[论文解读] Adaptive Event Detection for Representative Load Signature Extraction

Lei Yan, Wei Tian+2 more|arXiv (Cornell University)|Jul 23, 2021

Smart Grid Energy Management参考文献 25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）的自适应事件检测方法 WAMMA，可动态调整窗口宽度、边缘宽度和阈值，以在高采样率居民用电数据（≥1Hz）中准确检测瞬态事件。该方法在 20Hz、50Hz 和 60Hz 数据集上优于最先进方法，实现了对代表性瞬态和稳态负载特征的鲁棒提取与量化，从而提升 NILM 准确性与负载重构能力。

ABSTRACT

Event detection is the first step in event-based non-intrusive load monitoring (NILM) and it can provide useful transient information to identify appliances. However, existing event detection methods with fixed parameters may fail in case of unpredictable and complicated residential load changes such as high fluctuation, long transition, and near simultaneity. This paper proposes a dynamic time-window approach to deal with these highly complex load variations. Specifically, a window with adaptive margins, multi-timescale window screening, and adaptive threshold (WAMMA) method is proposed to detect events in aggregated home appliance load data with high sampling rate (>1Hz). The proposed method accurately captures the transient process by adaptively tuning parameters including window width, margin width, and change threshold. Furthermore, representative transient and steady-state load signatures are extracted and, for the first time, quantified from transient and steady periods segmented by detected events. Case studies on a 20Hz dataset, the 50Hz LIFTED dataset, and the 60Hz BLUED dataset show that the proposed method can robustly outperform other state-of-art event detection methods. This paper also shows that the extracted load signatures can improve NILM accuracy and help develop other applications such as load reconstruction to generate realistic load data for NILM research.

研究动机与目标

• 为解决固定参数事件检测方法在处理复杂居民用电波动（如高波动性、长过渡期和近同时事件）方面的局限性。
• 开发一种动态时间窗方法，实现实时适应不同的负载动态特性。
• 从事件分割的数据中提取并定量表征代表性瞬态和稳态负载特征，以提升 NILM 性能。
• 展示所提取特征在提升 NILM 准确性及支持负载重构应用方面的实用性。

提出的方法

• 提出一种具有自适应边缘和多时间尺度窗口筛选的自适应阈值窗口（WAMMA）方法，用于高采样率负载数据中的事件检测。
• 采用根据信号特征动态调整的窗口宽度，以在不遗漏或过拟合的情况下捕捉瞬态事件。
• 引入随局部信号能量和变化率动态调整的自适应边缘和阈值，以增强检测鲁棒性。
• 通过在不同时间尺度上比较信号变化，实施多时间尺度分析，以检测快速和慢速过渡。
• 基于检测到的事件，将负载数据分割为瞬态和稳态阶段，以提取代表性特征。
• 对瞬态和稳态阶段提取的特征进行量化，用于后续 NILM 和负载重构任务。

实验结果

研究问题

• RQ1 自适应事件检测方法是否能在高负载波动条件下优于固定参数方法，实现对瞬态事件的检测？
• RQ2 所提出的 WAMMA 方法在处理复杂居民用电动态（如长过渡期和近同时运行的电器）方面效果如何？
• RQ3 与传统方法相比，所提取的瞬态和稳态负载特征在多大程度上提升了 NILM 准确性？
• RQ4 所提取的负载特征是否可用于生成真实感的合成负载数据，以支持 NILM 研究与应用？

主要发现

• WAMMA 方法在多个高采样率数据集（包括 20Hz、50Hz（LIFTED）和 60Hz（BLUED）数据）上均实现了卓越的事件检测性能，优于最先进方法。
• 通过动态调节窗口宽度、边缘宽度和变化阈值，该方法能够高精度捕捉瞬态过程。
• 首次对瞬态和稳态阶段提取的代表性负载特征进行了量化，实现了对电器行为的精确表征。
• 利用所提取的特征可提升 NILM 准确性，证明其在负载分解任务中的价值。
• 该方法通过基于提取特征生成合成负载数据，实现了真实感的负载重构，为未来 NILM 研究提供了支持。