基于事件感知的鋼廠工業(yè)用戶非侵入式負(fù)荷檢測分解算法

余昊楊，武昕，郭一凡，李想

（華北電力大學(xué)電氣與電子工程學(xué)院，北京 102206）

0 引言

“雙碳”目標(biāo)對工業(yè)用戶提出了低碳發(fā)展的新要求［1-2］，促使生產(chǎn)單位不斷提高能效水平［3-4］。工業(yè)負(fù)荷的用電數(shù)據(jù)能夠反映實(shí)際的生產(chǎn)情況，通過用電監(jiān)測有助于提高能效并推動電網(wǎng)數(shù)字化［5］。

非侵入式負(fù)荷監(jiān)測［6］（non-intrusive load moni toring，NILM）是一種主要的電力負(fù)荷在線監(jiān)測方法，具有硬件結(jié)構(gòu)簡單、經(jīng)濟(jì)性高、安裝和維護(hù)方便的特點(diǎn)［7-8］，可用于工業(yè)用戶負(fù)荷監(jiān)測［9］。NILM需要從用電數(shù)據(jù)中檢測、提取并辨識事件以實(shí)現(xiàn)對工業(yè)負(fù)荷的用電監(jiān)測［10］，因此有效的事件感知檢測方法是必要的。

目前大多數(shù)的研究集中于居民用戶事件檢測［11-17］。文獻(xiàn)［15］基于Bi-LSTM算法通過負(fù)荷的穩(wěn)態(tài)信息實(shí)現(xiàn)負(fù)荷辨識。文獻(xiàn)［16］提出了一種集群負(fù)荷監(jiān)測方案。文獻(xiàn)［17］根據(jù)負(fù)荷的不同運(yùn)行狀態(tài)，采用非基于事件和基于事件的方法實(shí)現(xiàn)事件檢測。在工業(yè)方面，文獻(xiàn)［18］采用雙邊累積和處理功率實(shí)現(xiàn)投切檢測。文獻(xiàn)［19-20］訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)檢測投切事件，提高了監(jiān)測性能。文獻(xiàn)［21］考慮了工業(yè)負(fù)荷的運(yùn)行和投切特點(diǎn)實(shí)現(xiàn)事件檢測?，F(xiàn)有的研究成果實(shí)現(xiàn)了工業(yè)負(fù)荷投切事件的檢測和辨識，然而僅檢測投切不能全面反映用戶的生產(chǎn)情況，還需要檢測由生產(chǎn)工藝決定的負(fù)荷工作模式變化。

基于上述分析，本文研究一種基于事件感知的鋼廠工業(yè)用戶非侵入式負(fù)荷檢測分解算法，算法根據(jù)事件特點(diǎn)將待測事件分為由負(fù)荷投切引起的狀態(tài)變化事件和由負(fù)荷工作過程引起的模式變化事件，在檢測狀態(tài)變化事件的基礎(chǔ)上，引入采集功率曲線與平均功率直線的交點(diǎn)數(shù)作為新的特征用于檢測模式變化事件。在檢測事件后，本文結(jié)合先驗(yàn)特征數(shù)據(jù)解析辨識事件，實(shí)現(xiàn)鋼廠工業(yè)用戶負(fù)荷監(jiān)測。

1 非侵入式鋼廠事件檢測及辨識原理

1.1 NILM鋼廠事件感知原理和實(shí)現(xiàn)結(jié)構(gòu)

負(fù)荷用電信息集中表現(xiàn)在采集信號中，需要根據(jù)事件特點(diǎn)從中檢測事件并提取其波形。由于負(fù)荷狀態(tài)和模式變化事件的特點(diǎn)存在差異，本文主要考慮以下兩點(diǎn)情況。

1）在實(shí)際生產(chǎn)中，負(fù)荷的啟停狀態(tài)變化持續(xù)時間較長。其暫態(tài)特征表現(xiàn)為短時間內(nèi)功率變化較小，而長時間尺度下功率變化幅度大，應(yīng)針對此特征作狀態(tài)變化事件檢測。

2）生產(chǎn)工藝決定負(fù)荷在生產(chǎn)過程中會調(diào)整工作模式，此類事件的暫態(tài)特征表現(xiàn)為短時間內(nèi)功率小幅度變化，而長時間看來功率不發(fā)生改變，針對此特征可以檢測模式變化事件。

在檢測和提取事件波形的基礎(chǔ)上，需要建立波形與負(fù)荷操作間的對應(yīng)關(guān)系，實(shí)現(xiàn)負(fù)荷辨識。鋼廠建立有完整的生產(chǎn)操作流程，記錄有負(fù)荷參數(shù)等數(shù)據(jù)，建立事件提取波形與先驗(yàn)參考數(shù)據(jù)間的對應(yīng)關(guān)系，能夠有效地辨識負(fù)荷的狀態(tài)和模式變化。

考慮以上情況，鋼廠負(fù)荷在狀態(tài)和模式變化時在采集信號處會產(chǎn)生明顯變化，不同的事件類型具有不同的變化特點(diǎn)。本文根據(jù)事件特點(diǎn)設(shè)計(jì)對應(yīng)的事件檢測算法，并結(jié)合用戶參考數(shù)據(jù)解析辨識事件，架構(gòu)如圖1所示。

圖1 工業(yè)非侵入式負(fù)荷監(jiān)測架構(gòu)Fig.1 Industrial NILM process

1.2 鋼廠負(fù)荷事件的檢測和波形提取原理

根據(jù)事件特點(diǎn)，本文將事件分為狀態(tài)變化事件和模式變化事件，針對事件的暫態(tài)波形特點(diǎn)，實(shí)現(xiàn)事件檢測和波形提取。

1.2.1 負(fù)荷狀態(tài)變化事件的監(jiān)測與提取原理

鋼廠負(fù)荷投切在采集信號中產(chǎn)生狀態(tài)變化事件，本文針對事件暫態(tài)波形的特點(diǎn)，對采集信號的電氣特征進(jìn)行差分處理，檢測事件并提取事件波形。

根據(jù)電流特性，總電流為各個負(fù)荷的電流之和，以N1個電壓周期作為一個檢測區(qū)間，第T1個檢測區(qū)間內(nèi)的總電流波形Im(T1)可以表示為Im(T1-1)與負(fù)荷動作引起的電流波形In(T1)的和，如式（1）所示。

若無負(fù)荷動作則In(T1)=0，此時在兩個檢測區(qū)間內(nèi)電流波形基本保持不變，即Im(T1)=Im(T1-1)。

當(dāng)負(fù)荷投切時，功率波形會發(fā)生較大幅度改變，若其功率前后檢測區(qū)間的差值大于所設(shè)閾值，如式（2）所示，認(rèn)為發(fā)生了狀態(tài)變化事件。

1.2.2 負(fù)荷模式變化事件的監(jiān)測與提取原理

在實(shí)際生產(chǎn)中，生產(chǎn)工藝決定了部分負(fù)荷需要變化工作模式，即發(fā)生模式變化。由于負(fù)荷保持穩(wěn)定運(yùn)行，可以認(rèn)為長時間尺度內(nèi)功率水平不變，故常用特征不適用于檢測模式變化事件。因此，本文針對其暫態(tài)波形特點(diǎn)，以功率波形與其均值的交點(diǎn)數(shù)量作為特征，通過差分運(yùn)算檢測事件并提取波形。

生產(chǎn)過程中，功率會圍繞其均值-P波動，將最短的模式事件時長設(shè)為觀察間隔，其中包含N2個電壓周期數(shù)。記sp(t)表示功率曲線Pm(t)在第T2個間隔內(nèi)與功率均值的相交情況，如式（3）所示。

式中：為第T2個間隔的初始時刻；為第T2個間隔的結(jié)束時刻。

當(dāng)判定發(fā)生狀態(tài)變化事件后，將其作為分隔將采集信號分段，進(jìn)而認(rèn)為在獨(dú)段信號內(nèi)僅存在模式變化事件。在此基礎(chǔ)上，當(dāng)其交點(diǎn)數(shù)量的變化量大于所設(shè)閾值θ時，如式（4）所示，可以認(rèn)為發(fā)生了模式變化事件，并提取事件的波形Iv(t)。

式中Sp(T2)為第T2個間隔內(nèi)交點(diǎn)數(shù)。

1.3 基于事件波形的負(fù)荷辨識原理

鋼廠用戶主要的電力負(fù)荷數(shù)量有限，因此負(fù)荷辨識可以看作從有限的負(fù)荷動作中選取與當(dāng)前事件匹配度最高的類型。設(shè)集合Ψ為鋼廠用戶中的負(fù)荷動作類型的集合，作為事件的解析集，其中共包括b種狀態(tài)變化類型和c種模式變化類型。

式中：ψi為負(fù)荷動作的類型；i為元素序號。

將檢測到的狀態(tài)變化事件波形Io（t）和模式變化事件波形Iv(t)共同記作樣本集合H，可表示為：

負(fù)荷辨識即是建立事件的解析集Ψ與樣本集H之間的對應(yīng)關(guān)系。本文將鋼廠設(shè)備參數(shù)與通過波形提取的特征數(shù)據(jù)共同組成對解析集有效的特征數(shù)據(jù)集D。容易在D與Ψ之間建立先驗(yàn)對應(yīng)關(guān)系R，從而選取D中有利于辨識的數(shù)據(jù)進(jìn)一步形成特征集合X?D。通過R可以將樣本集H轉(zhuǎn)化為X，如式（7）所示。X是H的結(jié)構(gòu)化形式，便于進(jìn)行類別判定。

式中：xl為X中的元素；l為特征的序號；L1為特征元素的數(shù)量。在此基礎(chǔ)上，事件辨識轉(zhuǎn)化為特征集X與解析集Ψ之間的對應(yīng)關(guān)系。

2 面向生產(chǎn)過程的鋼廠工業(yè)非侵入式事件檢測和辨識算法

考慮鋼廠負(fù)荷的運(yùn)行特點(diǎn)，本節(jié)在第1章原理的基礎(chǔ)上，給出了具體實(shí)現(xiàn)算法和流程。鋼鐵產(chǎn)業(yè)為連續(xù)型生產(chǎn)單位［22］，停機(jī)采集單個負(fù)荷的用電數(shù)據(jù)并不可行，這會在恢復(fù)生產(chǎn)時浪費(fèi)大量資源［23］。

2.1 事件檢測和提取算法

本文根據(jù)事件的特點(diǎn)和表現(xiàn)形式上的差異，分別對鋼廠的狀態(tài)變化和模式變化事件進(jìn)行檢測和提取。鋼廠電機(jī)類負(fù)荷居多，電流通常補(bǔ)償為正弦波，因此事件主要表現(xiàn)為功率和電流幅值上的變化。

2.1.1 狀態(tài)變化事件檢測算法

當(dāng)負(fù)荷狀態(tài)變化事件發(fā)生時，功率曲線表現(xiàn)為短時間尺度下的小幅度變化和長時間尺度下（遠(yuǎn)大于觀察間隔）的大幅度變化，如圖2所示。

圖2 不同時間長度下狀態(tài)變化事件的電流和功率曲線Fig.2 Current and power curves of state change events under different time lengths

通過計(jì)算第T1個檢測區(qū)間的功率變化量ΔP T1對狀態(tài)變化事件進(jìn)行監(jiān)測，ΔP T1可以表示為：

若該檢測區(qū)間的功率變化量大于或等于所設(shè)閾值，如式（9）所示，認(rèn)為發(fā)生了負(fù)荷狀態(tài)變化事件。

式中：P'm(T1-1)為第T1-1個檢測區(qū)間的功率方差；λ1和λ2為閾值的權(quán)重，λ1，λ2∈［0，1］。

本文提取狀態(tài)變化事件的穩(wěn)態(tài)波形進(jìn)行解析。首先需要確定事件前后何時處于穩(wěn)態(tài)。當(dāng)連續(xù)超過K個檢測區(qū)間的ΔPn均無明顯變化時，認(rèn)為此時電流信號處于穩(wěn)態(tài)，即

式中：T1，1、T1，2分別為兩個檢測區(qū)間的序號，T1，1＜T1，2；ε1為判定電流穩(wěn)態(tài)的功率閾值，0＜ε1＜

相同電壓相位角下測量的穩(wěn)態(tài)電流滿足電流的可加性［21］。本文選取A相電壓的0相位角作為起點(diǎn)，檢測A相電壓的相位過零點(diǎn)位置即可周期提取波形。事件r發(fā)生前的A相穩(wěn)態(tài)電流IA，r-1相對應(yīng)的電壓為UA，r-1，當(dāng)其采樣點(diǎn)z對應(yīng)的數(shù)值UA，r-1，z滿足式（11）時，認(rèn)為該點(diǎn)0相位點(diǎn)。

式中：z為電壓上升沿過零點(diǎn)的采樣點(diǎn)序號。

從UA，r-1，z對應(yīng)的采集點(diǎn)開始，可獲取事件r發(fā)生前的電壓穩(wěn)態(tài)波形UA，r-1和電流穩(wěn)態(tài)波形IA，r-1。同理，可以檢測事件r發(fā)生后電壓穩(wěn)態(tài)波形UA，r和電流穩(wěn)態(tài)波形IA，r。利用式（12）可以得到事件r的電壓波形UA，o，r和電流波形IA，o，r，同理可得B相和C相的事件波形。

2.1.2 模式切換事件監(jiān)測算法

在實(shí)際生產(chǎn)中，部分負(fù)荷受到生產(chǎn)工藝的影響會發(fā)生改變工作模式。圖3展示了3種模式變化事件的波形。本文基于功率與其均值交點(diǎn)數(shù)量的輔助特征，設(shè)計(jì)了特征差分處理的事件檢測方法。

圖3 3類負(fù)荷模式變化事件的電流和功率表現(xiàn)Fig.3 Current and power curves of three loads mode change events

在以狀態(tài)變化事件為分隔的采集信號段中，通過計(jì)算第T2個觀察間隔中功率曲線Pm(T2)與功率均值所在橫線的交點(diǎn)數(shù)量Sp(T2)的變化量ΔSp對模式變化事件進(jìn)行檢測。考慮到采集的功率為離散數(shù)據(jù)，當(dāng)采集數(shù)據(jù)與均值的差值不大于閾值ε2時認(rèn)為二者相等。ΔSp(T2)可以表示為：

式中：t3為第T2個觀察間隔內(nèi)的采集點(diǎn)；t4為第T2-1個觀察間隔內(nèi)的采集點(diǎn)。

當(dāng)交點(diǎn)數(shù)量的變化量ΔSp大于所設(shè)閾值時，認(rèn)為發(fā)生了負(fù)荷模式變化事件，如式（15）所示。

式中：λ3∈［0，1］為閾值的權(quán)值。

本文提取事件暫態(tài)功率波形進(jìn)行解析。在由式（10）確定事件前后的負(fù)荷穩(wěn)態(tài)后，提取事件電流和電壓的有效值波形I v，A，U v，A，并利用式（16）提取A相功率波形P v，A，同理可獲得B相和C相的事件波形。

不同的鋼廠之間設(shè)備參數(shù)和工作形式存在差異，在實(shí)際應(yīng)用中需要在目標(biāo)鋼廠對算法進(jìn)行調(diào)試，以保證算法的有效性。

2.2 事件解析與辨識算法

在檢測并提取事件波形后，需要辨識事件對應(yīng)的負(fù)荷動作。將用戶現(xiàn)場數(shù)據(jù)以及根據(jù)事件波形提取的數(shù)據(jù)進(jìn)行整合可以得到先驗(yàn)數(shù)據(jù)集D。根據(jù)鋼鐵行業(yè)的用戶負(fù)荷實(shí)際情況，將事件類型E、電流波形Iw、功率波形Pw、電流包絡(luò)峰谷差I(lǐng)ct、電流有效值Is、功率均值Pˉ、電流波形諧波幅值If、工件加工時長Tx和工件周期T y等作為D的元素，即

式中：L2為元素D的總數(shù)量；當(dāng)事件由式（9）檢出時，E=0；當(dāng)事件由式（15）檢出時，E=1；Ict為電流包絡(luò)最大值與最小值的差。

解析集Ψ內(nèi)的元素ψi代表不同的事件類型，包括負(fù)荷投切類型和負(fù)荷動作類型，將ψi表示為L維特征向量，如式（18）所示，其中0＜L≤L2。

在構(gòu)建D的基礎(chǔ)上，建立其與解析集Ψ的對應(yīng)關(guān)系R。為了更有效地體現(xiàn)樣本所包含的信息，從集合D中尋優(yōu)選取特征分量，形成結(jié)構(gòu)化的特征集X。所選特征對解析集Ψ的可分性可通過建立類間散布矩陣量化判斷。本文分析得到的鋼鐵行業(yè)用戶特征集如式（19）所示，其中L為6。

實(shí)際中，不同的特征量綱不同，數(shù)值差異較大，因此需要將特征數(shù)據(jù)如式（20）進(jìn)行歸一化處理。

式中：μ，δ分別為該項(xiàng)特征數(shù)據(jù)的均值和標(biāo)準(zhǔn)差；x l，x*l分別為歸一化前后的特征值。

在此基礎(chǔ)上，需要建立解析集Ψ與特征集X之間的對應(yīng)關(guān)系，完成事件解析。首先將解析集轉(zhuǎn)換為X的表征形式下的特征集合Ψg，即

式中：ψg，i為結(jié)構(gòu)化特征向量，其中的元素均來自集合D的該類負(fù)荷的參考數(shù)據(jù)，如式（22）所示。

鋼廠負(fù)荷投切動作不頻繁，事件樣本較少，當(dāng)檢測到事件r并提取其波形后，需要將事件波形轉(zhuǎn)化為特征數(shù)據(jù)X r，并通過計(jì)算事件與各類別ψg，i的相似度判別其所屬的事件類型，如式（23）所示。

式中：λ4為相似度閾值的比例參數(shù)；λ4|ψg，i|為每個類別的相似度閾值，若所有類別均不滿足該閾值，則該事件無法辨識。根據(jù)不同事件類型，本文判定X r和ψg，i中距離最小且滿足相似度判定閾值的事件類別為該負(fù)荷事件所屬類別，實(shí)現(xiàn)事件辨識。

本文針對鋼廠工業(yè)負(fù)荷狀態(tài)變化和模式變化事件的NILM算法流程如圖4所示。

圖4 本文的算法流程圖Fig.4 Process of algorithm

3 實(shí)驗(yàn)驗(yàn)證與分析

本文以某鋼廠為對象驗(yàn)證所提算法。數(shù)據(jù)采集裝置安裝在鋼廠的燒結(jié)和冷軋生產(chǎn)線的計(jì)量電表處采集三相數(shù)據(jù)。由于該鋼廠負(fù)荷在三相用電中運(yùn)行，三相的電壓、電流保持一致，本文僅針對其中一相的用電情況實(shí)現(xiàn)事件檢測、提取和辨識。

3.1 事件檢測效果驗(yàn)證

首先對該鋼廠進(jìn)行考察，構(gòu)建事件特征值表并利用本文提出的事件檢測方法對狀態(tài)變化事件和模式變化事件進(jìn)行檢測。通過對比先驗(yàn)參考數(shù)據(jù)和實(shí)測負(fù)荷混合數(shù)據(jù)發(fā)現(xiàn)，目標(biāo)鋼廠狀態(tài)變化事件的持續(xù)時間約在20～60 s，模式變化事件約在5～35 s。相關(guān)的檢測閾值等參數(shù)的調(diào)試結(jié)果如表1所示。

表1 參數(shù)取值Tab.1 Parameter value

利用本文提出的算法對該鋼廠的用電數(shù)據(jù)進(jìn)行事件檢測，提取得到的事件波形如圖5所示。圖5（a）展示了提取的狀態(tài)變化事件波形；圖5（b）展示了每類模式變化事件的一個典型波形。

圖5 事件檢測與提取的波形Fig.5 Event detection and waveform extraction

本文采用滑動窗累積和算法（cumulative sum，CUSUM）［24］對同樣的數(shù)據(jù)進(jìn)行事件檢測，對比已有的工業(yè)用戶事件檢測方法驗(yàn)證本文算法的優(yōu)越性。通過綜合評價指標(biāo)F1-measure評價事件檢測的準(zhǔn)確度和有效性，F(xiàn)1-measure指標(biāo)計(jì)算公式如式（24）所示，結(jié)果如表2所示，其中將檢測得到的同種類模式變化事件連續(xù)出現(xiàn)記錄為一個事件。

表2 本文算法與對比算法的F1-measure值Tab.2 F1-measure values of the algorithm of this paper and the compared algorithm

式中：F1為F1-measure的評價值；BP為檢測精度；BR為檢測召回率；TP為事件檢測正確的事件數(shù)；FP為錯檢的事件數(shù)；FN為漏檢的事件數(shù)。

從表2可以看出，本文提出的事件檢測算法在精度和召回率以及F1-measure值均優(yōu)于對比算法?；贑USUM算法的事件檢測方法僅對特定類型的負(fù)荷事件具有較高的準(zhǔn)確率，受限于沒有考慮負(fù)荷波動和模式變化事件的影響，檢測結(jié)果錯誤較多。

3.2 負(fù)荷辨識效果驗(yàn)證

本文利用數(shù)據(jù)提取結(jié)果驗(yàn)證負(fù)荷辨識方法［25］。根據(jù)工藝流程和現(xiàn)場數(shù)據(jù)，燒結(jié)生產(chǎn)線［26］的主要負(fù)荷包括除塵風(fēng)機(jī)、主抽風(fēng)機(jī)、混料機(jī)、高壓水泵、燒結(jié)機(jī)、脫硫機(jī)、環(huán)冷風(fēng)機(jī)、助燃風(fēng)機(jī)、破碎輥，軋鋼生產(chǎn)線［27］的主要負(fù)荷包括粗軋機(jī)、精軋機(jī)、卷取機(jī)、開卷機(jī)、傳送輥，上述負(fù)荷開斷依次標(biāo)記為J1～J14。負(fù)荷模式變化有精軋機(jī)的間斷軋鋼過程、粗軋機(jī)的掉轉(zhuǎn)鋼坯過程、卷取機(jī)的卸卷過程，分別標(biāo)記為J15～J17。根據(jù)對目標(biāo)鋼廠的現(xiàn)場調(diào)研，本文額外考慮助燃風(fēng)機(jī)與環(huán)冷風(fēng)機(jī)同時開斷（J18）以及精軋機(jī)與卷取機(jī)同時開斷（J19）兩類情況。以上負(fù)荷數(shù)據(jù)均集合在D中，并作為解析集Ψ的元素。根據(jù)集合D中的先驗(yàn)數(shù)據(jù)將Ψ轉(zhuǎn)換為X的表征形式下的特征集合Ψg，各元素的特征值如表3所示。

表3 事件的特征值表Tab.3 Eigenvalue table of events

在該鋼廠采集的數(shù)據(jù)中共檢測到狀態(tài)變化事件10次，模式變化事件3種，通過對事件波形的特征提取得到特征集合X r，其特征值如表4所示。

表4 事件提取波形的特征值表Tab.4 Eigenvalue table of extracted waveform of event

通過式（23）計(jì)算事件波形特征與Ψg內(nèi)各個元素的距離，判定事件類型為距離最小且滿足相似度判定閾值的負(fù)荷動作，為事件對應(yīng)的實(shí)際負(fù)荷操作。距離計(jì)算結(jié)果如表5所示，其中距離最小的事件類型即為其辨識結(jié)果，其平均辨識誤差為3.76%。

本文通過計(jì)算平均百分比誤差（MAPE）對提取的事件辨識結(jié)果進(jìn)行評價，其計(jì)算公式見式（25）。

式中：為待辨識負(fù)荷的特征值。計(jì)算結(jié)果如表5所示，本次事件辨識結(jié)果的MAPE值均小于14%，而MAPE值越小說明事件特征值與負(fù)荷類型的標(biāo)準(zhǔn)化特征值之間的誤差越小，即辨識效果越好。

表5 事件波形與先驗(yàn)特征集合的相似度Tab.5 Similarity between event waveforms and loads in standardized feature set

綜上所述，本文針對事件的表現(xiàn)形式，分別設(shè)計(jì)了功率變化閾值和交點(diǎn)數(shù)量變化閾值實(shí)現(xiàn)狀態(tài)變化事件和模式變化事件的檢測，具有良好的檢測效果，并進(jìn)一步實(shí)現(xiàn)了負(fù)荷辨識。

4 結(jié)語

針對鋼廠用戶負(fù)荷的用電監(jiān)測問題，本文提出了一種基于事件感知的鋼廠工業(yè)用戶非侵入式負(fù)荷檢測分解算法。在分類事件的基礎(chǔ)上，通過特征差分方法和引入功率曲線與平均功率直線的交點(diǎn)數(shù)特征對狀態(tài)變化和模式變化事件進(jìn)行檢測并提取事件波形，通過解析事件實(shí)現(xiàn)負(fù)荷辨識。通過對鋼廠的實(shí)測結(jié)果，本方法能夠有效地從總采集信號中檢測事件并提取相應(yīng)的波形，檢測準(zhǔn)確率較高，并進(jìn)一步驗(yàn)證了本文負(fù)荷辨識方法。與基于CUSUM的檢測方法相比，本方法能減小漏檢率，提高事件檢測效率，還能夠辨識負(fù)荷，適用于鋼廠事件檢測。