现有的事件检测方法主要分为两类：规则检测和概率模型检测。还有其他的，但是主要是这两类。

        规则检测的方法是直接观察待测信号的变化，提出一种规则作为事件检测判据，规则合理与否就决定了这类方法的准确程度。由于电器投切事件的差异性和多样性，仅凭直观经验容易漏检和误检，因而这类方法应用场景较少。概率模型检测本质上为一种统计学判断假设的问题，事件发生时序列中元素的分布或分布参数会发生变化。主要有四种方法：广义似然比(GLRT)、卡方拟合优度、贝叶斯信息准则(BIC)和累计和(CUSUM)方法。

        规则检测就是自己认为设置一个规则，满足该规则的就是发生了事件。以有功功率为例，|ΔP|＞50W，就认为发生了事件，这样的规则有效，但是局限较大。小于50W的电器检测不到，然后只要有一个简单的波动会导致误测。如下图所示。

 前者发生了一个事件，但是由于ΔP小于50，所以漏测了。后者虽然ΔP大于50，但是其并不是一个电器状态变化引起的，该波动前后的稳态是一样的。

        相比与规则检测、概率模型更加有效。GLRT是指从相邻窗口的对数概率分布比率中导出一个决策函数，来检测新事件的发生。卡方拟合优度是通过判断两个相邻窗口是否共享同一个分布来检测事件。BIC是通过将滑动窗口内的样本划分成均匀片段，再通过模型复杂度惩罚的似然准则函数进行事件判断。CUSUM算法是通过判断累计和是否超过阈值来检测事件。上述概率模型检测方法都引入了更多的参数，计算量更大，针对不同用电环境需要调整参数。在复杂用电环境下，单一方法可能无法满足所有特性的电器，为此，有研究学者提出了融合多种方法进行混合事件检测。

        这几类的方法大同小异，都需要建立两个假设，含变点的模型和不含变点的模型。具体原理可参考文献[1]和文献[2]。这类算法都需要用到滑动窗口，在滑动的过程中计算各种数学量，判断当前窗口内有变点的概率有多大，再设置一个阈值。当数学量大于阈值时，认为有事件发生了。

        CUSUM[3]最简单，所以我以这个为例来介绍概率模型。

        在电流有效值(简称电流)时间序列内定义均值计算窗Wm和暂态检测窗Wd两个连续的滑动窗口，窗口大小分别为m、n。两个窗口内电流均值Mm和Md定义如下：

式中  k1—— 均值计算窗的第1个采样点。

为检测用电器投入和切出，分别定义投入、切出事件累积和 、 ，具体计算方法为：

式中  β —— 外界引入的噪声，反映电流时间序列稳定时的波动水平。

以投入事件为例对该算法进行阐述。首先，设置累计和阈值H来判断事件是否发生，该值可通过训练得到。累计和初始值为零，当检测窗口均值Md大于Mm+β 时， 值开始累加。当0