CN113567794B - 基于动态时间规整的电动自行车户内充电辨识方法及系统 - Google Patents

基于动态时间规整的电动自行车户内充电辨识方法及系统 Download PDF

Info

Publication number
CN113567794B
CN113567794B CN202111119928.8A CN202111119928A CN113567794B CN 113567794 B CN113567794 B CN 113567794B CN 202111119928 A CN202111119928 A CN 202111119928A CN 113567794 B CN113567794 B CN 113567794B
Authority
CN
China
Prior art keywords
current
electric bicycle
charging
characteristic
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111119928.8A
Other languages
English (en)
Other versions
CN113567794A (zh
Inventor
黄奇峰
刘恬畅
杨世海
陈铭明
黄艺璇
方凯杰
李志新
程含渺
郭娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202111119928.8A priority Critical patent/CN113567794B/zh
Publication of CN113567794A publication Critical patent/CN113567794A/zh
Application granted granted Critical
Publication of CN113567794B publication Critical patent/CN113567794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

基于动态时间规整的电动自行车户内充电辨识方法及系统，在居民入户处进行信号量测与采集，获得电压、电流高频采样数据；然后提取电动自行车充电时的差异性特征量，建立电动自行车特征数据库；其次依据低功率边沿阈值自适应检测方法，在原有负荷辨识算法上动态调整有功阈值，以检测电动自行车充电事件的发生；计算充电电流特征曲线作为参考模板，最后利用动态时间规整算法，比较实际待识别模板与参考模板的相似度，输出最终辨识结果。本发明提供了一种针对电动自行车入户充电的辨识方法，能快速准确定位该类负荷的投入，尤其是在多电器叠加工况下具有突出优势。

Description

基于动态时间规整的电动自行车户内充电辨识方法及系统
技术领域
本发明涉及非介入式负荷辨识技术领域，更具体地，涉及基于动态时间规整的电动自行车户内充电辨识方法及系统。
背景技术
据统计，目前我国的电动自行车保有量超过3亿，因电动自行车入户充电引发火灾事故的问题日益突出。2019年，国家五部委联合发布《关于进一步加强电动自行车消防安全管理工作的通知》，要求重点整治电动自行车“进楼入户”“人车同屋”“飞线充电”等突出问题。尽管政府部门出台禁止电动自行车入户充电的规定，但仍有车主心存侥幸，以推车入户或携带蓄电池进屋的方式进行充电，采用传统物业人员巡视的方法无法及时发现，存在安全隐患。
现有技术中，非介入式负荷辨识技术是一项实时监测居民用电状态的新技术，利用分布式终端、智能电能表等设备的高频采样数据，应用信号分析和机器学习算法,更精细地获取居民用电信息，如电器的启停时间、耗能水平、使用规律等。该技术可实现居民用电设备组成和能耗全时段精确辨识，从而为客户提供节能诊断、用电安全隐患辨识、电器寿命预测、电器使用率统计等增值服务。
现有技术中，非介入式居民负荷辨识技术通过分析总电流，获取户内详细用电情况，将该技术在智能电能表中实现并增加电动自行车充电负荷辨识的能力，是监测电动自行车入户充电的最佳方式。然而现有技术中，尚未基于非介入式负荷辨识技术对电动自行车入户充电的问题开展研究。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于动态时间规整的电动自行车户内充电辨识方法及系统，充分研究电动自行车充电负荷的辨识特征，在非介入负荷辨识算法基础上，引入动态时间规整算法，一种针对电动自行车入户充电的辨识方法，能快速准确的定位电动自行车户内负荷的投切，实现电动自行车入户充电监测，尤其是在多电器叠加工况下具有突出优势。
本发明采用如下的技术方案。
基于动态时间规整的电动自行车户内充电辨识方法包括：
步骤1，以设定的采样频率采集电动自行车充电时的电流和电压，获得电动自行车充电时的特征量；利用所述特征量建立电动自行车特征数据库；
步骤2，通过电能表采集居民家庭入户端的总电压和总电流，计算得到用于负荷辨识的特征量；进行家庭用电设备启停事件边沿检测，当有功功率变化量大于设定阈值时则判定发生功率突变事件，获取功率突变事件的始点和终点；
步骤3，基于电动自行车特征数据库，聚合得到电动自行车充电的恒流阶段电流特征曲线；
步骤4，基于动态时间规整法，计算功率突变事件的始点和终点之间的实际电流曲线，与电动自行车充电电流特征曲线之间的匹配度；
步骤5，利用所述匹配度计算功率突变事件的始点和终点之间的实际电流曲线，与电动自行车充电电流特征曲线之间的相似度，当相似度不小于设定阈值时，则判定发生电动自行车户内充电事件。
优选地，步骤1中，所述特征量包括：电动自行车充电时的有功功率和稳态电流分量；
所述特征量的获取过程包括：
步骤1.1，利用电流和电压的高频采样值，以如下关系式计算得到电动自行车充电时每个采样周期内的有功功率平均值：
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
为电动自行车充电时每个采样周期内的有功功率平均值，
Figure DEST_PATH_IMAGE003
为采样周期，
Figure DEST_PATH_IMAGE004
为第j采样时刻的离散电压序列，
Figure DEST_PATH_IMAGE005
为第j采样时刻的离散电流序列，
Figure DEST_PATH_IMAGE006
为采样周期数；
步骤1.2，利用电动自行车充电时的有功功率平均值，拟合出充电有功功率随时间变化的曲线，以表征电动自行车的充电过程；
步骤1.3，根据充电有功功率随时间变化的曲线，将电动自行车的充电过程分为恒流阶段、恒压阶段和涓流阶段；
步骤1.4，提取恒流阶段的有功功率和5组稳态电流分量作为电动自行车户内充电辨识的特征量；其中，所述5组稳态电流分量包括：电流直流分量、电流基波幅值、电流3次谐波幅值、电流5次谐波幅值、电流7次谐波幅值。
步骤1.5，利用电动自行车户内充电辨识的特征量建立电动自行车特征数据库。
进一步，步骤1.3中，恒流阶段，充电电流保持恒定，有功功率保持额定功率；恒压阶段，充电电压保持恒定，有功功率随着时间逐渐衰减；涓流阶段，充电电流降至毫安级，有功功率降至额定功率20%~25%。
优选地，步骤2包括：
步骤2.1，在一个辨识周期内，利用每个采样周期的居民户内的电压和电流，计算所述辨识周期内的有功功率平均值，以相邻两个辨识周期的有功功率平均值的差值，作为有功功率变化量，满足如下关系式：
Figure DEST_PATH_IMAGE007
式中，
Figure DEST_PATH_IMAGE008
为有功功率变化量，
Figure DEST_PATH_IMAGE009
分别为相邻两个辨识周期内的有功功率平均值；
步骤2.2，利用电动自行车特征数据库中的N个电动自行车特征数据样本，计算得到全部电动自行车特征数据样本的稳态有功功率的方差
Figure DEST_PATH_IMAGE010
和平均值
Figure DEST_PATH_IMAGE011
，其中所述特征数据样本包括：有功功率、无功功率、谐波电流，满足如下关系式：
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
式中，
Figure DEST_PATH_IMAGE014
为第i个电动自行车数据样本的稳态有功功率，其中
Figure DEST_PATH_IMAGE015
；
步骤2.3，以电动自行车功率特性定义功率阈值
Figure DEST_PATH_IMAGE016
，满足如下关系式：
Figure DEST_PATH_IMAGE017
式中，
Figure DEST_PATH_IMAGE018
为阈值修正常数，其值为除电动自行车以外的其它家用电器稳态时的功率波动值之和；
步骤2.4，当有功功率变化量
Figure 945660DEST_PATH_IMAGE008
大于功率阈值
Figure DEST_PATH_IMAGE019
时，则判定为发生功率突变事件，通过移动滑动窗，提取功率突变事件的始点
Figure DEST_PATH_IMAGE020
和终点
Figure DEST_PATH_IMAGE021
。
进一步，步骤2.4中，以五个辨识周期为一组，对组内的有功功率变化量
Figure DEST_PATH_IMAGE022
进行滤波处理，以排除小功率电器暂态阶跃检测的失误。
优选地，步骤3中，
从电动自行车特征数据库中的N个电动自行车数据样本中选取设定数量的工频周期的稳态电流分量数据，分别计算电动自行车户内充电辨识的特征量中的电流直流分量平均值、电流基波幅值平均值、电流3次谐波幅值平均值、电流5次谐波幅值平均值、电流7次谐波幅值平均值，以如下关系式计算电动自行车充电特征曲线
Figure DEST_PATH_IMAGE023
：
Figure DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE025
为电流直流分量平均值，
Figure DEST_PATH_IMAGE026
为电流基波幅值平均值，
Figure DEST_PATH_IMAGE027
为电流3次谐波幅值平均值，
Figure DEST_PATH_IMAGE028
为电流5次谐波幅值平均值，
Figure DEST_PATH_IMAGE029
电流7次谐波幅值平均值，
Figure DEST_PATH_IMAGE030
为基波角频率，
Figure DEST_PATH_IMAGE031
为时间，
Figure DEST_PATH_IMAGE032
为基波电流相角，
Figure DEST_PATH_IMAGE033
为3次谐波电流相角，
Figure DEST_PATH_IMAGE034
为5次谐波电流相角，
Figure DEST_PATH_IMAGE035
为7次谐波电流相角。
进一步，对电动自行车充电电流
Figure DEST_PATH_IMAGE036
进行快速傅里叶变换，可得各次谐波电流幅值
Figure DEST_PATH_IMAGE037
，满足如下关系式：
Figure DEST_PATH_IMAGE038
式中，
Figure DEST_PATH_IMAGE039
为采样频率，
Figure DEST_PATH_IMAGE040
为序列长度；k为谐波次数；
Figure DEST_PATH_IMAGE041
为快速傅里叶变换后长度为
Figure 95756DEST_PATH_IMAGE040
的幅值序列，满足如下关系式：
Figure DEST_PATH_IMAGE042
式中，
Figure DEST_PATH_IMAGE043
为快速傅里叶计算函数，
Figure DEST_PATH_IMAGE044
为电动自行车充电电流。
优选地，步骤4包括：
步骤4.1，对电动自行车充电电流特征曲线
Figure DEST_PATH_IMAGE045
进行离散化处理，得到的离散域特征曲线
Figure DEST_PATH_IMAGE046
满足如下关系式：
Figure DEST_PATH_IMAGE047
式中，
Figure DEST_PATH_IMAGE048
为第
Figure DEST_PATH_IMAGE049
个采样点的电动自行车充电电流特征数据，m为采样点总数；
提取功率突变事件的始点
Figure DEST_PATH_IMAGE050
和终点
Figure DEST_PATH_IMAGE051
之间的电流曲线
Figure DEST_PATH_IMAGE052
，满足如下关系式：
Figure DEST_PATH_IMAGE053
式中，
Figure DEST_PATH_IMAGE054
为第
Figure DEST_PATH_IMAGE055
个采样点的电动自行车充电电流采集数据，n为采集点总数；
并且，定义
Figure 725362DEST_PATH_IMAGE046
为参考模板，
Figure 651730DEST_PATH_IMAGE052
为待识别模板，两者内部特征矢量种类和维数相同；
步骤4.2，对各采样点的电动自行车充电电流特征数据和采集数据进行标幺化处理，使得各数据属于
Figure DEST_PATH_IMAGE056
区间；以如下关系式计算
Figure DEST_PATH_IMAGE057
、
Figure DEST_PATH_IMAGE058
之间的距离
Figure DEST_PATH_IMAGE059
并将该距离作为失真值：
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE061
式中，
Figure DEST_PATH_IMAGE062
为第
Figure DEST_PATH_IMAGE063
个采样点的电动自行车充电电流特征数据标幺值，
Figure DEST_PATH_IMAGE064
为第
Figure DEST_PATH_IMAGE065
个采样点的电动自行车充电电流采集数据标幺值，
Figure DEST_PATH_IMAGE066
为特征曲线R(m)中最大值，
Figure DEST_PATH_IMAGE067
为实际曲线T(n)中最大值；
步骤4.3，将参考模板
Figure DEST_PATH_IMAGE068
和待识别模板
Figure DEST_PATH_IMAGE069
中相同维度的电流特征数据和电流采集数据构成一组特征矢量节点对；基于动态时间规整法，确定连接若干组特征矢量节点对的最优路径，即连接若干组特征矢量节点所得的累计失真值最小的一条路径，该路径的累计失真值满足如下关系式：
Figure DEST_PATH_IMAGE070
式中，
Figure DEST_PATH_IMAGE071
为一条连接若干组特征矢量节点对的路径的累计失真值，
Figure DEST_PATH_IMAGE072
为
Figure DEST_PATH_IMAGE073
、
Figure DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE075
中路径最小值；
当累计失真值
Figure 964637DEST_PATH_IMAGE071
的值越小，表征着电流采集数据与电流特征数据的匹配度越高；当
Figure DEST_PATH_IMAGE076
时，则称电流采集数据与电流特征数据完全匹配。
优选地，步骤5中，相似度
Figure DEST_PATH_IMAGE077
满足如下关系式：
Figure DEST_PATH_IMAGE078
设定的相似度阈值
Figure DEST_PATH_IMAGE079
根据家庭用电设备总辨识准确率
Figure DEST_PATH_IMAGE080
而设定，当总辨识准确率
Figure 334570DEST_PATH_IMAGE080
达到90%时，相似度阈值
Figure 132762DEST_PATH_IMAGE079
的取值范围为0.81至0.87。
基于动态时间规整的电动自行车户内充电辨识系统，包括数据采集模块、特征数据库模块、功率边沿监测模块、特征曲线提取模块和充电辨识模块；
数据采集模块，用于按照设定的采样频率采集电动自行车充电时的电流和电压，以获得电动自行车充电时的特征量；
特征数据库模块，用于根据数据采集模块输出的特征量建立电动自行车特征数据库；
功率边沿监测模块，获取电能表采集到的居民家庭入户端的总电压和总电流，用于计算实现负荷辨识的特征量；同时还用于进行家庭用电设备启停事件边沿检测，当有功功率变化量大于设定阈值时则判定发生功率突变事件，获取功率突变事件的始点和终点；
特征曲线提取模块，从特征数据库模块中提取数据以聚合得到电动自行车充电的恒流阶段电流特征曲线；
充电辨识模块，根据功率边沿监测模块输出的功率突变事件的始点和终点，从特征曲线提取模块中提取实际电流曲线，并计算与电动自行车充电电流特征曲线之间的匹配度以及相似度，从而判定是否发生电动自行车户内充电事件。
本发明的有益效果在于，与现有技术相比：
1、在原有空调、电热等家庭用电设备非入户辨识的基础上，增加了电动自行车户内充电辨识，只需获取家庭入户电能表采集数据即可快速准确检测该类负荷的投入，及时杜绝安全隐患；
2、根据不同家庭实际情况进行边沿阈值自适应检测，能提高多电器叠加工况下电动自行车辨识的准确性，避免小功率电器启停和波动的干扰；
3、建立电动自行车数据样本基本涵盖市面上所有品牌、类型，选择基波和奇次谐波电流作为特征量具有针对性，通过实际检测不断修正参数，提高了辨识准确性。
附图说明
图1为本发明基于动态时间规整的电动自行车户内充电辨识算法的流程框图；
图2为本发明一实施例中电动自行车充电有功功率波形图；
图3为本发明一实施例中电动自行车充电暂态电流波形图；
图4为本发明一实施例中电动自行车充电稳态电流波形图；
图5为本发明一实施例中稳态电流FFT分析图；
图6为本发明一实施例中相似度
Figure 738186DEST_PATH_IMAGE079
与辨识准确度
Figure 141486DEST_PATH_IMAGE080
之间的关系图；
图7为本发明一实施例中单一电动自行车辨识实验设计与验证示意图；
图8为本发明一实施例中多电器叠加实验设计与验证示意图；
图9为本发明一实施例中“电饭煲+电动自行车”叠加有功功率波形图；
图10为本发明一实施例中“微波炉+电动自行车”叠加有功功率波形图；
图11为本发明一实施例中“电饭煲+电磁炉+电动自行车”叠加有功功率波形图；
图12为本发明一实施例中“变频空调+电动自行车+电水壶”叠加有功功率波形图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1，基于动态时间规整的电动自行车户内充电辨识方法包括：
步骤1，以设定的采样频率采集电动自行车充电时的电流和电压，获得电动自行车充电时的特征量；利用所述特征量建立电动自行车特征数据库；本发明优选实施例中，以1.6kHz的采样频率，通过录波装置采集电动自行车充电时的电流和电压。
具体地，步骤1中，所述特征量包括：电动自行车充电时的有功功率和稳态电流分量；所述特征量的获取过程包括：
步骤1.1，利用电流和电压的高频采样值，以如下关系式计算得到电动自行车充电时每个采样周期内的有功功率平均值：
Figure 931587DEST_PATH_IMAGE001
式中，
Figure 92441DEST_PATH_IMAGE002
为电动自行车充电时每个采样周期内的有功功率平均值，
Figure DEST_PATH_IMAGE081
为采样周期，
Figure DEST_PATH_IMAGE082
为第j采样时刻的离散电压序列，
Figure DEST_PATH_IMAGE083
为第j采样时刻的离散电流序列，
Figure 32716DEST_PATH_IMAGE006
为采样周期数。
步骤1.2，利用电动自行车充电时的有功功率平均值，拟合出充电有功功率随时间变化的曲线，以表征电动自行车的充电过程。
步骤1.3，根据充电有功功率随时间变化的曲线，将电动自行车的充电过程分为恒流阶段、恒压阶段和涓流阶段。
进一步，步骤1.3中，恒流阶段，充电电流保持恒定，有功功率保持额定功率；恒压阶段，充电电压保持恒定，有功功率随着时间逐渐衰减；涓流阶段，充电电流降至毫安级，有功功率降至额定功率20%~25%。
本优选实施例，步骤1.3中，如图2所示，恒流阶段充电有功功率较高，输出均较为稳定；恒压阶段充电有功功率随着时间逐渐衰减，波形畸变严重，但畸变程度会随着时间变化；涓流阶段充电有功功率为20W。由此可见，恒压阶段的不稳定参数与涓流阶段的低值参数不适宜选取作为辨识特征参数，因此只考虑恒流阶段。
步骤1.4，提取恒流阶段的有功功率和5组稳态电流分量作为电动自行车户内充电辨识的特征量；其中，所述5组稳态电流分量包括：电流直流分量、电流基波幅值、电流3次谐波幅值、电流5次谐波幅值、电流7次谐波幅值。
对电动自行车在恒流阶段的电流特征进行分析，画出暂态电流波形和稳态电流波形，分别如图3和图4所示。暂态时，可以发现启动时有短暂的延迟时间和冲击电流。
稳态时对电流波形进行FFT分析，如图5，则可以发现电动自行车充电电流与其他电器电流特征存在很大不同，即波形畸变明显，谐波含量较高，且主要为3、5、7次等奇次谐波。
为了反映负荷特征，可以选择充电时的有功功率、5组稳态电流分量作为辨识电动自行车启停的特征量。
其中，对录波装置采集电动自行车充电时的电流和电压进行清洗和转换。
步骤1.5，利用电动自行车户内充电辨识的特征量建立电动自行车特征数据库。
步骤2，通过电能表采集居民家庭入户端的总电压和总电流，计算得到用于负荷辨识的特征量；进行家庭用电设备启停事件边沿检测，当有功功率变化量大于设定阈值时则判定发生功率突变事件，获取功率突变事件的始点和终点。
本发明优选实施例中，采集居民家庭入户端的总电压和总电流的是电能表计量芯片。
值得注意的是，能够进行家庭用电设备启停边沿检测的方法很多，包括侵入式负荷监测方法和非侵入负荷监测方法，通过测量获得总负荷的电压、电流等承载电力信息的信号，从中提取用电设备的特征信息，但是为了获得更佳的技术效果，本发明以基于低功率边沿阈值自适应检测方法为实施例进行介绍。
具体地，步骤2包括：
步骤2.1，在一个辨识周期内，利用每个采样周期的居民户内的电压和电流，计算所述辨识周期内的有功功率平均值，以相邻两个辨识周期的有功功率平均值的差值，作为有功功率变化量，满足如下关系式：
Figure 962625DEST_PATH_IMAGE007
式中，
Figure DEST_PATH_IMAGE084
为有功功率变化量，
Figure DEST_PATH_IMAGE085
分别为相邻两个辨识周期内的有功功率平均值。
步骤2.2，利用电动自行车特征数据库中的N个电动自行车特征数据样本，计算得到全部电动自行车特征数据样本的稳态有功功率的方差
Figure 123961DEST_PATH_IMAGE010
和平均值
Figure DEST_PATH_IMAGE086
，其中所述特征数据样本包括：有功功率、无功功率、谐波电流，满足如下关系式：
Figure DEST_PATH_IMAGE087
Figure 37690DEST_PATH_IMAGE013
式中，
Figure DEST_PATH_IMAGE088
为第i个电动自行车数据样本的稳态有功功率，其中
Figure DEST_PATH_IMAGE089
。
进一步，步骤2.2还包括，对N个电动自行车数据样本进行预处理，利用预处理后的N个电动自行车数据样本建立电动自行车特征库。
步骤2.3，以电动自行车功率特性定义功率阈值
Figure DEST_PATH_IMAGE090
，满足如下关系式：
Figure 453759DEST_PATH_IMAGE017
式中，
Figure 831651DEST_PATH_IMAGE018
为阈值修正常数，其值为除电动自行车以外的其它家用电器稳态时的功率波动值之和。
通常，家用电器事件边沿检测均采用阈值检测方法，当有启停事件发生时，有功功率会发生很大变化，当有功功率变化值大于所设定阈值时，则认为事件发生。由于电动自行车有功功率值较小，若阈值设置过大，会导致电动自行车漏检；若阈值设置过小，会导致其他家用电器边沿与噪声边沿的误检。因此，本发明提出了一种低功率边沿阈值自适应检测方法，根据方差
Figure 838921DEST_PATH_IMAGE010
动态调整阈值的大小，提高电动自行车的辨识准确率。
步骤2.4，当有功功率变化量
Figure DEST_PATH_IMAGE091
大于功率阈值
Figure DEST_PATH_IMAGE092
时，则判定为发生功率突变事件，通过移动滑动窗，提取功率突变事件的始点
Figure 239947DEST_PATH_IMAGE020
和终点
Figure 849920DEST_PATH_IMAGE021
。
进一步，步骤2.4中，以五个辨识周期为一组，对组内的有功功率变化量
Figure DEST_PATH_IMAGE093
进行滤波处理，以排除小功率电器暂态阶跃检测的失误。
本优选实施例中，为了防止功率波动的影响，算法每五个辨识周期采用Kalman滤波器对有功功率平均值的曲线进行滤波，避免小功率电器暂态阶跃检测的失误。值得注意的是，所属领域技术人员可以根据数据处理需要和滤波精度要求，选择不同数量的辨识周期进行滤波，或者选择不同类型的滤波器进行滤波，亦或者采用多个滤波器进行滤波，本优选实施例中是一种非限制性的较优选择。
步骤3，基于电动自行车特征数据库，聚合得到电动自行车充电的恒流阶段电流特征曲线。
具体地，
步骤3中，从电动自行车特征数据库中的N个电动自行车数据样本中选取设定数量的工频周期的稳态电流分量数据，分别计算电动自行车户内充电辨识的特征量中的电流直流分量平均值、电流基波幅值平均值、电流3次谐波幅值平均值、电流5次谐波幅值平均值、电流7次谐波幅值平均值，并计算电动自行车充电特征曲线
Figure 551159DEST_PATH_IMAGE023
。
本发明优选实施例中，从N个电动自行车数据样本中选取10个工频周期的稳态电流分量数据，分别计算电动自行车户内充电辨识的特征量中的电流直流分量平均值、电流基波幅值平均值、电流3次谐波幅值平均值、电流5次谐波幅值平均值、电流7次谐波幅值平均值，以如下关系式计算电动自行车充电特征曲线
Figure 57227DEST_PATH_IMAGE023
：
Figure DEST_PATH_IMAGE094
式中，
Figure 211128DEST_PATH_IMAGE025
为电流直流分量平均值，
Figure 497228DEST_PATH_IMAGE026
为电流基波幅值平均值，
Figure 584133DEST_PATH_IMAGE027
为电流3次谐波幅值平均值，
Figure DEST_PATH_IMAGE095
为电流5次谐波幅值平均值，
Figure 464364DEST_PATH_IMAGE029
电流7次谐波幅值平均值，
Figure DEST_PATH_IMAGE096
为基波角频率，
Figure DEST_PATH_IMAGE097
为时间，
Figure 839982DEST_PATH_IMAGE032
为基波电流相角，
Figure 791757DEST_PATH_IMAGE033
为3次谐波电流相角，
Figure 670852DEST_PATH_IMAGE034
为5次谐波电流相角，
Figure 581039DEST_PATH_IMAGE035
为7次谐波电流相角。
电动自行车充充电时，充电电流曲线满足如下关系式：
Figure DEST_PATH_IMAGE098
式中，
Figure DEST_PATH_IMAGE099
为直流分量，
Figure DEST_PATH_IMAGE100
为基波电流幅值，
Figure DEST_PATH_IMAGE101
为
Figure DEST_PATH_IMAGE102
次谐波电流幅值；
Figure 116057DEST_PATH_IMAGE096
为基波角频率，
Figure 746889DEST_PATH_IMAGE097
为时间，
Figure 339544DEST_PATH_IMAGE032
为基波电流相角，
Figure DEST_PATH_IMAGE103
为
Figure 827158DEST_PATH_IMAGE102
次谐波电流相角。
进一步，对电动自行车充电电流
Figure DEST_PATH_IMAGE104
进行快速傅里叶（FFT）变换，可得各次谐波电流幅值
Figure 377700DEST_PATH_IMAGE101
，满足如下关系式：
Figure DEST_PATH_IMAGE105
Figure DEST_PATH_IMAGE106
Figure DEST_PATH_IMAGE107
式中，
Figure DEST_PATH_IMAGE108
为FFT计算函数；电动自行车充电电流
Figure DEST_PATH_IMAGE109
作为FFT变换的电流序列；
Figure DEST_PATH_IMAGE110
为变换后长度为
Figure DEST_PATH_IMAGE111
的幅值序列，
Figure DEST_PATH_IMAGE112
为采样频率，
Figure DEST_PATH_IMAGE113
为实际频率序列，k为谐波次数。
步骤4，基于动态时间规整法，计算功率突变事件的始点和终点之间的实际电流曲线，与电动自行车充电电流特征曲线之间的匹配度。
具体地，步骤4包括：
步骤4.1，取采样频率
Figure DEST_PATH_IMAGE114
，对电动自行车充电电流特征曲线
Figure DEST_PATH_IMAGE115
进行离散化处理，得到的离散域特征曲线
Figure DEST_PATH_IMAGE116
满足如下关系式：
Figure 94115DEST_PATH_IMAGE047
式中，
Figure 806856DEST_PATH_IMAGE048
为第
Figure DEST_PATH_IMAGE117
个采样点的电动自行车充电电流特征数据，m为采样点总数；
取采样频率
Figure 199791DEST_PATH_IMAGE114
，提取功率突变始点
Figure 834035DEST_PATH_IMAGE050
和终点
Figure DEST_PATH_IMAGE118
之间的电流曲线
Figure DEST_PATH_IMAGE119
，满足如下关系式：
Figure 7002DEST_PATH_IMAGE053
式中，
Figure 839829DEST_PATH_IMAGE054
为第
Figure 934824DEST_PATH_IMAGE055
个采样点的电动自行车充电电流采集数据，n为采集点总数；
并且，定义
Figure 728468DEST_PATH_IMAGE116
为参考模板，
Figure DEST_PATH_IMAGE120
为待识别模板，两者内部特征矢量种类和维数相同。
步骤4.2，对各采样点的电动自行车充电电流特征数据和采集数据进行标幺化处理，使得各数据属于
Figure DEST_PATH_IMAGE121
区间；以如下关系式计算
Figure DEST_PATH_IMAGE122
、
Figure DEST_PATH_IMAGE123
之间的距离
Figure DEST_PATH_IMAGE124
，并将该距离作为失真值：
Figure DEST_PATH_IMAGE125
Figure DEST_PATH_IMAGE126
式中，
Figure DEST_PATH_IMAGE127
为第
Figure 442477DEST_PATH_IMAGE117
个采样点的电动自行车充电电流特征数据标幺值，
Figure DEST_PATH_IMAGE128
为第
Figure 536335DEST_PATH_IMAGE055
个采样点的电动自行车充电电流采集数据标幺值，
Figure DEST_PATH_IMAGE129
为特征曲线R(m)中最大值，
Figure DEST_PATH_IMAGE130
为实际曲线T(n)中最大值。
步骤4.3，将参考模板
Figure 271073DEST_PATH_IMAGE116
和待识别模板
Figure 286433DEST_PATH_IMAGE120
中相同维度的电流特征数据和电流采集数据构成一组特征矢量节点对；基于动态时间规整算法，确定连接若干组特征矢量节点对的最优路径，即连接若干组特征矢量节点所得的累计失真值最小的一条路径，该路径的累计失真值满足如下关系式：
Figure 991084DEST_PATH_IMAGE070
式中，
Figure 736186DEST_PATH_IMAGE071
为一条连接若干组特征矢量节点对的路径的累计失真值，
Figure DEST_PATH_IMAGE131
为
Figure DEST_PATH_IMAGE132
、
Figure DEST_PATH_IMAGE133
、
Figure DEST_PATH_IMAGE134
中路径最小值；
当累计失真值
Figure 576579DEST_PATH_IMAGE071
的值越小，表征着电流采集数据越接近电流特征数据，即匹配度越高；尤其当
Figure DEST_PATH_IMAGE135
时，则称电流采集数据与电流特征数据完全匹配。
步骤5，利用匹配度计算功率突变事件的始点和终点之间的实际电流曲线，与电动自行车充电电流特征曲线之间的相似度，当相似度不小于设定阈值时，则判定发生电动自行车户内充电事件。
具体地，步骤5中，相似度
Figure DEST_PATH_IMAGE136
满足如下关系式：
Figure DEST_PATH_IMAGE137
设定的相似度阈值
Figure DEST_PATH_IMAGE138
根据家庭用电设备总辨识准确率
Figure DEST_PATH_IMAGE139
而设定。
Figure DEST_PATH_IMAGE140
过小，会导致其他家电启停事件误检，
Figure 751339DEST_PATH_IMAGE138
过大，会导致电动自行车充电事件漏检，
本优选实施例中，根据辨识结果推算不同相似度阈值
Figure 197364DEST_PATH_IMAGE079
下的辨识准确率，如图6，可以发现当
Figure DEST_PATH_IMAGE141
左右时，辨识准确率达到最高，为91.2%。
Figure 235DEST_PATH_IMAGE138
过小，会导致其他家电启停事件误检，
Figure 811196DEST_PATH_IMAGE138
过大，会导致电动自行车充电事件漏检，最终实验发现，当
Figure DEST_PATH_IMAGE142
左右时，总辨识准确率达到最高，为91.2%。
基于动态时间规整的电动自行车户内充电辨识系统，包括数据采集模块、特征数据库模块、功率边沿监测模块、特征曲线提取模块和充电辨识模块；
数据采集模块，用于按照设定的采样频率采集电动自行车充电时的电流和电压，以获得电动自行车充电时的特征量；
特征数据库模块，用于根据数据采集模块输出的特征量建立电动自行车特征数据库；
功率边沿监测模块，获取电能表采集到的居民家庭入户端的总电压和总电流，用于计算实现负荷辨识的特征量；同时还用于进行家庭用电设备启停事件边沿检测，当有功功率变化量大于设定阈值时则判定发生功率突变事件，获取功率突变事件的始点和终点；
特征曲线提取模块，从特征数据库模块中提取数据以聚合得到电动自行车充电的恒流阶段电流特征曲线；
充电辨识模块，根据功率边沿监测模块输出的功率突变事件的始点和终点，从特征曲线提取模块中提取实际电流曲线，并计算与电动自行车充电电流特征曲线之间的匹配度以及相似度，从而判定是否发生电动自行车户内充电事件。
为了验证本发明所提处的辨识算法的有效性，并比较该算法与文献《基于特征选择与增量学习的非侵入式电动自行车充电辨识方法》中算法的差异，在实际采集的居民负荷特征数据库中随机挑选家用电器数据，开展单一电器和多电器叠加工况下的对比实验。
实施例1。
单一电动自行车辨识。
如图7所示，电动自行车测试种类按充电器型号可以分为48V/3A标准型充电器、60V/2A大容量充电器和其他特定充电器；按电池类型可以分为铅酸蓄电池和锂电池；按充电阶段可以分为1-2h恒流充电、3-4h恒压充电、5-6h涓流充电三个阶段。
随机挑选了10辆不同品牌、不同容量的电动自行车开展“黑盒”辨识检测实验，比较两种算法的辨识准确度，辨识结果见表1：
Figure DEST_PATH_IMAGE143
由表1所示的辨识结果可以发现，在进行单一电动自行车辨识时，两种辨识算法准确度接近，其中对AM1的辨识不成功，主要原因是被测电动自行车处于恒压或涓流充电阶段，特征值与所研究的恒流阶段有较大差异，造成辨识失败。
实施例2。
多种电器叠加时，电动自行车辨识。
如图8，根据“三随机原则”，即电器种类随机、电器启停时间随机、电器顺序随机的原则，选取变频空调、电热水壶、微波炉等10余种电器与电动自行车两两叠加、三三叠加，模拟混合叠加工况，画出电器启停时序图。
在“黑盒”测试条件下，开展电动自行车与其他种类电器的叠加测试。各种叠加工况下的有功功率波形如图9至12所示。
叠加工况下10次实验的辨识结果及分析见表2。
Figure DEST_PATH_IMAGE144
由表2可见，对比算法辨识成功辨识6次，本文所提算法成功辨识8次，说明本文所提算法辨识效果优于对比算法，更能准确捕捉电动自行车的充电瞬间。辨识失败的共性原因主要是洗衣机、微波炉等电器工作中频繁启动，产生大量边沿，干扰电动自行车边沿。而对比算法在多电器叠加工况下更容易受其他特征类似的电器影响，导致分类器出错。
本发明的有益效果在于，与现有技术相比：
1、在原有空调、电热等家庭用电设备非入户辨识的基础上，增加了电动自行车户内充电辨识，只需获取家庭入户电能表采集数据即可快速准确检测该类负荷的投入，及时杜绝安全隐患；
2、根据不同家庭实际情况进行边沿阈值自适应检测，能提高多电器叠加工况下电动自行车辨识的准确性，避免小功率电器启停和波动的干扰；
3、建立电动自行车数据样本基本涵盖市面上所有品牌、类型，选择基波和奇次谐波电流作为特征量具有针对性，通过实际检测不断修正参数，提高了辨识准确性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
所述辨识方法包括：
步骤1，以设定的采样频率采集电动自行车充电时的电流和电压，获得电动自行车充电时的特征量；利用所述特征量建立电动自行车特征数据库；
步骤2，通过电能表采集居民家庭入户端的总电压和总电流，计算得到用于负荷辨识的特征量；进行家庭用电设备启停事件边沿检测，当有功功率变化量大于设定阈值时则判定发生功率突变事件，获取功率突变事件的始点和终点；其中，设定阈值
Figure 967120DEST_PATH_IMAGE001
满足：
Figure 198382DEST_PATH_IMAGE002
，
Figure 848806DEST_PATH_IMAGE003
和
Figure 976162DEST_PATH_IMAGE004
分别为稳态有功功率的方差和平均值，C为阈值修正常数，实现设定阈值根据有功功率的方差进行自适应调整；
步骤3，基于电动自行车特征数据库，聚合得到电动自行车充电的恒流阶段电流特征曲线；
步骤4，基于动态时间规整法，计算功率突变事件的始点和终点之间的实际电流曲线，与电动自行车充电电流特征曲线之间的匹配度；以实际电流和特征电流组成特征矢量节点，使用特征矢量节点的连接路径的累计失真值表征匹配度；
步骤5，利用所述匹配度计算功率突变事件的始点和终点之间的实际电流曲线，与电动自行车充电电流特征曲线之间的相似度，当相似度不小于设定阈值时，则判定发生电动自行车户内充电事件。
2.根据权利要求1所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤1中，所述特征量包括：电动自行车充电时的有功功率和稳态电流分量；
所述特征量的获取过程包括：
步骤1.1，利用电流和电压的采样值，以如下关系式计算得到电动自行车充电时每个采样周期内的有功功率平均值：
Figure 344826DEST_PATH_IMAGE005
式中，
Figure 379778DEST_PATH_IMAGE006
为电动自行车充电时每个采样周期内的有功功率平均值，
Figure 884709DEST_PATH_IMAGE007
为采样周期，
Figure 979704DEST_PATH_IMAGE008
为第j采样时刻的离散电压序列，
Figure 835665DEST_PATH_IMAGE009
为第j采样时刻的离散电流序列，
Figure 408728DEST_PATH_IMAGE010
为采样周期数；
步骤1.2，利用电动自行车充电时的有功功率平均值，拟合出充电有功功率随时间变化的曲线，以表征电动自行车的充电过程；
步骤1.3，根据充电有功功率随时间变化的曲线，将电动自行车的充电过程分为恒流阶段、恒压阶段和涓流阶段；
步骤1.4，提取恒流阶段的有功功率和5组稳态电流分量作为电动自行车户内充电辨识的特征量；其中，所述5组稳态电流分量包括：电流直流分量、电流基波幅值、电流3次谐波幅值、电流5次谐波幅值、电流7次谐波幅值；
步骤1.5，利用电动自行车户内充电辨识的特征量建立电动自行车特征数据库。
3.根据权利要求2所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤1.3中，恒流阶段，充电电流保持恒定，有功功率保持额定功率；恒压阶段，充电电压保持恒定，有功功率随着时间逐渐衰减；涓流阶段，充电电流降至毫安级，有功功率降至额定功率20%~25%。
4.根据权利要求1所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤2包括：
步骤2.1，在一个辨识周期内，利用每个采样周期的居民户内的电压和电流，计算所述辨识周期内的有功功率平均值，以相邻两个辨识周期的有功功率平均值的差值，作为有功功率变化量，满足如下关系式：
Figure 33745DEST_PATH_IMAGE011
式中，
Figure 299641DEST_PATH_IMAGE012
为有功功率变化量，
Figure 377318DEST_PATH_IMAGE013
分别为相邻两个辨识周期内的有功功率平均值；
步骤2.2，利用电动自行车特征数据库中的N个电动自行车特征数据样本，计算得到全部电动自行车特征数据样本的稳态有功功率的方差
Figure 285232DEST_PATH_IMAGE014
和平均值
Figure 764754DEST_PATH_IMAGE015
，其中所述特征数据样本包括：有功功率、无功功率、谐波电流，满足如下关系式：
Figure 201552DEST_PATH_IMAGE016
Figure 766526DEST_PATH_IMAGE017
式中，
Figure 681392DEST_PATH_IMAGE018
为第i个电动自行车数据样本的稳态有功功率，其中
Figure 292719DEST_PATH_IMAGE019
；
步骤2.3，以电动自行车功率特性定义功率阈值
Figure 900418DEST_PATH_IMAGE020
，满足如下关系式：
Figure 952688DEST_PATH_IMAGE021
式中，
Figure 671245DEST_PATH_IMAGE022
为阈值修正常数，其值为除电动自行车以外的其它家用电器稳态时的功率波动值之和；
步骤2.4，当有功功率变化量
Figure 328623DEST_PATH_IMAGE023
大于功率阈值
Figure 107223DEST_PATH_IMAGE024
时，则判定为发生功率突变事件，通过移动滑动窗，提取功率突变事件的始点
Figure 646788DEST_PATH_IMAGE025
和终点
Figure 169037DEST_PATH_IMAGE026
。
5.根据权利要求4所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤2.4中，以五个辨识周期为一组，对组内的有功功率变化量
Figure 477658DEST_PATH_IMAGE027
进行滤波处理，以排除小功率电器暂态阶跃检测的失误。
6.根据权利要求4所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤3中，从电动自行车特征数据库中的N个电动自行车数据样本中选取设定数量的工频周期的稳态电流分量数据，分别计算电动自行车户内充电辨识的特征量中的电流直流分量平均值、电流基波幅值平均值、电流3次谐波幅值平均值、电流5次谐波幅值平均值、电流7次谐波幅值平均值，以如下关系式计算电动自行车充电特征曲线
Figure 427160DEST_PATH_IMAGE028
：
Figure 454022DEST_PATH_IMAGE029
式中，
Figure 248802DEST_PATH_IMAGE030
为电流直流分量平均值，
Figure 411930DEST_PATH_IMAGE031
为电流基波幅值平均值，
Figure 532333DEST_PATH_IMAGE032
为电流3次谐波幅值平均值，
Figure 249753DEST_PATH_IMAGE033
为电流5次谐波幅值平均值，
Figure 379383DEST_PATH_IMAGE034
电流7次谐波幅值平均值，
Figure 397018DEST_PATH_IMAGE035
为基波角频率，
Figure 953901DEST_PATH_IMAGE036
为时间，
Figure 424197DEST_PATH_IMAGE037
为基波电流相角，
Figure 91938DEST_PATH_IMAGE038
为3次谐波电流相角，
Figure 964080DEST_PATH_IMAGE039
为5次谐波电流相角，
Figure 691864DEST_PATH_IMAGE040
为7次谐波电流相角。
7.根据权利要求6所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
对电动自行车充电电流
Figure 649456DEST_PATH_IMAGE041
进行快速傅里叶变换，可得各次谐波电流幅值
Figure 120888DEST_PATH_IMAGE042
，满足如下关系式：
Figure 113115DEST_PATH_IMAGE043
式中，
Figure 11801DEST_PATH_IMAGE044
为采样频率，
Figure 456689DEST_PATH_IMAGE045
为序列长度；k为谐波次数；
Figure 731812DEST_PATH_IMAGE046
为快速傅里叶变换后长度为
Figure 312967DEST_PATH_IMAGE045
的幅值序列，满足如下关系式：
Figure 648133DEST_PATH_IMAGE047
式中，
Figure 580317DEST_PATH_IMAGE048
为快速傅里叶计算函数，
Figure 393552DEST_PATH_IMAGE049
为电动自行车充电电流。
8.根据权利要求6所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤4包括：
步骤4.1，对电动自行车充电电流特征曲线
Figure 360371DEST_PATH_IMAGE050
进行离散化处理，得到的离散域特征曲线R(m)满足如下关系式：
Figure 335280DEST_PATH_IMAGE051
式中，
Figure 20340DEST_PATH_IMAGE052
为第
Figure 371686DEST_PATH_IMAGE053
个采样点的电动自行车充电电流特征数据，
Figure 193012DEST_PATH_IMAGE054
为采样点总数；
提取功率突变事件的始点
Figure 338822DEST_PATH_IMAGE025
和终点
Figure 245599DEST_PATH_IMAGE055
之间的电流曲线
Figure 400636DEST_PATH_IMAGE056
，满足如下关系式：
Figure 76468DEST_PATH_IMAGE057
式中，
Figure 862022DEST_PATH_IMAGE058
为第
Figure 256094DEST_PATH_IMAGE059
个采样点的电动自行车充电电流采集数据，n为采集点总数；
并且，定义
Figure 214823DEST_PATH_IMAGE060
为参考模板，
Figure 10740DEST_PATH_IMAGE061
为待识别模板，两者内部特征矢量种类和维数相同；
步骤4.2，对各采样点的电动自行车充电电流特征数据和采集数据进行标幺化处理，使得各数据属于
Figure 967195DEST_PATH_IMAGE062
区间；以如下关系式计算
Figure 582984DEST_PATH_IMAGE063
、
Figure 345404DEST_PATH_IMAGE064
之间的距离
Figure 995828DEST_PATH_IMAGE065
，并将该距离作为失真值：
Figure 123184DEST_PATH_IMAGE066
Figure 757428DEST_PATH_IMAGE067
式中，
Figure 792380DEST_PATH_IMAGE068
为第
Figure 500573DEST_PATH_IMAGE053
个采样点的电动自行车充电电流特征数据标幺值，
Figure 861147DEST_PATH_IMAGE069
为第
Figure 451528DEST_PATH_IMAGE059
个采样点的电动自行车充电电流采集数据标幺值，
Figure 493434DEST_PATH_IMAGE070
为特征曲线R(m)中最大值，
Figure 372311DEST_PATH_IMAGE071
为实际曲线T(n)中最大值；
步骤4.3，将参考模板
Figure 638207DEST_PATH_IMAGE060
和待识别模板
Figure 919147DEST_PATH_IMAGE072
中相同维度的电流特征数据和电流采集数据构成一组特征矢量节点对；基于动态时间规整法，确定连接若干组特征矢量节点对的最优路径，即连接若干组特征矢量节点所得的累计失真值最小的一条路径，该路径的累计失真值满足如下关系式：
Figure 295901DEST_PATH_IMAGE073
式中，
Figure 775424DEST_PATH_IMAGE074
为一条连接若干组特征矢量节点对的路径的累计失真值，
Figure 477801DEST_PATH_IMAGE075
为
Figure 42774DEST_PATH_IMAGE076
、
Figure 223220DEST_PATH_IMAGE077
、
Figure 822829DEST_PATH_IMAGE078
中路径最小值；
当累计失真值D[p,q] 的值越小，表征着电流采集数据与电流特征数据的匹配度越高；当
Figure 420480DEST_PATH_IMAGE080
时，则称电流采集数据与电流特征数据完全匹配。
9.根据权利要求8所述的基于动态时间规整的电动自行车户内充电辨识方法，其特征在于，
步骤5中，相似度
Figure 404617DEST_PATH_IMAGE081
满足如下关系式：
Figure 858732DEST_PATH_IMAGE082
设定的相似度阈值
Figure 637332DEST_PATH_IMAGE083
根据家庭用电设备总辨识准确率
Figure 911319DEST_PATH_IMAGE084
而设定，当总辨识准确率
Figure 433567DEST_PATH_IMAGE084
达到90%时，相似度阈值
Figure 742188DEST_PATH_IMAGE083
的取值范围为0.81至0.87。
10.一种利用权利要求1至9任一项权利要求所述的基于动态时间规整的电动自行车户内充电辨识方法的电动自行车户内充电辨识系统，包括数据采集模块、特征数据库模块、功率边沿监测模块、特征曲线提取模块和充电辨识模块；其特征在于，
数据采集模块，用于按照设定的采样频率采集电动自行车充电时的电流和电压，以获得电动自行车充电时的特征量；
特征数据库模块，用于根据数据采集模块输出的特征量建立电动自行车特征数据库；
功率边沿监测模块，获取电能表采集到的居民家庭入户端的总电压和总电流，用于计算实现负荷辨识的特征量；同时还用于进行家庭用电设备启停事件边沿检测，当有功功率变化量大于设定阈值时则判定发生功率突变事件，获取功率突变事件的始点和终点；
特征曲线提取模块，从特征数据库模块中提取数据以聚合得到电动自行车充电的恒流阶段电流特征曲线；
充电辨识模块，根据功率边沿监测模块输出的功率突变事件的始点和终点，从特征曲线提取模块中提取实际电流曲线，并计算与电动自行车充电电流特征曲线之间的匹配度以及相似度，从而判定是否发生电动自行车户内充电事件。
CN202111119928.8A 2021-09-24 2021-09-24 基于动态时间规整的电动自行车户内充电辨识方法及系统 Active CN113567794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111119928.8A CN113567794B (zh) 2021-09-24 2021-09-24 基于动态时间规整的电动自行车户内充电辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111119928.8A CN113567794B (zh) 2021-09-24 2021-09-24 基于动态时间规整的电动自行车户内充电辨识方法及系统

Publications (2)

Publication Number Publication Date
CN113567794A CN113567794A (zh) 2021-10-29
CN113567794B true CN113567794B (zh) 2022-04-08

Family

ID=78174284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111119928.8A Active CN113567794B (zh) 2021-09-24 2021-09-24 基于动态时间规整的电动自行车户内充电辨识方法及系统

Country Status (1)

Country Link
CN (1) CN113567794B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114123238B (zh) * 2021-11-12 2023-09-22 国网江苏省电力有限公司营销服务中心 一种电解铝负荷参与电力系统调频的卡尔曼滤波控制方法
CN117081246A (zh) * 2023-08-16 2023-11-17 北京市计量检测科学研究院 一种室内电动自行车充电识别系统及计算机设备
CN116756638B (zh) * 2023-08-17 2023-11-14 广东电网有限责任公司汕头供电局 电动车用电负荷需求检测方法、装置、设备及存储介质
CN117349639B (zh) * 2023-12-04 2024-03-08 国网江西省电力有限公司供电服务管理中心 电动自行车充电行为的辨识方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543826A (zh) * 2013-07-30 2014-01-29 广东工业大学 一种基于加速度传感器的手势识别方法
CN107563432A (zh) * 2017-08-29 2018-01-09 武汉交通职业学院 一种基于视觉形状模型的机器人多目标识别方法
CN109902356A (zh) * 2019-01-30 2019-06-18 北京大学 电力信号非侵入式负载分解方法
CN109870600B (zh) * 2019-04-04 2021-07-02 江苏林洋能源股份有限公司 一种具有自学习能力的非侵入式负荷辨识方法及智能电表
CN111126780B (zh) * 2019-10-31 2023-04-07 内蒙古电力(集团)有限责任公司包头供电局 一种非侵入式负荷监测方法及存储介质
CN111308185A (zh) * 2020-02-28 2020-06-19 宁波三星医疗电气股份有限公司 一种非侵入式负荷识别方法
CN111884224A (zh) * 2020-09-14 2020-11-03 江苏智臻能源科技有限公司 一种电动自行车户内充电的非介入式检测方法
CN112198385A (zh) * 2020-09-30 2021-01-08 国网山西省电力公司晋中供电公司 一种非侵入式负荷监测方法
CN112381264A (zh) * 2020-10-20 2021-02-19 昆明理工大学 一种基于改进图卷积神经网络的用电负荷辨识方法
CN112909923A (zh) * 2021-01-21 2021-06-04 北京理工大学 一种基于dtw算法的非侵入式家居负荷行为识别的装置
CN112952827A (zh) * 2021-04-08 2021-06-11 任亚星 一种精确识别电动自行车充电的非侵入式全负荷识别技术

Also Published As

Publication number Publication date
CN113567794A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113567794B (zh) 基于动态时间规整的电动自行车户内充电辨识方法及系统
CN111244954B (zh) 一种非入侵式负荷辨识方法及装置
CN105067966B (zh) 基于特征模态分量能量分析的低压交流故障电弧检测方法
Najmeddine et al. State of art on load monitoring methods
US20230384355A1 (en) Non-intrusive load monitoring method
CN106802379B (zh) 一种自适应阈值的负载开关检测和识别方法及系统
CN110412347B (zh) 一种基于非侵入式负荷监测的窃电行为识别方法与装置
CN112505511B (zh) 一种非侵入式低压故障电弧检测与定位方法及系统
CN111027408A (zh) 一种基于支持向量机和v-i曲线特征的负荷识别方法
CN106483370A (zh) 基于多特征融合的非侵入式家用负荷实时识别方法及装置
CN115166563B (zh) 一种动力电池老化状态评估与退役筛选方法及系统
CN110135452B (zh) 基于智能电表的违规电器识别方法及系统
CN113361831B (zh) 基于优先级分配的非侵入式负荷辨识电量分解方法及系统
Song et al. A negative selection algorithm-based identification framework for distribution network faults with high resistance
CN108181533B (zh) 一种非侵入式的电力负荷智能检测及分层分类方法
TWI492182B (zh) 電器負載辨識方法
CN113928158A (zh) 基于模型自学习的非侵入式电动自行车监测方法及系统
CN115456034A (zh) 一种电动自行车充电自动识别监测方法及系统
Fang et al. An event detection approach based on improved CUSUM algorithm and kalman filter
CN112952827A (zh) 一种精确识别电动自行车充电的非侵入式全负荷识别技术
CN114859169A (zh) 一种配变出线负荷智能识别方法及系统、存储介质
CN115112989B (zh) 基于低频数据的非侵入式负荷监测方法
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
Ala et al. A smart sensing method for real-time monitoring of low voltage series-arc-fault

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant