CN117491730A - 一种非侵入式的近同时连续事件检测与电器分类方法 - Google Patents
一种非侵入式的近同时连续事件检测与电器分类方法 Download PDFInfo
- Publication number
- CN117491730A CN117491730A CN202311459222.5A CN202311459222A CN117491730A CN 117491730 A CN117491730 A CN 117491730A CN 202311459222 A CN202311459222 A CN 202311459222A CN 117491730 A CN117491730 A CN 117491730A
- Authority
- CN
- China
- Prior art keywords
- time
- event
- power
- input
- window
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000009825 accumulation Methods 0.000 claims description 28
- 230000001052 transient effect Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 7
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000001186 cumulative effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- ZJPGOXWRFNKIQL-JYJNAYRXSA-N Phe-Pro-Pro Chemical compound C([C@H](N)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(O)=O)C1=CC=CC=C1 ZJPGOXWRFNKIQL-JYJNAYRXSA-N 0.000 description 3
- AYEKOFBPNLCAJY-UHFFFAOYSA-O thiamine pyrophosphate Chemical compound CC1=C(CCOP(O)(=O)OP(O)(O)=O)SC=[N+]1CC1=CN=C(C)N=C1N AYEKOFBPNLCAJY-UHFFFAOYSA-O 0.000 description 3
- 238000003657 Likelihood-ratio test Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/001—Measuring real or reactive component; Measuring apparent energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种非侵入式的近同时连续事件检测与电器分类方法,该方法首先基于累计和(Cumulative Sum,CUSUM)算法检测事件的发生,并利用符号条件和阈值设置来确定事件发生的具体时刻;采用自适应鲁棒波动阈值设置对大功率电器的假阳性事件进行排除;并基于波动检验以及变异参数判断确认小功率电器事件的发生。接着通过有功功率时间序列的一阶差分图像的分析对近同时连续开启或连续关闭事件进行检查。最后进行电器分类,为后续的非侵入式负荷监测提供可靠的依据。实验结果证明,本方法在事件检测的准确率方面相较于现有技术有较大的提升,同时也能够用较少的资源实现电器种类的准确分类。
Description
技术领域
本发明属于智能电网技术领域,涉及非侵入式的负荷监测方法,具体涉及一种非侵入式的近同时连续事件检测与电器分类方法。
背景技术
非侵入式负荷监测(Non-Intrusive Load Monitoring,简称NILM)技术可以精准地了解用户的电能消耗情况,从而更好地实现电能的优化调度,促进用户侧节能减排。
事件检测是基于事件的NILM方法的第一步,为后续环节提供了必要的电力负荷数据变化信息和事件发生时间戳。然而,由于在功率和时间维度上存在大波动、长过渡、接近同时发生等复杂的负荷变化事件,使得固定参数事件检测方法的精度不够高,也难以检测到不同负荷事件完整的暂态过程。固定参数事件检测方法往往只能检测到负荷总信号时间序列中的单一变点,且只能判定负荷事件发生的大致时刻;也无法对小功率电器进行事件检测,通常直接忽略小功率电器的事件发生;对于非常短间隔时间内不同的电器投入或切出导致的近同时连续事件,往往只能检测到单一切投事件。此外,现有的NILM方法往往在负荷辨识环节才进行电器的分类,由于电器种类过多,会导致准确率的降低。通过事件检测对特征明显的电器进行初步分类有助于后续负荷辨识环节的进行。
为了解决上述问题,需要一种具有鲁棒性、强自适应力、能检测近同时发生事件,将不同类型负荷事件暂态过程检测完整,并能进行电器初步分类的非侵入式负荷事件检测方法。
发明内容
针对现有技术的不足,本发明提出了一种非侵入式的近同时连续事件检测与电器分类方法,首先基于累计和(Cumulative Sum,CUSUM)算法检测事件的发生,再利用符号条件和阈值设置确定事件发生的具体时刻,排除假阳性事件,检查近同时连续开启或连续关闭事件,最后进行电器分类,为后续负荷辨识环节提供技术基础。
一种非侵入式的近同时连续事件检测与电器分类方法,具体步骤如下:
步骤一、检测可能发生的事件
采用CUSUM算法对功率时间序列进行双边事件检测,确定事件的发生。具体步骤如下:
步骤1.1、获取待检测的有功功率有效值序列其中p(j)表示序列中的第j个有功功率的有效值,len(p)为待检测有功功率有效值序列的长度。利用滑动窗对待检测功率时间序列进行取样,所述滑动窗包括均值计算窗Wm、短暂态检测窗Wd和长暂态检测窗Wc三个连续的滑动窗口;其中Wm和Wd的长度均为m,Wc的窗口长度为n,分别计算三个滑动窗内功率有效值序列的均值Mm、Md和Mc:
其中,p(k)表示均值计算窗Wm中的第一个功率有效值。当k+n>len(p)时,流程终止,否则进入步骤1.2。
作为优选,m的取值范围为20到100,n的取值范围为1.5m~2.5m。
步骤1.2、逐一计算短暂态检测窗Wd内每一时刻对应的投入事件累积和g+(k)和切出事件累积和g-(k):
其中,h是累计和阈值,可根据实际检测需求设置。β为外界引入的符合正态分布的噪音。若存在或/>时,表示事件可能发生,进入步骤1.3。否则滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1。
步骤1.3、逐一计算长暂态检测窗Wc内每一时刻对应的投入事件累积和G+(k)和切出事件累积和G-(k):
当存在G+(k)>h或G-(k)>h时,判断存在大功率电器事件发生,否则判断存在小功率电器事件发生。
步骤二、确定事件的可能发生时刻
当判断存在事件发生时,从Wc窗口的初始时刻开始遍历整个Wc窗口。得到每个时刻的有功功率的有效值,并通过以下步骤对事件的投入时刻o(s)和切出时刻o(t)进行准确捕捉:
步骤2.1、获取投入时刻o(s):
s2.1.1、计算△ps-=p(s)-p(s-2),其中p(s)为s时刻的功率有效值,p(s-2)为s-2时刻的功率有效值。
计算sg(ds)和sg(ds+1)。其中ds=p(s)-p(s-1),sg()函数表示如下:
计算△psi=p(s+v)-p(s),其中p(s+v)满足p(s+v)>p(s+v-1)且p(s+v)≥p(s+v+1)。
s2.1.2、设定如下投入时刻判定条件:
条件一:△ps--<pthere,其中Pthere为设定的稳定阈值;
条件二:sg(ds)<1且sg(ds+1)=1;
条件三:△psi>h;
条件四:△psi>0.5h。
s2.1.3、若存在同时满足条件一~三,则将o(s)记为大功率电器的投入时刻,若存在同时满足条件一、二、四,则将o(s)记为小功率电器的投入时刻。
步骤2.2、获取切出时刻o(t):
s2.2.1、计算△pt+=p(t+2)-p(t)、sg(dt)和sg(dt+1),以及△pti=p(t)-p(t-v),其中p(t-v)满足p(t-v)>p(t-v+1)且p(t-v)≥p(t-v-1)。
s2.2.2、设定如下切出时刻判定条件:
条件五:Δpt+<pthere;
条件六:sg(dt)=-1且sg(dt+1)=0;
条件七:△pti>h;
条件八:△pti>0.5h。
s2.2.3、若存在同时满足条件五~七,则将o(t)记为大功率电器的投入时刻,若存在同时满足条件五、六、八,则将o(t)记为小功率电器的投入时刻。
步骤2.3、对于大功率电器的投入、切出时刻,进入步骤三进行假阳性事件处理,对于小功率电器的投入时刻,进入步骤四进行事件确认,若不存在电器的投入或切出时刻,则将滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1。
作为优选,设置稳定阈值Pthere=0.5~2。
步骤三、大功率电器的假阳性事件处理
大功率电器运行时会产生高功率波动,导致部分时刻被误判为事件发生时刻,即假阳性事件,为了避免这种状况,需要对步骤二捕捉的大功率电器的事件投入时刻o(s)与事件切出时刻o(t)做进一步的判别:
步骤3.1、当判断存在事件投入时,针对投入时刻o(s),计算在o(s-m)到o(s)这个时间区间内的有功功率序列的方差以及功率均值ms;设置常量超参数rthre,当时,判断大功率电器的投入时刻o(s)为真,否则投入时刻o(s)为假。
步骤3.2、当判断存在事件切出时,针对切出时刻o(t),计算在o(t)到o(t+m)这个时间区间内的有功功率序列方差以及功率均值mt。当/>时,判断大功率电器的切出时刻o(t)为真,否则为假。
步骤3.3、当存在真的投入时刻o(s)或切出时刻o(t)时,转入步骤五进行近同时连续事件的检测。否则,舍去假的事件时刻,并将滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1。
作为优选,所述超参数rthre受目标设备特性影响,取值范围为15到30。
步骤四、小功率电器的事件确认
当小功率电器投切时前后功率差小于设置的阈值时,传统方法无法进行检测。并且大部分小功率电器只存稳定运行模式,很少存在多状态运行模式,通过以下步骤对步骤二检测出的小功率电器的事件进行确认:
步骤4.1、根据检测到的小功率电器投入时刻o(s),计算在o(s-m)到o(s)这个时间区间中的有功功率序列方差并与额定方差/>进行比较,若/>则计算o(s)到o(s+3m)这个时间区间中的变异系数Cw,/>当Cw<Ch时,认为投入时刻o(s)为真。其中Ch为恒功率电器额定变异系数阈值,σw为对应时间区间内有功功率序列的标准差,mw为有功功率均值。
步骤4.2、根据检测到的小功率电器切出时刻o(t),计算在o(t)到o(t+m)这个时间区间中的有功功率序列方差若/>则计算o(s-3m)到o(s)这个时间区间中的变异系数Cw,当Cw<Ch时,则认为切出时刻o(t)为真。
步骤4.3、将滑动窗均向后推迟m,即令k变为k+m,并返回步骤1.1。
作为优选,设置额定方差的取值范围为0.07~0.1,恒功率电器额定变异系数阈值Ch的取值范围为0.015到0.025。
步骤五、近同时连续开启或关闭事件的检测
当发生连续开启或连续关闭事件时,其功率累计和绝大多数情况会大于h,利用微窗口以更精细的分辨率来区分几乎同时发生的连续开启事件或连续关闭事件:
步骤5.1、对于步骤三得到的投入时刻o(s)和切出时刻o(t),分别对每个事件发生时刻所在的Wd窗口内的功率时间序列进行差分,j时刻有功功率的一阶差分diff(j)=p(j)-p(j-1),得到有功功率差分序列
步骤5.2、使用两个长度为两个连续采样点的微滑动窗口进行事件检测,包括均值计算微窗口Wn和事件检测微窗口Ws,分别计算两个微滑动窗内差分序列diff(j)的均值Mn和Ms。
步骤5.3、对于投入时刻o(s),逐一计算微窗口均值计算窗Ws内每一时刻对应的投入事件累积和
若g+(l)>dh且p(l+1)>ds,则投入事件在l时刻发生,其中dh为设定的斜率阈值,ds为差分基准值,均为常量参数。将微滑动窗向后推迟两个采样点,直到遍历整个Wd窗口。当检测到两个及以上投入事件时,即可认为存在近同时连续投入事件发生,并记录每个投入事件时刻o(s)。
步骤5.4、对于切出时刻o(t),逐一计算微窗口均值计算窗Ws内每一时刻对应的切出事件累积和
若g-(l)>dh且p(l+1)<-ds,则切出事件在l时刻发生。将微滑动窗向后推迟两个采样点,直到遍历整个Wd窗口。当检测到两个及以上切出事件时,即可认为存在近同时连续切出事件发生,记录每个切出事件时刻o(t)。
步骤5.5、将滑动窗均向后推迟m,即令k变为k+m,并返回步骤1.1,直至完成对有功功率有效值序列的检测。
作为优选,斜率阈值dh的取值范围一般为30~100,投入差分基准值ds的取值范围设置为0.8dh。
作为优选,还包括电器类型的初步分类,为了提高后续负荷辨识环节的准确性,对电器的类型进行初步分类,包括恒功率电器、启动浪涌电器和其他电器。恒功率电器是指运行过程中有功功率波动小的电器,包括大部分只含有电阻的电器,以及大部分小功率电器。启动浪涌电器是指在启动过程中产生极大功率浪涌的电器,包括大部分带电机的电器。这些电器启动和运行时,其有功功率曲线有其独特的特点。恒功率电器在稳定运行时其有功功率曲线相对平滑;启动浪涌电器投入时,其瞬时有功功率会快速上升,并远远高于稳定运行时的功率。先进行启动浪涌电器的检测,若其不是启动浪涌电器,对其进行恒功率电器的检测,如果不属于这两类则为其他类型电器。具体步骤如下:
步骤6.1、计算电器在投入时刻o(s)的有功功率值p(s),找出从o(s)时刻到o(s+n)时刻中的最大有功功率有效值点pmax,以及对应的时刻o(a),如果同时满足o(a)-o(s)<m与o(a)时刻到o(a+2m)时刻存在切出时刻o(t),进入步骤6.2,否则进入步骤6.3。
步骤6.2、计算o(a)时刻到o(t-5)时刻的功率平均值mc以及λ值:
若λ>hp,则认为投入时刻o(s)对应的投入事件是由启动浪涌电器引起的,否则进入步骤6.3。其中,hp为启动浪涌电器的判定阈值,取值范围为1.25~1.35。
步骤6.3、若在o(s+m)时刻到o(s+3m)时刻区间内存在切出时刻o(t),计算在o(s+m)时刻到o(t-5)时刻区间内的变异系数Cw;否则计算在o(s+m)时刻到o(s+3m)时刻区间内的变异系数Cw。当Cw<Ch时,认为投入时刻o(s)对应的投入事件是由由恒功率电器引起的。否则认为其对应的投入事件是由其他类型电器引起的。
本发明具有以下有益效果:
1、针对现有事件检测算法只能判断事件是否发生,无法对事件具体的投入时刻和切出时刻进行检测的问题,本方法利用符号条件和阈值设置判断准确的检测事件的开启时间和关闭时间,从而可以提取整个完整的事件。
2、针对现有事件检测算法在大功率电器正常运行时有功功率产生大波动情况会导致误检的情况,本方法根据功率的波动情况进行自适应鲁棒波动阈值设置,从而降低了该情况下的误检率。
3、在检测小功率电器的事件时,本方法采用均值计算窗Wm、短暂态检测窗Wd和长暂态检测窗Wc三个窗口筛选可能发生的小功率事件,并基于波动检验以及变异参数判断确认小功率电器事件的发生。
4、针对现有事件检测算法无法检测近同时发生事件的问题,本方法使用微窗口均值计算窗Wn和微窗口检测窗Ws,对有功功率时间序列的一阶差分值的变化进行检测,从而近同时连续事件进行检测。
5、本方法能将电器分类为恒功率电器,启动浪涌电器和其他电器类型,为提高后续负荷辨识的准确性奠定了良好的基础。
附图说明
图1为实施例中的连续事件检测与电器分类流程图;
图2为实施例的滑动窗口位置示意图;
图3为实施例的大功率电器高波动情况下的投入和切出事件检测结果图;
图4为实施例的小功率电器的投入和切出事件检测结果图;
图5为实施例的近同时连续投入事件和连续切出事件的检测结果图;
图6为实施例的有功功率差分序列投入事件检测图像示意图;
图7为实施例的完整有功功率序列的全部投入和切出事件的检测结果图;
图8为实施例的启动浪涌电器检测结果图;
图9为实施例的恒功率电器检测结果图。
具体实施方式
下面结合附图对本发明做进一步的解释说明,但不应视为对权利要求的限制。
如图1所示,一种非侵入式的近同时连续事件检测与电器分类方法,具体包括以下步骤:
步骤一、检测可能发生的事件
选择LIFTED数据集中总表功率数据作为功率时间序列,将其重采样到1HZ。采用CUSUM算法对功率时间序列进行双边事件检测,确定事件的发生。具体步骤如下:
步骤1.1、获取待检测的有功功率有效值序列其中p(j)表示序列中的第j个有功功率的有效值,len(p)为待检测有功功率有效值序列的长度。如图2所示,利用滑动窗对待检测功率时间序列进行取样,所述滑动窗包括均值计算窗Wm、短暂态检测窗Wd和长暂态检测窗Wc三个连续的滑动窗口;其中Wm和Wd的长度均为m,m=20。Wc的窗口长度为n,n=40。分别计算三个滑动窗内功率有效值序列的均值Mm、Md和Mc:
其中,p(k)表示均值计算窗Wm中的第一个功率有效值。判断k+n是否大于len(p),如果大于则流程终止。否则进入步骤1.2。
步骤1.2、逐一计算短暂态检测窗Wd内每一时刻对应的投入事件累积和g+(k)和切出事件累积和g-(k):
其中,h是累计和阈值,β为外界引入的噪音,每一短暂态检测窗Wd对应的g+(k)和g-(k)其初始值g+(0)和g-(0)都为0。若存在或/>时,表示事件可能发生,进入步骤1.3。否则滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1。
步骤1.3、逐一计算长暂态检测窗Wc内每一时刻对应的投入事件累积和G+(k)和切出事件累积和G-(k):
每一长暂态检测窗Wc对应的G+(k)和G-(k)其初始值G+(0)和G-(0)都为0。当存在G+(k)>h或G-(k)>h时,判断存在大功率电器有事件发生,否则存在小功率电器有事件发生。
步骤二、确定事件的可能发生时刻
当判断存在事件发生时,从Wc窗口的初始时刻开始遍历整个Wc窗口。得到每个时刻的有功功率的有效值,并通过以下步骤对事件的投入时刻o(s)和切出时刻o(t)进行准确捕捉:
步骤2.1、获取投入时刻o(s):
s2.1.1、计算△ps-=p(s)-p(s-2),其中p(s)为s时刻的功率有效值,p(s-2)为s-2时刻的功率有效值。
计算sg(ds)和sg(ds+1)。其中ds=p(s)-p(s-1),sg()函数表示如下:
计算△psi=p(s+v)-p(s),其中p(s+v)满足p(s+v)>p(s+v-1)且p(s+v)≥p(s+v+1)。
s2.1.2、设定如下投入时刻判定条件:
条件一:△ps--<pthere,其中Pthere为设定的稳定阈值,Pthere=0.5~2。
条件二:sg(ds)<1且sg(ds+1)=1;
条件三:△psi>h;
条件四:△psi>0.5h。
s2.1.3、若存在同时满足条件一~三,则将o(s)记为大功率电器的投入时刻,若存在同时满足条件一、二、四,则将o(s)记为小功率电器的投入时刻。
步骤2.2、获取切出时刻o(t):
s2.2.1、计算△pt+=p(t+2)-p(t)、sg(dt)和sg(dt+1),以及△pti=p(t)-p(t-v),其中p(t-v)满足p(t-v)>p(t-v+1)且p(t-v)≥p(t-v-1)。
s2.2.2、设定如下切出时刻判定条件:
条件五:Δpt+<pthere;
条件六:sg(dt)=-1且sg(dt+1)=0;
条件七:△pti>h;
条件八:△pti>0.5h。
s2.2.3、若存在同时满足条件五~七,则将o(t)记为大功率电器的投入时刻,若存在同时满足条件五、六、八,则将o(t)记为小功率电器的投入时刻。
步骤2.3、对于大功率电器的投入、切出时刻,进入步骤三进行假阳性事件处理,对于小功率电器的投入时刻,进入步骤四进行事件确认,若不存在电器的投入或切出时刻,则将滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1。
步骤三、大功率电器的假阳性事件处理
大功率电器运行时会产生高功率波动,导致部分时刻被误判为事件发生时刻,即假阳性事件,为了避免这种状况,需要对步骤二捕捉的大功率电器的事件投入时刻o(s)与事件切出时刻o(t)做进一步的判别:
步骤3.1、当判断存在事件投入时,针对投入时刻o(s),计算在o(s-m)到o(s)这个时间区间内的有功功率序列的方差计算该时间区间内的功率均值ms;并设置常量超参数rthre,rthre受目标设备特性影响,取值为20。当/>时,判断投入时刻o(s)为真,转入步骤五进行近同时连续事件的检测。否则投入时刻o(s)为假,将该事件舍去。大功率电器投入时刻检测结果如图3中的(a)所示。
步骤3.2、当判断存在事件切出时,针对切出时刻o(t),计算在o(t)到o(t+m)这个时间区间内的方差计算该时间区间内的功率均值mt。当/>时,判断切出时刻o(t)为真。接着转入步骤五。否则切出时刻o(t)为假,将该事件舍去,大功率电器切出时刻检测结果如图3中的(b)所示。
步骤3.3、当存在真的投入时刻o(s)或切出时刻o(t)时,转入步骤五进行近同时连续事件的检测。否则,舍去假的事件时刻,并将滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1。
步骤四、小功率电器的事件确认
当小功率电器投切时前后功率差小于设置的阈值时,传统方法无法进行检测。并且大部分小功率电器只存稳定运行模式,很少存在多状态运行模式。
步骤4.1、根据检测到的小功率电器投入时刻o(s),计算在o(s-m)到o(s)这个时间区间中的有功功率序列方差并与额定方差/>进行比较,若/>则计算o(s)到o(s+3m)这个时间区间中的变异系数/>当Cw<Ch时,认为投入时刻o(s)为真。其中Ch=0.02,表示恒功率电器额定变异系数阈值,σw为对应时间区间内有功功率序列的标准差,mw为有功功率均值,小功率电器投入时刻检测结果如图4中的(a)所示。
步骤4.2、根据检测到的小功率电器切出时刻o(t),计算在o(t)到o(t+m)这个时间区间中的有功功率序列方差若/>则计算o(t-3m)到o(t)这个时间区间中的变异系数Cw,当Cw<Ch时,则认为切出时刻o(t)为真,小功率电器切出时刻检测结果如图4中的(b)所示。
步骤五、近同时连续开启或关闭事件的检测
步骤5.1、近同时连续投入事件和连续切出事件的检测结果图分别如图5中的(a)和(b)所示。对于步骤三得到的投入时刻o(s)和切出时刻o(t),分别对每个事件发生时刻所在的Wd窗口内的功率时间序列进行差分,计算j时刻的一阶差分为diff(j),diff(j)=p(j)-p(j-1)。求出该窗口内功率时间序列在每个时刻下的一阶差分值,从而得到有功功率差分序列
步骤5.2、使用两个长度为两个连续采样点的滑动窗口进行事件检测,包括均值计算微窗口Wn和事件检测微窗口Ws,分别计算两个微滑动窗内在diff(j)上的的均值Mn和Ms。
步骤5.3、对于投入时刻o(s),逐一计算微窗口均值计算窗Ws内每一时刻对应的投入事件累积和
若g+(l)>dh且p(l+1)>ds,则投入事件在l时刻发生,其中dh=50,表示设定的斜率阈值,ds=40,表示差分基准值。将微滑动窗向后推迟两个采样点,直到遍历整个Wd窗口。当检测到两个及以上投入事件时,即可认为存在近同时连续投入事件发生,并记录每个投入事件时刻o(s)。有功功率差分序列投入事件检测图像如图6中的(a)所示。
步骤5.4、对于切出时刻o(t),逐一计算微窗口均值计算窗Ws内每一时刻对应的切出事件累积和
若g-(l)>dh且p(l+1)<-ds,则切出事件在l时刻发生。将微滑动窗向后推迟两个采样点,直到遍历整个Wd窗口。当检测到两个及以上切出事件时,即可认为存在近同时连续切出事件发生,记录每个切出事件时刻o(t)。有功功率差分序列切出事件检测图像如图6中的(b)所示。
步骤5.5、将滑动窗均向后推迟m,即令k变为k+m,并返回步骤1.1,直至完成对有功功率有效值序列的检测。完整有功功率序列的全部投入和切出事件的检测结果图分别如图7(a)和7(b)所示。
步骤六、电器类型的初步分类
步骤6.1、计算电器在投入时刻o(s)的有功功率值p(s),找出从o(s)时刻到o(s+n)时刻中的最大有功功率有效值点pmax,以及对应的时刻o(a)。如果同时满足o(a)-o(s)<m与o(a)时刻到o(a+2m)时刻存在切出时刻o(t),就转入步骤6.2;否则转入步骤6.3。
步骤6.2、计算o(a)时刻到o(t-5)时刻的功率平均值mc与λ值:
通过上述公式计算得到λ值。若λ>hp,则认为投入时刻o(s)对应的投入事件是由启动浪涌电器引起的,否则进入步骤6.3。其中,hp=1.3,表示启动浪涌电器的判定阈值,启动浪涌电器检测结果图如图8所示。
步骤6.3、若在o(s+m)时刻到o(s+3m)时刻区间内存在切出时刻o(t),计算在o(s+m)时刻到o(t-5)时刻区间内的变异系数Cw;否则计算在o(s+m)时刻到o(s+3m)时刻区间内的变异系数Cw。当Cw<Ch时,认为投入时刻o(s)对应的投入事件是由由恒功率电器引起的。否则认为其对应的投入事件是由其他类型电器引起的。恒功率电器检测结果图如图9所示。
本实施例通过使用真阳性百分比TPP=TP/EG、假阳性百分比FPP=FP/ED和假阴性百分比FNP=FN/EG来评估事件检测结果,其中EG是实际事件的数量,ED是检测到的事件的数量;TP、FP和FN分别是真阳性、假阳性和假阴性事件的数量。同时还使用f1分数来确定最佳参数:
事件检测结果如表1所示,采用传统CUSUM事件检测算法以及广义似然比检验事件检测算法(Generalized Likelihood Ratio Test,GLRT)进行对比验证:
TPP | FPP | FNP | f1 | |
本方法 | 100% | 0 | 0 | 100% |
传统CUSUM | 86.8% | 12.3% | 13.2% | 87.1% |
GLRT | 92.8% | 10.3% | 7.2% | 91.4% |
表1
启动浪涌电器检测结果如表2所示:
TPP | FPP | FNP | f1 | |
本方法 | 100% | 0 | 0 | 100% |
表2
恒功率电器检测结果如表3所示:
TPP | FPP | FNP | f1 | |
本方法 | 100% | 0 | 0 | 100% |
表3
可以看出本方法对于事件的准确率相对于传统算法有很大的提升,对于电器种类也能进行准确的初步分类。
Claims (9)
1.一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:该方法具体步骤如下:
步骤一、检测可能发生的事件
采用CUSUM算法对有功功率时间序列进行双边事件检测,当长暂态检测窗Wc内存在G+(k)>h或G-(k)>h时,判断存在大功率电器事件发生,否则判断存在小功率电器事件发生;其中,G+(k)、G-(k)分别表示长暂态检测窗Wc内k时刻对应的投入事件累积和和切出事件累积和,h表示累积和阈值;
步骤二、确定事件的可能发生时刻
步骤2.1、获取投入时刻o(s):
s2.1.1、计算△ps-=p(s)-p(s-2),其中p(s)为s时刻的功率有效值;
计算sg(ds)和sg(ds+1);其中ds=p(s)-p(s-1),sg()函数表示如下:
计算△psi=p(s+v)-p(s),其中p(s+v)满足p(s+v)>p(s+v-1)且p(s+v)≥p(s+v+1);
s2.1.2、设定如下投入时刻判定条件:
条件一:△ps--<pthere,;条件二:sg(ds)<1且sg(ds+1)=1;条件三:△psi>h;条件四:△psi>0.5h;其中Pthere为设定的稳定阈值;
s2.1.3、若存在同时满足条件一~三,则将o(s)记为大功率电器的投入时刻,若存在同时满足条件一、二、四,则将o(s)记为小功率电器的投入时刻;
步骤2.2、获取切出时刻o(t):
s2.2.1、计算△pt+=p(t+2)-p(t)、sg(dt)和sg(dt+1),以及△pti=p(t)-p(t-v),其中p(t-v)满足p(t-v)>p(t-v+1)且p(t-v)≥p(t-v-1);
s2.2.2、设定如下切出时刻判定条件:
条件五:Δpt+<pthere;条件六:sg(dt)=-1且sg(dt+1)=0;条件七:△pti>h;条件八:△pti>0.5h;
s2.2.3、若存在同时满足条件五~七,则将o(t)记为大功率电器的投入时刻,若存在同时满足条件五、六、八,则将o(t)记为小功率电器的投入时刻;
步骤2.3、对于大功率电器的投入、切出时刻,进入步骤三进行假阳性事件处理,对于小功率电器的投入时刻,进入步骤四进行事件确认,若不存在电器的投入或切出时刻,则将滑动窗向后推迟m,并返回步骤1;其中m为CUSUM算法中的均值计算窗Wm与短暂态检测窗Wd的长度;
步骤三、大功率电器的假阳性事件处理
针对步骤二确定的大功率电器投入、切出时刻,分别计算在事件发生前、后m长度的时间段内的有功功率序列的方差以及功率均值ms、mt,设置常量超参数rthre,若则投入时刻o(s)为真,若/>则切出时刻为真;
步骤四、小功率电器的事件确认
针对步骤二确定的小功率电器投入时刻或切出时刻,分别计算在事件发生前或发生后m长度的时间段内的有功功率序列的方差,若小于设定的额定,则进一步计算在事件发生前或发生后3m长度的时间段内变异系数,若变异系数小于恒功率电器额定变异系数阈值,则该投入时刻或切出时刻为真;
步骤五、近同时连续开启或关闭事件的检测
步骤5.1、对于步骤三得到的大功率电器投入时刻o(s)和切出时刻o(t),分别对每个事件发生时刻所在的Wd窗口内的功率时间序列进行差分,得到有功功率差分序列
步骤5.2、使用两个长度为两个连续采样点的微滑动窗口进行事件检测,包括均值计算微窗口Wn和事件检测微窗口Ws,分别计算两个微滑动窗内差分序列diff(j)的均值Mn和Ms;
步骤5.3、对于投入时刻o(s),逐一计算微窗口均值计算窗Ws内每一时刻对应的投入事件累积和若g+(l)>dh且p(l+1)>ds,则投入事件在l时刻发生,其中dh为设定的斜率阈值,ds为差分基准值,均为常量参数;将微滑动窗向后推迟两个采样点,直到遍历整个Wd窗口;当检测到两个及以上投入事件时,即可认为存在近同时连续投入事件发生;
步骤5.4、对于切出时刻o(t),逐一计算微窗口均值计算窗Ws内每一时刻对应的切出事件累积和若g-(l)>dh且p(l+1)<-ds,则切出事件在l时刻发生;将微滑动窗向后推迟两个采样点,直到遍历整个Wd窗口;当检测到两个及以上切出事件时,即可认为存在近同时连续切出事件发生;
步骤5.5、将滑动窗均向后推迟m,即令k变为k+m,并返回步骤1,直至完成对有功功率有效值序列的事件检测。
2.如权利要求1所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:采用CUSUM算法对功率时间序列进行双边事件检测的具体步骤为:
步骤1.1、获取待检测的有功功率有效值序列其中p(j)表示序列中的第j个有功功率的有效值,len(p)为待检测有功功率有效值序列的长度;利用滑动窗对待检测功率时间序列进行取样,所述滑动窗包括均值计算窗Wm、短暂态检测窗Wd和长暂态检测窗Wc三个连续的滑动窗口;其中Wm和Wd的长度均为m,Wc的窗口长度为n,分别计算三个滑动窗内功率有效值序列的均值Mm、Md和Mc:
其中,p(k)表示均值计算窗Wm中的第一个功率有效值;当k+n>len(p)时,流程终止,否则进入步骤1.2;
步骤1.2、逐一计算短暂态检测窗Wd内每一时刻对应的投入事件累积和g+(k)和切出事件累积和g-(k):
其中,β为外界引入的符合正态分布的噪音;若存在或/>时,表示事件可能发生,进入步骤1.3;否则滑动窗向后推迟m,即令k变为k+m,并返回步骤1.1;
步骤1.3、逐一计算长暂态检测窗Wc内每一时刻对应的投入事件累积和G+(k)和切出事件累积和G-(k):
:
当存在G+(k)>h或G-(k)>h时,判断存在大功率电器事件发生,否则判断存在小功率电器事件发生。
3.如权利要求2所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:均值计算窗Wm、短暂态检测窗Wd长度m的取值范围为20到100,长暂态检测窗Wc长度n的取值范围为1.5m~2.5m。
4.如权利要求1所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:步骤二中,设置稳定阈值Pthere=0.5~2。
5.如权利要求1所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:大功率电器的假阳性事件处理方法具体为:
步骤3.1、当判断存在事件投入时,针对投入时刻o(s),计算在o(s-m)到o(s)这个时间区间内的有功功率序列的方差以及功率均值ms;当/>时,判断大功率电器的投入时刻o(s)为真,否则投入时刻o(s)为假;
步骤3.2、当判断存在事件切出时,针对切出时刻o(t),计算在o(t)到o(t+m)这个时间区间内的有功功率序列方差以及功率均值mt;当/>时,判断大功率电器的切出时刻o(t)为真,否则为假。
6.如权利要求5所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:所述超参数rthre受目标设备特性影响,取值范围为15到30。
7.如权利要求1所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:小功率电器的事件确认方法为:
步骤4.1、根据检测到的小功率电器投入时刻o(s),计算在o(s-m)到o(s)这个时间区间中的有功功率序列方差并与额定方差/>进行比较,若/>则计算o(s)到o(s+3m)这个时间区间中的变异系数Cw,/>当Cw<Ch时,认为投入时刻o(s)为真;其中Ch为恒功率电器额定变异系数阈值,σw为对应时间区间内有功功率序列的标准差,mw为有功功率均值;
步骤4.2、根据检测到的小功率电器切出时刻o(t),计算在o(t)到o(t+m)这个时间区间中的有功功率序列方差若/>则计算o(s-3m)到o(s)这个时间区间中的变异系数Cw,当Cw<Ch时,则认为切出时刻o(t)为真。
8.如权利要求7所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:设置额定方差的取值范围为0.07~0.1,恒功率电器额定变异系数阈值Ch的取值范围为0.015到0.025。
9.如权利要求1所述一种非侵入式的近同时连续事件检测与电器分类方法,其特征在于:完成有功功率有效值序列的事件检测后,进行电器类型的初步分类,具体步骤如下:
步骤6.1、计算电器在投入时刻o(s)的有功功率值p(s),找出从o(s)时刻到o(s+n)时刻中的最大有功功率有效值点pmax,以及对应的时刻o(a),如果同时满足o(a)-o(s)<m与o(a)时刻到o(a+2m)时刻存在切出时刻o(t),进入步骤6.2,否则进入步骤6.3;
步骤6.2、计算o(a)时刻到o(t-5)时刻的功率平均值mc以及λ值:
若λ>hp,则认为投入时刻o(s)对应的投入事件是由启动浪涌电器引起的,否则进入步骤6.3;其中,hp为启动浪涌电器的判定阈值,取值范围为1.25~1.35;
步骤6.3、若在o(s+m)时刻到o(s+3m)时刻区间内存在切出时刻o(t),计算在o(s+m)时刻到o(t-5)时刻区间内的变异系数Cw;否则计算在o(s+m)时刻到o(s+3m)时刻区间内的变异系数Cw;当Cw<Ch时,认为投入时刻o(s)对应的投入事件是由由恒功率电器引起的;否则认为其对应的投入事件是由其他类型电器引起的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311459222.5A CN117491730A (zh) | 2023-11-03 | 2023-11-03 | 一种非侵入式的近同时连续事件检测与电器分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311459222.5A CN117491730A (zh) | 2023-11-03 | 2023-11-03 | 一种非侵入式的近同时连续事件检测与电器分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117491730A true CN117491730A (zh) | 2024-02-02 |
Family
ID=89680923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311459222.5A Pending CN117491730A (zh) | 2023-11-03 | 2023-11-03 | 一种非侵入式的近同时连续事件检测与电器分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491730A (zh) |
-
2023
- 2023-11-03 CN CN202311459222.5A patent/CN117491730A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116677928B (zh) | 一种焊接保护气管道漏气智能检测方法 | |
JP4922597B2 (ja) | 燃料電池システムの診断方法および診断装置 | |
CN110672332B (zh) | 一种基于sarima模型的燃气轮机故障预警系统 | |
CN113687164B (zh) | 一种非侵入式负荷事件两阶段自适应检测方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN117708748B (zh) | 一种用于离心风机的运行监测系统及方法 | |
CN111709465A (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
CN112039059B (zh) | 基于功率阶跃连续性判别的长暂态负荷事件检测方法 | |
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 | |
CN115859810A (zh) | 一种干式变压器绕组温升异常诊断方法 | |
CN111175599A (zh) | 一种非介入式空调的辨识方法 | |
CN111917114B (zh) | 一种适用于嵌入式平台的电力负荷事件检测方法 | |
CN117491730A (zh) | 一种非侵入式的近同时连续事件检测与电器分类方法 | |
CN117251744A (zh) | 基于人工智能的窑炉运行异常状态检测方法 | |
CN111191908B (zh) | 一种负荷事件检测方法、系统及存储介质 | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
CN115333102B (zh) | 电力负荷功率模式多时间尺度自适应检测方法 | |
CN118099485B (zh) | 燃料电池系统工况检测方法、自动化试验方法及测试系统 | |
CN110929800A (zh) | 一种基于sax算法的商业体异常用电检测方法 | |
CN117970168B (zh) | 一种双电源转换装置的监测数据高效处理方法 | |
CN118051858B (zh) | 基于异常用电数据的智能节电方法及系统 | |
CN115907567B (zh) | 基于鲁棒性随机分割森林算法的负荷事件检测方法及系统 | |
WO2021176576A1 (ja) | 非定常検出システム、非定常検出方法および非定常検出プログラム | |
CN111177212B (zh) | 空气源热泵工作状态的确定方法及装置、电子设备 |
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 |