一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备与流程

本发明属于非侵入式负荷辨识和监测领域，具体涉及一种用于非侵入式负荷辨识的负荷事件检测方法。

背景技术：

非侵入式电力负荷监测技术是一种全新的电力负荷用电信息采集与分析技术。这种技术通过对电力负荷电气信息单点总量的量测和实时分析便可知晓总负荷内部每个或每类用电设备的用电状态信息和用电规律，而无需像传统监测技术那样为每个感兴趣的用电设备都配备带有数字通信功能的传感器，且非侵入式电力负荷监测技术具有不可比拟的投资、部署和运行优势。基于非侵入式电力负荷监测技术的电力大数据可为电力公司积累优良的数据资产，升级其现有功能与业务。

在非侵入式负荷监测和辨识的过程中，是通过测量电力负荷入口处的信号，然后提取出所测信号的特征信息，这些特征信息包括暂态特征、稳态特征和非传统特征等，将提取到的特征和数据库中的负荷模板匹配，完成辨识。而电力负荷内部各子负荷可能会同时运行，此时非侵入式设备采集到的信号是所有正在运行的子负荷信号的叠加，需要把单一负荷的变化从混叠的信号中分离出来，提高负荷辨识精度，因此，最为关键的一步是需要监测负荷内部各子负荷的运行状态变化情况，即负荷事件检测。

技术实现要素：

本发明的目的是提供一种用于非侵入式负荷辨识的负荷事件检测方法，即以复合滑动窗的累积和为依据的暂态事件检测算法，使非侵入式设备能够检测负荷事件，并确定负荷事件的起始时刻。该方法对进一步的负荷特征提取和辨识具有重要意义。

本发明所采用的技术方案是：

一种用于非侵入式负荷辨识的负荷事件检测设备，其特征在于，

数据采集单元：采集数据，通过预处理后存入数据库，

负荷事件获取单元：调取数据库中存储的数据进行检测负荷事件并得出负荷事件的发生时刻。

一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，其特征在于，包括以下步骤：

步骤1：定义待检测数据采样点数为h，均值窗宽度为nm，检测窗宽度为nd，阈值设定为h；

步骤2：记均值窗首部对应的采样点为扫描位置，用k表示，初始扫描位置为k＝1，负荷事件标志flag＝0；

步骤3：在均值窗中通过高斯函数计算均值，具体包括以下子步骤：

步骤3.1：确定均值窗内的中间采样点位置us，具体可通过(1)式得到：

步骤3.2：根据(2)式计算均值窗内各采样点的权重：

其中ui表示均值窗内第i个采样点的位置，σs决定高斯函数的平滑程度，σs值越大，高斯窗的平滑程度越好，对每一个采样点的作用越均匀，σs值越小，高斯窗对前后数据的过滤作用越突出；调节σs，可使窗口在对前后数据的变化过于敏感和对中间值过于依赖中取得折衷；

步骤3.3：根据(3)式把(2)式计算结果归一化得到各采样点的权值：

步骤3.4：根据(4)式计算出均值：

步骤4：在检测窗中检测是否存在负荷事件，具体包括以下子步骤：

步骤4.1：确定检测窗内的中间采样点位置vs，具体可通过(5)式得到：

步骤4.2：使用sigmoid函数根据检测窗内采样点的位置计算其权重，具体可通过(6)式得到：

其中vi表示检测窗内第i个采样点的位置；α表示放大系数，决定s函数的放大比例，α越大，检测装置对于爬坡特性越敏感；

步骤4.3：计算窗内数据和均值的偏差，并把偏差累计起来，偏差与累积和可分别通过(7)、(8)式计算得到：

sk＝xk-μ-β(7)

其中xk为采样数据，μ为步骤3得到的均值，β为噪声水平；

从该式中可以看出，只有当采样数据和均值之差大于噪声水平时，这个偏差才计入累积和；

步骤4.4：检测窗扫描完成后，根据负荷事件标志flag和累积和gk判断该检测窗内是否有负荷事件发生，关于累积和gk的值具体包括三种情况：

(1)gk＝0时，表示数据处于稳态，在噪声水平内波动；

(2)gk＞h时，表示检测到负荷事件；

(3)gk＞0但gk＜h时，表示检测到可疑变化，但并不能确定是否为负荷事件；

结合负荷事件标志flag的值，具体包括两种情况：

(1)flag＝0时，表示之前尚未检测到负荷事件或上一次检测到的负荷事件已经结束，此时如果出现累积和的情况(2)，表示检测到一次新的负荷事件，令flag＝1；

为了尽可能准确获得负荷事件的起始时刻，记延迟时间为d，d的初始值为0，当gk＞0时，gk每累计一次，d增加1，可根据(9)式计算出负荷事件的发生时刻为：

kstart＝k+nm+vi-d(9)

(2)flag＝1时，表示上一次负荷事件还没有结束，此时如果出现累积和的情况(2)，视为检测到的是同一事件，不再计算负荷事件的发生时刻；

应当理解的是，上述做法可以避免对同一负荷事件发生时刻多次计算导致的检测结果多报；

步骤5：判断所有数据是否检测完毕，若是，则结束计算，否则根据步骤4.4结果更新扫描位置k，返回步骤3，开始下一次检测，更新扫描位置具体包括以下三种情况：

(1)检测窗检测到可疑变化，但并不确定是否为负荷事件时，将均值窗滑动至可疑变化之前，使均值窗和检测窗的分界点位于可疑变化发生的时刻这时新的扫描位置由(10)式得到：

k＝k+nd-d(10)

该方法可以对可疑负荷事件再次进行检测，进一步判断此处是否产生负荷事件，以提高检测算的可靠性；

(2)检测窗内数据平稳，即整个检测窗内均有gk＝0时，为了加快扫描速度，使均值窗末端滑动至和上一个检测窗末端重合的位置，这时扫描位置同样可由(10)式描述，且此时d＝0；

(3)检测窗内检测到负荷事件时，窗口滑动至负荷事件起始时刻之后，具体滑动位置可根据实际情况设置；

对于上述情况(1)和(2)，若同时还有flag＝1，则表示已检测到的负荷事件已经结束，这时除了更新扫描位置，还需要令负荷事件标志flag＝0。

在上述的一一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，在每个新的检测窗口中，开始检测前均把gk和d初始化为0。

在上述的一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，只要gk＞h，即检测到负荷事件时，检测窗便结束检测，执行下一个步骤。

在上述的一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，步骤1中，对于阈值、窗口宽度的设定可以根据经验或其他算法确定。

在上述的一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，将滑动窗口分为两个部分，分别作为均值窗和检测窗，均值窗通过高斯函数计算出均值并传递给检测窗，检测窗使用sigmoid函数计算累积和，当累积和超过预先设定的阈值时判定检测到负荷事件。

在上述的一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，检测负荷事件发生时刻时，在检测窗中若出现g＞0时，延迟时间d增加1，当g＞h时，可根据d的值倒推出负荷事件发生时刻kstart＝k+nm+vi-d。

在上述的一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法，能够防止算法对负荷事件多报，具体是定义负荷事件标志flag，其初始值为0，在检测到一次负荷事件时令flag＝1，直到随后的检测窗最后一个数据检测完成且累积和没有超过阈值时，重新令flag＝0；将flag＝1时检测到的负荷事件视为同一个，即认为令flag＝1的负荷事件还未结束，只有当flag＝0时检测到的负荷事件才认为是新的负荷事件。

因此，本发明具有如下优点：

1.没有复杂运算，计算效率高；

2.引入噪声水平，对噪声和小幅波动具有一定抗干扰能力；

3.通过sigmoid函数的累积和算法，可以有效检测具有爬坡特性的负荷事件；

4.引入负荷事件标志，防止负荷事件多报，提高检测准确性。

附图说明

图1是基于复合滑动窗的累积和算法示意图。

图2是基于复合滑动窗的累积和算法流程图。

图3是一段时间内收集到的负荷有公共功率变化曲线。

图4是本发明所提算法对图3数据的检测结果图。

图5是本发明所提算法对空调投入时刻的检测结果图。

图6是本发明所提算法对电磁炉投入时刻的检测结果图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本实施例以一段时间内收集到的负荷有公共功率变化作为数据来源，如图3所示，其中的负荷包括空调、电饭煲、电磁炉、烧水壶和微波炉，通过人为设定阈值和窗口宽度，使用matlab编写算法对图3内的数据进行负荷事件检测，并得到检测结果如图4所示，其中空调和电磁炉检测结果分别由图5和图6所示。应当理解，此处人为设定的阈值仅是为了便于展示本发明的效果，在实际应用中设定阈值时应结合实际情况考虑。

本发明提供的一种用于非侵入式负荷辨识和监测的负荷事件检测方法，包括以下步骤：

步骤1：设定初始值，待检测数据采样点数为h＝450，均值窗宽度为nm＝10，检测窗宽度为nd＝15，阈值设定为h＝2250，噪声水平β＝50。

步骤2：记均值窗首部对应的采样点为扫描位置，用k表示，初始扫描位置为k＝1，负荷事件标志flag＝0

步骤3：在均值窗中通过高斯函数计算均值，具体包括以下子步骤：

步骤3.1：根据(11)式计算得到均值窗内中间采样点位置：

计算结果为us＝5.5，应当理解这时将会在步骤3.2中给均值窗内的第5、6个采样点赋予相同的权重，即窗内各点权重关于第5、6个采样点对称。

步骤3.2：根据(12)式计算均值窗内各采样点的权重：

其中ui表示均值窗内第i个采样点的位置，σs决定高斯函数的平滑程度，此处设定σs＝1。

步骤3.3：根据(13)式把(12)式计算结果归一化得到各采样点的权值：

步骤3.4：根据(14)式计算出均值：

步骤4：在检测窗中检测是否存在负荷事件，具体包括以下子步骤：

步骤4.1：确定检测窗内的中间采样点位置vs，具体可通过(15)式得到：

计算结果为vs＝8。

步骤4.2：使用sigmoid函数根据检测窗内采样点的位置计算其权重，具体可通过(16)式得到：

其中vi表示检测窗内第i个采样点的位置，此例中取α＝1。

步骤4.3：计算窗内数据和均值的偏差，并把偏差累计起来，偏差与累积和可分别通过(17)、(18)式计算得到：

sk＝xk-μ-β(17)

其中xk为采样数据，μ为步骤3得到的均值，β为噪声水平，此处β＝50；

从该式中可以看出，只有当采样数据和均值之差大于噪声水平50w时，这个偏差才计入累积和。

步骤4.4：检测窗扫描完成后，检测窗扫描完成后，根据负荷事件标志flag和累积和gk判断该检测窗内是否有负荷事件发生，若检测到负荷事件，需计算出负荷事件的发生时刻。

为了尽可能准确获得负荷事件的起始时刻，记延迟时间为d，d的初始值为0，当gk＞0时，gk每累计一次，d增加1。

如图6所示，可以看到在n＝105时空调投入，由于在n＝104处有一个波动，在n＝105时g开始积累，直到n＝114时超过阈值，此时d＝10，k+nm+vi＝114，flag由0变为1，根据式(19)：

kstart＝k+nm+vi-d(19)

计算结果为kstart＝114-10＝104，和空调实际投入时刻非常接近。

应当注意到，在n＝115时g开始积累，直到n＝126时超过阈值，因为这时有flag＝1，所以不计为新的负荷事件。

在n＝243时电磁炉投入运行，n＝244时g开始积累，直到n＝248时超过阈值，此时d＝5，k+nm+vi＝248，同样可计算得kstart＝248-5＝243，准确得到了电磁炉的投入时刻。

步骤5：判断所有数据是否检测完毕，若是，则结束计算，否则根据步骤4.4结果更新扫描位置k，返回步骤3，开始下一次检测。

本发明提出的方法，具有如下优点：

(1)数据处理算法简单，运算速度快。

(2)对负荷事件敏感性强，能准确检测出具有爬坡特性的负荷事件。

(3)检测精度高，能在较小误差内精确得到负荷事件的起始时刻。

(4)能有效避免多报的情况。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。