CN113642421A - 周期性多状态电器的事件检测方法及系统、设备、存储介质 - Google Patents
周期性多状态电器的事件检测方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN113642421A CN113642421A CN202110847311.1A CN202110847311A CN113642421A CN 113642421 A CN113642421 A CN 113642421A CN 202110847311 A CN202110847311 A CN 202110847311A CN 113642421 A CN113642421 A CN 113642421A
- Authority
- CN
- China
- Prior art keywords
- waveform
- periodic
- electric appliance
- stop
- value
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种周期性多状态电器的事件检测方法及系统、设备、存储介质,所述事件检测方法首先通过改进的CUSUM算法在电流数据上进行启停波形的检测,可以准确地识别出周期性多状态电器的投入/切出事件,有效降低了启停事件被漏检的概率。然后将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,而所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,如果连续多次波形匹配均为同一电器,则认为该电器发生了启停。通过建立周期性波形数据库,并将得到的启停波形与周期性波形数据库中存储的标准波形进行波形匹配,可以有效降低事件检测的漏测、误测情况,提高了识别精确率,保证了后续特征提取的准确性。
Description
技术领域
本发明涉及非侵入式负荷识别技术领域,特别地,涉及一种周期性多状态电器的事件检测方法及系统、设备、计算机可读取的存储介质。
背景技术
目前,负荷监测分为非侵入式和侵入式两种。非侵入式负荷监(NILM)旨在监视设备打开、关闭操作、工作时间以及其他相关信息,NILM将总功耗分解为单个设备的功耗,与侵入式负荷监测相比,具有低成本,易于安装、拆卸和维护的优点。NILM主要包含3个步骤,分别是事件检测、特征提取和负荷识别,其中特征提取和负荷识别两部分均以事件检测为基础,因此,保证事件检测的准确性是NILM监测的关键之处。
目前事件检测方法主要分为两类:启发式方法和概率模型方法。启发式方法基于直观或经验,制定规则对信号突变时刻进行检测,通过计算两个连续样本点之间差值的绝对值来检测总有功功率信号中的事件,然后将其与预定义阈值进行比较。由于事件检测的多样性和差异性,依靠直观经验得到的检测结果的漏检率、误检率较高,因而启发式方法应用较少。而基于概率模型的事件检测方法则是检测一个序列中元素的分布或分布参数中某个变化发生的时刻,本质上为一种统计学判断假设的问题。在NILM的背景下,主要有4种方法用于检测电气量信号的变化:广义似然比(GLRT)、卡方拟合优度、贝叶斯信息准则(BIC)和累计和(CUSUM)方法。其中,GLRT是通过从平均值潜在变化前后的对数概率分布比率中导出一个决策函数来检测新事件的发生,由于根据平均值的潜在变化计算对数概率分布比率从而导致电流特征值变化不明显,检测效果较差;卡方拟合优度是通过判断两个相邻窗口是否共享同一个分布来检测事件,窗口分布受到窗口设定影响,容易导致结果存在错误;BIC是通过将观测到的随机样本序列划分成均匀片段,使用模型复杂度惩罚的似然准则函数进行事件判断;CUSUM算法是通过判断累计和是否超过阈值来检测事件,在周期性电器启动时,对于电流较小变化的检测可能存在漏测现象。
但是,上述4种基于概率模型的事件检测方法在对周期性多状态电器进行事件检测时,由于周期性多状态电器在一个周期内负荷变化较复杂,如洗衣机、电磁炉和微波炉等多状态电器等,尤其是当含周期性波形的多个负荷同时发生状态变化时,更加难以区分识别,识别精确率有待提高,容易出现漏测、误测的情况,负荷特征更加难以提取,严重影响负荷分解的结果。
发明内容
本发明提供了一种周期性多状态电器的事件检测方法及系统、设备、计算机可读取的存储介质,以解决现有的基于概率模型的事件检测方法在对周期性多状态电器进行事件检测时存在的检测精确率有待提高的技术问题。
根据本发明的一个方面,提供一种周期性多状态电器的事件检测方法,包括以下内容:
获取总负荷电流数据,所述总负荷电流数据为电流有效值时间序列;
利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形;
将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,若连续多次波形匹配均为同一电器,则认为该电器发生了启停。
进一步地,所述将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程包括以下内容:
依次计算所得到的启停波形与周期性波形数据库中的每个标准波形之间的DTW距离,筛选出DTW距离值最小者,且DTW距离最小值小于等于预设阈值,此时启停波形和标准波形的相似性最高,则此次波形匹配结果为该标准波形所对应的电器类别。
进一步地,所述将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程还包括以下内容:
当计算得到启停波形与周期性波形数据库中的每个标准波形之间的DTW距离值均大于预设阈值时,则将该启停波形作为新出现的波形类别暂时加入周期性波形数据库,继续匹配下一个波形,若连续出现多个波形匹配结果均为新出现的波形类别,则判定投入了新的周期性多状态电器,并将新出现的波形类别作为新的标准波形永久加入周期性波形数据库中,否则,从周期性波形数据库中删除新出现的波形类别。
进一步地,还包括以下内容:
当识别出电器类别后,将启停波形中该电器类别的周期性波形删除,并将剩余的片段重新连接成一个新的时间序列,再次利用改进的CUSUM算法在新的时间序列上重新检测启停波形,并采用聚类方法对得到的启停波形进行聚类,将聚类中心对应的周期性波形曲线作为新的标准波形永久加入到周期性波形数据库中。
进一步地,所述周期性波形数据库通过以下过程进行构建:
获取各类周期性多状态电器启停的历史波形数据;
采用K-means聚类方法对历史波形数据进行聚类,其中,聚类误差平方和计算公式为:其中,Ci是第i类的所有样本,mi是第i类的聚类中心,表示第i类的所有样本到该聚类中心的DTW距离之和,该值越小,说明该类样本的相似性越高,聚类效果越好;
根据聚类结果得到每个周期性多状态电器的标准波形。
进一步地,所述利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形的过程包括以下内容:
在获得的电流有效值时间序列上定义三个连续的滑动窗口,沿滑动方向排列依次为均值计算窗口、暂态检测窗口和方差计算窗口;
定义电器投入事件累积和和电器切出事件累积和的计算公式如下:
其中,为第k次计算时的电器投入事件累积和,为第k-1次计算时的电器投入事件累积和,为第k次计算时的电器切出事件累积和,为第k-1次计算时的电器切出事件累积和,Mm为第k次计算时的均值计算窗口的电流有效值均值,Md为第k次计算时的暂态检测窗口的电流有效值均值,β为噪声参数,d为时间延迟因子,δ为权重参数,V为第k次计算时的方差计算窗口内的电流有效值的方差值;
设置电器投入事件累积和的初始值和电器切出事件累积和的初始值均为0,并预设方差阈值Δmin、确定投入事件发生的累积和阈值H1、确定切出事件发生的累积和阈值H2;
利用三个滑动窗口在电流有效值时间序列上不断同步滑动,且每滑动一次分别计算均值计算窗口、暂态检测窗口和方差计算窗口内的电流有效值均值,并计算方差计算窗口内的电流有效值的方差值V;
基于每次窗口滑动的计算结果对电器投入事件累积和和电器切出事件累积和进行分析,判断出是否存在电器投入事件和/或电器切出事件,从而得到启停波形。
进一步地,在所述基于每次窗口滑动的计算结果对电器投入事件累积和和电器切出事件累积和进行分析,判断出是否存在负荷投入事件和/或负荷切出事件的过程中:
另外,本发明还提供一种周期性多状态电器的事件检测系统,包括
数据采集模块,用于获取总负荷电流数据,所述总负荷电流数据为电流有效值时间序列;
启停波形检测模块,用于利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形;
识别模块,用于将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,若连续三次波形匹配均为同一电器,则认为该电器发生了启停。
另外,本发明还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明还提供一种计算机可读取的存储介质,用于存储对周期性多状态电器进行事件检测的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果:
本发明的周期性多状态电器的事件检测方法,首先通过改进的CUSUM算法在电流数据上进行启停波形的检测,可以准确地识别出周期性多状态电器的投入/切出事件,有效降低了启停事件被漏检的概率。然后将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,而所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,如果连续多次波形匹配均为同一电器,则认为该电器发生了启停。通过建立周期性波形数据库,并将得到的启停波形与周期性波形数据库中存储的标准波形进行波形匹配,可以有效降低事件检测的漏测、误测情况,提高了识别精确率,保证了后续特征提取的准确性。
另外,本发明的周期性多状态电器的事件检测系统、设备、计算机可读取的存储介质同样具有上述优点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的周期性多状态电器的事件检测方法的流程示意图。
图2是图1中步骤S2的子流程示意图。
图3是本发明优选实施例的滑动窗滑过投入事件的发生时刻的各阶段示意图。
图4是本发明中改进的CUSUM算法与现有的CUSUM算法的累积和对比示意图。
图5是本发明中shapeDTW算法寻找局部形状距离最小值的示意图。
图6是图1中步骤S3的子流程示意图。
图7是本发明另一实施例的周期性多状态电器的事件检测系统的单元结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种周期性多状态电器的事件检测方法,包括以下内容:
步骤S1:获取总负荷电流数据,所述总负荷电流数据为电流有效值时间序列;
步骤S2:利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形;
步骤S3:将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,若连续多次波形匹配均为同一电器,则认为该电器发生了启停。
可以理解,本实施例的周期性多状态电器的事件检测方法,首先通过改进的CUSUM算法在电流数据上进行启停波形的检测,可以准确地识别出周期性多状态电器的投入/切出事件,有效降低了启停事件被漏检的概率。然后将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,而所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,如果连续多次波形匹配均为同一电器,则认为该电器发生了启停。通过建立周期性波形数据库,并将得到的启停波形与周期性波形数据库中存储的标准波形进行波形匹配,可以有效降低事件检测的漏测、误测情况,提高了识别精确率,保证了后续特征提取的准确性。
可以理解,本发明中的周期性多状态电器,其在一个周期内的负荷变化是很复杂的,但前后周期的负荷变化情况又基本相同,典型的电器为洗衣机、电视机、处于保温状态的热水壶等。
可以理解,在所述步骤S1中,时间监测通常考虑电流与功率特征,由于电流数据更加稳定,本发明取电流为被检测的电气量。通过采集入口处的总负荷电流,电流有效值(简称电流I)时间序列其中,I(j)表示的是电流有效值时间序列I中的第j个电流有效值。
可以理解,如图2所示,所述步骤S2具体包括以下内容:
步骤S21:在获得的电流有效值时间序列上定义三个连续的滑动窗口,沿滑动方向排列依次为均值计算窗口、暂态检测窗口和方差计算窗口;
步骤S22:定义电器投入事件累积和和电器切出事件累积和的计算公式如下:
其中,为第k次计算时的电器投入事件累积和,为第k-1次计算时的电器投入事件累积和,为第k次计算时的电器切出事件累积和,为第k-1次计算时的电器切出事件累积和,Mm为第k次计算时的均值计算窗口的电流有效值均值,Md为第k次计算时的暂态检测窗口的电流有效值均值,β为噪声参数,d为时间延迟因子,δ为权重参数,V为第k次计算时的方差计算窗口内的电流有效值的方差值;
步骤S23:设置电器投入事件累积和的初始值和电器切出事件累积和的初始值均为0,并预设方差阈值Δmin、确定投入事件发生的累积和阈值H1、确定切出事件发生的累积和阈值H2;
步骤S24:利用三个滑动窗口在电流有效值时间序列上不断同步滑动,且每滑动一次分别计算均值计算窗口、暂态检测窗口和方差计算窗口内的电流有效值均值,并计算方差计算窗口内的电流有效值的方差值V;
步骤S25:基于每次窗口滑动的计算结果对电器投入事件累积和和电器切出事件累积和进行分析,判断出是否存在电器投入事件和/或电器切出事件,从而得到启停波形。可以理解,此时得到的启停波形同时包含多个周期性多状态电器的启停波形,需要从总的启停波形中识别出每个启停波形属于哪一类周期性多状态电器。
可以理解,本实施例中改进的CUSUM算法,通过在电流有效值时间序列上依次定义均值计算窗口、暂态检测窗口和方差计算窗口,相比于现有的CUSUM算法不仅增加了方差计算窗口来判断序列的波动水平,而且将方差计算窗口内的方差值与预设的方差阈值进行比对,当计算的方差值小于方差阈值时,对累积和的计算加上了系数(1+δd),针对电流波动较小的周期性多状态电器,尤其是小电流电器,例如洗衣机,可以显著提高周期性多状态电器的投入/切出事件累积和,有利于准确识别出周期性多状态电器的投入/切出事件,可以准确得到启停波形,有效降低了周期性多状态电器事件被漏检的概率。
可以理解,所述步骤S25具体为:
在每次窗口滑动的计算结果中,当暂态检测窗口的电流有效值均值Md大于均值计算窗口的电流有效值均值Mm与噪声参数β之和时,证明电流负荷数据是增加的,则可能存在电器投入,故而进行电器投入事件累积和计算,直至时确定电器投入事件发生。相反地,若暂态检测窗口的电流有效值均值Md小于均值计算窗口的电流有效值均值Mm与噪声参数β之和时,则可能存在电器切出,故而进行电器切出事件累积和计算,直至时确定电器切出事件发生。
可以理解,投入事件的检测原理与切出事件的检测原理相同,故本发明中后续的说明以投入事件的检测来做示范性说明,切出事件的检测不再赘述。
首先,在电流有效值时间序列I上定义三个连续的滑动窗口,沿滑动方向排列依次为均值计算窗口Wm、暂态检测窗口Wd和方差计算窗口Wv,其中,均值计算窗口Wm的窗口长度为m,暂态检测窗口Wd的窗口长度为n,方差计算窗口Wv的窗口长度为v。
并且,权重参数δ可以根据实际检测效果进行优化,检测效果=正确检测个数/总个数*100%,其中,总个数=正确检测个数+错误检测个数+漏测个数,根据大量训练结果可以得到检测效果最好时的权重参数δ。
另外,所述方差阈值Δmin通过以下过程确定:
利用稳态时间窗口对周期性多状态电器的稳态运行数据进行分析,计算得到周期性多状态电器稳态运行时电流有效值的方差,则所述方差阈值应大于周期性多状态电器稳态运行时的方差值。其中,窗口的长度优选为50个点,当然在本发明的其它实施例中,窗口的长度也可以选择其它数值,例如60个点、100个点等,在此不做具体限定。另外,在本发明的其它实施例中,滑动窗口的大小可以根据负荷特征的大小来进行设定,因为滑动窗口大小会影响CUSUM检测的灵敏度,窗口大可以有效避开尖峰的影响,但对样本点不够灵敏,窗口累积和减小,容易导致漏测,作为优选的,可以根据电流数据的大小来设置窗口大小,电流越大窗口越小,电流越小窗口越大。
然后,设置电器投入事件累积和的初始值为0,并预设方差阈值Δmin和确定投入事件发生的累积和阈值H1。利用三个滑动窗口在电流有效值时间序列I上进行同步滑动,每次滑动均需计算均值计算窗口、暂态检测窗口和方差计算窗口内的电流有效值均值,并计算方差计算窗口内的电流有效值的方差值V,具体计算公式如下:
其中,Md为暂态检测窗口内的电流有效值均值,Mm为均值计算窗口内的电流有效值均值,Mv为方差计算窗口内的电流有效值均值,V为方差计算窗口内电流有效值的方差值,k为均值计算窗口的第一个采样点。
当暂态检测窗口内的电流均值Md>均值计算窗口内的电流均值Mm与噪声参数β之和时,值开始从0开始累加。当时,说明此时存在电器投入事件发生的可能性,但是累积和尚未达到确定电器投入事件发生的程度。此时,引入时间延迟因子d,设置其初始值为0,当 时,令d=d+1,同时判断方差计算窗口内的方差值V与方差阈值Δmin的大小。当方差值V≤方差阈值Δmin时,Md-(Mm+β)将乘上(1+δd)的系数,从而计算直至时确定电器投入事件发生,而发生时刻可以根据t=k-d逆变换得出。为避免序列震荡导致的投入事件或者切出事件的误检测,引入时间延迟因子d后,时间延迟因子每增加1,都要对和进行比较,如果则认为此时引起电流变化的是一个波动并非事件发生,并令从而避免由数据波动导致的多识别事件。
可以理解,如图3所示,在电流波动小的周期性多状态电器的投入事件发生后,本发明的滑动窗滑过一个投入事件的发生时刻时可以分为五个阶段。
(3)阶段三:事件发生时刻位于暂态检测窗口Wd内,t1时刻为投入事件发生时刻,令I1=I0+ΔI,其中,I1为电器投入后的电流值,I0为电器投入前的电流值,ΔI为电器投入前后的电流差值,并设td=t-t1,在该阶段内,1≤td≤n,n为暂态检测窗口Wd的窗口长度。则每个时刻对应的Md和Mm为:
Mm=I0
此时存在三种情况:
(4)阶段四:即当1≤td-n≤m-1时,每个时刻对应的Md和Mm为:
在该阶段内td对应的时刻均有:
同样地,也存在三种情况:
(5)阶段五:三个窗口均处于稳态阶段,此时累积和不再变化。
可以理解,基于暂态特征的负荷识别算法,不仅要确定负荷启动时刻,还要确定负荷何时进入稳态,因为大部分负荷如微波炉、电磁炉等,并非启动后立刻进入稳定工作状态。而现有的CUSUM算法无法准确识别出进入稳态的时刻。作为优选的,所述步骤S2中在确定投入事件或切出事件发生后还包括以下内容:
步骤S26:继续滑动窗口并计算累积和,直至累积和不再增加,且此时方差计算窗口内的方差值小于方差阈值,则判定电流有效值时间序列进入稳态。
窗口在检测出有事件发生后,累积和还会继续增加,直至t=ts1时刻,累计和不再增加,且方差计算窗的方差V小于方差阈值Δmin。即当事件发生后,若在ts1至ts1+m+n+v时刻保持累积和不发生变化且电流波动较小时,即电流达到稳定,则认为ts1时刻为进入稳态的时刻。
方差计算窗口的方差值V表示电流时间序列的波动水平,因此本发明改进的CUSUM算法可精准确定进入稳态的时刻。以检测投入事件为例,当累积和时,说明此时有进入稳态的可能,但是方差计算窗口内的电流尚未稳定,令k=k+1,计算和Vk,直至且Vk≤Δmin时,认为进入稳态的时刻ts为k。
现有的CUSUM算法无法正确检测出投入事件/切出事件发生后进入稳态的时刻,易误将暂态过程认定为稳态,而本发明改进的CUSUM算法则可以正确检测到投入事件/切出事件进入稳态的时刻。而正确检测稳态时刻是正确提取稳态和暂态特征的基础,也是所提取特征有效性的保证,间接提高了识别算法的训练效果。
可以理解,所述步骤S3中的将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程具体为:
依次计算所得到的启停波形与周期性波形数据库中的每个标准波形之间的DTW距离,筛选出DTW距离值最小者,且DTW距离最小值小于等于预设阈值,此时启停波形和标准波形的相似性最高,则此次波形匹配结果为该标准波形所对应的电器类别。
其中,所述步骤S3中计算DTW距离的过程具体包括以下内容:
设得到的启停波形的时间序列为X,周期性波形数据库中的标准波形的时间序列为Y,X={x1,x2,...,xM,},Y={y1,y2,...,yN},构造成对距离代价矩阵其中,C(i,j)是xi和yi的距离dij=||yj-xi||2,||·||2表示L2范数,i=1,2,...,M,j=1,2,...,N,i、j为两个时间序列的时间点;
设X和Y之间的时间弯曲路径为:P=(p1,p2,...,pk),其中,pk=(ik,jk)∈{1,2,...,i}×{1,2,...,j};
采用shapeDTW算法从代价矩阵的起点(1,1)和终点(M,N)之间找到一条最优匹配路径,并计算得到相应的最小累计距离D(i,j),累计距离计算公式如下:
D(i,j)=C(i,j)+min{D(i-1,j),D(i-1,j-1),D(i,j-1)},在寻找最优匹配路径时需要满足边界性、连续性和单调性三个原则,如下式:
然后计算出X和Y之间的DTW距离:DTW(X,Y)=D(i,j)/L,L表示最优匹配路径的长度。
可以理解,DTW距离值越小,则两个序列之间的距离越近,两个序列的相似性越高,则判定启停波形X所属的电器类别有可能是标准波形Y所对应的电器类别。若连续多次(例如3次)波形匹配的结果均为同一电器,则认为是该电器发生了启停。
可以理解,本实施例中的shapeDTW算法先针对每个时序数据点,利用其前序和后序的部分数据提取出其局部形态特征序列,再将每个点周围的局部形状信息(即特征序列)结合到动态规划匹配过程中,从而产生更正确的对齐结果,即具有相似局部形状的点倾向于被匹配,而具有不相似领域的点不太可能被匹配。相比于标准的DTW算法只关注全局最优解,本发明的shapeDTW算法更加关注时间序列在局部形态特征上的匹配长度。由此可见,shapeDTW算法可以利用局部形态特征,在很大程度上避免了过度拉伸和缩放所导致的误判问题。如图5所示,设局部形态特征序列时序长度为3,分成三个等长的区间,根据X与Y分别寻找局部形状距离最小值,即为最优解。
可以理解,如图6所示,所述周期性波形数据库通过以下过程进行构建:
步骤S31:获取各类周期性多状态电器启停的历史波形数据;
步骤S32:采用K-means聚类方法对历史波形数据进行聚类,其中,聚类误差平方和计算公式为:其中,Ci是第i类的所有样本,mi是第i类的聚类中心,表示第i类的所有样本到该聚类中心的DTW距离之和,该值越小,说明该类样本的相似性越高,聚类效果越好;
步骤S33:根据聚类结果得到每个周期性多状态电器的标准波形。
具体地,先采集各类周期性多状态电器启停的历史波形数据,然后利用k-means聚类方法对不同周期性波形进行聚类,考虑到聚类的对象是时间序列,时间序列可能长度不同。因此采用shapeDTW距离代替欧式距离作为样本间的相似度度量标准,两个序列的shapeDTW距离越近则两个序列相似性越高,划分为同一类的可能性越高,否则相似性越低,划分为同一类的可能性越低。设待聚类的样本集为Z={zi|i=1,2,...,n},待聚类样本集的实际类数为K,聚类误差平方和如下式:
最后,根据聚类结果构建周期性波形数据库,对于多数独立用户具有普适性和自适应性。在聚类方法中,依据周期性负荷具有的操作特性对分类判别条件进行设定,从而实现对周期性波形的无监督分类问题。
另外,可以理解,所述步骤S3中将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程还包括以下内容:
当计算得到启停波形与周期性波形数据库中的每个标准波形之间的DTW距离值均大于预设阈值时,则将该启停波形作为新出现的波形类别暂时加入周期性波形数据库,继续匹配下一个波形,若连续出现多个波形匹配结果均为新出现的波形类别,则判定投入了新的周期性多状态电器,并将新出现的波形类别作为新的标准波形永久加入周期性波形数据库中,否则,从周期性波形数据库中删除新出现的波形类别。
如果启停波形与每个标准波形的DTW距离均大于预设阈值,意味着该启停波形与数据库中的标准波形的相似度均较低,有可能是一个新投入的周期性多状态电器的启停波形,则将该启停波形暂时作为新出现的波形类别Znew加入到周期性波形数据库中。继续匹配下一个启停波形,若连续出现多个波形匹配结果(例如3次)均为新出现的波形类别Znew,则判定投入了新的周期性多状态电器,并将新出现的波形类别作为新的标准波形永久加入周期性波形数据库中,否则,从周期性波形数据库中删除新出现的波形类别。
可以理解,所述周期性多状态电器的事件检测方法还包括以下内容:
当识别出电器类别后,将启停波形中该电器类别的周期性波形删除,即连续检测到的启-停位置之间的数据剥离,并将剩余的片段重新连接成一个新的时间序列,再次利用改进的CUSUM算法在新的时间序列上重新检测启停波形,并采用聚类方法对得到的启停波形进行聚类,将聚类中心对应的周期性波形曲线作为新的标准波形永久加入到周期性波形数据库中。
通过将识别成功的启停波形的周期性波形删除,剩余的则是未识别成功的启停波形,其对应的则是新的周期性多状态电器,通过改进的CUSUM算法针对新的时间序列再次进行启停波形检测,并采用k-means算法进行聚类,找到合适的聚类中心,从而得到新的周期性多状态电器所对应的标准波形,并将其加入到周期性波形数据库中,实现了未知周期性负荷的识别,可以不断扩大数据库。
另外,现有的四种基于概率模型的事件检测方法需要在“每次最多只有一个负荷发生状态变化”的假设基础上进行,这种假设称为开关连续性原则SCP,但SCP与用户内容的负荷使用者数量、负荷数量、采样频率等因素有关。而针对周期性多状态电器的运行情况,有时会出现同一时间有两个或多个电器的负荷发生状态变化,此时,现有的四种基于概率模型的事件检测方法的事件检测结果的精准度更差。而在本发明中,所述周期性波形数据库中还可以将两个或多个周期性多状态电器的标准波形进行叠加,从而得到多个复合标准波形。当所述步骤S2中采集的启停波形为两个或多个周期性多状态电器的启停波形时,同样基于上述的shapeDTW算法计算得到启停波形与每个标准波形之间的DTW距离,筛选出DTW距离值小于预设阈值中的最小者,则启停波形与DTW距离最小值所对应的复合标准波形匹配成功,即可识别出该启停波形对应的是哪两个周期性多状态电器的启停叠加。
可以理解,为了验证本发明的事件检测算法的效果,本申请发明人针对本发明的事件检测算法与现有的CUSUM算法、GLR算法进行了比对实验,得到的检测效果比对结果如表一所示。
表一、本发明的事件检测算法与现有的CUSUM、GLR的实验结果对比
从上表可以看出,本发明的事件检测算法的检测精确率要优于现有的CUSUM算法和GLR算法,无论是误检数还是漏检数都要少。
另外,如图7所示,本发明的另一实施例还提供一种周期性多状态电器的事件检测系统,采用如上所述的事件检测方法,所述系统包括
数据采集模块,用于获取总负荷电流数据,所述总负荷电流数据为电流有效值时间序列;
启停波形检测模块,用于利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形;
识别模块,用于将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,若连续三次波形匹配均为同一电器,则认为该电器发生了启停。
可以理解,本实施例的周期性多状态电器的事件检测系统,首先通过改进的CUSUM算法在电流数据上进行启停波形的检测,可以准确地识别出周期性多状态电器的投入/切出事件,有效降低了启停事件被漏检的概率。然后将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,而所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,如果连续多次波形匹配均为同一电器,则认为该电器发生了启停。通过建立周期性波形数据库,并将得到的启停波形与周期性波形数据库中存储的标准波形进行波形匹配,可以有效降低事件检测的漏测、误测情况,提高了识别精确率,保证了后续特征提取的准确性。
可以理解,本实施例的系统中的各个模块与上述方法实施例的各个步骤的内容相对应,故各个模块的工作原理在此不再赘述,参考上述方法实施例即可。
另外,本发明的另一实施例还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明的另一实施例还提供一种计算机可读取的存储介质,用于存储对周期性多状态电器进行事件检测的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取介质的形式包括:软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种周期性多状态电器的事件检测方法,其特征在于,包括以下内容:
获取总负荷电流数据,所述总负荷电流数据为电流有效值时间序列;
利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形;
将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,若连续多次波形匹配均为同一电器,则认为该电器发生了启停。
2.如权利要求1所述的周期性多状态电器的事件检测方法,其特征在于,所述将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程包括以下内容:
依次计算所得到的启停波形与周期性波形数据库中的每个标准波形之间的DTW距离,筛选出DTW距离值最小者,且DTW距离最小值小于等于预设阈值,此时启停波形和标准波形的相似性最高,则此次波形匹配结果为该标准波形所对应的电器类别。
3.如权利要求2所述的周期性多状态电器的事件检测方法,其特征在于,所述将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程还包括以下内容:
当计算得到启停波形与周期性波形数据库中的每个标准波形之间的DTW距离值均大于预设阈值时,则将该启停波形作为新出现的波形类别暂时加入周期性波形数据库,继续匹配下一个波形,若连续出现多个波形匹配结果均为新出现的波形类别,则判定投入了新的周期性多状态电器,并将新出现的波形类别作为新的标准波形永久加入周期性波形数据库中,否则,从周期性波形数据库中删除新出现的波形类别。
4.如权利要求3所述的周期性多状态电器的事件检测方法,其特征在于,还包括以下内容:
当识别出电器类别后,将启停波形中该电器类别的周期性波形删除,并将剩余的片段重新连接成一个新的时间序列,再次利用改进的CUSUM算法在新的时间序列上重新检测启停波形,并采用聚类方法对得到的启停波形进行聚类,将聚类中心对应的周期性波形曲线作为新的标准波形永久加入到周期性波形数据库中。
6.如权利要求1所述的周期性多状态电器的事件检测方法,其特征在于,所述利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形的过程包括以下内容:
在获得的电流有效值时间序列上定义三个连续的滑动窗口,沿滑动方向排列依次为均值计算窗口、暂态检测窗口和方差计算窗口;
定义电器投入事件累积和和电器切出事件累积和的计算公式如下:
其中,为第k次计算时的电器投入事件累积和,为第k-1次计算时的电器投入事件累积和,为第k次计算时的电器切出事件累积和,为第k-1次计算时的电器切出事件累积和,Mm为第k次计算时的均值计算窗口的电流有效值均值,Md为第k次计算时的暂态检测窗口的电流有效值均值,β为噪声参数,d为时间延迟因子,δ为权重参数,V为第k次计算时的方差计算窗口内的电流有效值的方差值;
设置电器投入事件累积和的初始值和电器切出事件累积和的初始值均为0,并预设方差阈值Δmin、确定投入事件发生的累积和阈值H1、确定切出事件发生的累积和阈值H2;
利用三个滑动窗口在电流有效值时间序列上不断同步滑动,且每滑动一次分别计算均值计算窗口、暂态检测窗口和方差计算窗口内的电流有效值均值,并计算方差计算窗口内的电流有效值的方差值V;
基于每次窗口滑动的计算结果对电器投入事件累积和和电器切出事件累积和进行分析,判断出是否存在电器投入事件和/或电器切出事件,从而得到启停波形。
8.一种周期性多状态电器的事件检测系统,其特征在于,包括
数据采集模块,用于获取总负荷电流数据,所述总负荷电流数据为电流有效值时间序列;
启停波形检测模块,用于利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形;
识别模块,用于将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配,所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形,若连续三次波形匹配均为同一电器,则认为该电器发生了启停。
9.一种设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1~7任一项所述的方法的步骤。
10.一种计算机可读取的存储介质,用于存储对周期性多状态电器进行事件检测的计算机程序,其特征在于,所述计算机程序在计算机上运行时执行如权利要求1~7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847311.1A CN113642421A (zh) | 2021-07-27 | 2021-07-27 | 周期性多状态电器的事件检测方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847311.1A CN113642421A (zh) | 2021-07-27 | 2021-07-27 | 周期性多状态电器的事件检测方法及系统、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642421A true CN113642421A (zh) | 2021-11-12 |
Family
ID=78418492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110847311.1A Pending CN113642421A (zh) | 2021-07-27 | 2021-07-27 | 周期性多状态电器的事件检测方法及系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642421A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280352A (zh) * | 2021-12-27 | 2022-04-05 | 杭州电子科技大学 | 一种基于电流的大仪工时计算方法 |
-
2021
- 2021-07-27 CN CN202110847311.1A patent/CN113642421A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280352A (zh) * | 2021-12-27 | 2022-04-05 | 杭州电子科技大学 | 一种基于电流的大仪工时计算方法 |
CN114280352B (zh) * | 2021-12-27 | 2024-02-13 | 杭州电子科技大学 | 一种基于电流的大仪工时计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cabello et al. | Fast and accurate time series classification through supervised interval search | |
Wang et al. | Finding semantics in time series | |
Chen et al. | Spade: On shape-based pattern detection in streaming time series | |
US8037533B2 (en) | Detecting method for network intrusion | |
CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
CN113225209B (zh) | 一种基于时间序列相似检索的网络监控实时预警方法 | |
CN106708694B (zh) | 一种定位毛刺异常点的方法、装置及计算设备 | |
CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN102521534B (zh) | 一种基于粗糙熵属性约简的入侵检测方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN111126780B (zh) | 一种非侵入式负荷监测方法及存储介质 | |
CN113642421A (zh) | 周期性多状态电器的事件检测方法及系统、设备、存储介质 | |
CN111161097B (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 | |
CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN116610938A (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
CN117171157B (zh) | 基于数据分析的清算数据采集清洗方法 | |
Goodwin et al. | A dynamic programming approach to audio segmentation and speech/music discrimination | |
KR101621959B1 (ko) | 로그패턴추출장치, 로그패턴분석장치 및 그 방법 | |
CN113553545B (zh) | 小电流电器的事件检测方法及系统、设备、存储介质 | |
Pełech-Pilichowski et al. | A two-level algorithm of time series change detection based on a unique changes similarity method | |
CN110633430B (zh) | 事件发现方法、装置、设备和计算机可读存储介质 | |
CN111539539A (zh) | 数据中心动力环境设备运行模式突变检测方法及装置 | |
CN112464135B (zh) | 一种基于双重电气特性判据的微波炉负荷特征提取方法 |
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 |