《表6 本文算法中高维球半径h变化的检测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于状态特征聚类的非侵入式负荷事件检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

考虑到各个算法中参数取值对算法的负荷事件检测的影响，表4～表6分别给出了阈值触发法、CUSUM算法和本文算法中参数选择对事件检测的实验结果。这里采用机器学习中分类器的评价方法，其中真阳性（True Positive，TP）表示正确地检测到负荷事件发生；真阴性（True Negative，TN）表示结果显示没有负荷事件发生，实际上也没有负荷事件发生；假阳性（False Positive，FP）表示判定有负荷事件发生，实际上没有负荷事件发生；假阴性（False Negative，FN）表示有负荷事件发生，但是并没有检测出事件。另外，由于绝大多数时刻点都是负荷稳定运行状态，因此真阴性值高且难以统计，故TN通常忽略，而采用H.Altrabal等提出的F-Measur评价标准[32]。FM越高，说明检测性能越好。由表4～表6可以看出，阈值法中，参数设置80～90较为合理；CUSUM中，最小突变量Δmin设置为90左右比较合理；而本文方法中，半径h设置为0.02～0.05范围都具有较高的检测性能。