CN114626404A - 一种基于极值点的自适应事件检测方法 - Google Patents
一种基于极值点的自适应事件检测方法 Download PDFInfo
- Publication number
- CN114626404A CN114626404A CN202210019233.0A CN202210019233A CN114626404A CN 114626404 A CN114626404 A CN 114626404A CN 202210019233 A CN202210019233 A CN 202210019233A CN 114626404 A CN114626404 A CN 114626404A
- Authority
- CN
- China
- Prior art keywords
- interval
- search
- point
- extreme point
- signal
- 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
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
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
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:σj为第j层的噪声强度估计,δ*为经验系数,dj(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Tj:
若第j层的高频系数的绝对值小于阈值Tj则将其置零,反之收缩至Tj;
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:xn、xn-1,xn+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xi、xj、xk为三个相邻的极值点,i<j<k且xi和xk为极小值点,xj为极大值点;
其中,Gp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xn满足xn+1-xn>Gσ,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xn满足xn-xn-1>Gσ,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Gσ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xn满足xn-xn+1>Gσ,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xn满足xn-1-xn>Gσ,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Gσ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,…,dM}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:σj为第j层的噪声强度估计,δ*为经验系数,dj(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Tj:
若第j层的高频系数的绝对值小于阈值Tj则将其置零,反之收缩至Tj;
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:xn、xn-1,xn+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xi、xj、xk为三个相邻的极值点,i<j<k且xi和xk为极小值点,xj为极大值点;
其中,Gp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xn满足xn+1-xn>Gσ,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xn满足xn-xn-1>Gσ,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Gσ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xn满足xn-xn+1>Gσ,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xn满足xn-1-xn>Gσ,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Gσ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。
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xn满足xn+1-xn>Gσ,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xn满足xn-xn-1>Gσ,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Gσ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xn满足xn-xn+1>Gσ,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xn满足xn-1-xn>Gσ,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Gσ为噪声门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210019233.0A CN114626404B (zh) | 2022-01-10 | 2022-01-10 | 一种基于极值点的自适应用电负荷事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210019233.0A CN114626404B (zh) | 2022-01-10 | 2022-01-10 | 一种基于极值点的自适应用电负荷事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626404A true CN114626404A (zh) | 2022-06-14 |
CN114626404B CN114626404B (zh) | 2023-05-23 |
Family
ID=81898255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210019233.0A Active CN114626404B (zh) | 2022-01-10 | 2022-01-10 | 一种基于极值点的自适应用电负荷事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626404B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016045A1 (en) * | 2005-06-10 | 2007-01-18 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and apparatus for extracting an envelope curve of a spectrogram |
CN104052542A (zh) * | 2014-06-23 | 2014-09-17 | 武汉光迅科技股份有限公司 | 在线模式下检测otdr曲线末端事件定位光纤断点的方法 |
CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
US20190356168A1 (en) * | 2018-05-18 | 2019-11-21 | Toyota Jidosha Kabushiki Kaisha | Wireless power transmission device and power transfer system |
-
2022
- 2022-01-10 CN CN202210019233.0A patent/CN114626404B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016045A1 (en) * | 2005-06-10 | 2007-01-18 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and apparatus for extracting an envelope curve of a spectrogram |
CN104052542A (zh) * | 2014-06-23 | 2014-09-17 | 武汉光迅科技股份有限公司 | 在线模式下检测otdr曲线末端事件定位光纤断点的方法 |
WO2015196496A1 (zh) * | 2014-06-23 | 2015-12-30 | 武汉光迅科技股份有限公司 | 在线模式下检测otdr曲线末端事件定位光纤断点的方法 |
CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
US20190356168A1 (en) * | 2018-05-18 | 2019-11-21 | Toyota Jidosha Kabushiki Kaisha | Wireless power transmission device and power transfer system |
Also Published As
Publication number | Publication date |
---|---|
CN114626404B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103576060B (zh) | 基于小波自适应阈值的局部放电信号去噪方法 | |
Khan et al. | Data denoising and compression for smart grid communication | |
CN116703183B (zh) | 一种新型配电网系统用电负荷评估方法 | |
CN109307798B (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
CN107886078B (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN110726875B (zh) | 一种新能源柔性直流并网暂态谐波检测方法及系统 | |
CN102930149A (zh) | 基于pca和emd的传感器网络感知信息去噪处理方法 | |
CN113269082A (zh) | 一种基于改进变分模态分解的局部放电阈值去噪方法 | |
CN110807349A (zh) | 基于emd分解和小波阈值的自适应降噪方法 | |
CN102901855A (zh) | 一种特高压直流电晕电流信号去噪方法 | |
CN112132021B (zh) | 基于wmm与hatf的暂态电能质量扰动检测方法 | |
CN114626404B (zh) | 一种基于极值点的自适应用电负荷事件检测方法 | |
CN101741773B (zh) | 时分同步码分多址接入系统中终端信道估计的方法及装置 | |
CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
CN108918929B (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
Gu | Wavelet threshold de-noising of power quality signals | |
CN115061018A (zh) | 一种高压开关柜局部放电监测方法 | |
Huang et al. | An online non-intrusive load monitoring method based on Hidden Markov model | |
CN110542855A (zh) | 基于离散余弦变换的负荷开关事件检测方法和系统 | |
CN110531149B (zh) | 一种基于波形正则化的功率信号滤波方法和系统 | |
CN110514884B (zh) | 一种基于延迟矢量的功率信号滤波方法和系统 | |
He et al. | EMD endpoint suppression based on waveform means continuation | |
Wu et al. | MDCN: A Dual-Branch Model Based on Difference Convolution for Non-Intrusive Load Disaggregation | |
Sun et al. | Discussion on the Difference in the Effect of Multiple Processing Methods of Vibration Signals of Hydropower Units | |
Vumanthala et al. | Real‐time speech enhancement using optimised empirical mode decomposition and non‐local means estimation |
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 |