0.05且大于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值小于1.96,且所述概率值P的计算值大于0.05的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本没有显著差异。
可选地,所述装置还包括:
第一右移模块,用于在所述拟合优度值中的最大值小于所述功率波动阈值的情况下,将所述检测窗口右移一个单位,形成新的检测窗口。
可选地,所述装置还包括:
第二右移模块,用于在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,将所述检测窗口右移长度为预设数量的单位,形成新的检测窗口。
通过上述实施例,本发明只针对可疑点进行事件检验,不但运算简单迅速,并且在用电功率较大时,依然保证了开关事件的识别精度,不会出现漏检且具有较高的鲁棒性。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于假设检验的事件检测算法检测开关事件的方法,其特征在于,所述方法应用于智能电表,所述智能电表用于采集用户的用电总功率,所述方法包括:
步骤1:根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,所述参考数据集为所述智能电表采集的所述用电总功率形成的数据集,所述检测窗口为检测所述开关事件是否发生所使用的窗口,所述检测窗口大小的最小值为预设值,所述检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定;
步骤2:对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,所述功率波动阈值通过经验法得到,所述功率波动阈值随所述检测窗口大小的改变而改变;
步骤3:在所述拟合优度值中的最大值大于所述功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点;
步骤4:以所述可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;
步骤5:对所述第一样本窗口中的样本和所述第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值;
步骤6:根据所述统计量Z的计算值,计算得到所述开关事件发生的概率值P的计算值;
步骤7:根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异;
步骤8:在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,确定所述可疑样本点为所述开关事件发生点。
2.根据权利要求1所述的方法,其特征在于,根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,包括:
根据所述智能电表采集的所述用电总功率,形成所述参考数据集,所述参考数据集中的所有样本均满足G(p)分布,其中样本的数量是n个,分别用pi,i=1,2,…,n表示,样本之间是相互独立的;
所述检测窗口中的所有样本均满足F(p)分布,其中样本的数量是n个,分别用qi,i=1,2,…,n表示;
所述G(p)和所述F(p)的分布类型将所述标准卡方拟合优度方法转化为二元假设检验公式,即
该公式中:二元假设分别是H0和H1,若对于假设H0是拒绝的,那么所述检测窗口中必然出现所述开关事件;
根据所述拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值;
所述拟合优度值公式为:
该公式中:lGOF为拟合优度值;
其中,计算所述检测窗口中任一样本的拟合优度值公式具体为:
该公式中:ln为所述检测窗口中任一样本的拟合优度值,Pn为所述参考窗口中任一样本。
3.根据权利要求2所述的方法,其特征在于,对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,包括:
在所述二元假设H0是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值大于所述功率波动阈值;
在所述二元假设H1是拒绝的情况下,确定所述检测窗口中所有样本的拟合优度值中的最大值小于所述功率波动阈值;
其中,判断所述二元假设H0是否是拒绝的条件如下:
n0<n<n1
其中,n0是所述检测窗口大小的最小值,n1是所述检测窗口大小的最大值。
5.根据权利要求1所述的方法,其特征在于,根据所述统计量Z的计算值,计算得到所述开关事件发生的概率值P的计算值,包括:
将所述统计量Z的计算值代入预设函数关系式;
利用所述预设函数关系式,计算得到所述开关事件发生的概率值P的计算值。
6.根据权利要求1所述的方法,其特征在于,所述概率值P的标准值为:0.01、0.05,所述统计量Z的标准值为:2.58和1.96,根据所述概率值P的计算值和所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异,包括:
在所述统计量Z的计算值大于等于2.58,且所述概率值P的计算值小于等于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值大于等于1.96且小于2.58,同时所述概率值P的计算值小于等于0.05且大于0.01的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异;
在所述统计量Z的计算值小于1.96,且所述概率值P的计算值大于0.05的情况下,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本没有显著差异。
7.根据权利要求1所述的方法,其特征在于,在对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系之后,所述方法还包括:
在所述拟合优度值中的最大值小于所述功率波动阈值的情况下,将所述检测窗口右移一个单位,形成新的检测窗口,并返回步骤1。
8.根据权利要求1所述的方法,其特征在于,在根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异之后,所述方法还包括:
在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,将所述检测窗口右移长度为预设数量的单位,形成新的检测窗口,并返回步骤1。
9.一种基于假设检验的事件检测算法检测开关事件的装置,其特征在于,所述装置应用于智能电表,所述智能电表用于采集用户的用电总功率,所述装置包括:
计算拟合优度值模块,用于根据检测窗口、参考数据集以及拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值,所述参考数据集为所述智能电表采集的所述用电总功率形成的数据集,所述检测窗口为检测所述开关事件是否发生所使用的窗口,所述检测窗口大小的最小值为预设值,所述检测窗口大小的最大值由用户的用电设备状态转变的最大长度决定;
对比模块,用于对比所述检测窗口中所有样本的拟合优度值中的最大值与功率波动阈值的大小关系,所述功率波动阈值通过经验法得到,所述功率波动阈值随所述检测窗口大小的改变而改变;
确定可疑样本点模块,用于在所述拟合优度值中的最大值大于所述功率波动阈值的情况下,确定拟合优度值为最大值的样本点为可疑样本点;
取样本窗口模块,用于以所述可疑样本点为基点,前后各取一个长度为预设数量的第一样本窗口和第二样本窗口;
计算统计量模块,用于对所述第一样本窗口中的样本和所述第二样本窗口中的样本采用Z检验的公式进行计算,得到统计量Z的计算值;
计算概率值模块,用于根据所述Z的计算值,计算得到所述开关事件发生的概率值P值的计算值;
判断模块,用于根据所述概率值P的计算值与标准值,以及所述统计量Z的标准值与计算值,判断所述第一样本窗口中的样本和所述第二样本窗口中的样本是否有显著差异,所述概率值P的标准值为:0.01、0.05,所述统计量Z的标准值为:2.58和1.96;
确定开关事件模块,用于在所述第一样本窗口中的样本和所述第二样本窗口中的样本有显著差异的情况下,确定所述可疑样本点为所述开关事件发生点。
10.根据权利要求8所述的装置,其特征在于,所述计算拟合优度值模块包括:
参考数据集子模块,用于根据所述智能电表采集的所述用电总功率,形成所述参考数据集,所述参考数据集中的所有样本均满足G(p)分布,其中样本的数量是n个,分别用pi,i=1,2,…,n表示,样本之间是相互独立的;
检测窗口子模块,用于建立所述检测窗口,所述检测窗口中的所有样本均满足F(p)分布,其中样本的数量是n个,分别用qi,i=1,2,…,n表示;
转换二元假设检验子模块,用于利用所述G(p)和所述F(p)的分布类型将所述标准卡方拟合优度方法转化为二元假设检验公式,即
该公式中:二元假设分别是H0和H1,若对于假设H0是拒绝的,那么所述检测窗口中必然出现所述开关事件;
计算拟合优度值子模块,用于根据所述拟合优度值公式,计算得到所述检测窗口中所有样本的拟合优度值;
所述拟合优度值公式为:
该公式中:lGOF为拟合优度值;
其中,计算所述检测窗口中任一样本的拟合优度值公式具体为:
该公式中:ln为所述检测窗口中任一样本的拟合优度值,Pn为所述参考窗口中任一样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410940.7A CN111161097B (zh) | 2019-12-31 | 2019-12-31 | 基于假设检验的事件检测算法检测开关事件的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410940.7A CN111161097B (zh) | 2019-12-31 | 2019-12-31 | 基于假设检验的事件检测算法检测开关事件的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161097A true CN111161097A (zh) | 2020-05-15 |
CN111161097B CN111161097B (zh) | 2023-07-25 |
Family
ID=70560046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410940.7A Active CN111161097B (zh) | 2019-12-31 | 2019-12-31 | 基于假设检验的事件检测算法检测开关事件的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161097B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830347A (zh) * | 2020-07-17 | 2020-10-27 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
CN113176451A (zh) * | 2021-04-22 | 2021-07-27 | 浙江威星智能仪表股份有限公司 | 一种基于查表法的脉冲信号检测方法 |
US20220416567A1 (en) * | 2021-05-28 | 2022-12-29 | Vertiv Corporation | Ups overload time remaining calculation based on an adaptive minimum envelope filter |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030090271A1 (en) * | 2001-11-13 | 2003-05-15 | Hurwicz Maxim D. | Portable circuit interrupter shutoff testing device and method |
US20110144819A1 (en) * | 2009-12-16 | 2011-06-16 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
WO2016079229A1 (en) * | 2014-11-21 | 2016-05-26 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN106650423A (zh) * | 2016-11-28 | 2017-05-10 | 北京奇虎科技有限公司 | 一种目标样本文件的检测方法和装置 |
CN108763847A (zh) * | 2018-09-19 | 2018-11-06 | 中国人民解放军国防科技大学 | 一种非侵入式电信号分析追踪方法、装置、电子设备 |
CN108876476A (zh) * | 2018-07-13 | 2018-11-23 | 广东石油化工学院 | 一种电器开关事件检测方法及系统 |
CN109101465A (zh) * | 2018-07-13 | 2018-12-28 | 广东石油化工学院 | 一种电器开关事件检测方法及系统 |
CN109165604A (zh) * | 2018-08-28 | 2019-01-08 | 四川大学 | 基于协同训练的非侵入式负荷识别方法及其测试系统 |
CN110244115A (zh) * | 2019-07-17 | 2019-09-17 | 华北电力大学 | 一种基于信号连接性的负载开关事件检测方法及系统 |
-
2019
- 2019-12-31 CN CN201911410940.7A patent/CN111161097B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030090271A1 (en) * | 2001-11-13 | 2003-05-15 | Hurwicz Maxim D. | Portable circuit interrupter shutoff testing device and method |
US20110144819A1 (en) * | 2009-12-16 | 2011-06-16 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
WO2016079229A1 (en) * | 2014-11-21 | 2016-05-26 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN106650423A (zh) * | 2016-11-28 | 2017-05-10 | 北京奇虎科技有限公司 | 一种目标样本文件的检测方法和装置 |
CN108876476A (zh) * | 2018-07-13 | 2018-11-23 | 广东石油化工学院 | 一种电器开关事件检测方法及系统 |
CN109101465A (zh) * | 2018-07-13 | 2018-12-28 | 广东石油化工学院 | 一种电器开关事件检测方法及系统 |
CN109165604A (zh) * | 2018-08-28 | 2019-01-08 | 四川大学 | 基于协同训练的非侵入式负荷识别方法及其测试系统 |
CN108763847A (zh) * | 2018-09-19 | 2018-11-06 | 中国人民解放军国防科技大学 | 一种非侵入式电信号分析追踪方法、装置、电子设备 |
CN110244115A (zh) * | 2019-07-17 | 2019-09-17 | 华北电力大学 | 一种基于信号连接性的负载开关事件检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
CHEN H;FAN YC;CHENG BC;HUANG HZ: ""Statistical Learning Based Consumer Electronic Devices Detection for Smart Grid"", 《IEEE GLOBAL CONFERENCE ON CONSUMER ELECTRONICS》 * |
DE BAETS, L; RUYSSINCK, J; DEVELDER, C; DHAENE, T ; DESCHRIJVER,: ""On the Bayesian optimization and robustness of event detection methods in NILM"", 《ENERGY AND BUILDINGS》 * |
肖江;FRAN?OIS AUGER;荆朝霞;SARRA HOUIDI: ""基于贝叶斯信息准则的非侵入式负荷事件检测算法"", 《电力系统保护与控制》 * |
谢政艳: ""非侵入式负荷监测的事件检测方法研究"", 《华北电力大学(北京)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830347A (zh) * | 2020-07-17 | 2020-10-27 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
CN113176451A (zh) * | 2021-04-22 | 2021-07-27 | 浙江威星智能仪表股份有限公司 | 一种基于查表法的脉冲信号检测方法 |
CN113176451B (zh) * | 2021-04-22 | 2023-08-15 | 浙江威星智能仪表股份有限公司 | 一种基于查表法的脉冲信号检测方法 |
US20220416567A1 (en) * | 2021-05-28 | 2022-12-29 | Vertiv Corporation | Ups overload time remaining calculation based on an adaptive minimum envelope filter |
Also Published As
Publication number | Publication date |
---|---|
CN111161097B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109387712B (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
CN111161097A (zh) | 基于假设检验的事件检测算法检测开关事件的方法和装置 | |
CN107493277B (zh) | 基于最大信息系数的大数据平台在线异常检测方法 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
Pereira | Developing and evaluating a probabilistic event detector for non-intrusive load monitoring | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
CN112149860A (zh) | 一种自动异常检测方法和系统 | |
Streubel et al. | Identification of electrical appliances via analysis of power consumption | |
CN114153888A (zh) | 一种时间序列数据的异常值检测方法和装置 | |
CN115982602A (zh) | 一种光伏变压器电故障检测方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN111811567A (zh) | 一种基于曲线拐点比对的设备检测方法及相关装置 | |
CN114814420B (zh) | 一种基于冻结数据的低压配电网拓扑识别方法及系统 | |
CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
CN106847306B (zh) | 一种异常声音信号的检测方法及装置 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
Huang et al. | New performance indicators for robust optimization over time | |
CN113312587B (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN115269241A (zh) | 一种对周期性数据进行异常检测的方法、装置及存储介质 | |
CN112445679A (zh) | 一种信息检测方法、装置、服务器及存储介质 | |
CN111858699A (zh) | 一种时间序列相关性检测方法、设备及存储介质 | |
CN116595338B (zh) | 基于物联网工程信息采集处理系统 | |
CN112085053B (zh) | 一种基于最近邻方法的数据漂移判别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |