CN115409089A - 一种非侵入式负荷识别的自适应阈值事件检测方法 - Google Patents

Abstract

本发明公开了一种非侵入式负荷识别的自适应阈值事件检测方法，所述方法包括以下步骤：步骤1：数据输入，以环形存储方法将功率数据进行整理，形成滑动窗口；步骤2：针对当前负荷功率变化特征，将事件根据标准差算法分为短暂态事件和长暂态事件，对不同类型事件采用不同的方法自适应调整阈值；步骤3：根据阈值进行基于均值偏移CUSUM的事件检测，判断事件是否真实；步骤4：针对检测到的真实事件提取特征向量，通过机器学习方法进行事件分类。本发明能够根据当前功率变化情况，计算出相应阈值，解决传统事件检测方法局限于固定阈值，在同时存在功率变化幅值差别大的负荷时，功率变化幅值小的负荷难以被检测的问题。

Description

一种非侵入式负荷识别的自适应阈值事件检测方法

技术领域

本发明涉及非侵入式负荷识别领域，具体设计一种非侵入式负荷识别的自适应阈值事件检测方法。

背景技术

非侵入式负荷识别的自适应阈值事件检测方法属于基于事件的非侵入式负荷识别的范畴，通过事件检测算法，检测采集点功率变化，计算判断是否发生负荷投切事件，记录相应事件特征，通过机器学习算法进行识别。

目前常见的非侵入式负荷识别事件检测方法，需要根据识别场景内的负荷组成，规定一个固定阈值，当检测算法某一参数值超过该阈值时，表明发生事件，但是当同时存在功率变化幅值差别大的负荷时，该类检测算法难以准确地、实时地检测到小负荷，因此提供一种非侵入式负荷识别的自适应阈值事件检测方法，该方法可以根据当前功率变化情况，自适应地计算阈值，可以准确地、实时地检测到不同变化幅值的负荷投切事件。

发明内容

为了解决现有非侵入式负荷识别事件检测方法，在同时存在功率变化幅值差别大的负荷时，难以准确地、实时地检测到小幅值负荷的问题，本发明提出了一种非侵入式负荷识别的自适应阈值事件检测方法。

为了解决上述的技术问题，本发明提供如下的技术方案：

一种非侵入式负荷识别的自适应阈值事件检测方法，包括以下步骤：

步骤1：数据输入，以环形存储方法将功率数据进行整理，形成滑动窗口；计算模块接收数据输入，以环形存储方法将视在功率、有功功率、无功功率数据进行整理，形成窗口W＝{s_i,p_i,q_i|i＝n,n+1,…,n+N}(n∈R)，式中s_i代表视在功率，p_i代表有功功率，q_i代表无功功率，窗口W内数据随着n增大而不断更新；

步骤2：针对不同的负荷功率变化特征，将事件根据标准差算法分为短暂态事件和长暂态事件，对不同类型事件采用不同的方法自适应调整阈值；

步骤3：根据计算得到的阈值进行基于均值偏移CUSUM的事件检测，判断事件是否真实；

步骤4：针对检测到的真实事件提取特征向量，通过机器学习方法进行事件分类；

进一步，所述步骤1中，采用环形存储器实现环形存储方法，环形存储器长度N可根据数据采集频率进行调节。

再进一步，所述步骤2中，从环形存储器中分离出视在功率窗口W，并将视在功率窗口W再分为均值评估窗口S_m＝{s_i|i＝n,n+1,n+2,n+3}和事件检测窗口S_ch＝{s_i|i＝n+4,n+5,…,n+N}，其中均值评估窗口S_m用于评估前一时刻功率水平，事件检测窗口S_ch用于检测当前时刻是否发生负荷投切事件，计算S_m的平均值

计算S_ch的标准差σ，当σ首次大于y_th时，代表有事件发生，当σ达到最大时，代表事件结束。

更进一步，所述步骤2中，当σ首次大于y_th后，记录σ值大于y_th的次数为c_ch，若c_ch小于c_min时，σ达到最大值，则舍弃该事件，若c_ch大于c_max时，σ仍未达到最大值，则将该事件归类为长暂态事件，否则为短暂态事件，若发生长暂态事件，则保持S_m不变，增加S_ch长度，将新输入的数据加入S_ch＝{s_i|i＝n+4,n+5,…n+N,…,n+k}(k∈R,k＞N)，取S_ch中后x个元素组成S′_ch＝{x_i|i＝n+k-x+1,n+k-x+2,…,n+k}，作为长暂态事件检测窗口，计算S′_ch的伪标准差为σ′，其计算公式如下：

式中

为S_m的平均值，当σ′达到最大时，代表该长暂态事件结束，记录下一个σ′为σ′_ca，S′_ch的平均值为

计算该长暂态事件的阈值为h′_th，计算公式如下：

若发生短暂态事件，当σ达到最大后，取下一个事件检测窗口S_ch，计算S_ch的峰均值比r_ch，公式如下：

式中s_max为事件检测窗口S_ch中最大值，

为事件检测窗口S_ch的均值，由于功率数据存在叠加情况，因此上式需要减去窗口最小值，公式变更如下：

式中s_min为事件检测窗口S_ch中最小值，记此时事件检测窗口S_ch的标准差为σ_ch，计算该短暂态事件的阈值为h_th，计算公式如下：

优选的，所述步骤3包括：计算当前窗口S_ch/S′_ch的均值，其公式为：

计算均值偏移累积和g^±，公式如下：

根据步骤2所得的阈值h_th/h′_th，与g^±进行比较，当g^±＞h_th/h′_th时，则说明该事件真实发生，当t等于事件检测窗口的长度，即累积和g^±达到最大时，g^±仍小于h_th/h′_th，则说明该事件为虚报事件。

所述步骤4中，根据步骤3所得的真实事件，记录该事件持续时间c_ch、阈值h_th/h′_th、均值偏移累积和g^±、窗口P_ch有功功率极差、有功功率变化均值，无功功率极差、无功功率变化均值，形成事件特征向量，利用该特征向量通过机器学习LGB算法进行事件分类，得到该事件的事件类型。

与现有技术相比，本发明的有益效果是：

1)可以检测暂态时间过长的负荷投切事件；

2)同时存在功率变化幅值差别大的负荷时，可以更准确、更实时地检测到小幅值负荷。

附图说明

图1为本发明流程图；

图2为本发明中步骤3的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

实施例

参照图1和图2，一种非侵入式负荷识别的自适应阈值事件检测方法，包括以下步骤：

步骤1：计算模块以5HZ的频率接收采集点处的电能数据输入，以环形存储方法对接收到的视在功率、有功功率、无功功率数据进行整理，形成三功率滑动窗口W＝{s_i,p_i,q_i|i＝n,n+1,…,n+14}(n∈R)，式中s_i代表视在功率，p_i代表有功功率，q_i代表无功功率，三功率窗口W内数据随着n增大而不断更新，环形存储器长度根据数据采集频率而定。

步骤2：从环形存储器中分离出视在功率，并将视在功率再分为均值评估窗口S_m＝{s_i|i＝n,n+1,n+2,n+3}和事件检测窗口S_ch＝{s_i|i＝n+4,n+5,…,n+14}，计算S_m的平均值

计算S_ch的标准差σ，当σ首次大于5时，代表有事件发生，当σ达到最大值时，代表事件结束，当σ首次大于5后，记录σ值大于5的次数为c_ch，若c_ch小于3时，σ达到最大值，则舍弃该事件，若c_ch大于8时，σ仍未达到最大值，则将该事件归类为长暂态事件，否则为短暂态事件。

若发生长暂态事件，则保持S_m不变，将新输入的数据加入S_ch＝{s_i|i＝n+4,n+5,…n+14,…,n+k}(k∈R,k＞14)，取S_ch中后5个元素组成S′_ch＝{x_i|i＝n+k-x+1,n+k-x+2,…,n+k}，作为长暂态事件检测窗口，计算S′_ch的标准差为σ′，其计算公式如下：

当σ′达到最大值时，代表该长暂态事件结束，记录下一个σ′为σ′_ca，S′_ch的平均值为

计算该长暂态事件的阈值为h′_th，计算公式如下：

若发生短暂态事件，当σ达到最大后，取下一个窗口S_ch，计算S_ch的峰均值比r_ch，公式如下：

记σ达到最大后下一个σ为σ_ch，计算该短暂态事件的阈值为h_th，计算公式如下：

步骤3：计算当前窗口P_ch/P′_ch的均值，其公式为：

计算均值偏移累积和g^±，公式如下：

根据步骤2所得的阈值h_th/h′_th，与g^±进行比较，当g^±＞h_th/h′_th时，则说明该事件真实发生，当t等于窗口长度，即累积和g^±达到最大时，g^±仍小于h_th/h′_th，则说明该事件为虚报事件。

步骤4：根据步骤3所得的真实事件，记录该事件持续时间c_ch、阈值h_th/h′_th、均值偏移累积和g^±、窗口P_ch有功功率极差、有功功率变化均值，无功功率极差、无功功率变化均值，形成事件特征向量，利用该特征向量通过机器学习LGB算法进行事件分类，得到该事件的事件类型。

最后，还需要注意的是，本专利中，y_th、c_min、c_max、x根据环形存储器长度N确定，本专利中N＝14、y_th＝5、c_min＝3、c_max＝8、x＝5，以上列举的仅是本发明的一个具体实施例，显然，本发明不限于以上实例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (6)

1.一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述方法包括以下步骤：

步骤1：数据输入，以环形存储方法将功率数据进行整理，形成滑动窗口；计算模块接收数据输入，以环形存储方法将视在功率、有功功率、无功功率数据进行整理，形成三功率窗口W＝{s_i,p_i,q_i|i＝n,n+1,…,n+N}(n∈R)，式中s_i代表视在功率，p_i代表有功功率，q_i代表无功功率，三功率窗口W内数据随着n增大而不断更新；

步骤2：针对不同的负荷功率变化特征，将事件根据标准差算法分为短暂态事件和长暂态事件，对不同类型事件采用不同的方法自适应调整阈值；

步骤3：根据计算得到的阈值进行基于均值偏移CUSUM的事件检测，判断事件是否真实；

步骤4：针对检测到的真实事件提取特征向量，通过机器学习方法进行事件分类。

2.如权利要求1所述的一种非侵入式负荷识别的自适应阈值事件检测方法，标准差算法，其特征在于，所述步骤2包括：根据步骤1所得的三功率窗口W，将其中的视在功率分为均值评估窗口S_m＝{s_i|i＝n,n+1,n+2,n+3}及事件检测窗口S_ch＝{s_i|i＝n+4,n+5,…,n+N}，均值评估窗口S_m用于评估前一时刻功率水平，事件检测窗口S_ch用于检测当前时刻是否发生负荷投切事件，计算S_m的平均值s_m，计算S_ch的标准差σ，当σ首次大于y_th时，代表有事件发生，记录σ值大于y_th的次数为c_ch，当σ达到最大时，代表事件结束，若c_ch小于最小值c_min时，σ达到最大值，则舍弃该事件，若c_ch大于最大值c_max时，σ仍未达到最大值，则将该事件归类为长暂态事件，否则为短暂态事件。

3.如权利要求2所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤2还包括：若发生长暂态事件，则保持S_m不变，增加S_ch长度，将新输入的数据加入S_ch＝{s_i|i＝n+4,n+5,…n+N,…,n+k}(k∈R,k＞N)，取S_ch中后x个元素组成S′_ch＝{x_i|i＝n+k-x+1,n+k-x+2,…,n+k}，作为长暂态事件检测窗口，计算S′_ch的伪标准差为σ′，其计算公式如下：

式中

为S_m的平均值，当σ′达到最大时，代表该长暂态事件结束，记录下一个σ′为σ′_ca，S′_ch的平均值为

计算该长暂态事件的阈值为h′_th，计算公式如下：

4.如权利要求3所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤2还包括：若发生短暂态事件，当σ达到最大后，取下一个事件检测窗口S_ch，计算S_ch的峰均值比r_ch，公式如下：

式中s_max为事件检测窗口S_ch中最大值，

为事件检测窗口S_ch的均值，由于功率数据存在叠加情况，因此上式需要减去窗口最小值，公式变更如下：

式中s_min为事件检测窗口S_ch中最小值，记此时事件检测窗口S_ch的标准差为σ_ch，计算该短暂态事件的阈值为h_th，计算公式如下：

5.如权利要求4所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤3包括：计算当前事件检测窗口S_ch/S′_ch的均值，其公式为：

计算均值偏移累积和g^±，公式如下：

根据步骤2所得的阈值h_th/h′_th，与g^±进行比较，当g^±＞h_th/h′_th时，则说明该事件真实发生，当t等于事件检测窗口的长度，即累积和g^±达到最大时，g^±仍小于h_th/h′_th，则说明该事件为虚报事件。

6.如权利要求5所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤4包括：根据步骤3所得的真实事件，记录该事件持续时间c_ch、阈值h_th/h′_th、均值偏移累积和g^±、窗口P_ch有功功率极差、有功功率变化均值，无功功率极差、无功功率变化均值，形成事件特征向量，利用该特征向量通过机器学习LGB算法进行事件分类，得到该事件的事件类型。

Images