[发明专利]基于GRU和ARIMA-T的非侵入式事件检测方法

说明书

本发明为基于GRU和ARIMA‑T的非侵入式事件检测方法，包括以下步骤：输入某一特定区域负荷U、I数据，使用数据增强方法Mixup对负荷样本进行平衡化处理，再进行计算得到有功功率特征，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，得到输入序列；将输入序列分别输入到GRU模型和ARIMA‑T模型，得到负荷事件的结果；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。本发明方法将GRU模型和ARIMA‑T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，有较强的全局搜索与对抗局部收敛能力，能够较好地识别出负荷事件。

技术领域

本发明涉及非侵入式负荷检测领域，更加确切的说是一种基于GRU和ARIMA-T检验的非侵入式负荷开关事件检测方法。

背景技术

负荷监测是实现智能用电的重要一环，通过负荷监测，各电器耗电情况都能被用户及时了解，在这其中非侵入式电力负荷监测是未来监测技术发展趋势和方向，作为重要的负荷监测方式，应用NILM(Non-intrusive load monitor)技术可以将家庭能耗数据分类为单个设备利用数据，能分散和集中计量用户电力消耗，但随着用电侧的用电设备的总数、种类以及用电模式的快速增加，同时对用户用电数据处理和设备监测的准确度要求不断提高，这就使得准确检测出开关状态显得至关重要。

基于事件检测的效果受检测算法精度直接影响，如果电器运行状态改变，首先利用算法检测出存在投切事件，其次方可完成特征提取与负荷辨识，目前对事件检测有以下几种方法，累计和算法(Cumulative Sum、CUSUM)、基于对数似然比(Log likelihoodratio，LLR)、广义对数似然比，但是这种方法也存在着一定的缺陷，比如基于对数似然比对相似的波形会降低检测开关状态的准确度。本发明提出的一种基于GRU和ARIMA-T检验的非侵入式负荷开关事件检测方法，能够有效提高事件检测的精度、降低误检率与漏检率。

发明内容

本发明的主要目的是提出一种基于GRU和ARIMA-T检验的非侵入式负荷开关事件检测方法。

本方法包括以下步骤：

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；

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；

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；

本发明为一种基于GRU和ARIMA-T检验的非侵入式负荷开关事件检测方法，首先输入某一特定区域负荷U、I数据，对数据进行预处理将少样本类别数据利用Mixup方法增强虚拟样本数量，得到均衡样本数据集，再将输入的U、I数据进行计算得到有功功率特征，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；将输入数据序列分别输入到GRU模型和ARIMA模型中，得到负荷事件的结果；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。其技术效果在于：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，具有一定的应用价值。

附图说明

为了更加直观的说明本发明实施的方案，下面将对本专利具体实施方式中的附图说明做简单的介绍：