何为非侵入式负荷识别-事件检测

1 事件检测方法综述

现有的事件检测方法主要分为两类：规则检测和概率模型检测。还有其他的，但是主要是这两类。

        规则检测的方法是直接观察待测信号的变化，提出一种规则作为事件检测判据，规则合理与否就决定了这类方法的准确程度。由于电器投切事件的差异性和多样性，仅凭直观经验容易漏检和误检，因而这类方法应用场景较少。概率模型检测本质上为一种统计学判断假设的问题，事件发生时序列中元素的分布或分布参数会发生变化。主要有四种方法：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。

        规则检测就是自己认为设置一个规则，满足该规则的就是发生了事件。以有功功率为例，|ΔP|＞50W，就认为发生了事件，这样的规则有效，但是局限较大。小于50W的电器检测不到，然后只要有一个简单的波动会导致误测。如下图所示。

 前者发生了一个事件，但是由于ΔP小于50，所以漏测了。后者虽然ΔP大于50，但是其并不是一个电器状态变化引起的，该波动前后的稳态是一样的。

        相比与规则检测、概率模型更加有效。GLRT是指从相邻窗口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。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。BIC是通过将滑动窗口内的样本划分成均匀片段，再通过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。上述概率模型检测方法都引入了更多的参数，计算量更大，针对不同用电环境需要调整参数。在复杂用电环境下，单一方法可能无法满足所有特性的电器，为此，有研究学者提出了融合多种方法进行混合事件检测。

        这几类的方法大同小异，都需要建立两个假设，含变点的模型和不含变点的模型。具体原理可参考文献[1]和文献[2]。这类算法都需要用到滑动窗口，在滑动的过程中计算各种数学量，判断当前窗口内有变点的概率有多大，再设置一个阈值。当数学量大于阈值时，认为有事件发生了。

        CUSUM[3]最简单，所以我以这个为例来介绍概率模型。

2 滑动窗双边CUSUM事件检测算法

        在电流有效值(简称电流)时间序列内定义均值计算窗Wm和暂态检测窗Wd两个连续的滑动窗口，窗口大小分别为m、n。两个窗口内电流均值Mm和Md定义如下：

 

式中  k1—— 均值计算窗的第1个采样点。

为检测用电器投入和切出，分别定义投入、切出事件累积和 、 ，具体计算方法为：

式中  β —— 外界引入的噪声，反映电流时间序列稳定时的波动水平。

以投入事件为例对该算法进行阐述。首先，设置累计和阈值H来判断事件是否发生，该值可通过训练得到。累计和初始值为零，当检测窗口均值Md大于Mm+β 时， 值开始累加。当0<d，初始值为0，令d=d+1，计算 直至>H时确定投入事件发生，事件开始时刻为第j个点。为避免序列震荡导致误检测，延迟因子每次增加时对和进行比较，若 ，则判定为一次电流波动而非事件，并令 。投入事件的事件检测流程如图所示。

         这个算法实现简单，效果比规则检测好。但是在一些场景下，它仍会出现漏测和误测。还有如何判断何时进入稳态，这都需要研究。有较多的文献对此进行了改进。文献[4-6]在不同程度上有改进。

3 代码实现

        该代码的实现很简单，根据公式进行计算它的平均值，以及累计和就行。

        滑动窗口

Islide=zeros(Point_T,(length(Inorm(:,2))-Point_T+1)*2);%%现将所有的滑动窗放到矩阵Islide中
for i=1:length(Inorm(:,2))-Point_T+1
    Islide(:,2*i-1)=Inorm(i:i+Point_T-1,1);
    Islide(:,2*i)=Inorm(i:i+Point_T-1,2);
end

        平均值计算

meanNm=mean(Islide(1:LNm,2*i));
meanNd=mean(Islide(LNm+1:LNd+LNm,2*i));

        累计和计算

gp=max(0,gp+meanNd-(meanNm+beta));
gn=max(0,gn-meanNd+(meanNm-beta));

 然后只需要不断的进行循环就行。其中进入稳态的时刻可以参考文献5或者6。

 结果图。

只要控制阈值H，就可以检测到满足要求的事件。

4 事件检测的难点

        这里讲的难点适用于所有算法。

        1）如何解决小电流电器或者小功率电器事件被大电流电器或者大功率电器波动所覆盖的问题[6]。论文中的算例图如下，电风扇的电流变化远比台式机运行电流波动小。这会导致事件检测误测或者漏测。

        2）如何解决有周期性设备运行时，多事件同时发生的情况[7]。

        3）如何准确的判断进入稳态时刻。可以关注文献[5,6]

关于事件检测的算法不止我提到的这些文献，以上的文献我就不一一将代码贴出来，大家感兴趣的可以去看看文献。如果对哪种事件检测算法感兴趣也欢迎在评论区讨论。

[1]肖江,Fran?ois AUGER,荆朝霞,Sarra HOUIDI.基于贝叶斯信息准则的非侵入式负荷事件检测算法[J].电力系统保护与控制,2018,46(22):8-14.

[2]张露,Francois Auger,荆朝霞,Sarra Houidi,Huu Kien Bui,肖江.基于非侵入式的事件检测方法统计评估[J].电测与仪表,2020,57(01):106-112+120.DOI:10.19753/j.issn1001-1390.2020.001.014.

[3]牛卢璐,贾宏杰.一种适用于非侵入式负荷监测的暂态事件检测算法[J].电力系统自动化,2011,35(09):30-35.

[4]史帅彬,张恒,邓世聪,周东国,周洪,胡文山.基于复合滑动窗的CUSUM暂态事件检测算法[J].电测与仪表,2019,56(17):13-18.DOI:10.19753/j.issn1001-1390.2019.017.003.

[5]丁世敬,王晓静,雍静,刘明.基于事件检测的非侵入式负荷识别方法研究[J].建筑电气,2017,36(07):57-64.

[6]黄伟,郑明杨.基于小电流电器的滑动窗双边CUSUM事件检测改进算法[J].水电能源科学,2022,40(02):206-210.

[7]黄伟, 郑明杨. 基于周期性多态洗衣机运行的混合事件检测算法[J]. 智能电网, 2021, 11(3): 242-258. 基于周期性多态洗衣机运行的混合事件检测算法