基于鲁棒性随机分割森林算法的负荷事件检测方法及系统

摘要

本发明提出了一种基于鲁棒性随机分割森林算法的负荷事件检测方法及系统，本发明通过鲁棒性随机分割森林算法初步检测负荷投切事件，然后通过后期处理消除因波动引起的误检测事件并准确地定位到事件的开始点和结束点；最后根据准确定位到的事件的开始点和结束点计算功率差并跟阈值进行比较检测事件。本发明具有准确识别复杂事件和准确定位事件开始点和结束点的能力，从而有效提高事件检测的准确率。

权利要求

1.一种基于鲁棒性随机分割森林算法的负荷事件检测方法，其特征在于，具体为：实时采集用电入户端的功率数据，基于功率数据计算每一时刻的功率差；

将每一时刻的功率差输入到随机森林并更新随机森林，计算异常得分；若当前时刻的异常得分大于阈值则判断可能发生事件，并将该时刻记为第一事件开始点；同时第一事件结束点为第一事件开始点之后首次异常得分小于阈值的时刻；

基于第一事件开始点、第一事件结束点，由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据并分别进行线性拟合，直至线性拟合结果符合要求；线性拟合结果的要求为斜率小于斜率阈值a0，拟合优度大于阈值r0；将线性拟合结果符合要求的第一事件开始点附近时间段的起点记为第二事件开始点，将线性拟合结果符合要求的第一事件结束点附近时间段的起点记为第二事件结束点；

基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断。

2.根据权利要求1所述的方法，其特征在于，所述随机森林是利用服从于正态分布X‑N(0,5)的100个数据构造获得。

3.根据权利要求1所述的方法，其特征在于，还包括对所述实时采集用电入户端的功率数据进行均值滤波处理。

4.根据权利要求1所述的方法，其特征在于，所述由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据具体为：基于第一事件开始点往前依次获取第一事件开始点附近的时间段的功率序列数据；

基于第一事件结束点往后依次获取第一事件结束点附近的时间段的功率序列数据。

5.根据权利要求1所述的方法，其特征在于，所述基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断具体为：将第二事件开始点、第二事件结束点的功率差与功率差阈值进行对比，若第二事件开始点、第二事件结束点的功率差大于功率差阈值，则判断发生事件。

6.根据权利要求5所述的方法，其特征在于，所述功率差阈值根据功率序列数据的波动程度自适应调节：；

其中ΔP0是没有波动的理想情况下的初始功率差阈值，sd是当前稳定状态下功率序列数据的标准偏差，当前时刻计算的自适应调节的功率差阈值作为下一次判断事件的功率差阈值。

7.一种基于鲁棒性随机分割森林算法的负荷事件检测系统，其特征在于，用于实现权利要求1‑6任一项所述基于鲁棒性随机分割森林算法的负荷事件检测方法，包括：数据获取模块，用于实时采集用电入户端的功率数据，基于功率数据计算每一时刻的功率差；

初始判断模块，用于将每一时刻的功率差输入到随机森林并更新随机森林，计算异常得分；若当前时刻的异常得分大于阈值则判断可能发生事件，并将该时刻记为第一事件开始点；同时第一事件结束点为第一事件开始点之后首次异常得分小于阈值的时刻；

校准模块，用于基于第一事件开始点、第一事件结束点，由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据并分别进行线性拟合，直至线性拟合结果符合要求；线性拟合结果的要求为斜率小于斜率阈值a0，拟合优度大于阈值r0；将线性拟合结果符合要求的第一事件开始点附近时间段的起点记为第二事件开始点，将线性拟合结果符合要求的第一事件结束点附近时间段的起点记为第二事件结束点；

事件检测模块，用于基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断。

说明书

基于鲁棒性随机分割森林算法的负荷事件检测方法及系统

技术领域

[0001] 本发明涉及非侵入式负荷识别技术(non‑intrusive load monitoring, NILM)领域，尤其涉及一种基于鲁棒性随机分割森林算法的负荷事件检测方法及系统。

背景技术

[0002] 智能用电管理系统是智能电网建设的重要组成部分，而非侵入式负荷识别(non‑intrusive load monitoring, NILM)技术是智能用电管理系统的关键技术之一。非侵入式负荷识别方法主要分为基于事件的负荷识别和基于非事件的负荷识别方法。其中，事件检测是基于事件的负荷识别方法的关键步骤，通过事件检测可以得知用电设备运行状态的变化情况，由此再进行负荷特征提取，因此事件检测的结果直接影响后面的负荷识别结果。

[0003] 但现有大部分事件检测方法还很多需要改进的地方，比如事件开始点和结束点的准确定位、阈值固定等等。

发明内容

[0004] 本发明针对现有技术的不足，提供了一种基于鲁棒性随机分割森林算法的负荷事件检测方法及系统，本发明能够准确地定位到事件开始点和结束点以及根据功率波动程度自适应调节功率差阈值。

[0005] 本发明采用的技术方案具体如下：

[0006] 一种基于鲁棒性随机分割森林算法的负荷事件检测方法，具体为：

[0007] 实时采集用电入户端的功率数据，基于功率数据计算每一时刻的功率差；

[0008] 将每一时刻的功率差输入到随机森林并更新随机森林，计算异常得分；若当前时刻的异常得分大于阈值则判断可能发生事件，并将该时刻记为第一事件开始点；同时第一事件结束点为第一事件开始点之后首次异常得分小于阈值的时刻；

[0009] 基于第一事件开始点、第一事件结束点，由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据并分别进行线性拟合，直至线性拟合结果符合要求；线性拟合结果的要求为斜率小于斜率阈值a0，拟合优度大于阈值r0；将线性拟合结果符合要求的第一事件开始点附近时间段的起点记为第二事件开始点，将线性拟合结果符合要求的第一事件结束点附近时间段的起点记为第二事件结束点；

[0010] 基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断。

[0011] 进一步地，所述随机森林是利用服从于正态分布X‑N(0,1)的100个数据构造获得。

[0012] 进一步地，还包括对所述实时采集用电入户端的功率数据进行均值滤波处理。

[0013] 进一步地，所述由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据具体为：

[0014] 基于第一事件开始点往前依次获取第一事件开始点附近的时间段的功率序列数据；

[0015] 基于第一事件结束点往后依次获取第一事件结束点附近的时间段的功率序列数据。

[0016] 进一步地，所述基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断具体为：

[0017] 将第二事件开始点、第二事件结束点的功率差与功率差阈值进行对比，若第二事件开始点、第二事件结束点的功率差大于功率差阈值，则判断发生事件。

[0018] 进一步地，所述功率差阈值根据功率序列数据的波动程度自适应调节：

[0019]

[0020] 其中ΔP0是没有波动的理想情况下的初始功率差阈值，sd是当前稳定状态下功率序列数据的标准偏差，当前时刻计算的自适应调节的功率差阈值作为下一次判断事件的功率差阈值。

[0021] 一种基于鲁棒性随机分割森林算法的负荷事件检测系统，用于实现上述基于鲁棒性随机分割森林算法的负荷事件检测方法，包括：

[0022] 数据获取模块，用于实时采集用电入户端的功率数据，基于功率数据计算每一时刻的功率差；

[0023] 初始判断模块，用于将每一时刻的功率差输入到随机森林并更新随机森林，计算异常得分；若当前时刻的异常得分大于阈值则判断可能发生事件，并将该时刻记为第一事件开始点；同时第一事件结束点为第一事件开始点之后首次异常得分小于阈值的时刻；

[0024] 校准模块，用于基于第一事件开始点、第一事件结束点，由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据并分别进行线性拟合，直至线性拟合结果符合要求；线性拟合结果的要求为斜率小于斜率阈值a0，拟合优度大于阈值r0；将线性拟合结果符合要求的第一事件开始点附近时间段的起点记为第二事件开始点，将线性拟合结果符合要求的第一事件结束点附近时间段的起点记为第二事件结束点；

[0025] 事件检测模块，用于基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断。

[0026] 本发明的有益效果是：通过鲁棒性随机分割森林算法计算异常得分。当异常得分大于阈值的时候，认为有可能发生事件并进行进一步的分析。通过线性拟合方法能够准确地定位到事件开始点和结束点。同时结合自适应调节的功率阈值可以有效地提高事件检测的准确率。

附图说明

[0027] 图1为本发明一种基于鲁棒性随机分割森林算法的负荷事件检测方法流程图；

[0028] 图2校准事件点过程，其中实心点表示事件开始点，空心点表示事件结束点；

[0029] 图3不加线性拟合判断（a）和加线性拟合判断（b）的事件检测结果；

[0030] 图4为本发明实施例中功率差阈值的自适应调节示意图；其中（a）是功率序列，（b）是功率差序列，（c）是异常得分，（d）是功率差阈值；

[0031] 图5为本发明实施例中BLUED数据集的事件检测结果；其中（a）是A相事件的事件检测结果，（b）、（c）、（d）是B相事件的事件检测结果；

[0032] 图6为本发明实施例中BLUED数据集的事件检测结果；其中（a）、（b）、（c）、（d）分别是不同时间段的事件检测结果。

具体实施方式

[0033] 本发明提供了一种基于鲁棒性随机分割森林算法的负荷事件检测方法，本发明通过鲁棒性随机分割森林算法初步检测负荷投切事件，并定位事件开始和结束时间：第一事件开始点和第一事件结束点，然后通过后期处理消除因波动引起的误检测事件并准确地定位到事件的开始时间和结束时间：第二事件开始点和第二事件结束点，最后基于准确的开始时间和结束时间对应的功率差进行最终的事件检测判断，本发明基于准确识别复杂事件和准确定位事件开始点和结束点的能力，有效提高事件检测能力。下面结合附图以及利用BLUED公共数据集(功率采样频率为60Hz)和REDD公共数据集(功率采样频率为1Hz)的实施例对本发明的实施步骤及效果作进一步说明。

[0034] 图1是本发明一种基于鲁棒性随机分割森林算法的负荷事件检测方法的流程图，如图1所示，包括以下步骤：

[0035] 步骤S1：实时采集用电入户端的功率数据，基于功率数据计算每一时刻的功率差；

[0036] 其中，实时采集的功率数据组成功率序列数据，当以高频率采样的时候，可以进行简单的均值滤波，本实施中的BLUED公共数据集上每三个连续的功率序列数据取它们的平均值，REDD公共数据集不需要均值滤波。

[0037] 基于功率数据计算每一时刻的功率差的公式如下：

[0038] ∆P(t) = P(t + 1) ‑ P(t)

[0039] 其中P(t)是当前时刻t的功率，P(t + 1)是t + 1时刻的功率，∆P(t)是当前时刻t的功率差。

[0040] 步骤S2：将每一时刻的功率差输入到随机森林并更新随机森林，计算异常得分；

[0041] 本实施例中随机森林的大小为50，树的深度为256。

[0042] 将异常得分跟事先设置的阈值对比判断是否发生事件，若当前时刻的异常得分大于阈值认为有可能发生事件并进行进一步的分析，将该时刻记为第一事件开始点；同时第一事件结束点为第一事件开始点之后首次异常得分小于阈值的时刻；否则继续检测下一时刻的功率差数据；本实施例中的异常得分的阈值设为30。

[0043] 步骤S3：利用线性拟合方法准确地定位事件开始点和结束点：第二事件开始点、第二事件结束点。其中，线型拟合的公式表示为如下：

[0044]

[0045] 其中，a是斜率，b是截距，x表示横坐标时刻，x=1,…N, N是取到的数据长度，表示纵坐标功率。

[0046] 基于第一事件开始点、第一事件结束点，由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据并分别进行线性拟合，计算斜率和拟合优度r：

[0047]

[0048] 其中，P(i)是时间段的第i个功率数据，i=1,…,N，本实施例中BLUED数据集上N设为6，REDD数据集上N设为3。

[0049] 当斜率小于斜率阈值a0，拟合优度大于阈值r0的时候，结束定位，将线性拟合结果符合要求的第一事件开始点附近时间段的起点记为第二事件开始点，将线性拟合结果符合要求的第一事件结束点附近时间段的起点记为第二事件结束点；否则开始点继续往前移动，结束点继续往后移动获取时间段。本实施例中BLUED数据集上的a0设为2，r0设为0.8，REDD数据集上的a0设为5，r0设为0.8。校准事件点的过程如图2所示。

[0050] 不加线性拟合判断的事件检测结果和加线性拟合判断的事件检测结果如图3所示。从图3中的(a)的事件检测结果可以发现，当没有线性拟合判断的时候，存在误检测和事件结束点不准确的情况。从图3中的(b)的事件检测结果可知，当加了线性拟合判断之后，可以有效地去除误检测的情况并准确地定位到事件的结束点。

[0051] 步骤S4：比较事件前后的功率差值跟功率阈值，并进行最终的事件检测判断。

[0052] 将第二事件开始点、第二事件结束点的功率差与功率差阈值进行对比，若第二事件开始点、第二事件结束点的功率差大于功率差阈值，则判断发生事件。本实施例中初始功率阈值∆P0设为20。

[0053] 为了进一步提高检测准确率，本发明还提供了自适应调节功率差阈值的方法，具体如下：

[0054]

[0055] 其中sd是当前稳定状态下功率序列数据的标准偏差。M是当前稳定状态下功率序列数据选取的长度。Pavg是稳定状态下功率序列数据的均值，当前时刻计算的自适应调节的功率差阈值作为下一次判断事件的功率差阈值。优选地，对于每一时刻均进行自适应调节功率差阈值。只有当负荷事件前后的功率差值大于功率差阈值的时候，认为发生真实的事件。

[0056] 对于稳态的时候有较大的波动的功率序列，有些时间点的异常得分比设置的初始功率阈值还大，如图4中的(c)所示，因此可能检测一些假事件。而本发明中的功率差阈值随着波动程度自适应调节如图4中的(d)所示，可以有效地避免由波动引起的假事件。

[0057] 在BLUED数据集上选择负荷事件最频繁的某个时间段进行了测试，事件检测结果如图5所示。其中A相一共包含78个事件，B相一共包含165个事件。从事件检测结果可知，A相的全部事件都准确地检测，如图5中的(a)所示。B相的事件基本都检测，只漏掉重复性事件的一些事件，事件检测结果如图5中的(b)、(c)、(d)所示。从B相的一些局部时间段的事件检测结果可发现B相的功率序列数据波动很大，比A相复杂很多。

[0058] 除了BLUED数据集以外，在REDD数据集上也进行了测试。REDD数据集中的功率序列数据的采样频率为1Hz，所以不需要进行均值滤波处理，直接获得功率差序列数据。REDD数据集上的事件检测结果如图6所示。从图6的事件检测结果可以发现，本发明提出的事件检测方法在低采样频率数据上的表现也相当不错，表明鲁棒性很强。

[0059] 与前述一种基于鲁棒性随机分割森林算法的负荷事件检测方法的实施例相对应，本发明还提供了一种基于鲁棒性随机分割森林算法的负荷事件检测系统的实施例。

[0060] 本发明实施例提供的一种基于鲁棒性随机分割森林算法的负荷事件检测系统，包括：

[0061] 数据获取模块，用于实时采集用电入户端的功率数据，基于功率数据计算每一时刻的功率差；

[0062] 初始判断模块，用于将每一时刻的功率差输入到随机森林计算异常得分；若当前时刻的异常得分大于阈值则判断可能发生事件，并将该时刻记为第一事件开始点；同时第一事件结束点为第一事件开始点之后首次异常得分小于阈值的时刻；

[0063] 校准模块，用于基于第一事件开始点、第一事件结束点，由近及远依次获取第一事件开始点、第一事件结束点附近时间段的功率序列数据并分别进行线性拟合，直至线性拟合结果符合要求；线性拟合结果的要求为斜率小于斜率阈值a0，拟合优度大于阈值r0；将线性拟合结果符合要求的第一事件开始点附近时间段的起点记为第二事件开始点，将线性拟合结果符合要求的第一事件结束点附近时间段的起点记为第二事件结束点；

[0064] 事件检测模块，用于基于第二事件开始点、第二事件结束点的功率差进行最终的事件检测判断。

[0065] 对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0066] 最后，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。