[论文解读] A Hybrid Event Detection Approach for Non-Intrusive Load Monitoring

Mengqi Lu, Zuyi Li|arXiv (Cornell University)|Mar 21, 2019

Smart Grid Energy Management参考文献 12被引用 4

一句话总结

本文提出了一种用于非侵入式负载监测（NILM）的混合事件检测方法，结合移动平均变化与时间限制、导数分析和滤波分析，以检测复杂家庭负荷数据集中的电器事件。该方法在无需训练数据或电器特定信息的情况下，性能优于现有的LLD-Max、AWB和GLR等方法。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) is a practical method to provide appliance-level electricity consumption information. Event detection, as an important part of event-based NILM methods, has a direct impact on the accuracy of the ultimate load disaggregation results in the entire NILM framework. This paper presents a hybrid event detection approach for relatively complex household load datasets that include appliances with long transients, high fluctuations, and/or near-simultaneous actions. The proposed approach includes a base algorithm based on moving average change with time limit, and two auxiliary algorithms based on derivative analysis and filtering analysis. The structure, steps, and working principle of this approach are described in detail. The proposed approach does not require additional information about household appliances, nor does it require any training sets. Case studies on different datasets are conducted to evaluate the performance of the proposed approach in comparison with several existing approaches including log likelihood ratio detector with maxima (LLD-Max) approach, active window-based (AWB) approach, and generalized likelihood ratio (GLR) approach. Results show that the proposed approach works well in detecting events in complex household load datasets and performs better than the existing approaches.

研究动机与目标

• 解决在具有长暂态、高波动性和近同时操作的复杂家庭负荷数据集中检测电器事件的挑战。
• 开发一种不依赖训练数据或电器类型先验知识的事件检测方法。
• 通过在具有挑战性的信号条件下提升事件检测精度，增强负荷分解的准确性。
• 提供一种稳健、通用的事件检测框架，适用于多样化的真实世界家庭电能消耗模式。

提出的方法

• 基础算法利用带时间限制的移动平均变化检测事件，以识别显著的功率跃迁。
• 基于导数分析的辅助算法可识别功率信号中的快速变化，以捕捉瞬态事件。
• 滤波分析组件可降低噪声，提高波动信号中的检测可靠性。
• 三个组件整合为一个混合框架，充分利用各方法的互补优势。
• 该方法完全无监督，无需标注数据或电器特定信息。
• 该方法处理实时或记录的有功功率信号，以检测单个电器的启停事件。

实验结果

研究问题

• RQ1 如何在具有长暂态和高信号波动的家庭负荷数据集中改进事件检测？
• RQ2 结合多种信号分析技术的混合方法是否能在复杂场景中优于单一方法的事件检测器？
• RQ3 在无训练数据或先验电器知识的情况下，事件检测能在多大程度上实现？
• RQ4 所提出方法与LLD-Max、AWB和GLR等成熟方法相比，性能如何？

主要发现

• 所提出的混合方法在多个基准数据集上，事件检测精度优于LLD-Max、AWB和GLR方法。
• 该方法在涉及长暂态和近同时电器操作的复杂场景中能有效检测事件。
• 无训练数据或电器元数据并不影响性能，表明其具有鲁棒性和泛化能力。
• 移动平均、导数和滤波分析的整合提升了检测灵敏度并减少了误报。