用于非侵入式电力监测的自适应负荷事件检测方法

摘要

本发明公开了一种用于非侵入式电力监测的自适应负荷事件检测方法，通过跟踪数据窗内负荷总功率信号的斜率的变化来判断负荷运行状态是否发生变化来检测负荷事件。基于总负荷分段，便可根据需要获取用电设备辨识所需的印记特征来最终完成负荷分解(辨识各用电设备的工作状态)。包括数据初始化；计算当前检测数据窗内负荷功率数据的斜率拟合值ki；判断是否有负荷事件发生或结束；标记出总负荷过渡区段和稳态区段的起止点；估算当前功率数据点之前的功率波动量度σp用于表征总负荷波动水平；自适应的更新检测阈值Kth；更新检测数据窗，循环上述过程直至停止检测。本方法解决了现有负荷事件检测技术中存在的不能准确有效完成总负荷分段的问题。

说明书

技术领域

本发明涉及一种非侵入式电力监测的负荷事件检测方法。

背景技术

非侵入式电力负荷监测(Non-intrusive Load Monitoring，NILM)是一种新颖的负荷监 测方式，相较传统的侵入式监测方式(为每个用电设备分别安装独立的传感器)，它具有安 装维护方便、经济性好、可靠性高等优势^[1]。如图1，以单相系统为例，NILM只需在电力 入口处(如居民小区电源总进口处、住户进线总开关处或工、商业负荷总线上)安装监测 设备，然后通过采集和分析此处的负荷量测信息(如端电压和总负荷电流)来获得总负荷 内部每个/类用电设备的用电信息(如工作状态，用电功率等)，进而可以了解负荷的用电 规律。

NILM系统主要包括五部分，分别是：数据采集模块、数据预处理模块、负荷特征提取 模块、负荷分解模块及存储器模块，如图1中框图所示。其中，负荷分解模块是NILM的 核心，其前提是从总负荷量测信息中准确提取能够可靠标志每种用电设备工作状态的印记 特征，由于用电设备的平稳运行过程和工作状态转换过程分别蕴含着性质不同的印记特征 ^[2]，因此，在负荷特征提取之前，需要进行负荷分段，即确定总负荷的过渡区段或稳态区段 的起止点，以使得有区分地获取用电设备的过渡区段和稳态区段印记特征成为可能，这里 总负荷的稳态区段内所有用电设备都处于平稳运行状态，过渡区段内至少包含一个用电设 备的工作状态转换过程^[1]。显然，负荷分段结果的好坏会直接影响负荷分解模块的最终结果 [1]-[4]。

通常，用电设备工作状态的转换过程被称为负荷事件，包括投入、关停和功率非零的 工作状态间相互转换这三种过程，从而负荷事件检测可望实现负荷分段。已报道的用于 NILM的负荷事件检测方法有作差法^[3]、GLR算法^[5]-[7]和基于滑动窗双边CUSUM的暂态事 件检测算法^[8]。其中，作差法虽然具有检测总负荷各个过渡区段或稳态区段的起止点的功能， 但是其抗负荷波动性较差，容易产生误检；GLR算法和基于滑动窗双边CUSUM的暂态事 件检测算法的抗扰动性虽然较强，但是它们不能准确检测过渡区段终点或稳态区段起点， 更适用于过渡区段长度相对于稳态区段长度较小或负荷事件较不频繁的场合。

参考文献：

[1]余贻鑫，刘博，栾文鹏；非侵入式居民电力负荷监测与分解技术[J].南方电网科技, 2013,7(4):1-5。

[2]Liang J,Ng,Simon K K et al.Load Signature Study—Part I:Basic Concept,Structure, and Methodology[J].IEEE Transactions on Power Delivery,2010,25(2):551-560。

[3]Hart,G W.Nonintrusive Appliance Load Monitoring[J].Proceedings of the IEEE,1992, 80(12):1870-1891。

[4]Leeb S B,Shaw S R,Kirtley J Let al.Transient Event Detection in Spectral Envelope  Estimates for Nonintrusive Load Monitoring[J].IEEE Transactions on Power Delivery,1995, 10(3):1200-1210。

[5]Basseville M,Nikiforov I V.Detection of Abrupt Changes:Theory and Application[M]. Prentice-Hall,1993:23-62。

[6]Hill R O.Applied Change of Mean Detection Techniques for HVAC Fault Detection and  Diagnosis and Power Monitoring[D].Massachusetts Institute of Technology,1995。

[7]Luo D.Detection and Diagnosis of Faults and Energy Monitoring of HVAC Systems with  Least-intrusive Power Analysis[D].Massachusetts Institute of Technology,2001。

[8]牛卢璐；基于暂态过程的非侵入式负荷监测[D]，天津大学，2010。

发明内容

针对上述现有技术，本发明提出了一种用于非侵入式电力监测的自适应负荷事件检测 方法，是采用在线检测方法——滑动窗斜率拟合法(简称为斜率法)。由于任意用电设备的 负荷事件的发生都会引起总负荷量测信息的相应变化，因此负荷事件检测通常是以印记特 征或某些特征指标的变化量为分析对象的，本发明中提出的斜率法通过分析总功率信号斜 率(以数据窗为单位)的变化来检测负荷事件，其能够准确地标记出总负荷过渡区段和稳 态区段的起止点，基于总负荷分段，便可根据需要准确获取用电设备辨识所需的印记特征 (诸如暂态功率波形、稳态谐波电流差量等特征)^[2-4]来最终完成负荷分解(辨识各用电设 备的工作状态)。本发明中还给出了检测判别阈值的自适应变化计算方法。

为了解决上述技术问题，本发明一种用于非侵入式电力监测的自适应负荷事件检测方 法，利用非侵入式电力负荷监测系统中的数据采集模块，包括以下步骤：

步骤一、数据初始化：设定用于检测功率数据变化的阈值△P_th，△P_th>0，设定检测数 据窗长度W_d，计算斜率阈值K_th，从数据采集模块中读取功率数据初始化检测数据窗；

式(3)中，W_d为检测数据窗长度，W_d∈{3,4,5,…}，余同；

步骤二、计算当前检测数据窗内负荷功率数据的斜率拟合值k_i；

$k_i=\frac{12\underset{j=i}{\overset{i+W_d-1}{\Sigma }}j{P}_j-6(W_d+1)\underset{j=i}{\overset{i+W_d-1}{\Sigma }}{P}_j}{W_d(W_d+1)(W_d-1)}---\left(1\right)$

式(1)中，P_i为当前检测数据窗的起点，i∈{1,2,3,…}，{P_j|j＝i,i+1,…,i+W_d-1}为当 前检测数据窗所含的功率数据序列；

步骤三、判断斜率拟合值k_i与斜率阈值K_th的大小关系，进而判断是否有负荷事件发生 或结束：

负荷事件发生的判定条件为：

$\left(\begin{array}{c}\left|k_{i-1}\right|\le K_{\mathrm{th}}\\ \left|k_i\right|>K_{\mathrm{th}}\end{array}\right)---\left(4\right)$

此时，P_i+Wd-1为功率变化数据点，该功率变化数据点即为负荷事件的发生点；

负荷事件结束的判定条件为：

$\left(\begin{array}{c}\left|k_j\right|>K_{\mathrm{th}}\\ \left|k_i\right|\le K_{\mathrm{th}}\end{array}\right)---\left(5\right)$

式(5)中，j＝i-1或i-W_d+1，此时功率数据点P_i即为负荷事件的结束点；

若满足负荷事件发生或负荷事件结束的判定条件，则执行步骤四，否则执行步骤六；

步骤四、若步骤三获得的是负荷事件的发生点，则将其标记为总负荷过渡区段起点， 并将该总负荷过渡区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一个总负 荷稳态区段的终点，执行步骤五；

否则将步骤三获得的负荷事件的结束点标记为总负荷过渡区段终点，并将该总负荷过 渡区段终点的后一个数据点标记为与该总负荷过渡区段相邻的后一个总负荷稳态区段的起 点，执行步骤六；

步骤五、估算当前功率数据点之前的功率波动量度σ_p，该功率波动量度σ_p用于表征总 负荷波动水平；

根据式(15)计算所述功率波动量度σ_p：

${\sigma }_p=\sqrt{\frac{1}{W_s-1}\underset{j=i-W_s+1}{\overset{i}{\Sigma }}{(P_j-\frac{{\Sigma }_{j=i-W_s+1}^i{P}_j}{W_s})}^2}---\left(15\right)$

式(15)中，P_i为当前检测到的总负荷过渡区段起点，W_s为用来估计功率波动量度σ_p的 数据窗长度，若将与P_i相邻的前一个稳态区段所含功率数据点个数记为N_s，则有 W_s∈{2,3,4,…,N_s}；

据所得功率波动量度σ_p，结合负荷事件检测对漏检概率α_k和可靠检测的最小功率变化 绝对值△P_min的要求，更新用于检测功率数据变化的斜率阈值K_th；

$K_{\mathrm{th}}={\phi }^{-1}\left({\alpha }_k\right)\sqrt{\frac{12}{W_d(W_d+1)(W_d-1)}}{\sigma }_p+K_{\Delta P_{\min }}---\left(13\right)$

式(13)中，φ^-1(·)为标准正态分布函数的反函数，本发明将本发明所述用于非侵入式电 力监测的自适应负荷事件检测方法执行时，真实负荷事件被漏检的概率记为α_k，是与 要求可靠检测的最小功率变化绝对值△P_min对应的斜率值，可根据下式(2)，令△P＝△P_min计 算得到；

式(2)中，△P表示功率数据变化量；

步骤六、若继续执行检测，则从数据采集模块中读取新功率数据，更新检测数据窗， 返回步骤二，否则结束。

与现有技术相比，本发明的有益效果是：

非侵入式电力负荷监测是一种新颖的电力负荷用电细节监测方式，其关键是从总负荷 量测信息中准确提取能够可靠标志每种用电设备工作状态的印记特征。由于任意用电设备 的负荷事件的发生都会引起总负荷量测信息的相应变化，因此负荷事件检测通常是以印记 特征或某些特征指标的变化量为分析对象的。通过分析总功率信号的拟合斜率值，本发明 所提出的斜率法相比作差法，可更准确地标记出总负荷过渡区段和稳态区段的起止点，在 此基础上监测系统能够更准确地获取所需的负荷印记特征以完成用电设备工作状态辨识， 提高负荷分解的准确性。而且本发明给出了检测判别阈值的自适应变化计算方法。

附图说明

图1是非侵入式电力负荷监测与分解系统的基本原理图；

图2是用于非侵入式电力监测的自适应负荷事件检测方法的流程图；

图3实测算例1作差法(△P_th＝3σ_p)的检测结果；

图4实测算例1斜率法(△P_th＝3σ_p)的检测结果；

图5实测算例2作差法(△P_th＝3σ_p)的检测结果；

图6实测算例2斜率法(△P_th＝3σ_p)的检测结果；

图7实测算例3作差法(△P_th＝3σ_p)的检测结果；

图8实测算例3斜率法(△P_th＝3σ_p)的检测结果。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述。

本发明提出的一种用于非侵入式电力监测的自适应负荷事件检测方法——滑动窗斜率 拟合法(简称为斜率法)。通过跟踪数据窗内负荷总功率信号的斜率的变化来判断负荷运行 状态是否发生变化来检测负荷事件。基于总负荷分段，便可根据需要获取用电设备辨识所 需的印记特征来最终完成负荷分解(辨识各用电设备的工作状态)。包括数据初始化；计算 当前检测数据窗内负荷功率数据的斜率拟合值k_i；判断是否有负荷事件发生或结束；准确的 标记出总负荷过渡区段和稳态区段的起止点；估算当前功率数据点之前的功率波动量度σ_p用于表征总负荷波动水平；自适应的更新检测阈值K_th；从数据采集模块中读取新功率数据， 更新检测数据窗，循环上述过程直至停止检测。

图2示出了本发明用于非侵入式电力监测的负荷事件检测方法的执行流程，包括以下 步骤：

步骤一、数据初始化：设定用于检测功率数据变化的阈值△P_th，△P_th>0，设定检测数 据窗长度W_d，计算斜率阈值K_th，从数据采集模块中读取功率数据初始化检测数据窗；

步骤二、计算当前检测数据窗内负荷功率数据的斜率拟合值k_i；

步骤三、判断斜率拟合值k_i与斜率阈值K_th的大小关系，进而判断是否有负荷事件发生 或结束，若满足负荷事件发生或负荷事件结束的判定条件，执行步骤四，否则执行步骤六；

步骤四、若获得的是负荷事件的发生点，则将负荷事件发生点标记为总负荷过渡区段 起点，并将该总负荷过渡区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一 个总负荷稳态区段的终点，执行步骤五；否则将获得的负荷事件的结束点标记为总负荷过 渡区段终点，并将该总负荷过渡区段终点的后一个数据点标记为与该总负荷过渡区段相邻 的后一个总负荷稳态区段的起点，执行步骤六；

步骤五、估算当前功率数据点之前的功率波动量度σ_p，该功率波动量度σ_p用于表征总 负荷波动水平，据所得功率波动量度σ_p，结合负荷事件检测对漏检概率α_k和可靠检测的最 小功率变化绝对值△P_min的要求，更新用于检测功率数据变化的斜率阈值K_th；

步骤六、若继续执行检测，则从数据采集模块中读取新功率数据，更新检测数据窗， 返回步骤二，否则结束。

上述步骤的具体阐释如下：

根据线性最小二乘拟合理论，一个检测数据窗内负荷功率信号的斜率拟合值k_i为：

$k_i=\frac{12\underset{j=i}{\overset{i+W_d-1}{\Sigma }}j{P}_j-6(W_d+1)\underset{j=i}{\overset{i+W_d-1}{\Sigma }}{P}_j}{W_d(W_d+1)(W_d-1)}---\left(1\right)$

公式(1)中，W_d为当前检测数据窗的长度，W_d∈{3,4,5,…}，P_i为当前检测数据窗的起 点，i∈{1,2,3,…}，{P_j|j＝i,i+1,…,i+W_d-1}为当前检测数据窗所含的功率数据序列。

由公式(1)可得，对于一个功率阶跃变化为△P的负荷事件(以△P>0为例)，在数据窗 滑动过程中，斜率拟合值的最大值为K_△P为：

故本发明定义斜率阈值K_th为：

公式(3)中，△P_th为设定的功率变化阈值，△P_th>0。

利用比较斜率拟合值k_i和斜率阈值K_th的大小关系，判断负荷功率是否发生变化的依据 是：|k_i|大于K_th时，认为功率信号发生明显变化；|k_i|小于或等于K_th时，认为功率信号基本 保持不变，进而：

负荷事件发生的判定条件为：

$\left(\begin{array}{c}\left|k_{i-1}\right|\le K_{\mathrm{th}}\\ \left|k_i\right|>K_{\mathrm{th}}\end{array}\right)---\left(4\right)$

此时，为功率变化数据点，即以P_i为起点的当前检测数据窗的功率数据终点被认为是负荷事件的发生点；

负荷事件结束的判定条件为：

$\left(\begin{array}{c}\left|k_j\right|>K_{\mathrm{th}}\\ \left|k_i\right|\le K_{\mathrm{th}}\end{array}\right)---\left(5\right)$

公式(5)中，j＝i-1或i-W_d+1，此时检测数据窗起点P_i即为负荷事件的结束点。

接下来，将得到的负荷事件的发生点标记为总负荷过渡区段起点，并将该总负荷过渡 区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一个总负荷稳态区段的终 点；或者将得到的负荷事件的结束点标记为总负荷过渡区段终点，并将该总负荷过渡区段 终点的后一个数据点标记为与该总负荷过渡区段相邻的后一个总负荷稳态区段的起点。

标记总负荷过渡区段和稳定区段的起止点后，非侵入式电力监测的后续环节便能够据 此准确提取负荷暂态特征或负荷稳态特征，以及对各负荷事件和相关电气设备的工作状态 进行辨识。

为了分析本发明所述用于非侵入式电力监测的自适应负荷事件检测方法(以下简称斜 率法)的性能，本发明定义如下两种指标：(1)将真实负荷事件被漏检的概率定义为漏检 概率，记为α；(2)将非负荷事件被误检为负荷事件的概率定义为误检概率，记为β。这 两个指标与下述公式(16)和公式(17)定义的误检比率和漏检比率有一定对应关系。

漏检概率α和误检概率β的分析是在负荷功率波动满足正态分布的假设条件下进行 的，即功率信号P_i～N(μ_i,σ_p²)，其中i∈{1,2,3,…}，σ_p为功率波动量度，表征功率的波动 水平，则由公式(1)和正态分布的性质(正态分布的线性组合仍是正态分布)可得斜率拟合 值k_i～N(k_μi,σ_k²)，其中σ_k为斜率拟合值的波动量度：

${\sigma }_k=\sqrt{\frac{12}{W_d(W_d+1)(W_d-1)}}{\sigma }_p---\left(6\right)$

对于功率变化为△P(|△P|>△P_th)的负荷事件，斜率法的漏检概率α_△p为：

${\alpha }_{\mathrm{\Delta p}}\approx \phi \left(\frac{K_{\mathrm{th}}-\left|K_{\mathrm{\Delta P}}\right|}{{\sigma }_k}\right)---\left(7\right)$

公式(7)中，φ(·)为标准正态分布函数，K_△P可由公式(2)计算得到。

由公式(6)、公式(7)可知，当斜率阈值K_th、要求可靠检测的最小功率变化绝对值△P_min和 功率波动量度σ_p确定后，斜率法的最大漏检概率α_k为：

${\alpha }_k\approx \phi \left(\frac{K_{\mathrm{th}}-\left|K_{\Delta P_{\min }}\right|}{{\sigma }_k}\right)---\left(8\right)$

在总负荷稳态区段，斜率法的误检概率β_k为：

${\beta }_k={\left[2\phi \left(\frac{-K_{\mathrm{th}}}{{\sigma }_k}\right)\right]}^2+2\phi \left(\frac{-K_{\mathrm{th}}}{{\sigma }_k}\right)·[1-2\phi \left(\frac{{-K}_{\mathrm{th}}}{{\sigma }_k}\right)]·2\phi \left(\frac{-\Delta P_{\mathrm{th}}}{{\sigma }_p\sqrt{2/W_d}}\right)---\left(9\right)$

Hart最早提出使用稳态功率变化量来检测负荷事件(参见：Hart,G W.Nonintrusive  Appliance Load Monitoring[J].Proceedings of the IEEE,1992,80(12):1870-1891)，而后被许 多研究者沿用至今，本文简称其为“作差法”，本发明下面从理论上对比分析这两种方法 的性能。

基于上述性能评价指标，当功率变化阈值△P_th、功率波动量度σ_p和要求可靠检测的最 小功率变化绝对值△P_min已知时，作差法的最大漏检概率α_D为：

${\alpha }_D=\phi \left(\frac{\Delta P_{\mathrm{th}}-\Delta P_{\min }}{{\sigma }_D}\right)---\left(10\right)$

公式(10)中，σ_D为相邻两点功率数据差值的波动量度，

${\sigma }_D=\sqrt{2}{\sigma }_p---\left(11\right)$

在总负荷稳态区段，作差法的误检概率β_D为：

${\beta }_D=2\phi \left(\frac{-\Delta P_{\mathrm{th}}}{{\sigma }_D}\right)---\left(12\right)$

可证明，在功率变化阈值△P_th、功率波动量度σ_p和要求可靠检测的最小功率变化绝对 值△P_min相同时，斜率法的最大漏检概率α_k和误检概率β_k均小于作差法的最大漏检概率α_D和误检概率β_D；

同时，在要求的最大漏检概率和误检概率相同时，斜率法能可靠检测的最小功率变化 绝对值△P_min,k小于作差法能可靠检测的最小功率变化绝对值△P_min,D；

由此，本文提出的斜率法的负荷事件检测性能优于作差法。

斜率阈值K_th是判断功率信号是否发生变化的依据，它的大小直接影响斜率法的负荷事 件检测与负荷分段的性能，因此本文提出斜率阈值在线自适应调整的方法，这会使得负荷 事件检测性能不受系统扰动的影响。

由公式(2)、公式(6)、公式(8)可知，斜率阈值K_th可根据检测数据窗长度W_d、功率波动 量度σ_p及负荷事件检测对漏检概率α_k和要求可靠检测的最小功率变化绝对值△P_min确定：

$K_{\mathrm{th}}={\phi }^{-1}\left({\alpha }_k\right)\sqrt{\frac{12}{W_d(W_d+1)(W_d-1)}}{\sigma }_p+K_{\Delta P_{\min }}---\left(13\right)$

或由公式(2)可知斜率阈值K_th由功率变化阈值△P_th和检测数据窗长度W_d确定，又由公式 (6)、公式(9)可知功率变化阈值△P_th可由检测数据窗长度W_d、误检概率β_k、功率波动量度σ_p确定，那么K_th的另一种隐性表达可记为：

K_th＝f_β(W_d,β_k,σ_p)            (14)

在负荷事件检测过程中，公式(13)和公式(14)中的参数除了功率波动量度σ_p是变量外， 其余参数都是可提前确定的，因此，在负荷事件检测过程中，可以通过在线实时估算当前 功率数据点之前的功率波动量度σ_p，并根据公式(13)或公式(14)来自适应地更新斜率阈值 K_th以提高检测性能。

假设功率波动服从高斯分布，则功率波动量度σ_p可以用总负荷稳态区段功率信号的标 准差来表征，即：

${\sigma }_p=\sqrt{\frac{1}{W_s-1}\underset{j=i-W_s+1}{\overset{i}{\Sigma }}{(P_j-\frac{{\Sigma }_{j=i-W_s+1}^i{P}_j}{W_s})}^2}---\left(15\right)$

公式(15)中，P_i为当前检测到的总负荷过渡区段起点，W_s为用来估计功率波动量度σ_p的 数据窗长度，若将与P_i相邻的稳态区段所含功率数据点个数记为N_s，则W_s∈{2,3,4,…,N_s}。

为了准确表征当前功率数据点之前的功率波动量度σ_p需设定功率波动量度阈值，防止 误检或漏检造成功率波动量度σ_p估算偏差过大，导致检测结果不可靠或不准确，此外，还 可以通过计算多个总负荷稳态区段功率信号的标准差平均值来表征当前功率数据点之前的 功率波动量度σ_p，以提高负荷事件检测的可靠性与准确性。

基于以上分析，为在测试中更实际地评价和对比负荷事件检测方法的性能，本发明定 义如下指标：

首先，定义检测到的负荷事件总数N_det(参见：Liang J,Ng,Simon K K et al.Load  Signature Study—Part I:Basic Concept,Structure,and Methodology[J].IEEE Transactions on  Power Delivery,2010,25(2):551-560)为：

N_det＝N_true+N_wro+N_miss               (16)

公式(16)中，N_true为真实负荷事件，N_wro为误检负荷事件，N_miss为漏检负荷事件；

然后，定义负荷事件检测的性能指标：

${\eta }_{\mathrm{wro}}=\frac{N_{\mathrm{wro}}}{N_{\mathrm{true}}+N_{\mathrm{wro}}}\times 100\%---\left(17\right)$

${\eta }_{\mathrm{miss}}=\frac{N_{\mathrm{miss}}}{N_{\mathrm{true}}}\times 100\%---\left(18\right)$

误检比率η_wro和漏检比率η_miss这两个性能指标是用来衡量同一个算例中不同检测算法 或相同检测算法不同参数时的负荷事件检测性能，不同算例间这两个性能指标不具可比性。

下面通过实测算例考察并印证本发明方法的误检和漏检性能：

实测算例1：洗衣机单独运行，检测信号采用基波有功功率，功率采样频率f_s＝5Hz， 功率波动水平σ_p＝13W，监测时间50s；取检测数据窗长度W_d＝4。结果详见图3和图4。

表1 实测算例1的负荷事件检测结果

实测算例2：电磁炉单独运行，检测信号采用基波有功功率，功率采样频率f_s＝5Hz， 功率波动水平σ_p＝13W，监测时间22s；取检测数据窗长度W_d＝4。结果详见图5和图6。

表2 实测算例2的负荷事件检测结果

实测算例3：光伏电源单独运行(光伏作为电源，其有功功率为负值)，检测信号采用 标准化基波有功功率(参见：Hart,G W.Nonintrusive Appliance Load Monitoring[J]. Proceedings of the IEEE,1992,80(12):1870-1891)，功率采样频率f_s＝0.5Hz，功率波动水平 σ_p＝20W，监测时间约为21min；取检测数据窗长度W_d＝4。结果详见图7和图8。

表3 实测算例3的负荷事件检测结果

实测算例4：包含空调、电磁炉、洗衣机的综合负荷，检测信号采用标准化基波有功功 率，功率采样频率f_s＝5Hz，功率波动水平σ_p＝13W，监测时间约为42min；取检测数据 窗长度W_d＝4。

表4 实测算例4的负荷事件检测结果

通过上述实测算例结果可得如下结论：

从表1～4可以看出，斜率法的误检和漏检性能明显优于作差法，从图3和图4可以看 出，使用斜率法能够较准确的将功率信号分成过渡区段和稳态区段，另外，表4表明斜率 法的耗时多于作差法，但作差法过多的误检结果会增加后续功能模块的处理时间。因此， 斜率法对于负荷事件检测和负荷分段是有效的，而且总体性能明显优于作差法。

考察本发明方法能可靠检测的最小功率变化△P_min：

仿真算例1：功率采样频率f_s＝12.5Hz，功率波动水平σ_p＝16W，监测时间152s，仿 真负荷事件数76；无仿真负荷事件时，作差法和斜率法的误检负荷事件数为20；取检测数 据窗长度W_d＝4；这里，为以理想的有功阶跃事件作为仿真事件，下同。

表5 仿真算例1的检测结果

注：该算例中，作差法的功率变化阈值△P_th为55.2W，斜率法的功率变化阈值△P_th为 34W；N_miss表示漏检的负荷事件数，括号内表示具体数目，下同。

仿真算例2：功率采样频率f_s＝5Hz，功率波动水平σ_p＝12W，监测时间280s，仿真 负荷事件数28；无仿真负荷事件时，作差法和斜率法的误检负荷事件数为20；取检测数据 窗长度W_d＝4。

表6 仿真算例2检测结果

注：该算例中，作差法的功率变化阈值△P_th为55.2W，斜率法的功率变化阈值△P_th为 34W。

通过上述仿真算例结果可得如下结论：

从表5和表6可以看出，在作差法和斜率法的误检负荷事件数、要求的最大漏检负荷 事件数相同的情况下，斜率法能可靠检测的最小功率变化绝对值△P_min,k小于作差法的 △P_min,D。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式， 上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明 的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保 护之内。