面向多事件场景下的非介入负荷辨识事件检测方法及装置与流程

1.本发明属于配用用电领域，涉及非介入式领域负荷辨识提升方法，更具体地，涉及一种面向多事件场景下的非介入负荷辨识事件检测方法及装置。

背景技术：

2.随着智能电网的发展，传统电力行业将向高度集约化、知识化、技术化方向发展，除关注发电侧的数量和质量外，还应重视对需求侧的管理。因此，在功率分配和消耗方面的智能化需求越来越大。应用需求侧管理优化低压用户客户端，实现有效的负荷管理。功耗侧的智能技术引起了越来越多的关注。电力需求侧管理的关键是获取家庭能源效率的详细信息，分析家庭用电能耗结构，更好地了解用户行为对家庭能源效率的影响，引导用户自觉采取节能行动，负荷辨识是负荷管理的核心技术。
3.然而对于实际场景中，家庭设备开启通常为组合开启，即短时间内开启多个设备，这给事件检测带来极大的困难。

技术实现要素：

4.为了克服现有技术中存在的缺陷，本发明提出一种面向多事件场景下的负荷辨识事件检测方法，提升事件检测精度。所述方法包括以下步骤：步骤1：基于智能电表提取用户日常基本负荷数据，负荷数据包括有功功率和无功功率；步骤2：将所述用户基本负荷数据基于窗口分割，窗口状态分为“稳定”和“冲击”状态，即有无事件发生；步骤3：面向多事件场景，在冲击状态事件窗口内，基于多窗口边缘检测分离出不同设备事件。
5.优选地，所述步骤1包括：步骤1.1：用户侧安装非介入负荷辨识智能电表；步骤1.2：基于智能电表数据采集模块获取用户入户电压电流数据；步骤1.3：基于傅里叶变换获取用户有功功率p和无功功率q的常规用电数据，表示一个家用设备的运行状态。
6.优选地，所述步骤s2中，家庭用户一般状态为稳定状态，电器开启时，用户有功功率或无功功率进入冲击状态。
7.优选地，所述步骤2包括：步骤2.1：假定窗口大小为w，用户有功功率p与无功功率q，得到不同窗口有功功率与无功功率数据，即p = { p1,p2,
…
,p
n }, q = { q1,q2,
…
,q
n }。其中，pj= { p
j1
,p
j2
,
…
,p
jw }；j = {1,2,
…ꢀ
n }；n表示窗口数；步骤2.2：计算得到每个窗口内有功与无功的最大值序列，即maxp与maxq，其计算公式为：
步骤2.3：基于广义极值分布检测用户冲击状态。
8.优选地，所述步骤2.3包括：步骤2.3.1：假定任意最大值数据序列为x={x1, x2,
ꢀ…
,xw}，x为窗口内采集的有功或无功数据，广义极值函数极值回归模型如下式所示：式中，k》0时，μ-σ/k≤x《∞，k《0时，-∞《x≤μ-σ/k。μ指位置参数，σ为尺度参数，k为形状参数。
9.步骤2.3.2：基于最大似然估计求解广义极值函数参数μ，σ，k。
10.步骤2.3.3：绘制关于x的频数分布图，并拟合获取概率分布曲线，其中区域ω1为平稳状态，ω2为冲击状态；步骤2.3.4：当x处于ω2区域时，则认定其对应窗口存在冲击事件；步骤2.3.5：标记当前冲击状态窗口，并将连续冲击状态窗口合并。
11.优选地，所述步骤3包括：步骤3.1：定义设备1t1时刻开启，设备2t2时刻开启，基于步骤2检测出，t
0-t3时刻，存在冲击状态，即存在设备的开启或关断；步骤3.2：将t0至t3时刻窗口基于重构小窗口进行滑动，假定其窗口大小为w1，对每个窗口基于步骤2.2进行冲击状态检测，如果为冲击状态则为1，若为平稳状态则为0，形成{0,0,
…
,1,
…
,1,0,
…
,1,
…
}的序列；步骤3.3：对相邻序列为1的事件作为一个簇类，并对每个簇类边缘计算设备的有功、无功阶跃大小δp，δq；步骤3.4：基于每个簇类特征，对其进行事件分离，即cluster1区域内设备1开启，cluster2区域内设备2开启。
12.优选地，所述步骤3.3中，以第一个簇类为例，假定其所有窗口有功功率序列为pj，无功为qj，其阶跃大小计算如下：进一步地，本发明还提出一种面向多事件场景下的非介入式负荷辨识事件检测装置，所述装置包括：检测模块：基于智能电表提取用户日常基本负荷数据，负荷数据包括有功功率和无功功率；分割模块：将所述用户基本负荷数据基于窗口分割，窗口状态分为“稳定”和“冲击”状态，即有无事件发生；辨识模块：面向多事件场景，在冲击状态事件窗口内，基于多窗口边缘检测分离出不同设备事件。
13.进一步地，本发明还提出一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据本
发明的方法。
14.进一步地，本发明还提出一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据本发明方法的指令。
15.与现有技术相比，本发明具有如下有益的技术效果：解决了在现场负荷辨识场景中多设备开启事件无法分离而导致的设备误辨的问题，提高了事件检测率。
附图说明
16.图1是本发明所述方法的流程图。
17.图2是平稳状态与冲击状态示意图。
18.图3是居民空调开启波形示意图。
19.图4为其图3所示的居民空调开启数据的概率分布曲线。
20.图5是基于滑动窗口检测“电热水器+电烤箱”事件原理图。
具体实施方式
21.下面结合附图对本技术作进一步描述。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技术的保护范围。
22.如图1所示，本发明提出一种面向多事件场景下的非介入式负荷辨识事件检测方法，包括以下步骤：步骤1：基于智能电表提取用户日常基本负荷数据，所述负荷数据包括有功功率和无功功率。具体包括：步骤1.1：用户侧安装非介入负荷辨识智能电表。
23.步骤1.2：基于智能电表数据采集模块获取用户入户电压电流数据。
24.步骤1.3：考虑到有功功率、无功功率基本可以表示一个家用设备的运行状态，基于傅里叶变换获取用户有功功率p和无功功率q的常规用电数据。
25.步骤2：将用户日常基本负荷数据基于窗口分割，窗口状态分为“稳定”和“冲击”状态，即有无事件发生，基于广义极值分布检测出用户的“冲击”状态。
26.步骤2.1：假定窗口大小为w（窗口指固定时间段内的数据，数据量为w）用户有功功率p与无功功率q，得到不同窗口有功功率与无功功率数据，即p = { p1,p2,
…
,p
n }, q = { q1,q2,
…
,q
n }。其中，pj= { p
j1
,p
j2
,
…
,p
jw }。j = {1,2,
…ꢀ
n }；n表示窗口数，计算得到每个窗口内有功与无功的最大值序列，即maxp与maxq，其计算公式为：步骤2.2：家庭用户一般状态为平稳状态，电器开启时，用户有功功率或无功功率进入冲击状态，如图2所示，广义极值分布可以有效模拟极端事件概率，因此基于广义极值分布可以有效的检测用户冲击状态，其检测步骤如下：步骤2.2.1：假定任意最大值数据序列为x={x1, x2,
ꢀ…
,xw}，x为窗口内采集的有功或无功数据，广义极值函数极值回归模型如下式所示：
式中，k》0时，μ-σ/k≤x《∞，k《0时，-∞《x≤μ-σ/k。μ指位置参数，σ为尺度参数，k为形状参数。
27.步骤2.2.2：基于最大似然估计求解广义极值函数参数μ，σ，k。
28.步骤2.2.3：绘制关于x的频数分布图，并拟合获取概率分布曲线，其中区域ω1为平稳状态，ω2为冲击状态，基于图3居民空调开启数据为例，其概率分布曲线如图4所示。
29.步骤2.2.4：当x处于ω2区域时，则认定其对应窗口存在冲击事件。
30.步骤2.3：标记当前冲击状态窗口，并将连续冲击状态窗口合并。
31.步骤3：面向多事件场景，在冲击状态事件窗口内，基于多窗口边缘检测分离出不同设备事件。
32.考虑到用户在使用家庭用电设备时通常组合使用，为了能够有效地实现多状态场景下的事件检测，对具备冲击状态的窗口进行事件分离。
33.步骤3.1：以一个电热水器与电烤箱先后开启为例，如图5所示，于t1时刻电热水器开启，t2时刻电烤箱开启，基于步骤2可检测出，t
0-t3时刻，存在冲击状态，即存在设备的开启或关断。
34.步骤3.2：将t0至t3时刻窗口基于重构小窗口进行滑动，如图5所示，假定其窗口大小为w1，对每个窗口基于步骤2.2进行冲击状态检测，如果为冲击状态则为1，若为平稳状态则为0，即会形成类似{0,0,
…
,1,
…
,1,0,
…
,1,
…
}序列。
35.步骤3.3：对相邻序列为1的事件作为一个簇类，存在几个聚类即为几个设备开启，如图5所示，形成了两个簇类设备(cluster1与cluster2)，即电热水器与电烤箱，并对每个簇类边缘计算设备的有功、无功阶跃大小δp，δq，以第一个簇类为例，假定其所有窗口有功功率序列为pj，无功为qj，其阶跃大小计算如下：步骤3.4：基于每个簇类特征，对其进行事件分离，即cluster1区域内电热水器开启，cluster2区域内电烤箱开启。
36.实施例还包括一种面向多事件场景下的非介入式负荷辨识事件检测装置，所述装置包括：检测模块：基于智能电表提取用户日常基本负荷数据，负荷数据包括有功功率和无功功率；分割模块：将所述用户基本负荷数据基于窗口分割，窗口状态分为“稳定”和“冲击”状态，即有无事件发生；辨识模块：面向多事件场景，在冲击状态事件窗口内，基于多窗口边缘检测分离出不同设备事件。
37.本发明解决了在现场负荷辨识场景中多设备开启事件无法分离而导致的设备误辨的问题，提高了事件检测率。
38.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。

技术特征：

1.一种面向多事件场景下的非介入式负荷辨识事件检测方法，其特征在于，包括以下步骤：步骤1：基于智能电表提取用户日常基本负荷数据，负荷数据包括有功功率和无功功率；步骤2：将所述用户日常基本负荷数据基于窗口分割，窗口状态分为“稳定”和“冲击”状态，即有无事件发生；步骤3：面向多事件场景，在冲击状态事件窗口内，基于多窗口边缘检测分离出不同设备事件。2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：步骤1.1：用户侧安装非介入负荷辨识智能电表；步骤1.2：基于智能电表数据采集模块获取用户入户电压电流数据；步骤1.3：基于傅里叶变换获取用户有功功率p和无功功率q的常规用电数据，表示一个家用设备的运行状态。3.根据权利要求2所述的方法，其特征在于，所述步骤2中，家庭用户一般状态为稳定状态，电器开启时，用户有功功率或无功功率进入冲击状态。4.根据权利要求3所述的方法，其特征在于，所述步骤2包括：步骤2.1：假定窗口大小为w，用户有功功率p与无功功率q，得到不同窗口有功功率与无功功率数据，即p = { p1,p2,
…
,p
n }, q = { q1,q2,
…
,q
n }；其中，p
j
= { p
j1
,p
j2
,
…
,p
jw }；j = {1,2,
…ꢀ
n }；n表示窗口数；步骤2.2：计算得到每个窗口内有功与无功的最大值序列，即maxp与maxq，其计算公式为：步骤2.3：基于广义极值分布检测用户冲击状态。5.根据权利要求4所述的方法，其特征在于，所述步骤2.3包括：步骤2.3.1：假定任意最大值数据序列为x={x1, x2,
ꢀ…
,x
w
}，x为窗口内采集的有功或无功数据，广义极值函数极值回归模型如下式所示：式中，k>0时，μ-σ/k≤x<∞，k<0时，-∞<x≤μ-σ/k，μ指位置参数，σ为尺度参数，k为形状参数；步骤2.3.2：基于最大似然估计求解广义极值函数参数μ，σ，k；步骤2.3.3：绘制关于x的频数分布图，并拟合获取概率分布曲线，其中区域ω1为平稳状态，ω2为冲击状态；步骤2.3.4：当x处于ω2区域时，则认定其对应窗口存在冲击事件；步骤2.3.5：标记当前冲击状态窗口，并将连续冲击状态窗口合并。6.根据权利要求5所述的方法，其特征在于，所述步骤3包括：步骤3.1：定义设备1t1时刻开启，设备2t2时刻开启，基于步骤2检测出，t
0-t3时刻，存在冲击状态，即存在设备的开启或关断；
步骤3.2：将t0至t3时刻窗口基于重构小窗口进行滑动，假定其窗口大小为w1，对每个窗口基于步骤2.2进行冲击状态检测，如果为冲击状态则为1，若为平稳状态则为0，形成{0,0,
…
,1,
…
,1,0,
…
,1,
…
}的序列；步骤3.3：对相邻序列为1的事件作为一个簇类，并对每个簇类边缘计算设备的有功、无功阶跃大小δp，δq；步骤3.4：基于每个簇类特征，对其进行事件分离，即cluster1区域内设备1开启，cluster2区域内设备2开启。7.根据权利要求6所述的方法，其特征在于，所述步骤3.3中，以第一个簇类为例，假定其所有窗口有功功率序列为p
j
，无功为q
j
，其阶跃大小计算如下：。8.一种面向多事件场景下的非介入式负荷辨识事件检测装置，用于实现权利要求1-7任一所述的方法，其特征在于，所述装置包括：检测模块：基于智能电表提取用户日常基本负荷数据，负荷数据包括有功功率和无功功率；分割模块：将所述用户基本负荷数据基于窗口分割，窗口状态分为“稳定”和“冲击”状态，即有无事件发生；辨识模块：面向多事件场景，在冲击状态事件窗口内，基于多窗口边缘检测分离出不同设备事件。9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。

技术总结

本发明提供了一种面向多事件场景下的非介入负荷辨识事件检测方法及装置，首先通过负荷辨识终端获取用户基本负荷数据；然后将窗口内用电数据分为“稳定”和“冲击”状态，并基于广义极值分布检测出“冲击”状态；最后针对多设备同时开启（多事件）的负荷辨识场景，基于滑动窗口边缘检测分离出多设备事件状态。本发明所述的方法及装置解决了在现场负荷辨识场景中多设备开启事件无法分离而导致的设备误辨的问题，提高了事件检测率。提高了事件检测率。提高了事件检测率。