基于投票方差的非侵入式负荷波动检测

杨丹旭，宋亚奇，岳建任，李 莉

（华北电力大学控制与计算机工程学院，河北保定 071000）

0 引言

非侵入式负荷监测NILM（Non-Intrusive Load Monitoring）是20 世纪80 年代由HART G W 教授提出的［1］，近年来，随着智能电网的建设与节能环保意识的增强，该领域受到关注并获得发展。NILM 不依赖于在每台用电设备上加装监测装置，通过对区域总电表电压、电流及功率等信息的实时采集和分析，便可得到区域内所有负荷种类以及单台用电设备的实时能源消耗情况，辅助智能电网在保持供需平衡、有效管理能源流动以及电网的可持续性等方面的建设［2］。NILM 在硬件安装、隐私保护、用户行为的修改、各类人群在高峰时间内的节能以及故障盗窃检测等方面，能够低成本、高效率地实现且便于实施［3-4］，与侵入式负荷监测相比具有明显优势。

NILM 方法主要分为基于事件的和非基于事件的2 类。基于事件的NILM 方法需要进行数据处理、事件检测、负荷特征提取和负荷识别步骤［5］，该类方法依赖于对获取的聚合负荷数据使用不同边缘检测算法的事件检测，从提取的事件中获取特征，并使用机器学习算法将其按照不同的规则进行分类。事件检测是NILM 方法中的重要组成部分，其目标是确定负荷开关事件是否发生、区分稳态暂态以及定位事件发生的时间。事件检测的精度直接决定提取的负荷特征是否准确有效，从而影响负荷识别效果。在事件检测中，无事件发生的状态为稳态，前后2 个稳态之间发生的暂态事件的过渡阶段称为暂态阶段，暂态事件的时间定位会影响稳态的确定。

事件检测方法主要有基于规则、基于概率模型以及匹配滤波［6-7］3种。累积和的思想在事件检测中应用广泛，通过积累微小偏移量检测事件的发生。文献［8-9］对常规累积和进行改进以解决漏检或者时间定位问题。文献［10］将贝叶斯准则的思想应用到事件检测中，解决了常规累积和的漏检问题。文献［11］利用基于广义似然比（GLR）的思想比较负荷事件前后的概率，对负荷进行暂态事件检测。文献［12］提出平均滑动窗口（MSW）算法，该算法利用滑动窗口检测有功功率损耗曲线的平均值，将其与预定义阈值进行比较来探测事件。文献［13］跟踪检测信号包络的标准差，对事件开始时间的定位精度较高。文献［14］提出卡方检测的方法，该方法虽然具有较好的检测性能，但是缺少对事件结束时间的判断。

滑动窗口内方差与均值比较的经典方法和规则（简称经典滑动窗方法）被广泛用于各种场景NILM的事件检测中［15-18］，其基于简单的规则，高效快速，且具备一定的检测效率，但在大功率用电设备运行时会降低对小功率用电设备投切事件的检测能力，且对事件的开始及结束时间缺乏精确的定位。为了解决上述2 个问题，提高检测精度，本文对经典滑动窗方法进行改进，提出一种基于投票方差的波动检测方法。实验验证表明，该方法能够有效地检测出不同功率水平和不同特性的各种开关事件，以及实现更为精准的事件开始和结束时间定位。

1 问题分析

经典滑动窗方法通过比较滑动窗口内功率序列的方差与均值来判定是否发生波动，当方差大于均值的一半时认为发生波动，进而将波动前后的功率差与提前设置好的阈值进行比较，若大于阈值，则判定为一次事件发生。但是功率均值会随着用电设备切换事件发生变化，在大功率用电设备开启后，功率均值会升至一个很高的水平，远大于小功率用电设备切换事件引起的波动方差，从而导致漏检的发生。图1 为功率水平提升检测效果图，图中三角形标注的点为检测到的事件，菱形标注的点为漏检事件。当功率水平为200 W 左右时，40～60 W 的小功率事件会被检测到，但当将功率水平提升1500 W后这些小功率事件就会被漏检。原始功率水平及真实事件如附录A图A1所示。

图1 功率水平提升检测效果图Fig.1 Detection effect diagram of promoting power levels

每个独立的负荷开关事件都有开始和结束时间，单个事件过程示意图如附录A 图A2所示。经典滑动窗方法在将满足方差大于均值一半的点加入波动区间并判定事件发生之后，将区间两端点视为投切事件的开始和结束时间，但当遇到功率缓慢变化的事件，满足滑动窗口方差大于均值的一半时，可能事件早已开始，导致检测到的事件开始时间晚于实际开始时间，如图2 所示，类似地，检测到的事件结束时间会早于实际结束时间。

图2 时间定位错误图Fig.2 Diagram of time positioning error

此外，经典滑动窗方法在定位事件开始和结束时间上有时会出现逻辑错误，当满足波动条件的连续窗口数小于滑动窗口长度时，判定为事件开始时间的点会在结束时间点之后，这在现实中是不可能的，如图3所示。

图3 结束时间点早于开始时间点示意图Fig.3 Schematic diagram of ending time point earlier than start time point

为了解决因大功率用电设备开启而造成小功率用电设备的事件漏检以及投切事件的时间定位问题，本文提出基于投票方差的波动检测方法。

2 基于投票方差的波动检测方法

2.1 基于投票方差的波动检测方法设计思路

当发生负荷开关事件时，功率序列会产生相应的波动，此时滑动窗口内的功率方差增大，通过投票机制选出一段时间序列内满足条件的方差最大的样本点作为开关事件发生点。选择方差作为判断量的原因在于方差不会随着聚合功率的变化而变化，避免了大功率用电设备开启的影响。本文利用极差阈值将暂态和下一个稳态进行分割。

2.2 基于投票方差的波动检测方法流程

2.2.1 方法总体流程

基于投票方差的波动检测方法的输入为聚合功率序列，输出为事件的开始和结束时间，方法流程图如附录A图A3所示，具体步骤如下。

1）由于家庭用电总功率信号中存在噪声，噪声或者尖峰值会触发错误的事件转换检测，增加误检风险。为了提高事件检测方法的性能，本文利用中值滤波方法对总功率信号进行去噪后再开启事件检测。输入原始总功率序列P，设置长度为m+1 的滤波滑动窗口，每个滤波后的样本点p′i均由其所在窗口的m+1个功率信号的中值表示，如式（1）所示。

式中：median（·）为求中值函数；pi-m/2+j(j=0，1，…，m)为第i个滑动窗口内的第j+1个功率样本点。

2）输入滤波后的功率序列P′，设置长度为n的方差滑动窗口，计算窗口内功率的方差。

3）对方差序列设置长度为w的投票滑动窗口，若某方差是投票滑动窗口内的最大值且不小于方差阈值q，则相应样本点获得1 票。q的作用是避免正常波动引起的极小方差被误判为事件。

4）将最终获得的票数等于投票窗口长度w的点标记为一次事件，当事件开始时间点处于滑动窗口中心时，滑动窗口方差最大，因此，当获得的票数达到滑动窗长度时，即为准确的事件开始时间。

5）一旦探测到事件发生，稳态检测程序立即被启动以定位事件结束时间。设长度为l的极差滑动窗口内的原功率序列s={pi，pi+1，…，pi+l-1}，将其极差r作为衡量指标，r的计算如式（2）所示。

从事件开始时间开始滑动极差窗口，若窗口内的极差小于极差阈值h，则判定进入稳态，即此时为事件结束时间点，并完成事件检测。

2.2.2 参数选择

1）滤波滑动窗口长度m+1。

滤波滑动窗口长度m+1 影响的是曲线的平滑度，其值越大，曲线越平滑，方差越小，同时保留的原始数据信息越少，因此，m+1不宜过大。

2）方差滑动窗口长度n和方差阈值q。

方差滑动窗口长度n影响的是对一段时间间隔内功率序列波动情况的统计，其最大值应该小于2个相邻事件发生的时间间隔。考虑到被检测用电设备的最小功率Pmin以及用电负荷正常工作时的波动，方差阈值q应根据功率在0.8Pmin～15Pmin范围内波动引起的方差变化进行设置。

3）投票滑动窗口长度w。

投票滑动窗口长度w反映的是考虑方差最大值的邻域大小，其值不宜超过相邻开关事件发生的最小时间间隔。考虑到采样率的限制，将间隔少于20个样本点的相邻事件视为重叠事件，w越大，事件漏检的概率越高。

4）极差滑动窗口长度l和极差阈值h。

极差滑动窗口长度l和极差阈值h是判断是否进入稳态的变量，不涉及方法检测精度，其值与滤波滑动窗口长度m+1、方差滑动窗口长度n、投票滑动窗口长度w的设置相互独立。一般而言，极差阈值应该随着极差滑动窗口的增大而增大，增加对于一般波动的容忍度，其值应该在对原始数据一定统计的基础上进行设置。另外，极差滑动窗口长度与极差阈值限制的是负荷噪声，与负荷特性有关，大功率负荷产生的电路抖动较大，应适当增大极差滑动窗口长度和极差阈值，而对于小功率负荷，则可较严格设置极差滑动窗口长度与极差阈值。

3 实验验证

3.1 数据集选择

本文选取适用于基于事件的NILM 方法的数据集——用于电力分解的建筑级完全标记数据集BLUED（Building-Level fUlly-labelled dataset for Electricity Disaggregation）［19］，该数据集中除了包含一个美国家庭聚合电路中长达8 d 的功率、电流、电压等数据外，还包含各用电设备的投切事件发生时间等信息。考虑到数据量和方法的目标，选取A 相电路数据进行实验，为了提升方法实施效率，将每半天数据作为一个单元进行操作。

3.2 投切事件检测准确率验证

本节将验证所提基于投票方差的波动检测方法在大功率用电设备开启后对投切事件的检测性能。当电路中出现多台大功率用电设备开启时，功率水平会上升，本文通过人为提升功率水平模拟大功率用电设备开启的情景，将功率水平提升量分别设置为0、1 500、3 000 W，以检测所提方法在不同功率水平下的稳健性，并且和经典滑动窗方法以及卡方检验χ2GOF（chi-squared GOF test）方法［20］进行对比。

设TP为检测到的正确事件（真阳性）数，FP为误判为有事件发生但实际没发生的事件（假阳性）数，FN为漏检的事件（假阴性）数。采用F1 分数F1-score评价事件检测方法的检测精度，其为精确率P*和召回率R*的调和平均值，能综合衡量事件检测方法在精确率和召回率这2 个指标上的得分，其值越高，表示方法性能越好，计算方法为：

实验中设置滤波滑动窗口长度为101，方差滑动窗口长度为40，方差阈值为20，投票滑动窗口长度为60，极差滑动窗口长度为20，极差阈值为4。不同功率水平检测性能结果如表1 所示。由表可知：当功率水平提升量为0 时，经典滑动窗方法的F1-score处于一个较高的水平，达到93.36%，但随着功率水平的提升，F1-score逐渐下降到22.14%，漏检率不断增加，该方法性能明显下降；χ2GOF 方法的F1-score同样随着功率水平的提升而逐渐下降；而对于各功率水平提升量，本文方法的F1-score均保持为95.72%，这说明功率水平变化不会对本文方法的F1-score造成影响，大功率用电设备的开启不会对本文方法的小功率事件检测能力造成影响，因此，本文方法具有很好的稳健性。

表1 不同功率水平检测性能结果Table 1 Detection performance results of different power levels

3.3 投切事件时间定位

考虑到功率水平变化不会对本文方法性能产生明显影响，本文仅对功率水平提升量为0 的情况下本文方法和经典滑动窗方法的时间定位效果进行对比。

BLUED 中包含人工记录的各台被测量设备的开关事件开始时间，而没有记录设备开关事件的结束时间，因此，在利用该数据集检测2 种方法的时间定位精度上，本文仅比较检测到的事件开始时间和记录的实际开始时间，将两者相同作为检测到的事件开始时间正确的衡量标准。实验结果表明，本文方法准确定位到事件开始时间的事件数占95.30%，而经典滑动窗方法准确定位到事件开始时间的事件数占48.17%。

为了验证本文方法定位事件结束时间的准确性，利用本文方法和经典滑动窗方法对发生多次投切事件的聚合功率进行事件检测，将检测到的事件结束时间与实际结束时间进行对比。附录A 图A4为随机选取的3段聚合功率序列，附录A 表A1—A3为对应的利用2 种方法进行事件检测所检测到的事件结束时间。由表可见，本文方法所检测到的事件结束时间更贴合实际结束时间，而经典滑动窗方法所检测到的事件结束时间和实际结束时间相差较大。

综上可知，本文方法定位投切事件开始和结束时间比经典滑动窗方法更精准。此外，在极少数情况下，由于噪声的存在，本文方法利用极差判断的事件结束时间可能会比实际结束时间稍晚，但是却避免了提前将暂态时间误判为事件结束时间，减小了误差。

3.4 参数寻优

1）极差滑动窗口长度l和极差阈值h。

考虑到BLUED 中功率序列分布特点，本文设置的极差滑动窗口长度l和极差阈值h如表2所示。

表2 l和h的对应关系Table 2 Correspondence between l and h

2）方差阈值q、滤波滑动窗口长度m+1、方差滑动窗口长度n和投票滑动窗口长度w。

方差阈值需要将80%的数据集作为训练集，并根据测试集的实验结果进行设置。图4 为设置方差阈值和未设置方差阈值时的检测结果对比，由图可见，设置方差阈值会大幅减少因噪声而导致的误检。

图4 方差阈值对检测结果的影响Fig.4 Influence of variance threshold on detection results

附录A 图A5 为滤波滑动窗口长度在21～101 个采样点范围内变化时对本文方法F1-score的影响。由图可见，随着滤波滑动窗口长度的增加，F1-score总体上呈上升趋势，但是滤波滑动窗口长度在达到41 个采样点后对F1-score的影响不明显，而滤波窗口长度越长，滤波后的功率序列波动变化越明显，探测越容易，同时滤波滑动窗口长度增加会增大小功率事件的波动被过滤的风险，综合考虑，在基于BLUED的对比实验中，本文将滤波滑动窗口长度设置为101 个采样点。

考虑到数据集中相邻事件发生的最小间隔，设置方差滑动窗口长度与投票滑动窗口长度的最大值不超过101 个采样点。方差滑动窗口长度与本文方法F1-score之间的关系如附录A 表A4 所示。由表可见，方差滑动窗口长度在21～101 个采样点范围内变化时F1-score相差不大但呈下降趋势，综合考虑，本文将方差滑动窗口长度设置为41个采样点。

考虑到BLUED 的采样率，投票滑动窗口长度最大值为101 个采样点，附录A 表A5 为投票滑动窗口长度对本文方法F1-score的影响。由表可见，随着投票滑动窗口长度增加，F1-score先提高后下降，投票滑动窗口长度在41～61 个采样点之间时F1-score处于较高水平。

4 结论

本文提出一种投票方差方法用于NILM 的事件检测，实验结果表明，相较于经典滑动窗方法和χ2GOF 方法，本文方法对小功率用电设备的开关事件检测能力不会受到大功率用电设备开启的影响。此外，本文方法具备精确检测每个事件开始时间和结束时间的能力，且保证了检测精度处于较高水平，适用于含有高功率负荷以及功率水平较高的电路，为NILM的特征提取和负荷识别奠定了基础。

对于多个事件重叠发生的情况，本文方法的检测能力还有待提高，并且在三餐时间大功率用电设备开启概率高，应适当增大方差阈值以减小噪声引起的误差，考虑到本文方法的检测目标，本文实验中尚未涉及动态阈值。此外，如何利用优化学习方法对检测参数进行寻优，以提高事件检测的准确度和效率，也是笔者后续工作的一个研究方向。

附录见本刊网络版（http：//www.epae.cn）。