用于代表性负荷特征提取的自适应事件检测
信号处理
2021-07-26 v1
摘要
事件检测是基于事件的非侵入式负荷监测（NILM）的第一步，它可以为识别电器提供有用的暂态信息。然而，现有的具有固定参数的事件检测方法在面对不可预测且复杂的住宅负荷变化（如高波动、长过渡和近同时性）时可能会失效。本文提出了一种动态时间窗口方法来处理这些高度复杂的负荷变化。具体而言，提出了一种具有自适应边缘、多时间尺度窗口筛选和自适应阈值的方法（WAMMA），用于检测具有高采样率（>1Hz）的聚合家用电器负荷数据中的事件。该方法通过自适应调整包括窗口宽度、边缘宽度和变化阈值在内的参数，准确捕捉了暂态过程。此外，提取了代表性的暂态和稳态负荷特征，并首次从检测到的事件所划分的暂态和稳态期间进行了量化。在 20Hz 数据集、50Hz LIFTED 数据集和 60Hz BLUED 数据集上的案例研究表明，所提出的方法能够稳健地优于其他最先进的事件检测方法。本文还表明，提取的负荷特征可以提高 NILM 的准确性，并有助于开发其他应用，例如负荷重建，从而为 NILM 研究生成真实的负荷数据。
引用
@article{arxiv.2107.11287,
title = {Adaptive Event Detection for Representative Load Signature Extraction},
author = {Lei Yan and Wei Tian and Jiayu Han and Zuyi Li},
journal= {arXiv preprint arXiv:2107.11287},
year = {2021}
}
备注
10 pages, 18 figures