1.本发明属于非侵入式负荷识别技术领域，具体涉及基于事件监测识别设备运行状态的方法。
背景技术：2.非侵入式负荷识别，就是无需对电路中的每个设备进行监控，只需对总电路中的电气数据进行处理并识别相关信息。实际应用有多种方向，其中之一为识别接入电路中设备所处的运行状态，从而把控电路中的设备情况，做到更加合理和有效的管理。但由于各式各样电气设备的存在，其中更不乏许多同功率设备，它们运行时的电流、电压数据在数值上差异不大，很难作为辨认的特征，因此如何使用非侵入式的手段从电路中准确的获取设备的运行状态是一个值得研究的方向。
3.随着科学技术的不断发展，电路数据采集设备的不断更新，现有很多高精度采样的电气数据采集设备，每秒钟千次甚至上万次的电气数据，使得我们可以对电路获取更多的有用信息，因此通过电流电压以及功率等数据区分同功率设备变为了可能。同时，根据研究发现，设备在状态切换时的短暂时间内，高采样频率下的电流、功率数据呈现比较明显的差异性，可以很好的作为识别的特征。
技术实现要素：4.本发明的目的在于提供一种基于事件监测的识别设备运行状态的方法，通过识别设备切换状态来判断设备整体运行情况，能实现对同功率设备的识别，并且有着较高的识别准确率。
5.本发明提供的基于事件监测识别设备运行状态的方法，主要分为两个部分，一是特征库构建，二是基于事件监测的设备运行状态识别；本发明在电路中连接电气数据采样设备，该设备可以获取每秒1000次采样的高频电流、电压数据；利用这些数据，对接入电路中的各种电气设备的运行状态进行识别。理论上来说，同功率电气设备稳态运行时的电流电压数据在数值上相差不大，利用简单的数值差异无法判断运行的电气设备是什么，本发明利用高采样频率下更多的数据细节实现了对同功率设备状态的识别，同时采用基于事件监测的手段，提高了对设备状态切换这一事件的检测准确性。同时利用特征库匹配的方法来对设备状态切换事件进行识别，提高了识别的效率，在非侵入式负荷识别方面具有优越性。
6.本发明提供的基于事件监测的识别设备运行状态的方法，具体步骤为：
7.步骤1：构建特征库；
8.步骤1.1：利用高频电气数据采样设备，对需要识别的电气设备获取其完整运行状态下的电气数据，包括设备稳态运行以及各种切换状态下的时序数据，切换状态指电气设备各种运行状态的切换，如关闭状态到一档、一档到二档，每种状态切换的组合记为一种切换状态。具体操作为：首先将采样设备接入电路中，开始进行每秒1000hz的电流、电压数据
采集；随后将目标电气设备接入同一电路，确保该电路上只有该目标电器设备，对目标电气设备从关闭状态到一档(如有二、三档等则顺序开启，即一档到二档、二档到三档顺序开启)，完成所有切换状态数据的记录，每一种稳态保持至少五秒以上的稳定运行时间。最后得到一段时序电气数据，作为该目标设备的特征构建数据。
9.步骤1.2：对步骤1.1中采集的数据进行预处理操作，该预处理操作共包括两部分，首先对电流和电压数据进行逐数据相乘，得到每一时刻的瞬时功率；因为国内交流电的基频为50hz，采样频率为1000hz，因此需要在时序数据列表的首尾各填上10个数据0，确保可以以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算公式如下：
[0010][0011]
其中，p
t
、v
t
以及c
t
分别表示时刻t的有功功率、电压以及电流；
[0012]
步骤1.3：根据步骤1.1中记录的目标电气设备状态切换操作对步骤1.2中计算所得的有功功率进行一定时间段的数据提取，例如，在开始采集数据后的第一秒时间开启设备，在第十秒时间设备从一档开启至二档，对有功功率时序数据分别分割出第一秒、第十秒两个时刻前后共1s(即1000个数据点)的数据段，并计算该时间段内的最小有功功率，最大有功功率，并附上对应的设备切换状态标签，如0(关闭
‑‑
一档)、1(一档—二档)，共四类数据存入特征库，作为该目标设备的特征表示。对所有的目标设备重复上述步骤，构建起特征库；
[0013]
如果，后续需新增识别设备，只要对新增识别设备进行特征构建，并加入特征库，就可以利用本发明提出的方法进行识别。
[0014]
步骤2：获取采样数据；
[0015]
为完成对一段电路中的设备运行状态的识别，首要的是需要获取相应的检测数据，即获取采样数据；具体地，首先将采样设备接入电路中，开始每秒1000hz的电流、电压数据采集。在采集设备开启之后，所有的采集数据会被完整的保存下来，当每次进行设备运行状态识别时，只需将当前时刻获取到的所有电气数据进行读取即可。
[0016]
步骤3：数据预处理；
[0017]
该部分的数据预处理操作包括三部分，首先，对电流和电压数据进行逐数据相乘，得到每一时刻的瞬时功率；同时在时序数据列表的首尾各填上10个数据0，确保可以以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算方法同步骤1.2中式(1)；最后对该有功功率数据进行中值滤波平滑；然后做高斯拉普拉斯算子运算操作，得到一段同有功功率等长的时序数据；这里，中值滤波平滑是基于python的scipy库函数自带的信号处理函数signal.medfilt()，能够实现定长数据的平滑操作，减少微小变化的影响，使得高斯拉普拉斯算子运算对数据的边缘检测结果更加准确。
[0018]
步骤4：基于事件监测的设备状态切换检测；
[0019]
经步骤3数据预处理得到的一段与有功功率等长的时序数据进行归一化处理，至(0，1)之间，然后，用来检测设备状态切换事件，当某时刻有设备状态发生变化时，该时刻的数据值为0或1，当某时刻没有设备状态发生变化时，该时刻的数据值为0.5，数据值为1表示该时刻有功率上升事件，即可能有设备开启或者从低档位调至高档位，数据值为0表示该时
刻有功率下降事件，即可能有设备关闭或者从高档位调至低档位。因为设备的开启或关闭事件不是一个瞬间突变的操作，高采样频率下得到的时序数据是一个连续变化的过程，因此简单的根据前后时刻的差值来判断是否出现功率上升还是功率下降事件是一个十分困难的事情，利用平滑处理后做高斯拉普拉斯算子运算得到的边缘检测结果，可以更好的基于事件来对设备状态切换进行检测，可以更好地定量得到如0、0.5或1这样的事件判定值，实现更快捷以及更好的检测结果。
[0020]
步骤5：识别设备状态切换事件；
[0021]
基于步骤4得到的事件监测结果，可以得到获取的电气数据种各种功率上升事件以及功率下降事件所在的时刻，因为数据预处理得到的时序数据与有功功率数据是等长且对应的，因此得到的时刻对有功功率时序数据分别分割出每一时刻前后共1s(即1000个数据点)的数据段，作为该时刻设备状态切换事件的数据表示首先计算该时间段内的最小有功功率最大有功功率构成一个三维的特征表示与步骤1中构建的特征库数据进行比对(匹配)。特征匹配主要利用数据表示与特征库中所有切换状态的有功功率数据计算欧几里得距离，以及计算对应最小有功功率和最大有功功率之间的差值，欧几里得距离与差值相加值最小的，为状态切换事件i，即可通过该切换事件i识别出当前时刻是什么设备从某一工作状态切换到另一工作状态，或有某一设备开启或关闭。
[0022]
步骤6：判断电器运行状态
[0023]
步骤5中得到了不同时刻下的设备状态切换事件，时刻0没有任何设备在工作，当时刻ta检测到m设备从关闭到一档状态切换，时刻tb检测到m设备从一档到二档状态切换，则可判断设备m在时间段《ta，tb》之间处于一档运行状态。将这些状态切换事件以及设备所处的状态信息记录下来，只要利用该时刻之前记录的状态切换事件以及设备所处的状态信息联合当前时刻得到的监测信息进行判断，则可知道不同时间段内的电气运行状态，从而实现对电路中的电气数据进行识别。
[0024]
本发明提出通过识别设备切换状态来判断设备整体运行情况的方法，利用高采样频率下更多的数据细节实现了对同功率设备状态的识别，同时采用基于事件监测的手段，提高了对设备状态切换这一事件的检测准确性。同时利用特征库匹配的方法来对设备状态切换事件进行识别，提高了识别的效率，在非侵入式负荷识别方面具有优越性。
附图说明
[0025]
图1为本发明基于事件监测的识别设备运行状态的方法的流程图。
具体实施方式
[0026]
以下结合附图和实施例对本发明的技术方案进行详细阐述。
[0027]
实施例：
[0028]
本发明提出基于事件监测的识别设备运行状态的方法，其流程图如图1所示，可分为如下几个步骤：
[0029]
步骤1：构建特征库；
[0030]
步骤2：获取采样数据；
[0031]
步骤3：数据预处理；
[0032]
步骤4：基于事件监测的设备状态切换检测；
[0033]
步骤5：识别设备状态切换事件；
[0034]
步骤6：判断电器运行状态。
[0035]
下面对各步骤作进一步的具体说明。
[0036]
1.构建特征库
[0037]
步骤1.1：利用高频电气数据采样设备，对需要识别的电气设备获取其完整运行状态下的电气数据，该完整状态包括设备稳态运行以及各种切换状态下的时序数据。具体操作为首先将采样设备接入电路中开始每秒1000hz的电流、电压数据采集，随后将目标电气设备接入同一电路，确保该电路上只有该目标电器设备，对目标电气设备从关闭状态到一档(如有二三档等则顺序开启)，完成所有状态切换的操作并记录，每一种稳态保持至少五秒以上的稳定运行时间。最后得到的一段时序电气数据作为该目标设备的特征构建数据，该实施例中主要对6种同功率(400w)设备，吹风机、吸尘器、电吹风、热风机、电熨斗以及小电锅进行特征库构建以及运行状态的识别，对采集的30s数据长的小电锅状态切换操作记录如下：
[0038]
表1小电锅状态切换记录表
[0039]
状态变化关闭
→
一档一档
→
二档二档
→
一档一档
→
关闭二档
→
关闭时刻(ms)200080001500020000260000
[0040]
步骤1.2：对步骤1.1中采集的数据进行预处理操作，该操作共包括两部分，首先对电流和电压数据进行逐数据相乘，得到每一时刻的瞬时功率；因为国内交流电的基频为50hz，采样频率为1000hz，因此需要在时序数据列表的首尾各填上10个数据0，确保可以以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算公式如下，其中p
t
、v
t
以及c
t
分别表示时刻t的有功功率、电压以及电流：
[0041][0042]
步骤1.3：随后根据步骤1.1中记录的目标电气设备状态切换操作对步骤1.2中计算所得的有功功率进行特定时间段的数据提取，例如对30s数据长的小电锅有功功率分割出2000ms时刻前后共1s(即1000个数据点)的数据段，并计算该时间段内的最小有功功率，最大有功功率，并附上对应的设备切换状态标签0(关闭
‑‑
一档)，共四类数据存入特征库，作为小电锅关闭至一档的特征表示。对所有的目标设备重复上述步骤，构建起特征库，后续需新增的识别设备，只要进行特征构建加入特征库，就可以利用本发明提出的方法进行识别。
[0043]
2.获取采样数据
[0044]
为完成对一段电路中的设备运行状态的识别，首先需要获取相应的检测数据，获取采样数据首先将采样设备接入电路中，开始每秒1000hz的电流、电压数据采集。在采集设备开启之后，所有的采集数据会被完整的保存下来，当每次进行设备运行状态识别时，只需将当前时刻获取到的所有电气数据进行读取即可。
[0045]
3.数据预处理
[0046]
该部分的数据预处理操作包括三部分，首先对电流和电压数据进行逐数据相乘，
得到每一时刻的瞬时功率；同时在时序数据列表的首尾各填上10个数据0，确保可以以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算方法同步骤1.2中；最后对该有功功率数据进行中值滤波平滑，随后做高斯拉普拉斯算子运算操作，得到一段同有功功率等长的时序数据，中值滤波平滑是基于python的scipy库函数自带的信号处理函数signal.medfilt()，能够实现定长数据的平滑操作，减少微小变化的影响，使得高斯拉普拉斯算子运算对数据的边缘检测结果更加准确。
[0047]
4.基于事件监测的设备状态切换检测
[0048]
经步骤3数据预处理得到的一段同有功功率等长的时序数据，进行归一化处理至(0，1)之间，随后可以用来检测设备状态切换事件，当某时刻有设备状态发生变化时，该时刻的数据值为0或1，当某时刻没有设备状态发生变化时，该时刻的数据值为0.5，数据值为1表示该时刻有功率上升事件，即可能有设备开启或者从低档位调至高档位，数据值为0表示该时刻有功率下降事件，即可能有设备关闭或者从高档位调至低档位。因为设备的开启或关闭事件不是一个瞬间突变的操作，高采样频率下得到的时序数据是一个连续变化的过程，因此简单的根据前后时刻的差值来判断是否出现功率上升还是功率下降事件是一个十分困难的事情，利用平滑处理后做高斯拉普拉斯算子运算得到的边缘检测结果，可以更好的基于事件来对设备状态切换进行检测，可以更好地定量得到如0、0.5或1这样的事件判定值，实现更快捷以及更好的检测结果。
[0049]
5.识别设备状态切换事件
[0050]
基于步骤4得到的事件监测结果，可以得到获取的电气数据种各种功率上升事件以及功率下降事件所在的时刻，因为数据预处理得到的时序数据与有功功率数据是等长且对应的，因此得到的时刻对有功功率时序数据分别分割出每一时刻前后共1s(即1000个数据点)的数据段，作为该时刻设备状态切换事件的数据表示首先计算该时间段内的最小有功功率最大有功功率构成一个三维的特征表示与步骤1中构建的特征库数据进行比对(匹配)。特征匹配主要利用数据表示与特征库中所有切换状态的有功功率数据计算欧几里得距离，以及对应最小有功功率和最大有功功率之间的差值，欧几里得距离与差值相加值最小的状态切换事件i，即可通过该切换事件i识别出当前时刻是什么设备从某一工作状态切换到另一工作状态，或有某一设备开启或关闭。
[0051]
6判断电器运行状态
[0052]
步骤5中得到了不同时刻下的设备状态切换事件，时刻0没有任何设备在工作，当时刻ta检测到m设备从关闭到一档状态切换，时刻tb检测到m设备从一档到二档状态切换，则可判断设备m在时间段《ta，tb》之间处于一档运行状态。将这些状态切换事件以及设备所处的状态信息记录下来，只要利用该时刻之前记录的状态切换事件以及设备所处的状态信息联合当前时刻得到的监测信息进行判断，则可知道不同时间段内的电气运行状态，从而实现对电路中的电气数据进行识别。
[0053]
本案例中将本方法对6种同功率(400w)设备，吹风机、吸尘器、电吹风、热风机、电熨斗以及小电锅进行了多段运行数据的识别，共计2750次状态切换事件，实验结果如下表，设备切换状态事件的监测准确率高达99％，利用特征库匹配识别设备切换状态的准确率在单设备运行时高达98％，多设备运行时的检测准确率同样有90％。
[0054]
表2实验结果
[0055] 设备运行状态识别准确率状态切换事件监测准确率状态切换事件识别准确率单设备98％99％98％多设备90％99％90％
。
技术特征：1.一种基于事件监测的识别设备运行状态的方法，其特征在于，具体步骤为：步骤1：构建特征库；步骤1.1：利用高频电气数据采样设备，对需要识别的电气设备获取其完整运行状态下的电气数据，包括设备稳态运行以及各种切换状态下的时序数据，切换状态指电气设备各种运行状态的切换，如关闭状态到一档、一档到二档，每种状态切换的组合记为一种切换状态；具体操作为：首先将采样设备接入电路中，开始以每秒1000hz的采样频率进行电流、电压数据采集；随后将目标电气设备接入同一电路，确保该电路上只有该目标电器设备，对目标电气设备从关闭状态到一档、一档到二档、二档到三档等，顺序开启，完成所有切换状态数据的记录，每一种稳态保持至少五秒以上的稳定运行时间；最后得到一段时序电气数据，作为该目标设备的特征构建数据；步骤1.2：对步骤1.1中采集的数据进行预处理，具体为：首先对电流和电压数据进行逐数据相乘，得到每一时刻的瞬时功率；由于我国交流电的基频为50hz，采样频率为1000hz，故需要在时序数据列表的首尾各填上10个数据0，确保以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算公式如下：其中，p
t
、v
t
以及c
t
分别表示时刻t的有功功率、电压以及电流；步骤1.3：对步骤1.2中计算所得的有功功率进行特定时间段的数据提取，计算该时间段内的最小有功功率，最大有功功率，并附上对应的设备切换状态标签，作为该目标设备的特征表示；对所有的目标设备重复上述步骤，完成特征库的构建；步骤2：获取采样数据；首将采样设备接入电路中，开始以每秒1000hz的采样频率进行电流、电压数据采集；在采集设备开启之后，将所有的采集数据完整的保存下来，当每次进行设备运行状态识别时，只需将当前时刻获取到的所有电气数据进行读取即可；步骤3：数据预处理；首先，对电流和电压数据进行逐数据相乘，得到每一时刻的瞬时功率；同时在时序数据列表的首尾各填上10个数据0，确保以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算方法同步骤1.2中式(1)；最后对该有功功率数据进行中值滤波平滑；然后做高斯拉普拉斯算子运算操作，得到一段同有功功率等长的时序数据；步骤4：基于事件监测的设备状态切换检测；对步骤3得到的时序数据进行归一化处理，至(0，1)之间；然后，使用检测设备状态切换事件，即当某时刻有设备状态发生变化时，该时刻的数据值为0或1，当某时刻没有设备状态发生变化时，该时刻的数据值为0.5；数据值为1表示该时刻有功率上升事件，即可能有设备开启或者从低档位调至高档位；数据值为0表示该时刻有功率下降事件，即可能有设备关闭或者从高档位调至低档位；步骤5：识别设备状态切换事件；基于步骤4得到的事件监测结果，得到获取的电气数据种各种功率上升事件以及功率下降事件所在的时刻，根据得到的时刻，对有功功率时序数据分别分割出每一时刻前后共1s即1000个数据点的数据段，作为该时刻设备状态切换事件的数据表示计算该时间段内
的最小有功功率最大有功功率构成一个三维的特征表示将其与步骤1中构建的特征库数据进行比对、匹配；特征匹配是利用数据表示与特征库中所有切换状态的有功功率数据计算欧几里得距离，以及计算对应最小有功功率和最大有功功率之间的差值，欧几里得距离与差值相加值最小的，为状态切换事件i，即可通过该切换事件i识别出当前时刻是什么设备从某一工作状态切换到另一工作状态，或有某一设备开启或关闭；步骤6：判断电器运行状态步骤5中得到了不同时刻下的设备状态切换事件，时刻0没有任何设备在工作，当时刻ta检测到m设备从关闭到一档状态切换，时刻tb检测到m设备从一档到二档状态切换，则可判断设备m在时间段<ta，tb>之间处于一档运行状态；将这些状态切换事件以及设备所处的状态信息记录下来，利用该时刻之前记录的状态切换事件以及设备所处的状态信息联合当前时刻得到的监测信息进行判断，即可知道不同时间段内的电气运行状态，从而实现对电路中的电气数据进行识别。
技术总结本发明属于非侵入式负荷识别技术领域，具体为一种基于事件监测的识别设备运行状态的方法。本发明方法包括特征库构建、基于事件监测的设备运行状态识别；在电路中连接电气数据采样设备，获取每秒1000次采样的高频电流、电压数据，利用这些数据，对接入电路中的各种电气设备的运行状态进行识别。同功率电气设备稳态运行时的电流电压数据在数值上相差不大，本发明利用高采样频率下更多的数据细节实现对同功率设备状态的识别，同时采用基于事件监测的手段，提高了对设备状态切换这种事件的检测准确性。同时利用特征库匹配的方法来对设备状态切换事件进行识别，提高了识别的效率，在非侵入式负荷识别方面具有优越性。侵入式负荷识别方面具有优越性。侵入式负荷识别方面具有优越性。
技术研发人员：张珊珊
受保护的技术使用者：上海梦象智能科技有限公司
技术研发日：2022.02.21
技术公布日：2022/7/5
