[发明专利]周期性多状态电器的事件检测方法及系统、设备、存储介质

说明书

本发明公开了一种周期性多状态电器的事件检测方法及系统、设备、存储介质，所述事件检测方法首先通过改进的CUSUM算法在电流数据上进行启停波形的检测，可以准确地识别出周期性多状态电器的投入/切出事件，有效降低了启停事件被漏检的概率。然后将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配，而所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形，如果连续多次波形匹配均为同一电器，则认为该电器发生了启停。通过建立周期性波形数据库，并将得到的启停波形与周期性波形数据库中存储的标准波形进行波形匹配，可以有效降低事件检测的漏测、误测情况，提高了识别精确率，保证了后续特征提取的准确性。

技术领域

本发明涉及非侵入式负荷识别技术领域，特别地，涉及一种周期性多状态电器的事件检测方法及系统、设备、计算机可读取的存储介质。

背景技术

目前，负荷监测分为非侵入式和侵入式两种。非侵入式负荷监(NILM)旨在监视设备打开、关闭操作、工作时间以及其他相关信息，NILM将总功耗分解为单个设备的功耗，与侵入式负荷监测相比，具有低成本，易于安装、拆卸和维护的优点。NILM主要包含3个步骤，分别是事件检测、特征提取和负荷识别，其中特征提取和负荷识别两部分均以事件检测为基础，因此，保证事件检测的准确性是NILM监测的关键之处。

目前事件检测方法主要分为两类：启发式方法和概率模型方法。启发式方法基于直观或经验，制定规则对信号突变时刻进行检测，通过计算两个连续样本点之间差值的绝对值来检测总有功功率信号中的事件，然后将其与预定义阈值进行比较。由于事件检测的多样性和差异性，依靠直观经验得到的检测结果的漏检率、误检率较高，因而启发式方法应用较少。而基于概率模型的事件检测方法则是检测一个序列中元素的分布或分布参数中某个变化发生的时刻，本质上为一种统计学判断假设的问题。在NILM的背景下，主要有4种方法用于检测电气量信号的变化：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。其中，GLRT是通过从平均值潜在变化前后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，由于根据平均值的潜在变化计算对数概率分布比率从而导致电流特征值变化不明显，检测效果较差；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，窗口分布受到窗口设定影响，容易导致结果存在错误；BIC是通过将观测到的随机样本序列划分成均匀片段，使用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，在周期性电器启动时，对于电流较小变化的检测可能存在漏测现象。

但是，上述4种基于概率模型的事件检测方法在对周期性多状态电器进行事件检测时，由于周期性多状态电器在一个周期内负荷变化较复杂，如洗衣机、电磁炉和微波炉等多状态电器等，尤其是当含周期性波形的多个负荷同时发生状态变化时，更加难以区分识别，识别精确率有待提高，容易出现漏测、误测的情况，负荷特征更加难以提取，严重影响负荷分解的结果。

发明内容

本发明提供了一种周期性多状态电器的事件检测方法及系统、设备、计算机可读取的存储介质，以解决现有的基于概率模型的事件检测方法在对周期性多状态电器进行事件检测时存在的检测精确率有待提高的技术问题。

根据本发明的一个方面，提供一种周期性多状态电器的事件检测方法，包括以下内容：

获取总负荷电流数据，所述总负荷电流数据为电流有效值时间序列；

利用改进的CUSUM算法在所述电流有效值时间序列上检测启停波形；

将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配，所述周期性波形数据库中基于各类周期性多状态电器的启停对应存储有标准波形，若连续多次波形匹配均为同一电器，则认为该电器发生了启停。

进一步地，所述将得到的启停波形与周期性波形数据库中的标准波形进行波形匹配的过程包括以下内容：