1.本发明涉及电力数据处理技术领域，尤其是涉及一种基于机器学习的边缘侧电力指纹识别方法及装置。
背景技术：
2.随着新型电力系统的推进，要求低压用户能够参与需求响应，实现源网互动。电力指纹技术应运而生，通过对负荷的精确识别、精准控制，使低压用户能够主动参与需求响应，使得用电更为智慧。
3.电力指纹识别技术由电力负荷识别技术发展而来，是电力指纹技术的重要组成部分。电力指纹识别技术通过采集用电设备的电气数据，利用人工智能技术和大数据技术挖掘出能够表征设备特性的“电力指纹”特征。
4.但现有技术中，针对边缘智能终端的电力指纹识别方案较少，难以在本地高效地挖掘出电力指纹特征；同时，现有电力指纹识别方案通常忽略真实复杂用电环境下的干扰，导致识别结果准确度不高。
技术实现要素：
5.本发明的目的是提供一种基于机器学习的边缘侧电力指纹识别方法及装置，以解决现有技术难以在算力有限的边缘智能终端上高效准确地识别电力指纹数据的技术问题。
6.本发明的目的，可以通过如下技术方案实现：一种基于机器学习的边缘侧电力指纹识别方法，包括：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于lightgbm算法利用电力指纹数据及对应的负荷标签进行训练得到的。
7.可选地，所述改进的累积和算法包含功率值筛选和双时间窗过滤，利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤包括：利用改进的累积和算法通过功率值筛选对所述有功功率值进行筛选得到有功功率平均值，根据有功功率平均值和预设阈值得到负荷投切事件检测结果；通过双时间窗过滤对所述负荷投切事件检测结果中的所述负荷投切事件进行过
滤，得到最终的负荷投切事件检测结果。
8.可选地，利用改进的累积和算法通过功率值筛选对所述有功功率值进行筛选得到有功功率平均值包括：所述改进的累积和算法采用宽度分别为第一宽度、第二宽度的两个相邻有功功率滑动窗，分别对各所述有功功率滑动窗中的有功功率值进行排序，筛选出大小位于第一预设区间至第二预设区间内的有功功率值，然后计算平均值得到有功功率平均值。
9.可选地，根据有功功率平均值和预设阈值得到负荷投切事件检测结果包括：根据有功功率平均值和预设阈值利用得到负荷投切事件检测结果，若大于等于，则发生负荷投切事件，否则未发生负荷投切事件；式中，、分别指宽度为第一宽度、第二宽度的有功功率滑动窗内的有功功率平均值，为宽度为第一宽度的有功功率滑动窗的方差，为预设阈值。
10.可选地，通过双时间窗过滤对所述负荷投切事件检测结果中的所述负荷投切事件进行过滤，得到最终的负荷投切事件检测结果包括：设置宽度分别为第一数量、第二数量个周波的两个时间窗，当检测到负荷投切事件发生后开始等待并计数第三数量个周波，若在第一数量个周波内再次检测出负荷投切事件，则认为仍属于同一个负荷投切事件；若在第一数量至第三数量个周波内再次检测出负荷投切事件，则删除所有未识别的负荷投切事件，得到最终的负荷投切事件检测结果；第三数量为第一数量与第二数量之和。
11.可选地，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据包括：将所述稳态波形利用电压正零点对齐后，通过差分计算得到发生所述负荷投切事件的用电设备的单体波形数据。
12.可选地，根据所述单体波形数据得到所述负荷投切事件的事件波形包括：对所述单体波形数据进行均值滤波，再以电压正零点划分各周波，取各周波的均值作为所述负荷投切事件的事件波形。
13.可选地，所述时域特征包括：电流有效值、电流峰峰值、电流峰均比、有功功率、无功功率、视在功率、功率因数。
14.可选地，所述频域特征除20~30次电流谐波幅值及其相位外，还加入电流总谐波因数、电流奇偶谐波比、电流谐波谱质心三种组合式特征。
15.本发明还提供了一种基于机器学习的边缘侧电力指纹识别装置，包括：电气数据获取模块，用于根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；事件时间点确定模块，用于利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；
波形数据获取模块，用于截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；电力指纹数据生成模块，用于根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；用电设备种类识别模块，用于将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于lightgbm算法利用电力指纹数据及对应的负荷标签进行训练得到的。
16.本发明提供了一种基于机器学习的边缘侧电力指纹识别方法及装置，其中方法包括：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于lightgbm算法利用电力指纹数据及对应的负荷标签进行训练得到的。
17.有鉴如此，本发明带来的有益效果是：本发明实时采集与处理高频电气量，利用改进的鲁棒累积和算法对负荷投切事件进行检测，改进事件波形提取，并分别从时域、频域提取多维区分性特征，生成了高维度的电力指纹数据，能充分表征电力负荷的细粒度特性，基于适配边缘侧高实时性、低算力、易部署要求的lightgbm实现了高效准确的电力指纹数据识别。本发明能兼顾电力指纹的丰富性、识别的准确性与边缘部署的易用性，在本地高效地完成事件检测、事件波形提取、电力指纹数据生成与识别的全流程，可以避免家庭用电数据传输的网络拥堵与隐私泄露问题。同时，本发明考虑了多种电器运行状态的干扰，提高了算法在真实复杂用电环境中的鲁棒性和准确性。
附图说明
18.图1为本发明方法实施例的流程示意图；图2为本发明方法另一实施例的流程示意图；图3为本发明装置实施例的流程示意图。
具体实施方式
19.术语解释：light gradient boosting machine (lightgbm)是一个由微软亚洲研究院分布式机器学习工具包（dmtk）团队开源的基于决策树算法的分布式梯度提升（gradient boosting decision tree，gbdt）框架。
20.lightgbm优化：如果要对gbdt进行优化，有两个方面：（1）降低训练集的规模，很显然，这样可以减少计算量，提高算法的计算效率。
21.（2）降低特征维度，这样的话，可以在选择分裂点的时候减少计算量，提高算法的性能。
22.但是直接减少训练集规模或者降低特征维度，很明显会牺牲模型的精确度。而lightgbm算法正是通过对模型训练时样本点的采样优化和选择分裂点时的特征维度的优化，在不牺牲精度的条件下，提高了训练速度与模型边缘部署的推理速度。
23.本发明实施例提供了一种基于机器学习的边缘侧电力指纹识别方法及装置，以解决现有技术难以在算力有限的边缘智能终端上高效准确地识别电力指纹数据的技术问题。
24.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
25.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
26.随着高级量测体系的建设，用于感知用电设备级能耗信息的负荷识别技术成为研究热潮。电力指纹识别技术由负荷识别技术发展而来，通过计算时域与频域维度的负荷特征构建高度表征电力负荷细粒度特性的电力指纹数据，结合先进的机器学习技术实现准确识别。但鲜有成套方法能够仅基于算力有限的边缘智能终端实现家庭用电的实时监测，即在本地高效地完成事件检测、事件波形提取、电力指纹数据生成与识别的全流程，以避免家庭用电数据传输的网络拥堵与隐私泄露问题。同时，真实用电环境下的干扰通常被现有电力指纹识别方法忽略，均导致该技术难以推广应用。
27.目前仍然存在以下两个难题：（1）针对边缘智能终端的电力指纹识别全流程实现方案较少，未能兼顾电力指纹的丰富性、识别的准确性与边缘部署的易用性，导致负荷识别技术落地困难。
28.（2）多数研究缺少对识别模型在真实复杂用电环境下应用的考虑，难以应对长暂态、尖峰噪声、基底电器运行状态波动等影响，导致识别模型鲁棒性低。
29.本发明提出了一种基于机器学习的边缘侧电力指纹识别方法及装置，能生成高维度的电力指纹数据，能够表征电力负荷的细粒度特征，兼顾识别的准确性与边缘部署的易用性，考虑多种电器运行状态的干扰，可实现在复杂的真实环境下仅利用部署机器学习模型的边缘智能终端对家用电器的实时准确监测，是实用电力指纹识别的关键技术。
30.请参阅图1，本发明提供的一种基于机器学习的边缘侧电力指纹识别方法的实施例，包括：s100：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；s200：利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；s300：截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；s400：根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波
形中提取时域特征和频域特征生成电力指纹数据；s500：将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是指基于lightgbm算法利用电力指纹数据及对应的负荷标签进行训练得到的。
31.在步骤s100中，根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值。具体地，边缘智能终端实时采集房屋电气接口处的电压、电流数据，能实时获取多种用电设备的电压及电流数据，并根据获得的电压、电流数据计算有功功率值。根据获得的实时电压、电流波形，可以利用式（1）计算有功功率值： ；（1）式中，为有功功率值，表示单个周波的有功功率的瞬时值；为单个周波的采样点数，与分别指单个周波中第个采样点的瞬时电流、电压值。
32.本实施例中，边缘智能终端可以为具备电气量数据实时高频采集、计算，且搭载机器学习模型的一体化智能插座、智能空气开关、智能电表，在终端本地实现电力指纹数据识别的全流程，无需将电气量数据上传至服务器进行计算。该类边缘智能终端在实际应用中可避免与服务器通信造成网络拥堵，提高了终端的响应速度，且本地运算可保证用户的隐私性。
33.具体地，实时采集是指电气量数据的采样频率不低于1khz，从负荷投切事件发生至输出识别结果的时间少于5秒；房屋电气接口指插座端与入户总线端。优选的实施方式，电气量数据的预设采样频率可以为7.5khz。
34.在步骤s200中，利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点。
35.本实施例中，改进的累积和算法也称为改进的cusum(cumulative sum)算法，改进的cusum算法在传统的cusum算法基础上加入了功率值筛选与双时间窗过滤功能，利用改进的累积和算法根据有功功率值对负荷投切事件进行检测并过滤，得到发生负荷投切事件的时间点。
36.具体地，利用改进的累积和算法通过功率值筛选对有功功率值进行筛选得到有功功率平均值，根据有功功率平均值和预设阈值得到负荷投切事件检测结果；通过双时间窗过滤对负荷投切事件检测结果中的负荷投切事件进行过滤，得到最终的负荷投切事件检测结果。
37.本实施例中，利用改进的累积和算法通过功率值筛选对有功功率值进行筛选得到有功功率平均值包括：改进的累积和算法采用宽度分别为第一宽度、第二宽度的两个相邻有功功率滑动窗，分别对各所述有功功率滑动窗中的有功功率值进行排序，筛选出大小位于第一预设区间至第二预设区间内的有功功率值，然后计算平均值得到有功功率平均值。
38.具体地，改进的cusum算法中进行功率值筛选时，采用宽度分别为、的两个相邻有功功率滑动窗，先分别对两个有功功率滑动窗中的有功功率值进行排序，筛选大小位
于5%至95%区间内的有功功率值后计算平均值得到有功功率平均值。该有功功率平均值能减少负荷投切暂态过程以及电器（用电设备）运行的尖峰噪声对负荷投切事件检测的影响。
39.本实施例中，得到有功功率平均值之后，根据有功功率平均值和预设阈值得到负荷投切事件检测结果，具体利用式（2）进行判断从而得到负荷投切事件检测结果：；（2）若大于等于，则发生负荷投切事件；否则，未发生负荷投切事件。
40.式中，、分别指宽度为第一宽度、第二宽度的有功功率滑动窗内的有功功率平均值，为宽度为第一宽度的有功功率滑动窗的方差，为预设阈值。
41.具体地，方差的计算公式如式（3）所示：；（3）式中，指宽度为第一宽度的有功功率滑动窗内第个有功功率值；若，则为负荷投入事件，若，则为负荷切除事件。
42.本实施例中，通过双时间窗过滤对负荷投切事件检测结果中的负荷投切事件进行过滤，得到最终的负荷投切事件检测结果包括：设置宽度分别为第一数量、第二数量个周波的两个时间窗，当检测到负荷投切事件发生后开始等待并计数第三数量个周波，若在第一数量个周波内再次检测出负荷投切事件，则认为仍属于同一个负荷投切事件；若在第一数量至第三数量个周波内再次检测出负荷投切事件，则删除所有未识别的负荷投切事件，得到最终的负荷投切事件检测结果；第三数量为第一数量与第二数量之和。
43.具体地，在改进的cusum算法中，双时间窗过滤时设置两个宽分别为、个周波的时间窗，当检测到负荷投切事件发生后开始等待并计数+个周波，若在个周波内再次检测出负荷投切事件，则认为仍属于同一个事件；若在至+个周波内再次检测出负荷投切事件，则删除所有未识别的事件，以滤除由电器投切的长暂态引起的重复负荷投切事件，得到最终的负荷投切事件判断结果。
44.加入双时间窗过滤对负荷投切事件检测结果进行进一步过滤，可有效减少长暂态电器如大功率加热设备，以及基底电器运行状态波动对事件检测的影响。相较于原始cusum算法，本实施例中改进的cusum算法提高了真实复杂用电环境中应用的抗干扰性，平衡了实时性与鲁棒性。在具体实施过程中，为150，、可均设为30，预设阈值可设为200，、可分别设为100与20。
45.在步骤s300中，截取与所述时间点前后相距预设数量周波的稳态波形，根据所述
稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据。
46.本实施例中，取步骤200中负荷投切事件发生时间点前后的稳态波形，利用电压正零点对齐后，通过差分计算得到投切电器的单体波形数据。具体地，取步骤s200中事件发生时间点前后相距个周波的稳态波形，利用电压正零点对齐后，通过差分计算得到投切电器的单体波形数据。在与步骤s200获得的事件发生时间点前后间隔个周波处，分别向前、向后取个周波的电流、电压波形数据作为事件发生时间点前后的稳态波形。
47.电压正零点对齐是指先分别对两段稳态电压波形进行正零点搜索，使用宽为的滑动窗从头至尾滑动，当滑动窗中前个电压瞬时值均小于零，后个电压瞬时值均大于零时滑动窗中点即为正零点，取两段稳态电压波形的第一个正零点作为两段稳态电流波形的对齐点，可避免由相位差引起的混叠波形分离失真。
48.差分计算是指将对齐后的电流瞬时值直接相减，若为负荷投入事件，则为事件发生后稳态电流波形减去事件发生前稳态电流波形；若为负荷切除事件，则为事件发生前稳态电流波形减去事件发生后稳态电流波形。
49.优选的实施方式，通常可以为100，可以为120，可以设为20，可以设为9。
50.在步骤s400中，根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据。
51.在步骤s400中，对步骤s300中得到的单体波形数据进行均值滤波，再以电压正零点划分各个周波，取各周波的均值作为事件波形。
52.均值滤波是指使用宽为的滑动窗对步骤s300中获得的事件发生后的稳态电流波形从头至尾滑动，将滑动窗中点的电流值替换为滑动窗内稳态电流原始瞬时值的均值，以滤除电器运行的尖峰噪声。各周波的均值指按电压正零点划分为个周波后，对同一顺序的个电压、电流采样点取平均，以减少基底电器运行状态波动的影响，得到由个电压、电流均值点组成的事件波形。在具体实施过程中，可以设为5。
53.在步骤s400中，对事件波形提取时域特征和频域特征，生成高维度的电力指纹数据。电力指纹数据中的时域特征可以包括：电流有效值、电流峰峰值、电流峰均比、有功功率、无功功率、视在功率、功率因数。电力指纹数据中的频域特征除2~30次电流谐波幅值及其相位外，加入电流总谐波因数、电流奇偶谐波比、电流谐波谱质心三种组合式特征，以充分挖掘各电力负荷在频域上的区分性。
54.其中，电流有效值的计算如式（4）所示：；
ꢀꢀꢀꢀ
（4）式中，为单个周波的采样点数，指单个周波中第个采样点的瞬时电流值。
55.电流峰峰值的计算如式（5）所示：；（5）电流峰均比的计算如式（6）所示：；（6）视在功率的计算如式（7）所示：；（7）式中，指单个周波中第个采样点的瞬时电压值。
56.无功功率的计算如式（8）所示：；（8）功率因数的计算如式（9）所示：；（9）基于傅里叶分解得到前30次电流谐波幅值及其相位，电流总谐波因数的计算如式（10）所示：；（10）式中，为电流基波有效值；电流奇偶谐波比的计算公式如式（11）所示：；（11）式中，为第次电流谐波的幅值；电流谐波谱质心的计算公式如式（12）所示：
；（12）式中，为电流基波的频率。
57.优选的实施方式，在具体实施过程中，为50，电力指纹数据共有68维特征，可充分表征家用电器的细粒度特性。
58.在步骤s500中，将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于lightgbm算法利用电力指纹数据及对应的负荷标签进行训练得到的。
59.首先，使用步骤s400得到的电力指纹数据及其对应的负荷标签，将基于lightgbm算法的电力指纹识别模型训练至收敛，可以将算法判断逻辑转换为c语言，部署使用后将由步骤s100至s400得到的电力指纹数据直接输入基于lightgbm的电力指纹识别模型中，得到与电力指纹数据对应的用电设备种类识别结果。
60.需要说明的是，本实施例主要用于家庭用电设备的感知，负荷标签是指家庭用电设备的种类或电器种类，如电吹风、电饭煲、电脑等。
61.需要说明的是，lightgbm属于以树模型为基学习器的集成学习模型。与神经网络模型相比，其优势是lightgbm运算速度快，消耗计算资源少，识别准确率高，尤其适配硬件部署的应用场景，可在性能有限的本地边缘智能终端实现全流程的电力指纹识别。
62.其中，lightgbm在子树的训练过程中对样本进行单边梯度采样，叶节点特征分裂采用的方差增益如式（13）所示：；（13）式中，指第个特征值在分裂阈值为时的方差增益，指第条输入的电力指纹数据，为训练的样本数量，为第个特征值小于分裂阈值的样本数量，为第个特征值大于分裂阈值的样本数量，为对应集合中第个样本相对于负荷标签的负梯度，、为梯度采样系数，为梯度绝对值由大到小排名前的样本集合中第个特征值小于的样本集合，为梯度绝对值由大到小排名前的样本集合中第个特征值大于的样本集合，集合b为集合a以外的样本随机抽取样本组成，为样本集合b中第个特征值小于的样本集合，为样本集合b中第个特征值大于的样本集合；训练至收敛指随机留出的训练样本作为验证集，lightgbm电力指纹识别模型在验证集中识别准确率在个回合内不上升。
63.在具体实施过程中，、可分别设为0.2与0.1，设为20%，可设为30。
64.需要说明的是，epoch参数用于控制基于lightgbm算法的电力指纹识别模型是否停止训练，当该电力指纹识别模型在验证集中的识别准确率在个回合内不上升时，则停止对基于lightgbm算法的电力指纹识别模型进行训练，此时得到训练好的基于lightgbm算法的电力指纹识别模型。
65.此外，在具体实施过程中，本实施例中的步骤s100至s500均由边缘智能终端来执行，本发明的所有计算均可以在以stm32h750芯片为核心的边缘智能终端中基于c语言实现。
66.本实施例将训练好的基于lightgbm算法的电力指纹识别模型部署在边缘智能终端上，由于该电力指纹识别模型是基于lightgbm算法训练得到的，因此具有运算速度快，消耗计算资源少，识别准确率高等优点，尤其适配硬件边缘部署的应用场景，可在性能有限的边缘智能终端本地实现全流程的电力指纹数据识别，能在边缘智能终端本地高效、准确地识别电力指纹数据，并提高了在真实复杂用电环境中的鲁棒性、准确性和安全性。
67.本实施例提供的基于机器学习的边缘侧电力指纹识别方法，实时采集与处理高频电气量，利用改进鲁棒的的累积和算法对负荷投切事件进行检测，改进事件波形提取，并分别从时域、频域提取多维区分性特征，生成了高维度的电力指纹数据，能充分表征电力负荷的细粒度特性，基于适配边缘侧高实时性、低算力、易部署要求的lightgbm实现了高效准确的电力指纹数据识别。本发明能兼顾电力指纹的丰富性、识别的准确性与边缘部署的易用性，在本地高效地完成事件检测、事件波形提取、电力指纹数据生成与识别的全流程，可以避免家庭用电数据传输的网络拥堵与隐私泄露问题。同时，本发明考虑了多种电器运行状态的干扰，提高了算法在真实复杂用电环境中的鲁棒性和准确性。
68.请参阅图2，本发明还提供了一种基于机器学习的边缘侧电力指纹识别方法的另一实施例，包括：1）通过边缘智能终端实时采集高频电压、电流数据；2）根据获得的电压、电流数据计算有功功率，基于加入功率值筛选与双时间窗过滤的改进cusum算法检测负荷投切事件，得到事件发生时间点；3）取2）中事件发生前后的稳态波形，利用电压正零点对齐后，通过差分计算得到投切电器的单体波形数据；4）对单体波形数据进行均值滤波，再以电压正零点划分各个周波，取各周波的均值作为事件波形；5）对事件波形提取时域、频域特征，生成高维度电力指纹数据；6）使用电力指纹数据及其对应的负荷标签，将基于lightgbm的电力指纹识别模型训练至收敛，将算法判断逻辑转换为c语言，部署使用后直接对步骤1）至5）得到的电力指纹数据进行识别，得到识别结果。
69.请参阅图3，本发明还提供了一种基于机器学习的边缘侧电力指纹识别装置的实施例，包括：电气数据获取模块11，用于根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；事件时间点确定模块22，用于利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；
memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
78.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。