CN113928158A - 基于模型自学习的非侵入式电动自行车监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于模型自学习的非侵入式电动自行车监测方法，包括：对用户总功率进行滤波、降频等预处理；对有功功率的差分进行密度聚类得到密度最大类的均值和时间上对应的无功功率均值以重构信号，采用双边滤波、状态转换移除、分段线性表示筛选出含充电缓坡的时间段；根据非侵入式负荷事件检测算法找到所有疑似充电的负荷事件，采用滑动窗确定所有电动自行车充电引起的负荷事件，并完成模型自学习；非侵入式负荷事件检测算法实时检测充电行为并预警；以充电模型为基础，实现荷电状态实时感知和充电电量计算。可根据用户总功率判断是否存在电动自行车充电行为，完成模型自学习，实现充电行为实时预警，荷电状态实时感知和充电电量计算。

Description

基于模型自学习的非侵入式电动自行车监测方法及系统

技术领域

本发明涉及智能电网电动自行车充电监测领域，具体涉及基于模型自学习的非侵入式电动自行车监测方法

背景技术

从目前来看，我国电动自行车行业近些年得到了快速的发展，电动自行车的需求量在不断提升，截止至2019年末，我国电动自行车保有量增加为近3亿量，可见，我国当前电动自行车的市场需求非常高。但是过快的发展使得我国当前电动自行车行业并不是十分规范，为了强化管理，我国对于电动自行车的生产采用了生产许可制度，要求生产电动自行车的企业需要获得相应的许可，虽然准入要求很严格，但是在生产过程中的管理却相对弱化，一定程度上降低了对电动自行车质量的管理效率。从近些年国家质检监督部门进行抽查的情况来看，我国当前电动自行车产品的抽样合格率存在较大的差异，合格率基本上维持在70％至90％之间，个别地方抽检合格率甚至都不足20％[阮立，袁天梦，胡煜，张中华，陈盛毅，冯晔，王斌.电动自行车充电过程起火原因分析及技术防范措施[J].小型内燃机与车辆技术,2020,49(04):89-92.]。电动自行车出现的问题是多样的，如电气绝缘性能、电气线路敷设、欠压过流保护、短路保险装置等。在我国市场上电动自行车数量不断增多的情况下，这些问题势必埋下了非常大的安全隐患，产生了一些起火问题。由于与电动自行车相应的技术规范等的建设相对滞后，使得行业内出现了一些乱象和不足，这些问题在很大程度上降低了电动自行车应用的安全性能，特别是对于充电过程中的故障起火问题，更是缺乏足够的重视，致使一些火灾问题频发[蓝涛.电动自行车起火原因分析[J].轻工标准与质量,2017(02):43-45.]。因此，本发明专利重点关注电动自行车充电监测。

目前市面上比较常见的电动自行车电池类型可分为铅酸电池、锂离子电池等。铅酸蓄电池储存和释放电能的实质是硫酸铅和水进行化学反应，如果出现刺激条件如外界环境中的温度过高，导致反应不稳定，电池容易发生爆炸起火。锂电池是一种把锂金属或者锂合金当作负极材料，并且用了非水电解质溶液所制作成的电池种类，遭到外界刺穿、或者受到强烈的撞击，就十分容易导致燃烧与爆炸[姜自营.电动自行车充电过程中起火原因分析及防范对策[J].电动自行车,2018(07):48-50.]。由于电动自行车火灾事故频发，并呈逐年增长趋势，公安部下发的《关于规范电动车停放充电加强火灾防范的通告》明确提出：要求规范电动车停放充电行为，严厉查处违规停放充电行为，同时社会层面也对电动自行车违规充电行为的危害性进行了大量的宣传，但老旧小区以及高层住宅一般没有足够的充电车棚与智能插座，导致电动自行车“飞线充电”、“进楼入户”、“人车同屋”的现象仍然大量存在。而现有对电动自行车违规充电行为的检查主要依靠人工进行[黄毓晟.防火监督检查的现状与对策[J].今日消防,2020,5(11):125-126.]，该方法效率低下、用户配合度低，而且目前越来越多的电池可以直接从电动自行车上卸下再进行充电，这使得人工排查的难度大大增加。

目前国外鲜有对电动自行车充电监测的研究，国内虽然有极少数实验室研究电动自行车充电检测，但都依赖于高频数据，这在实际推广中存在较大难度。对此，本发明拟建立一种基于模型自学习的非侵入式电动自行车监测方法，通过分析居民用户用电入口处的功率数据，在线检测用户内部是否存在电动自行车充电行为，据此向相关人员提供安全预警信息。虽然现行政策明确规定电动自行车禁止入户充电，但由于基础设施的不完善，大量用户只能在房屋内充电，并且随着电池充电、保护技术的发展，充电过程也会更加安全，因此，在检测到用户内部存在电动自行车充电行为后，本发明实现电池荷电状态感知和充电电量估计，推动电动自行车电池作为储能电池实现需求侧响应的功能。显然，这种方案具有成本低、实施容易、可靠性高等优点。

发明内容

考虑到现有技术存在的不足，为进一步促进电动自行车充电检测在居民用户的推广应用，实现违规充电的感知与预警，本发明结合无监督的非侵入式负荷监测技术，提出了一种基于模型自学习的非侵入式电动自行车监测方法，旨在解决居民用户电动自行车违规充电排查困难的问题。此发明可以根据用户总口功率数据判断用户是否存在违规充电行为，并自主建立电动自行车充电负荷模型，实现再次发生充电行为时的实时预警，为排查电动自行车违规充电提供技术支持，并提供荷电状态实时感知和充电电量计算的功能。

为了解决上述技术问题，本发明提出的一种基于模型自学习的非侵入式电动自行车监测方法，包括以下步骤：

步骤1、采集用户入户处的总量有功功率和无功功率信号，采用均值滤波和高斯滤波算法对信号进行滤波、降噪、降频预处理；

步骤2、判断用户是否已构建电动自行车充电负荷模型，若用户已构建该电动自行车充电负荷模型，则转至步骤5，否则进入步骤3；

步骤3、利用下述方法判断用户功率信号中是否存在电动自行车充电缓坡，若不存在，则转至步骤10，否则进入步骤4；判断用户功率信号中是否存在电动自行车充电缓坡的方法包括以下内容：

将步骤1预处理后的有功功率P和无功功率Q分别减去各自的最小值，得到去除背景负荷的信号

和

对

的差分信号进行密度聚类，得到密度最大类的均值

和时间上对应的

计算比值k与信号Z：

对信号Z进行如下处理：首先，对信号Z进行双边滤波，得到移除尖峰和波动的信号Z'；然后，采用状态转换移除算法去除信号Z'中由于电气设备状态转换引起的突变，得到信号Z”；最后，采用分段线性表示将上述信号Z”进行分段，形成若干子段，若子段同时满足以下两个条件，则认为该子段包含电动自行车充电缓坡：条件1)终点与起点的差值小于-100；条件2)持续时长范围为[20min，420min]；

步骤4、基于历史数据与预设条件的电动自行车充电负荷模型自学习

累计检测到13至15次电动自行车充电缓坡后，在所有包含电动自行车充电缓坡的子段起始时刻起，向前12小时的总量有功功率和无功功率信号上进行如下处理：首先，采用非侵入式负荷事件检测算法检测出所有有功功率变化在100W至250W范围且无功功率变化小于-10Var的负荷事件，然后，以负荷事件的有功功率、无功功率、到子段起始时刻的时长为三维空间的坐标定位每个满足条件的负荷事件；最后，设置滑动窗遍历三维空间，负荷事件数量最多的滑动窗内均为电动自行车充电负荷事件；该滑动窗内所有负荷事件的有功功率最小值ΔP₁，与该有功功率最小值ΔP₁对应的无功功率ΔQ₁为电动自行车充电模型的起始负荷事件，该负荷事件距其所属子段起始时刻的时长为电动自行车稳定状态持续时长t₁，含充电缓坡的子段平均持续时长为电动自行车充电缓坡持续时长t₂；在无功功率数据上采用状态转换移除和分段线性表示，确定无功功率缓坡的幅值上升ΔQ₂；根据信号Z”的子段幅值下降A和无功功率缓坡的幅值上升ΔQ₂确定电动自行车充电负荷模型的近似的有功功率缓坡的幅值下降ΔP₂：

通过上述的ΔP₁、ΔQ₁、t₁、ΔP₂、ΔQ₂和t₂将电动自行车充电负荷参数化，实现电动自行车充电负荷模型自学习，并采用功率-时间积分的方法计算完整的电动自行车充电消耗的电量W：

W＝∫P dt (4)

步骤5、采用实时非侵入式负荷事件检测算法，实现电器负荷接入用户线路的实时感知；

步骤6、将步骤5检测到的负荷事件与电动自行车充电负荷模型对比，判断当前检测到的负荷事件是否为电动自行车充电负荷事件，若为电动自行车充电负荷事件，则转至步骤10，否则进入步骤7；

步骤7、输出电动自行车正在充电的信息，存储该信息用于后续违规充电排查；

步骤8、依据步骤4自学习获得的电动自行车充电负荷模型，计算恒压阶段起始时刻(即充电缓坡起始时刻)的荷电状态(SOC)，当检测到充电缓坡时，根据电动自行车充电负荷模型、恒压阶段起始时刻的SOC和缓坡持续时长，确定当前电池SOC，进一步实现SOC实时感知；

步骤9、依据检测到的电动自行车充电负荷事件与充电缓坡起始时刻之间的时长和电动自行车充电负荷模型，采用功率-时间积分的方法计算单次电动自行车充电消耗电量；

步骤10、输出用户当前不存在电动自行车违规充电行为。

进一步讲，本发明所述的基于模型自学习的非侵入式电动自行车监测方法，其中的电动自行车电池是锂离子电池或是铅酸蓄电池，步骤4中，针对电池充电的恒流阶段和恒压阶段进行电动自行车充电负荷模型充电模型自学习。

同时，本发明还提供了实现上述基于模型自学习的非侵入式电动自行车监测方法的系统，该系统包括用户总量功率信息采集与预处理模块、电动自行车充电缓坡判断模块、电动自行车充电模型自学习模块、数据信息存储模块、非侵入式电动自行车充电实时预警模块、电动自行车充电SOC实时感知与耗电计算模块和对外交互功能模块；所述的用户总量功率信息采集与预处理模块，采集监测点处的有功功率和无功功率信号，并进行滤波、降噪、降频等预处理；所述的电动自行车充电缓坡判断模块，针对预处理后的功率信号依次进行密度聚类、信号重构、双边滤波、状态转换移除和分段线性表示，并根据预设条件判断各子段是否包含电动自行车充电缓坡；所述的电动自行车充电模型自学习模块，在含电动自行车充电缓坡的功率数据中自学习完整的电动自行车充电负荷模型；所述的数据信息存储模块，保存预设的参数、含电动自行车充电缓坡的某日功率数据、参数化的电动自行车充电模型、识别的每次电动自行车接入线路充电时间数据等必要的数据信息，并为其他功能模块提供数据访问接口；所述的非侵入式电动自行车充电实时预警模块，在电动自行车充电模型自学习完成后，实时检测功率数据中的负荷事件，当负荷事件和电动自行车充电模型匹配时，输出电动自行车正在违规充电的信息；所述的电动自行车充电SOC实时感知与耗电计算模块，以完整的电动自行车充电模型为基础，在检测到电动自行车充电负荷事件和充电缓坡后，实现SOC的实时感知，并结合功率-时间积分的方法计算单次电动自行车充电消耗电量；所述的对外交互功能模块，实现基于模型自学习的非侵入式电动自行车监测方法的系统与外界进行必要的数据信息交互，包括但不限于将电动自行车充电功率、违规充电预警信息、用户每次充电起始时间和每次消耗电量的展示与输出。

与现有技术相比，本发明的有益效果是：

本发明将非侵入式负荷事件检测和分段线性表示方法应用于电动自行车充电状态检测，建立了一种基于模型自学习的非侵入式电动自行车监测方法，能够根据用户总口功率数据判断用户是否存在电动自行车违规充电行为，自主建立电动自行车充电负荷模型，实现再次发生充电行为时的实时预警，并总结用户充电规律，为排查电动自行车违规充电提供技术支持，有助于防范电动自行车充电引起的电气火灾，保障用户用电及生命财产安全，并提供荷电状态实时感知和充电电量计算的功能。推动电动自行车电池作为储能电池实现需求侧响应的功能。

附图说明

图1是本发明基于模型自学习的非侵入式电动自行车监测系统示意图；

图2是本发明基于模型自学习的非侵入式电动自行车监测方法流程图；

图3是电动自行车充电的有功功率和无功功率曲线示意图，其中，(a)是铅酸蓄电池电动自行车典型的有功功率和无功功率曲线，(b)是锂离子电池电动自行车典型的有功功率和无功功率曲线；

图4是判断用户存在电动自行车充电行为示意图，其中，(a)是用户总量有功功率曲线，(b)是用户总量无功功率曲线，(c)是识别的含电动自行车充电缓坡子段；

图5是滑动窗识别电动自行车接入用户充电负荷事件的结果示意图，其中：符号○代表所有疑似电动自行车充电负荷事件；符号

代表识别的电动自行车充电负荷事件；

图6是真实电动自行车充电有功功率曲线与自学习获得的电动自行车充电负荷模型的有功功率曲线对比示意图。

具体实施方式

本发明基于模型自学习的非侵入式电动自行车监测方法的设计构思是，主要包括：对用户总功率进行滤波、降频等预处理；对有功功率的差分进行密度聚类得到密度最大类的均值和时间上对应的无功功率均值以重构信号，采用双边滤波、状态转换移除、分段线性表示筛选出含充电缓坡的时间段；根据非侵入式负荷事件检测算法找到所有疑似充电的负荷事件，采用滑动窗确定所有电动自行车充电引起的负荷事件，并完成模型自学习；非侵入式负荷事件检测算法实时检测充电行为并预警；以充电模型为基础，实现荷电状态实时感知和充电电量计算。本发明可根据用户总功率判断是否存在电动自行车充电行为，完成模型自学习，并实现充电行为实时预警，荷电状态实时感知和充电电量计算。

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

实现本发明基于模型自学习的非侵入式电动自行车监测方法的系统，如图1所示，该系统主要包括以下7个功能模块，各功能模块的作用如下：

(1)用户总量功率信息采集与预处理模块，用于采集监测点处的有功功率和无功功率信号，并对信号进行必要的滤波、降噪、降频等预处理；

(2)电动自行车充电缓坡判断模块，针对预处理后的功率信号依次进行密度聚类、信号重构、双边滤波、状态转换移除和分段线性表示，并根据预设条件判断各子段是否包含电动自行车充电缓坡；

(3)电动自行车充电模型自学习模块，累计采集13-15次含电动自行车充电缓坡的功率数据后，根据电动自行车充电功率曲线的特点，在总量功率数据上采用非侵入式负荷事件检测算法，找到所有有功功率和无功功率满足预设条件的负荷事件，以负荷事件的有功功率、无功功率、负荷事件到充电缓坡起始时刻的时长为三维空间的坐标，采用滑动窗找到所有电动自行车接入线路充电引起的负荷事件，然后依次计算学习电动自行车恒流阶段起始负荷事件的有功功率、无功功率和持续时长，电动自行车恒压缓坡的有功功率、无功功率变化和持续时长，依次对应：ΔP₁、ΔQ₁、t₁、ΔP₂、ΔQ₂和t₂，完成电动自行车充电负荷参数化，实现负荷模型自学习，并采用功率-时间积分的方法计算完整的电动自行车充电消耗的电量；具体的，

如图3所示，铅酸蓄电池电动自行车典型的充电功率曲线可分为三个阶段：恒流阶段，充电功率幅值较大，有功功率呈现一定的上升趋势，无功功率呈现一定的下降趋势，可近似为矩形；恒压阶段，有功功率呈现缓坡式下降，无功功率呈现缓坡式上升；涓流阶段，充电功率幅值较小，有功功率呈现一定的下降趋势，无功功率基本为零。锂离子电池电动自行车典型的充电功率曲线可分为两个阶段：恒流阶段和恒压阶段，各阶段曲线特点与铅酸蓄电池类似。由于涓流阶段电动自行车基本充满电，有功功率较小，本发明模型自学习仅涉及恒流阶段和恒压阶段，且不区分铅酸蓄电池和锂离子电池电动自行车；

(4)数据信息存储模块，根据需要，保存其他功能模块的信号分析与处理的结果，并为其他功能模块提供数据访问接口；具体的，

所述用户总量功率信息采集与预处理模块、电动自行车充电缓坡判断模块、电动自行车充电模型自学习模块、非侵入式电动自行车充电实时预警模块、电动自行车充电SOC实时感知与耗电计算模块的处理结果，及所述的对外交互功能模块的部分输出信息，可以存储在所述数据信息存储模块中，而且所述用户总量功率信息采集与预处理模块、电动自行车充电缓坡判断模块、电动自行车充电模型自学习模块、非侵入式电动自行车充电实时预警模块、电动自行车充电SOC实时感知与耗电计算模块及对外交互功能模块为实现定义功能，可以访问所述数据信息存储模块以从中获取所需数据。

(5)非侵入式电动自行车充电实时预警模块，在电动自行车充电模型自学习完成后，实时检测功率数据中的负荷事件，当负荷事件和电动自行车充电模型匹配时，认为电动自行车正在进行违规充电；

(6)电动自行车充电SOC实时感知与耗电计算模块，以完整的电动自行车充电模型为基础，在检测到电动自行车充电负荷事件和充电缓坡后，实现SOC的实时感知，并结合功率-时间积分的方法计算单次电动自行车充电消耗电量；

(7)所述的对外交互功能模块，实现基于模型自学习的非侵入式电动自行车监测方法的系统与外界进行必要的数据信息交互，包括但不限于将电动自行车充电功率、违规充电预警信息、用户每次充电起始时间和每次消耗电量的展示与输出。

如图2所示，利用上述系统实现基于模型自学习的非侵入式电动自行车监测的步骤如下：

步骤1、采集用户入户处的总量有功功率和无功功率信号，采用均值滤波和高斯滤波算法对信号进行滤波、降噪、降频等预处理；

步骤2、判断用户是否已构建电动自行车充电模型，若用户已构建充电模型，则转至步骤5，否则进入步骤3；

步骤3、判断用户功率信号中是否存在电动自行车充电缓坡，若不存在，则转至步骤10，否则进入步骤4，判断方法如下：

预处理后的有功功率P和无功功率Q分别减去各自的最小值，得到去除背景负荷的信号

和

对

的差分信号进行DBSCAN密度聚类，得到密度最大类的均值

和时间上对应的

计算比值k与信号Z：

为了放大电动自行车充电曲线的缓坡，首先对信号Z进行双边滤波，得到移除尖峰和波动的信号Z'；然后采用状态转换移除算法，设置曲线中有负荷状态发生变化的阈值|ΔZ'|＝7，当信号差分的绝对值大于|ΔZ'|时，该时刻点之后的所有数据点加此差分值形成新的数据点，以去除信号Z'中由于电气设备状态转换引起的突变；最后采用分段线性表示将上述步骤中获取的信号Z”分段，若子段满足以下条件，则认为子段包含电动自行车充电缓坡：

1)终点与起点的差值小于-100；

2)持续时长范围为[20min，420min]。

如图4所示，电动自行车充电缓坡较小，在总量有功功率和无功功率曲线中并不明显，而通过步骤3可以准确识别电动自行车充电时间范围。

步骤4、基于历史数据与预设条件的电动自行车充电负荷模型自学习。在本实施例中，检测到13次电动自行车充电缓坡后，在所有包含电动自行车充电缓坡的子段起始时刻起，向前12小时的总量有功功率和无功功率信号上，首先采用非侵入式负荷事件检测算法检测出所有有功功率变化在100W至250W范围且无功功率变化小于-10Var的负荷事件，然后以负荷事件的有功功率、无功功率、到子段起始时刻的时长为三维空间的坐标定位每个满足条件的负荷事件，最后设置滑动窗的参数为有功功率窗长25W，每次移动12.5W，无功功率窗长为-20Var，每次移动-10Var，时间窗长为5h，每次移动2.5h，以遍历三维空间，负荷事件数量最多的滑动窗内均为电动自行车充电负荷事件，如图5所示，准确识别到13次电动自行车充电负荷事件。该滑动窗内所有负荷事件的有功功率最小值ΔP₁，对应的无功功率ΔQ₁为电动自行车充电模型的起始负荷事件，该负荷事件距其所属子段起始时刻的时长为电动自行车稳定状态持续时长t₁，含充电缓坡的子段平均持续时长为电动自行车充电缓坡持续时长t₂，在本实施例中ΔP₁＝222W，ΔQ₁＝-64Var，t₁＝14899s，t₂＝7135s，由于电动自行车恒压阶段结束时无功功率的幅值和其变化率基本为零，因此在无功功率数据上采用状态转换移除和分段线性表示，确定无功功率缓坡的幅值上升ΔQ₂，根据信号Z”的子段幅值下降A和无功功率缓坡的幅值上升ΔQ₂近似确定有功功率缓坡的幅值下降ΔP₂：

在本实施例中，k＝2.89，ΔQ₂＝59Var，A＝259，计算可得ΔP₂＝-195W，通过ΔP₁、ΔQ₁、t₁、ΔP₂、ΔQ₂和t₂将电动自行车充电负荷参数化，实现负荷模型自学习，图6展示了真实电动自行车充电和自学习获得的电动自行车充电负荷模型的有功功率曲线的差别，由于恒流阶段功率上升较缓，本发明将其视为矩形。采用功率-时间积分的方法计算完整的电动自行车充电消耗的电量W：

W＝∫P dt (4)

在本实施例中，真实电动自行车一次完整充电消耗电量为1.23度电(含涓流阶段0.07度电)，自学习获得的模型电量为1.17度电，其中由于涓流阶段电动自行车基本充满电，有功功率较小，本发明仅对恒流阶段和恒压阶段自学习建模，该结果也验证了自学习获得模型的有效性；

步骤5、采用实时非侵入式负荷事件检测算法，实现电器负荷接入用户线路的实时感知；

步骤6、将检测到的负荷事件(有功功率变化ΔP、无功功率变化ΔQ)与电动自行车充电负荷模型对比，判断当前检测到的负荷事件是否为电动自行车充电负荷事件，若为电动自行车充电负荷事件，则转至步骤10，否则进入步骤7，判断方法如下：

步骤7、输出电动自行车正在充电的信息，如有必要，则向社区、政府等相关人员发送该用户正在进行违规充电行为，以便后续违规充电排查；

步骤8、依据步骤4自学习获得的电动自行车充电负荷模型，计算恒压阶段起始时刻(即充电缓坡起始时刻)的SOC，在本实施例中，恒压阶段起始时刻的SOC为78.8％，设置分段终点与起点的差值小于-30，持续时长范围为[10min，50min]检测充电缓坡，当检测到充电缓坡时，结合自学习获得的电动自行车充电模型确定当前电池SOC，进一步实现充电SOC实时感知；

步骤9、依据检测到的电动自行车充电负荷事件与充电缓坡起始时刻之间的时长和电动自行车充电负荷模型，采用功率-时间积分的方法计算单次电动自行车充电消耗电量；

步骤10、输出用户当前不存在电动自行车违规充电行为。

按照上述实施例，本发明能够分析居民用户用电入口处的功率数据，判断用户内部是否存在电动自行车充电行为，实现充电模型的自学习，并实时检测电动自行车充电行为，判断电动自行车SOC。因此，本发明成果能够实现电动自行车状态实时感知，便于相关人员排查电动自行车违规充电行为，有效防止违规充电引发的电气火灾，保护用户人身财产，提高用户用电安全。同时，虽然现行政策明确规定电动自行车禁止入户充电，但由于基础设施的不完善，大量用户只能在房屋内充电，并且随着电池充电、保护技术的发展，充电过程也会更加安全，因此，在检测到用户内部存在电动自行车充电行为后，本发明实现电池荷电状态感知和充电电量估计，推动电动自行车电池作为储能电池实现需求侧响应的功能。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (3)

1.一种基于模型自学习的非侵入式电动自行车监测方法，其特征在于，包含以下步骤；

步骤1、采集用户入户处的总量有功功率和无功功率信号，采用均值滤波和高斯滤波算法对信号进行滤波、降噪、降频预处理；

步骤2、判断用户是否已构建电动自行车充电负荷模型，若用户已构建该电动自行车充电负荷模型，则转至步骤5，否则进入步骤3；

步骤3、利用下述方法判断用户功率信号中是否存在电动自行车充电缓坡，若不存在，则转至步骤10，否则进入步骤4；判断用户功率信号中是否存在电动自行车充电缓坡的方法包括以下内容：

将步骤1预处理后的有功功率P和无功功率Q分别减去各自的最小值，得到去除背景负荷的信号

和

对

的差分信号进行密度聚类，得到密度最大类的均值

和时间上对应的

计算比值k与信号Z：

对信号Z进行如下处理：

首先，对信号Z进行双边滤波，得到移除尖峰和波动的信号Z'；

然后，采用状态转换移除算法去除信号Z'中由于电气设备状态转换引起的突变，得到信号Z”；

最后，采用分段线性表示将上述信号Z”进行分段，形成若干子段，若子段同时满足以下两个条件，则认为该子段包含电动自行车充电缓坡：

条件1)终点与起点的差值小于-100；

条件2)持续时长范围为[20min，420min]；

步骤4、基于历史数据与预设条件的电动自行车充电负荷模型自学习

累计检测到13至15次电动自行车充电缓坡后，在所有包含电动自行车充电缓坡的子段起始时刻起，向前12小时的总量有功功率和无功功率信号上进行如下处理：

首先，采用非侵入式负荷事件检测算法检测出所有有功功率变化在100W至250W范围且无功功率变化小于-10Var的负荷事件，

然后，以负荷事件的有功功率、无功功率、到子段起始时刻的时长为三维空间的坐标定位每个满足条件的负荷事件；

最后，设置滑动窗遍历三维空间，负荷事件数量最多的滑动窗内均为电动自行车充电负荷事件；该滑动窗内所有负荷事件的有功功率最小值ΔP₁，与该有功功率最小值ΔP₁对应的无功功率ΔQ₁为电动自行车充电模型的起始负荷事件，该负荷事件距其所属子段起始时刻的时长为电动自行车稳定状态持续时长t₁，含充电缓坡的子段平均持续时长为电动自行车充电缓坡持续时长t₂；在无功功率数据上采用状态转换移除和分段线性表示，确定无功功率缓坡的幅值上升ΔQ₂；根据信号Z”的子段幅值下降A和无功功率缓坡的幅值上升ΔQ₂确定电动自行车充电负荷模型的近似的有功功率缓坡的幅值下降ΔP₂：

通过上述的ΔP₁、ΔQ₁、t₁、ΔP₂、ΔQ₂和t₂将电动自行车充电负荷参数化，实现电动自行车充电负荷模型自学习，并采用功率-时间积分的方法计算完整的电动自行车充电消耗的电量W：

W＝∫P dt (4)

步骤5、采用实时非侵入式负荷事件检测算法，实现电器负荷接入用户线路的实时感知；

步骤6、将步骤5检测到的负荷事件与电动自行车充电负荷模型对比，判断当前检测到的负荷事件是否为电动自行车充电负荷事件，若为电动自行车充电负荷事件，则转至步骤10，否则进入步骤7；

步骤7、输出电动自行车正在充电的信息，存储该信息用于后续违规充电排查；

步骤8、依据步骤4自学习获得的电动自行车充电负荷模型，计算恒压阶段起始时刻(即充电缓坡起始时刻)的荷电状态(SOC)，当检测到充电缓坡时，根据电动自行车充电负荷模型、恒压阶段起始时刻的SOC和缓坡持续时长，确定当前电池SOC，进一步实现SOC实时感知；

步骤9、依据检测到的电动自行车充电负荷事件与充电缓坡起始时刻之间的时长和电动自行车充电负荷模型，采用功率-时间积分的方法计算单次电动自行车充电消耗电量；

步骤10、输出用户当前不存在电动自行车违规充电行为。

2.根据权利要求1所述的基于模型自学习的非侵入式电动自行车监测方法，其特征在于，电动自行车电池是锂离子电池或是铅酸蓄电池，步骤4中，针对电池充电的恒流阶段和恒压阶段进行电动自行车充电负荷模型充电模型自学习。

3.一种用于实现如权利要求1-2所述的基于模型自学习的非侵入式电动自行车监测方法的系统，其特征在于，该系统包括用户总量功率信息采集与预处理模块、电动自行车充电缓坡判断模块、电动自行车充电模型自学习模块、数据信息存储模块、非侵入式电动自行车充电实时预警模块、电动自行车充电SOC实时感知与耗电计算模块、对外交互功能模块；

所述的用户总量功率信息采集与预处理模块，采集监测点处的有功功率和无功功率信号，并进行滤波、降噪、降频预处理；

所述的电动自行车充电缓坡判断模块，针对预处理后的功率信号依次进行密度聚类、信号重构、双边滤波、状态转换移除和分段线性表示，并根据预设条件判断各子段是否包含电动自行车充电缓坡；

所述的电动自行车充电模型自学习模块，在含电动自行车充电缓坡的功率数据中自学习完整的电动自行车充电负荷模型；

所述的数据信息存储模块，保存预设的参数、含电动自行车充电缓坡的某日功率数据、参数化的电动自行车充电模型、识别的每次电动自行车接入线路充电时间数据的数据信息，并为其他功能模块提供数据访问接口；

所述的非侵入式电动自行车充电实时预警模块，在电动自行车充电模型自学习完成后，实时检测功率数据中的负荷事件，当负荷事件和电动自行车充电模型匹配时，输出电动自行车正在违规充电的信息；

所述的电动自行车充电SOC实时感知与耗电计算模块，以完整的电动自行车充电模型为基础，在检测到电动自行车充电负荷事件和充电缓坡后，实现SOC的实时感知，并结合功率-时间积分的方法计算单次电动自行车充电消耗电量；

所述的对外交互功能模块，实现基于模型自学习的非侵入式电动自行车监测方法的系统与外界进行必要的数据信息交互，包括但不限于将电动自行车充电功率、违规充电预警信息、用户每次充电起始时间和每次消耗电量的展示与输出。

Images