一种非侵入式居民负荷突变事件三阈值检测方法和系统

技术领域

本发明属于非介入式负荷辨识技术领域，涉及一种非侵入式居民负荷突变事件三阈值检测方法和系统。

背景技术

随着我国城镇居民生活水平的提高，居民用户负荷呈高速增长态势，用户用电行为日趋复杂，且用户更加注重深度参与个性化选择与信息互动。居民用户数量庞大、精益用能服务需求增长，使其成为了与电网互动的有力群体。

目前国家电网公司只能推送给居民用户上一日用电量等有限用电数据，不能满足能效评估、用电电器工况获取等需求。

非介入式负荷辨识技术，在不影响用户正常用电的情况下，智能感知居民用户用能情况，精细化分析居民用户的用电信息，为居民提供更加丰富的用电信息和更为全面、个性化的智能服务，具有重要的现实意义。

负荷突变事件检测是非介入式负荷辨识技术中核心原理之一，是区分用电设备工作状态突变，检测伴随负荷标签特征或相关电气指标的变化的关键步骤，为后续负荷特征辨识与电量分解提供基础依据。

实际居民负荷繁多，特性差异巨大，对负荷投切事件精准检测带来了挑战。空调等负荷因其启动时间长，对投入事件时间检测提出了更高的精度要求。

发明内容

为解决现有技术中的不足，本申请提供一种非侵入式居民负荷突变事件三阈值检测方法和系统，提高对空调等负荷存在的检测精度。

为了实现上述目标，本发明采用如下技术方案：

一种非侵入式居民负荷突变事件三阈值检测方法，所述方法包括以下步骤：

步骤1：获取检测时间周期内智能电表内的电流、电压采样数据，并计算各采样时间点的负荷有功功率值，从而得到周期内负荷有功功率时间序列；

步骤2：采用固定长度的数据滑动窗从周期内负荷有功功率时间序列左边界开始获取负荷有功功率时间序列，获取得到的负荷有功功率时间序列称为滑动窗序列，第i序列点对应的滑动窗序列用SW

其中P

步骤3：采用设定的第一功率阈值对当前滑动窗序列进行负荷突变事件序列判别；

步骤4：对步骤3判定的负荷突变事件序列进行相邻负荷突变事件序列判别，判定为相邻负荷突变事件序列的两个负荷突变事件序列拼接得到完整负荷突变事件序列；

步骤5：判断滑动窗是否已经滑动到负荷有功功率时间序列右边界，若是，则执行步骤7，否则执行步骤6；

步骤6：滑动窗向负荷有功功率时间序列右边界滑动，更新滑动窗序列，返回步骤3；

步骤7：采用第二功率阈值，对步骤4判定的所有完整负荷突变事件序列进行有效负荷突变事件序列筛选与负荷突变事件序列分类，所述第二功率阈值大于第一功率阈值；

步骤8：对比修正负荷投入事件序列与负荷切除事件序列，输出居民负荷突变事件检测结果。

本发明进一步包括以下优选方案：

优选地，步骤3包括以下步骤：

步骤3.1：计算负荷突变事件序列的功率判别式ΔP：

ΔP＝μ(SW

其中，ΔP为后窗序列有功功率均值与前窗序列有功功率均值之差，μ(·)表示均值函数；

步骤3.2：对滑动窗序列进行负荷突变事件序列判定：

若ΔP大于第一功率阈值LOW

优选地，步骤4包括以下步骤：

步骤4.1：计算相邻负荷突变事件序列的时间判别式ΔT，鉴别相邻负荷突变事件序列：

第i序列点与第j序列点所对应负荷突变事件序列为相邻负荷突变事件序列的时间判定式为ΔT：

ΔT＝j-i-2w (2)

若ΔT小于等于时间阈值TIME

步骤4.2：连接相邻负荷突变事件序列，得到完整负荷突变事件序列，则完整负荷突变事件序列的序列点集合为D

D

L(i)＝i-w

R(i)＝j+w

L(i),R(i)分别为完整负荷突变事件序列的左边界序列点和右边界序列点。

优选地，步骤5中，对于智能电表历史数据的长度为L的负荷有功功率时间序列，滑动窗是否已经滑动到负荷有功功率时间序列右边界判据如下：

若滑动次数n大于计算阈值NUM

对于智能电表实时动态数据的负荷有功功率时间序列，通过判定滑动次数是否等于设定次数来判断是否进入步骤7。

优选地，步骤6中，采用半窗滑动方式更新滑动窗序列，即：

每次滑动窗向负荷有功功率时间序列右边界滑动w个序列长度，以更新滑动窗序列，同时滑动次数加一，然后返回步骤3。

优选地，步骤7包括以下步骤：

步骤7.1：计算有效负荷突变事件序列筛选判别式

P

L(i),R(i)分别为完整负荷突变事件序列的左边界序列点和右边界序列点：

L(i)＝i-w

R(i)＝j+w

步骤7.2：对完整负荷突变事件序列进行有效负荷突变事件序列筛选：

若

步骤7.3：对有效负荷突变事件序列进行负荷投入事件序列与负荷切除事件序列分类：

若ΔP为正值，则判定该有效负荷突变事件序列为负荷投入事件序列，否则为负荷切除事件序列。

优选地，步骤8中，若某负荷切除事件序列的左边界序列点小于某负荷投入事件序列的右边界序列点，且该负荷切除事件序列的后窗序列与该负荷投入事件序列的前窗序列有功功率均值差大于第二功率阈值，则连接该负荷切除事件序列与该负荷投入事件序列，作为一个负荷投入事件；若某负荷切除事件序列的序列点集合是某负荷投入事件序列的序列点集合的真子集，则删除该负荷切除事件序列。

优选地，所述负荷按照启停时功率变化过程分为阶跃型、冲击型、缓升型三类。

本发明还公开了一种非侵入式居民负荷突变事件三阈值检测系统，所述系统包括：

计算模块，用于获取检测时间周期内智能电表内的电流、电压采样数据，并计算各采样时间点的负荷有功功率值，从而得到周期内负荷有功功率时间序列；

获取模块，用于采用固定长度的数据滑动窗从周期内负荷有功功率时间序列左边界开始获取负荷有功功率时间序列，获取得到的负荷有功功率时间序列称为滑动窗序列，第i序列点对应的滑动窗序列用SW

其中P

第一判别模块，用于采用设定的第一功率阈值对当前滑动窗序列进行负荷突变事件序列判别；

第二判别模块，对第一判别模块判定的负荷突变事件序列进行相邻负荷突变事件序列判别，判定为相邻负荷突变事件序列的两个负荷突变事件序列拼接得到完整负荷突变事件序列；

判断模块，用于判断滑动窗是否已经滑动到周期内负荷有功功率时间序列右边界，若是，则进入筛选分类模块，否则进入更新模块；

更新模块，用于滑动窗向周期内负荷有功功率时间序列右边界滑动，更新滑动窗序列，返回获取模块；

筛选分类模块，用于采用第二功率阈值，对第二判别模块判定的所有完整负荷突变事件序列进行有效负荷突变事件序列筛选与负荷突变事件序列分类，所述第二功率阈值大于第一功率阈值；

修正模块，用于对比修正负荷投入事件序列与负荷切除事件序列，输出周期内居民负荷突变事件检测结果。

本申请所达到的有益效果：

本发明对常规负荷突变事件检测准确度有很大改善，尤其对缓升型和冲击型事件检测精度高，算法容错性好；

同时，本发明采用了基础求和运算与对比判据，大幅度降低整体计算需求，更加适用于算力较弱的居民智能电表。

附图说明

图1为本发明方法的流程图；

图2为阶跃型典型居民负荷电热水壶的启动过程功率曲线；

图3为冲击型典型居民负荷吸尘器的启动过程功率曲线；

图4为缓升型典型居民负荷变频空调的启动过程功率曲线；

图5为两步方差法对阶跃型负荷电热水壶启动事件检测结果图；

图6为改进CUSUM对阶跃型负荷电热水壶启动事件检测结果图；

图7为本发明所提方法对阶跃型负荷电热水壶启动事件检测结果图；

图8为两步方差法对冲击型负荷吸尘器启动事件检测结果图；

图9为改进CUSUM对冲击型负荷吸尘器启动事件检测结果图；

图10为本发明所提方法对冲击型负荷吸尘器启动事件检测结果图；

图11为本发明所提方法对缓升型负荷变频空调启动事件检测结果图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，本发明的一种非侵入式居民负荷突变事件三阈值检测方法，所述方法包括以下步骤：

步骤1：获取检测时间周期内智能电表内的电流、电压高频采样数据，并计算各采样时间点的负荷有功功率值，从而得到周期内负荷有功功率时间序列；

所述负荷按照启停时功率变化过程分为阶跃型、冲击型、缓升型三类。

步骤2：采用固定长度的数据滑动窗从周期内负荷有功功率时间序列左边界开始获取负荷有功功率时间序列，获取得到的负荷有功功率时间序列称为滑动窗序列，第i序列点对应的滑动窗序列用SW

其中P

步骤3：采用设定的第一功率阈值对当前滑动窗序列进行负荷突变事件序列判别，包括以下步骤：

步骤3.1：计算负荷突变事件序列的功率判别式ΔP：

ΔP＝μ(SW

其中，ΔP为后窗序列有功功率均值与前窗序列有功功率均值之差，μ(·)表示均值函数；

步骤3.2：对滑动窗序列进行负荷突变事件序列判定：

若ΔP大于第一功率阈值LOW

步骤4：对步骤3判定的负荷突变事件序列进行相邻负荷突变事件序列判别，判定为相邻负荷突变事件序列的两个负荷突变事件序列拼接得到完整负荷突变事件序列，包括以下步骤：

步骤4.1：计算相邻负荷突变事件序列的时间判别式ΔT，鉴别相邻负荷突变事件序列：

若

第i序列点与第j序列点所对应负荷突变事件序列为相邻负荷突变事件序列的时间判定式为ΔT：

ΔT＝j-i-2w (2)

若ΔT小于等于时间阈值TIME

步骤4.2：连接相邻负荷突变事件序列，得到完整负荷突变事件序列，则完整负荷突变事件序列的序列点集合为D

D

L(i)＝i-w

R(i)＝j+w

L(i),R(i)分别为完整负荷突变事件序列的左边界序列点和右边界序列点。

步骤5：判断滑动窗是否已经滑动到负荷有功功率时间序列右边界，若是，则执行步骤7，否则执行步骤6；

具体实施时，对于智能电表历史数据的长度为L的负荷有功功率时间序列，滑动窗是否已经滑动到负荷有功功率时间序列右边界判据如下：

若滑动次数n大于计算阈值NUM

对于智能电表实时动态数据的负荷有功功率时间序列，该序列长度不固定，功率点随着时间不断向后增加，没有明确物理意义的负荷有功功率时间序列右边界。此时，则通过判定滑动次数是否等于设定次数来判断是否进入步骤7。算法可以在该动态序列上的此后任意时刻重新开始检测。

步骤6：滑动窗向负荷有功功率时间序列右边界滑动，更新滑动窗序列，返回步骤3；

具体实施时，可采用半窗滑动方式更新滑动窗序列，即：

每次滑动窗向负荷有功功率时间序列右边界滑动w个序列长度，以更新滑动窗序列，同时滑动次数加一，然后返回步骤3。

步骤7：采用第二功率阈值，对步骤4判定的所有完整负荷突变事件序列进行有效负荷突变事件序列筛选与负荷突变事件序列分类，所述第二功率阈值大于第一功率阈值，以采用高阈值去筛选低阈值计算得到的众多事件，消去由各种噪声、毛刺、手动误操作造成的错误事件。

步骤7包括以下步骤：

步骤7.1：计算有效负荷突变事件序列筛选判别式

P

L(i),R(i)分别为完整负荷突变事件序列的左边界序列点和右边界序列点：

L(i)＝i-w

R(i)＝j+w

步骤7.2：对完整负荷突变事件序列进行有效负荷突变事件序列筛选：

若

步骤7.3：对有效负荷突变事件序列进行负荷投入事件序列与负荷切除事件序列分类：

所述负荷投入事件序列与负荷切除事件序列，即指负荷启动与停止，一般称为负荷投入(开/open)与负荷切除(关/close)。

若

步骤8：对比修正负荷投入事件序列与负荷切除事件序列，输出居民负荷突变事件检测结果。

若某负荷切除事件序列的左边界序列点小于某负荷投入事件序列的右边界序列点，且该负荷切除事件序列的后窗序列与该负荷投入事件序列的前窗序列有功功率均值差大于第二功率阈值，则连接该负荷切除事件序列与该负荷投入事件序列，作为一个负荷投入事件；若某负荷切除事件序列的序列点集合是某负荷投入事件序列的序列点集合的真子集，则删除该负荷切除事件序列。

本发明的一种非侵入式居民负荷突变事件三阈值检测系统，包括：

计算模块，用于获取检测时间周期内智能电表内的电流、电压高频采样数据，并计算各采样时间点的负荷有功功率值，从而得到周期内负荷有功功率时间序列；

获取模块，用于采用固定长度的数据滑动窗从周期内负荷有功功率时间序列左边界开始获取负荷有功功率时间序列，获取得到的负荷有功功率时间序列称为滑动窗序列，第i序列点对应的滑动窗序列用SW

其中P

第一判别模块，用于采用设定的第一功率阈值对当前滑动窗序列进行负荷突变事件序列判别；

第二判别模块，对第一判别模块判定的负荷突变事件序列进行相邻负荷突变事件序列判别，判定为相邻负荷突变事件序列的两个负荷突变事件序列拼接得到完整负荷突变事件序列；

判断模块，用于判断滑动窗是否已经滑动到周期内负荷有功功率时间序列右边界，若是，则进入筛选分类模块，否则进入更新模块；

更新模块，用于滑动窗向周期内负荷有功功率时间序列右边界滑动，更新滑动窗序列，返回获取模块；

筛选分类模块，用于采用第二功率阈值，对第二判别模块判定的所有完整负荷突变事件序列进行有效负荷突变事件序列筛选与负荷突变事件序列分类，所述第二功率阈值大于第一功率阈值；

修正模块，用于对比修正负荷投入事件序列与负荷切除事件序列，输出周期内居民负荷突变事件检测结果。

为了分析本发明适用于新型电能表的非侵入式居民负荷突变事件三阈值检测方法的性能，本发明选取电热水壶、吸尘器与变频空调作为居民负荷中阶跃型、冲击型与缓升型负荷的典型代表，对本发明方法及两种传统事件检测算法，即两步方差法与改进CUSUM法进行检验与比对。三个电器投入时间功率曲线如图2至图4所示。

下面通过三种实测算例考察并印证本发明方法及两种传统方法检测性能：

图5至图7展示了三种算法针对以电热水壶为典型代表的阶跃型负荷的对比检测结果，其中灰色圆点为检测投入事件点。很明显，两步方差检测算法漏检了所有阶跃型事件的末尾阶段。其原因是末尾阶段滑动窗内的方差判据，即窗口平均功率较大导致无法通过。同时，该算法易出现事件开始时间检测过长的问题。本发明方法不仅能有效检测每个检测事件，而且检测结束时间相对于改进CUSUM算法更加逼近真实结束时间，检测准确度更高。

图8至图10展示了三种算法针对以吸尘器为典型代表的冲击型负荷的对比检测结果，其中灰色圆点为检测投入事件点，黑色叉点为检测切除事件点。由图8至图10可知，针对冲击型事件，方差检测方法有着较好的检测效果，但依旧存在起始位置错误的问题。而改进CUSUM算法因为双边累积计算导致尖峰下降边沿会误辨识为一段切除事件。本发明方法通过第四阶段的投切事件对比修正将包含在投入事件内的切除事件删除，有效解决冲击型事件的误检问题。

值得指出的是，当负荷突变事件过程中出现异常极大值数据，例如通信错误或用户其他电器快速开关时，正常的阶跃型负荷突变事件将转变为尖峰型事件。这就意味着，本发明方法可以有效消除异常极大值数据的影响。

图11展示了本发明针对以变频空调为典型代表的缓升型负荷的检测结果，两种传统算法未得到检测结果。被测试的变频空调从开启到进入稳态，持续时间约40秒，功率上升非常缓慢，在较短滑窗内的方差值与CUSUM累积值均很小，导致前两种算法均不能检测出变频空调开启事件，这直接导致基于事件检测的NILM算法无法辨识该变频空调。本发明所提的三阈值算法首先用低阈值在缓升段检测出一系列事件，再通过时间阈值进行事件拼接，拼接后的完整缓升事件功率变化约600W，显然能够通过高阈值筛选，最后用事件修正逻辑将异常功率点剔除，最终准确检测出变频空调开启事件。

本申请公开了一种非侵入式居民负荷突变事件三阈值检测方法和系统，首先采用低阈值居民入户侧高频采样数据进行高灵敏度检测，检测所有可能负荷突变事件段；其次依据时间阈值对检出负荷突变事件段在时间尺度上进行相似拼接，从而完整得到长启动事件等各种启停事件的突变全过程；最后使用高阈值对完整事件集合进行判别，筛选有效负荷突变事件，滤除由负荷波动产生的扰动突变。本发明对各类型负荷投入和切除时刻定位快速准确，有利于提高负荷突变事件的暂态区间截取精度，同时在解决缓升型负荷突变事件检测方面具有突出优势。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。