[发明专利]基于GRU和ARIMA-T的非侵入式事件检测方法

权利要求书

1.一种基于GRU和ARIMA-T检验的非侵入式负荷开关事件检测方法，其特征在于：采用GRU模型和ARIMA-T检验模型相结合，提高了模型的负荷开关事件识别精度和泛化能力，具有较强的全局搜索能力与对抗局部收敛的能力，能够较好地识别出负荷事件，具体包括以下步骤：

Step1输入某一特定区域负荷U、I数据，并对数据进行预处理；

Step2对预处理过的数据进行计算得有功功率特征，接着对有功功率进行中值滤波处理，利用差分运算对滤波后的数据进行平稳性处理，得到输入数据序列；

Step3将输入数据序列输入到GRU模型中，得到负荷事件结果1，其中GRU模型的计算公式分别为：

z_t＝σ(W_z·[h_t-1,x_t])

r_t＝σ(W_r·[h_t-1,x_t])

在输入数据序列输入后，通过h_t得到负荷事件结果1；

Step4再将输入数据序列输入到ARIMA模型中，并且通过T检验，得到负荷事件结果2，在ARIMA中，将变量的未来值假定为过去几次观测值和随机误差的线性函数，也就是说，生成时间序列的基础过程具有以下形式：

y_t＝C+φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p

+ε_t-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q

其中：φ_i和θ_j分别表示自回归模型的参数和滑动平均模型的参数，其中i＝1,2,…,p、j＝1,2,…,q；p和q为模型的阶数；y_t、ε_t、C分别表示实际值、独立恒等分布的随机误差、常数；

T检验的基本原理如下：分别记两组样本分别满足：且X₁＝(x₁₁,x₁₂,…,x_1a,…,x_1n)，X₂＝(x₂₁,x₂₂,…,x_2b,…,x_2m)，则两组样本的平均值μ与方差σ²分别为：

同时定义：T为两组数据样本统计量，F为两组数据样本的方差比，即：

运用ARIMA分解负荷的有功功率序列特征，将分解后的三条时间序列作为分析对象，提取其中的残差项，并作为新的数据序列，同时计算一次方差和二次方差，再通过T检验的结果可作为负荷事件检测结果2；

Step5利用微分进化算法优化权重系数，利用最优的权值系数进行线性加权组合得到基于GRU和ARIMA-T检验的负荷事件结果。

2.根据权利要求1所述的一种基于GRU和ARIMA-T检验的非侵入式负荷开关事件检测方法，其特征在于，所述的输入某一特定区域负荷U、I数据，对数据进行预处理，包括：

输入某一特定区域负荷U、I数据，对数据进行预处理，因为对于类别的样本数量远少于其他类别的数据，将会产生训练淹没现象，小类样本特征训练不充分，采用Mixup算法对负荷样本进行平衡化处理，Mixup是基于邻域风险最小化原则的数据增强方法，通过线性插值得到新的数据样本，具有计算开销小、能降低模型对已损坏标签的记忆、增强模型鲁棒性和稳定性。