CN114626404A - 一种基于极值点的自适应事件检测方法 - Google Patents

Abstract

本发明公开了一种基于极值点的自适应事件检测方法，包括以下步骤：步骤1：获取总功率信号，对总功率信号进行去噪；步骤2：在步骤1获取的信号对应曲线中获取最大极值点和最小极值点；步骤3：根据步骤2得到的极值点得到上升区间和下降区间；步骤4：在步骤3得到上升区间中对上升沿进行正反向搜索，在下降区间中下降沿进行正反向搜索；步骤5：若步骤4同一个区间的正反向搜索均具有满足设定条件的点，则表示检测到事件；否则退出；本发明首先对信号进行了去噪处理降低噪声干扰，且不需要设置事件检测窗口的大小。只需提前设置两个参数便可以从总用电曲线中自适应地检测事件的启停时刻，有较强的有效性和实用性。

Description

一种基于极值点的自适应事件检测方法

技术领域

本发明涉及非侵入式负荷监测领域，具体涉及一种基于极值点的自适应事件检测方法。

背景技术

能源是当今社会运作和发展不可或缺的资源，而随着全球经济的快速发展，社会各个行业和家庭用户对电能数量和质量的需求日渐增长。为了节约电能，合理安排用电计划，缓解社会能源压力、实现能源的可持续发展，提出了非侵入式负荷监测。现有的大部分基于事件的NILM算法的第一步就是对总用电曲线进行事件检测。

近些年，国内外学者对提出了许多针对用电负荷事件检测的方法。负荷工作状态的变化可称之为事件。事件的发生可以由设备用电曲线的工作特征变化反应出来，比如有功功率、无功功率、电压和电流等。相应的，这些变化特征也可以从总用电曲线中反映出来。根据发生时的负荷特征可以实现负荷识别和监测工作。常用的事件检测算法是基于窗口的算法，比如广义似然比检验GLR、拟合优度检验GOF和滑动窗的双边cusum算法。此类算法均需要设置事件检测窗口的大小和较多的参数变量，对于不同采样频率的数据需要相应更改窗口大小。

发明内容

本发明针对现有技术存在的问题提供一种可以自适应检测事件的启停时刻的基于极值点的自适应事件检测方法。

本发明采用的技术方案是：一种基于极值点的自适应事件检测方法，包括以下步骤：

步骤1：获取总功率信号，对总功率信号进行去噪；

步骤2：在步骤1获取的信号对应曲线中获取最大极值点和最小极值点；

步骤3：根据步骤2得到的极值点得到上升区间和下降区间；

步骤4：在步骤3得到上升区间中对上升沿进行正反向搜索，在下降区间中下降沿进行正反向搜索；

步骤5：若步骤4同一个区间的正反向搜索均具有满足设定条件的点，则表示检测到事件；否则退出。

进一步的，所述步骤1中采用mallat塔式分解方法对总功率信号进行去噪；

首先对噪声进行强度估计：

式中：σ_j为第j层的噪声强度估计，δ^*为经验系数，d_j(i)为第j层的高频系数，N为高频系数的维数；

计算第j层的噪声阈值T_j：

若第j层的高频系数的绝对值小于阈值T_j则将其置零，反之收缩至T_j；

对信号进行小波分解得到高频系数和低频系数，采用上述计算得到的阈值对高频系数进行修正；对处理后的吸波系数进行逆变换得到重构的信号，即可完成信号去噪处理。

进一步的，所述步骤2中极大值点满足以下要求：

极小值点满足以下要求：

其中：x_n、x_n-1，x_n+1均为曲线中的点。

进一步的，步骤3中上升区间和下降区间的确定方法如下：

设x_i、x_j、x_k为三个相邻的极值点，i<j<k且x_i和x_k为极小值点，x_j为极大值点；

若x_j-x_i＞G_p，那么上升区间为

若x_j-x_k＞G_p，那么下降区间为

其中，G_p为给定的功率门限。

进一步的，所述步骤4中在上升区间对上升沿进行正反向搜索过程如下：

正向搜索：从n＝i搜索到n＝j，若x_n满足x_n+1-x_n＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间起点，否则此次搜索无果；

反向搜索：从n＝j搜索到n＝i，若x_n满足x_n-x_n-1＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间终点，否则此次搜索无果；

其中G_σ为噪声门限。

进一步的，所述步骤4中在下降区间对下降沿进行正反向搜索过程如下：

正向搜索：从n＝j搜索到n＝k，若x_n满足x_n-x_n+1＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间起点，否则此次搜索无果；

反向搜索：从n＝k搜索到n＝j，若x_n满足x_n-1-x_n＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间终点，否则此次搜索无果；

其中G_σ为噪声门限。

本发明的有益效果是：

(1)本发明首先对信号进行小波软阈值去噪处理降低噪声干扰，有效避免了噪声波动可能引起的事件误判。

(2)本发明不需要设置事件检测窗口的大小，只需要设置功率参数门限和噪声门限即可从总用电曲线中自适应地检测事件的启停时刻，剔除了缓变功率的信号的干扰，有较强的有效性和实用性。

附图说明

图1为本发明的流程示意图。

图2为实施例中某家庭总用电曲线。

图3为实施例中事件检测输出结果。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

如图1所示，一种基于极值点的自适应事件检测方法，包括以下步骤：

步骤1：获取总功率信号，对总功率信号进行去噪；利用mallat塔式分解方法对总功率信号进行小波软阈值去噪。

首先对信号进行小波分解，得到一组高频系数d＝{d₁,d₂,…,d_M}和一组低频系数。由于高频部分不仅包含了噪声信号，还隐藏了许多重要的时频特征，需要合理的选择阈值将高频系数有选择性地减少或置零，从而降低对信号细节特征的影响，减少原始负荷特征的丢失。针对每一层高频系数的修正。

首先对噪声进行强度估计：

式中：σ_j为第j层的噪声强度估计，δ^*为经验系数，d_j(i)为第j层的高频系数，N为高频系数的维数；

计算第j层的噪声阈值T_j：

若第j层的高频系数的绝对值小于阈值T_j则将其置零，反之收缩至T_j；

对信号进行小波分解得到高频系数和低频系数，采用上述计算得到的阈值对高频系数进行修正；对处理后的吸波系数进行逆变换得到重构的信号，即可完成信号去噪处理。

步骤2：在步骤1获取的信号对应曲线中获取最大极值点和最小极值点；

极大值点满足以下要求：

极小值点满足以下要求：

其中：x_n、x_n-1，x_n+1均为曲线中的点。

步骤3：根据步骤2得到的极值点得到上升区间和下降区间；

上升区间和下降区间的确定方法如下：

设x_i、x_j、x_k为三个相邻的极值点，i<j<k且x_i和x_k为极小值点，x_j为极大值点；

若x_j-x_i＞G_p，那么上升区间为

若x_j-x_k＞G_p，那么下降区间为

其中，G_p为给定的功率门限。

步骤4：在步骤3得到上升区间中对上升沿进行正反向搜索，在下降区间中下降沿进行正反向搜索；

在上升区间对上升沿进行正反向搜索过程如下：

正向搜索：从n＝i搜索到n＝j，若x_n满足x_n+1-x_n＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间起点，否则此次搜索无果；

反向搜索：从n＝j搜索到n＝i，若x_n满足x_n-x_n-1＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间终点，否则此次搜索无果；

其中G_σ为噪声门限。

在下降区间对下降沿进行正反向搜索过程如下：

正向搜索：从n＝j搜索到n＝k，若x_n满足x_n-x_n+1＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间起点，否则此次搜索无果；

反向搜索：从n＝k搜索到n＝j，若x_n满足x_n-1-x_n＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间终点，否则此次搜索无果；

其中G_σ为噪声门限。

步骤5：若步骤4同一个区间的正反向搜索均具有满足设定条件的点，则表示检测到事件；否则退出。

若同一个区间的正反向搜索均有满足条件的点表示成果检测到事件，根据上述搜索结果得到事件的起点和终点时刻。否则只是用电器功率缓变过程，对所有事件区间完成搜索，即成功总用电曲线事件检测。事件检测就是负荷投切的过程，也是功率跳变的过程，要记录起点和终点也就是检测整个投切事件的开始和结束过程。

选取开源REDD数据库中house 2某一天内的用电数据进行总用电器曲线的事件检测，检测前数据如图2所示，经过上述方法检测后曲线如图3所示。从图中可以看出，可以看出，算法从上升区间中搜索到了事件的开启时刻，下降区间搜索到了事件的结束时刻，完整地从总用电曲线中检测到了负荷投切的过程，无需设置检测窗口的大小，不需要较高的计算复杂度，参数设置也较为简单。

本发明首先对信号进行了去噪处理降低噪声干扰，且不需要设置事件检测窗口的大小。只需提前设置两个参数便可以从总用电曲线中自适应地检测事件的启停时刻，有较强的有效性和实用性。

Claims (6)

1.一种基于极值点的自适应事件检测方法，其特征在于，包括以下步骤：

步骤1：获取总功率信号，对总功率信号进行去噪；

步骤2：在步骤1获取的信号对应曲线中获取最大极值点和最小极值点；

步骤3：根据步骤2得到的极值点得到上升区间和下降区间；

步骤4：在步骤3得到上升区间中对上升沿进行正反向搜索，在下降区间中下降沿进行正反向搜索；

步骤5：若步骤4同一个区间的正反向搜索均具有满足设定条件的点，则表示检测到事件；否则退出。

2.根据权利要求1所述的一种基于极值点的自适应事件检测方法，其特征在于，所述步骤1中采用mallat塔式分解方法对总功率信号进行去噪；

首先对噪声进行强度估计：

式中：σ_j为第j层的噪声强度估计，δ^*为经验系数，d_j(i)为第j层的高频系数，N为高频系数的维数；

计算第j层的噪声阈值T_j：

若第j层的高频系数的绝对值小于阈值T_j则将其置零，反之收缩至T_j；

对信号进行小波分解得到高频系数和低频系数，采用上述计算得到的阈值对高频系数进行修正；对处理后的吸波系数进行逆变换得到重构的信号，即可完成信号去噪处理。

3.根据权利要求1所述的一种基于极值点的自适应事件检测方法，其特征在于，所述步骤2中极大值点满足以下要求：

极小值点满足以下要求：

其中：x_n、x_n-1，x_n+1均为曲线中的点。

4.根据权利要求1所述的一种基于极值点的自适应事件检测方法，其特征在于，步骤3中上升区间和下降区间的确定方法如下：

设x_i、x_j、x_k为三个相邻的极值点，i<j<k且x_i和x_k为极小值点，x_j为极大值点；

若x_j-x_i＞G_p，那么上升区间为

若x_j-x_k＞G_p，那么下降区间为

其中，G_p为给定的功率门限。

5.根据权利要求4所述的一种基于极值点的自适应事件检测方法，其特征在于，所述步骤4中在上升区间对上升沿进行正反向搜索过程如下：

正向搜索：从n＝i搜索到n＝j，若x_n满足x_n+1-x_n＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间起点，否则此次搜索无果；

反向搜索：从n＝j搜索到n＝i，若x_n满足x_n-x_n-1＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间终点，否则此次搜索无果；

其中G_σ为噪声门限。

6.根据权利要求4所述的一种基于极值点的自适应事件检测方法，其特征在于，所述步骤4中在下降区间对下降沿进行正反向搜索过程如下：

正向搜索：从n＝j搜索到n＝k，若x_n满足x_n-x_n+1＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间起点，否则此次搜索无果；

反向搜索：从n＝k搜索到n＝j，若x_n满足x_n-1-x_n＞G_σ，则停止搜索记录该点对应的时间为上升沿的时间终点，否则此次搜索无果；

其中G_σ为噪声门限。

Images