CN115456034A - 一种电动自行车充电自动识别监测方法及系统 - Google Patents
一种电动自行车充电自动识别监测方法及系统 Download PDFInfo
- Publication number
- CN115456034A CN115456034A CN202211401172.0A CN202211401172A CN115456034A CN 115456034 A CN115456034 A CN 115456034A CN 202211401172 A CN202211401172 A CN 202211401172A CN 115456034 A CN115456034 A CN 115456034A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- frequency spectrum
- spectrum characteristic
- steady
- monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 149
- 238000013145 classification model Methods 0.000 claims abstract description 62
- 230000003595 spectral effect Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 53
- 230000006870 function Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 32
- 230000005611 electricity Effects 0.000 description 25
- 230000006399 behavior Effects 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010205 computational analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请属于数据分析技术领域，公开了一种电动自行车充电自动识别监测方法及系统，所述方法包括在被监测用户发生投切事件时，获取投切前后的所述被监测用户的稳态总用电信号，分别记为第一稳态信号和第二稳态信号；根据所述第一稳态信号和所述第二稳态信号计算投切的用电设备的频谱特征数据；所述频谱特征数据包括幅频特征数据和/或相频特征数据；使用预先训练好的SVM分类模型对所述频谱特征数据进行识别，以判断投切的所述用电设备是否为电动车电池，并根据判断结果识别所述被监测用户是否存在电动车充电行为；从而可有效识别被监测用户是否存在电动车充电行为，且准确率高、稳定性好、识别效率高。
Description
技术领域
本申请涉及数据分析技术领域，具体而言，涉及一种电动自行车充电自动识别监测方法及系统。
背景技术
电动自行车因其经济、方便的特点深受消费者欢迎，已成为众多居民日常代步、出行的重要工具。目前，电动车电池起火的事件时有发生，一旦电动车车主违规将电动车电池带入室内充电，极大的增加了住宅失火风险，给居民的生命财产安全带来较大隐患，因此大部分场所要求电动车充电在专门的电动车充电场地进行。
目前，电动车充电行为监测的一种常用方式是依靠在楼道入口或电梯装视频监控设备，通过图像识别来监测电动车充电行为，但由于电动自行车充电行为隐蔽性高，蓄电池体积小，且大部分电动车可以插拔蓄电池单独携带，电动车车主容易通过取出蓄电池放入背包或箱子里带入室内充电的方式逃避监测。
电动车充电行为监测的另一种常用方式是通过非入侵式的电信号负荷识别的方式来识别居民用电信号中是否有电动车充电的相关电信号，以此来监测和识别电动车充电行为。
例如，申请号为202111433121.1的中国发明，通过遗传算法优化CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型，进而识别电动车充电行为。该方法采用神经网络模型来监测电动车入户充电行为，存在如下问题：1、对用户历史用电数据的丰富度要求较高，必须收集大量的历史数据进行神经网络训练才能得到比较准确的电动车充电辨识效果；2、该方法只能识别历史数据中已经出现过的电动车蓄电池类型的充电行为，对于还未曾出现过的蓄电池类型的充电行为，其识别效果较差；3、对于多种混合复杂用电信号，使用该神经网络模型训练后，识别效果可能发散。
又例如，申请号为201910970969.4的中国发明，采用盲源分离算法将待分离特征矩阵分解成多个独立用电器的特征矩阵；根据所有独立用电器的特征矩阵以判断是否存在电动车充电行为。该发明需要采集用户多种用电特征并形成特征矩阵，采集、分离及计算的数据量极大，处理方案也较为复杂，对计算硬件要求较高，且该方案对各类型特征均进行评估计算，相关参数设置对识别效率及精度有着很大影响，因此其识别效率及稳定性存在不足之处。
因此，亟需寻求一种准确率高、稳定性好、识别效率高的电动自行车充电行为识别方法。
发明内容
本申请的目的在于提供一种电动自行车充电自动识别监测方法及系统，其准确率高、稳定性好、识别效率高。
第一方面，本申请提供了一种电动自行车充电自动识别监测方法，用于监测电动自行车充电行为，包括步骤：
A1.在被监测用户发生投切事件时，获取投切前后的所述被监测用户的稳态总用电信号，分别记为第一稳态信号和第二稳态信号；
A2.根据所述第一稳态信号和所述第二稳态信号计算投切的用电设备的频谱特征数据；所述频谱特征数据包括幅频特征数据和/或相频特征数据；
A3.使用预先训练好的SVM分类模型对所述频谱特征数据进行识别，以判断投切的所述用电设备是否为电动车电池，并根据判断结果识别所述被监测用户是否存在电动车充电行为。
该电动自行车充电自动识别监测方法，所需进行的数据采集、数据计算分析的复杂度和计算量较小，保证了识别监测过程的高稳定性、高效率和低成本，由于SVM分类模型是一种分类效果较强且计算开销较小的模型，基于用电设备的频谱特征和SVM分类模型进行用电设备的类型识别，提高了在多设备运行的场景下对投切的用电设备的类型的识别结果的准确性和鲁棒性。
优选地，步骤A2包括：
对所述第一稳态信号进行快速傅里叶变换，以获取对应的频谱特征数据，记为第一频谱特征数据；
对所述第二稳态信号进行快速傅里叶变换，以获取对应的频谱特征数据，记为第二频谱特征数据；
根据所述投切事件的类型，对所述第一频谱特征数据和所述第二频谱特征数据进行差值运算，得到所述用电设备的频谱特征数据。
优选地，所述频谱特征数据包括前N个奇数次谐波的幅频特征数据和/或相频特征数据，N为预设的大于1的正整数值。
由于大部分家用电气设备的用电信号（电流信号、电压信号或功率信号）具有半波对称性，其偶数次谐波幅值几乎为零，不同的用电设备的偶数次谐波的幅频特征数据差别较小，不利于区分不同的用电设备，而不同用电设备的奇数次谐波的幅频特征数据和相频特征数据均具有明显的差别，因此，仅用奇数次谐波的幅频特征数据和/或相频特征数据作为频谱特征数据，可降低匹配错误的几率，有利于提高识别结果的准确性。
优选地，所述SVM分类模型根据以下过程训练得到：
B1.采集所述被监测用户的总用电监测信号，记为第二监测信号，以获取多次投切事件的投切设备的频谱特征数据，记为第三频谱特征数据；
B2.对各所述第三频谱特征数据进行标注，得到各所述第三频谱特征数据的标签；
B3.以每个所述第三频谱特征数据和对应的所述标签为一个样本，以所有所述样本的集合为一组训练集；
B4.用所述训练集对所述SVM分类模型进行训练，以使所述SVM分类模型的参数组合最优。
通过这种方式对各个具体的被监测用户单独形成对应的训练集，进而可针对每个被监测用户训练得到对应的SVM分类模型，使该SVM分类模型与对应的被监测用户更具有匹配性，在实际进行识别时，调用具体被监测用户对应的SVM分类模型进行识别，可进一步提高识别结果的准确性。
优选地，步骤B1包括：
从所述第二监测信号提取每次投切前后的所述被监测用户的稳态总用电信号，分别记为第三稳态信号和第四稳态信号；
根据同一次投切事件的所述第三稳态信号和所述第四稳态信号计算对应的投切设备的频谱特征数据，记为第三频谱特征数据。
优选地，步骤B2包括：
用所述第三频谱特征数据与数据库中预存的多个第一参考频谱特征数据进行首次匹配；所述第一参考频谱特征数据为电动车电池的频谱特征数据；
若首次匹配成功，则以预设的第一标签对所述第三频谱特征数据进行标注；所述第一标签用于表示所述第三频谱特征数据为电动车电池的频谱特征数据；
若首次匹配不成功且所述数据库中没有记录第二参考频谱特征数据，则生成一个新的第二标签，用以对所述第三频谱特征数据进行标注，并把所述第三频谱特征数据作为一个第二参考频谱特征数据记录在所述数据库中；所述第二参考频谱特征数据为非电动车电池的频谱特征数据；所述第二标签用于表示所述第三频谱特征数据为非电动车电池的频谱特征数据；
若首次匹配不成功且所述数据库中记录有至少一个第二参考频谱特征数据，则用所述第三频谱特征数据与所述数据库中的所述第二参考频谱特征数据进行第二次匹配；
若第二次匹配成功，则根据匹配结果用对应的所述第二标签对所述第三频谱特征数据进行标注；
若第二次匹配不成功，则生成一个新的第二标签，用以对所述第三频谱特征数据进行标注，并把所述第三频谱特征数据作为一个第二参考频谱特征数据记录在所述数据库中。
优选地，步骤B4包括：
B401.选择径向基核函数作为所述SVM分类模型的核函数；
B402.用所述训练集对所述SVM分类模型进行训练，以使所述SVM分类模型的惩罚因子和径向基核函数参数的组合最优。
优选地，步骤B402包括：
采用改进网格搜索法对所述SVM分类模型进行训练。
优选地，所述采用改进网格搜索法对所述SVM分类模型进行训练的步骤包括：
建立网格坐标：基于指数函数生成多个惩罚因子和多个径向基核函数参数，对所述多个惩罚因子和所述多个径向基核函数参数进行排列组合，得到多个参数组合，把每个所述参数组合作为一个网格坐标；所述参数组合包括一个所述惩罚因子和一个所述径向基核函数参数；
把所述训练集等分为K个子集，把其中的K-1个所述子集作为训练子集，把剩余的一个所述子集作为验证子集；K为预设的大于1的正整数值；
根据K折交叉验证法，采用所述训练子集对每个所述网格坐标进行K折交叉验证，并选取对验证子集的平均识别准确率最高的所述网格坐标作为最优参数组合；
根据所述最优参数组合对所述SVM分类模型的所述惩罚因子和所述径向基核函数参数进行赋值。
第二方面，本申请提供了一种电动自行车充电自动识别监测系统，用于监测电动自行车充电行为，包括监测信号采集装置、后台服务器、监管平台和客户端；所述监测信号采集装置和所述监管平台均与所述后台服务器通信连接，所述客户端与所述监管平台通信连接；
所述监测信号采集装置设置在被监测用户的供电入口处，并用于采集所述被监测用户的总用电监测信号，以发送至所述后台服务器；
所述后台服务器用于在所述被监测用户发生投切事件时，根据所述总用电监测信号获取投切前后的稳态总用电信号，分别记为第一稳态信号和第二稳态信号，根据所述第一稳态信号和所述第二稳态信号计算投切的用电设备的频谱特征数据，使用预先训练好的SVM分类模型对所述频谱特征数据进行识别，以判断投切的所述用电设备是否为电动车电池，并根据判断结果识别所述被监测用户是否存在电动车充电行为，把识别结果发送至所述监管平台；所述频谱特征数据包括幅频特征数据和/或相频特征数据；
所述监管平台用于显示所述识别结果和把所述识别结果发送至对应的所述客户端；
所述客户端用于显示接收到的所述识别结果。
该电动自行车充电自动识别监测系统，所需进行的数据采集、数据计算分析的复杂度和计算量较小，保证了识别监测过程的高稳定性、高效率和低成本，由于SVM分类模型是一种分类效果较强且计算开销较小的模型，基于用电设备的频谱特征和SVM分类模型进行用电设备的类型识别，提高了在多设备运行的场景下对投切的用电设备的类型的识别结果的准确性和鲁棒性，只需要在用户的供电入口处设置成本低廉的监测信号采集装置即可实现有效监测，易于推广，实用性好。
有益效果：
本申请提供的电动自行车充电自动识别监测方法及系统，所需进行的数据采集、数据计算分析的复杂度和计算量较小，保证了识别监测过程的高稳定性、高效率和低成本，由于SVM分类模型是一种分类效果较强且计算开销较小的模型，基于用电设备的频谱特征和SVM分类模型进行用电设备的类型识别，提高了在多设备运行的场景下对投切的用电设备的类型的识别结果的准确性和鲁棒性。
附图说明
图1为本申请实施例提供的电动自行车充电自动识别监测方法的流程图。
图2为本申请实施例提供的电动自行车充电自动识别监测系统的结构示意图。
图3（a）为各类吹风机的幅频特征数据的示意图。
图3（b）为各类吹风机的相频特征数据的示意图。
图4（a）为各类加热器的幅频特征数据的示意图。
图4（b）为各类加热器的相频特征数据的示意图。
图5（a）为各类微波炉的幅频特征数据的示意图。
图5（b）为各类微波炉的相频特征数据的示意图。
图6（a）为各类吸尘器的幅频特征数据的示意图。
图6（b）为各类吸尘器的相频特征数据的示意图。
图7（a）为各类空调的幅频特征数据的示意图。
图7（b）为各类空调的相频特征数据的示意图。
图8（a）为各类白炽灯的幅频特征数据的示意图。
图8（b）为各类白炽灯的相频特征数据的示意图。
图9（a）为各类一体式荧光灯的幅频特征数据的示意图。
图9（b）为各类一体式荧光灯的相频特征数据的示意图。
图10（a）为各类冰箱的幅频特征数据的示意图。
图10（b）为各类冰箱的相频特征数据的示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种电动自行车充电自动识别监测方法，用于监测电动自行车充电行为，包括步骤：
A1.在被监测用户发生投切事件时，获取投切前后的被监测用户的稳态总用电信号，分别记为第一稳态信号和第二稳态信号；
A2.根据第一稳态信号和第二稳态信号计算投切的用电设备的频谱特征数据；频谱特征数据包括幅频特征数据和/或相频特征数据；
A3.使用预先训练好的SVM（支持向量机）分类模型对频谱特征数据进行识别，以判断该投切的用电设备是否为电动车电池，并根据判断结果识别被监测用户是否存在电动车充电行为。
该电动自行车充电自动识别监测方法，所需进行的数据采集、数据计算分析的复杂度和计算量较小，保证了识别监测过程的高稳定性、高效率和低成本，由于SVM分类模型是一种分类效果较强且计算开销较小的模型，基于用电设备的频谱特征和SVM分类模型进行用电设备的类型识别，提高了在多设备运行的场景下对投切的用电设备的类型的识别结果的准确性和鲁棒性。
其中，投切事件是指用电设备的开启事件或关闭事件。
在一些具体实施方式中，步骤A1包括：
实时采集被监测用户的总用电监测信号，记为第一监测信号；该总用电监测信号为用电特征数据序列（根据预设采用频率，连续采样得到，采用频率可根据实际需要设置）；
从第P+1个（P为预设的大于1的正整数，可根据实际需要设置）用电特征数据到第G-P个用电特征数据（G为第一监测信号中的用电特征数据的总数），依次以各用电特征数据为第一目标数据，获取各第一目标数据的第一斜率和第二斜率；第一斜率为第一目标数据前P个用电特征数据的拟合直线（用电特征数据随时间变化的直线）的斜率，第二斜率为第一目标数据后P个用电特征数据的拟合直线的斜率（直线拟合的方法以及根据拟合结果提取拟合直线的斜率的方法为现有技术，此处不对其进行详述）；
若一第一目标数据的第一斜率的绝对值小于第一预设斜率阈值（第一预设斜率阈值为正数，可根据实际需要设置），且该第一目标数据的第二斜率大于第二预设斜率阈值（第二预设斜率阈值比第一预设斜率阈值大，可根据实际需要设置），则判定发生开启事件，并把该第一目标数据对应的时刻标记为开启事件起始时刻；
若一第一目标数据的第一斜率大于第二预设斜率阈值，且该第一目标数据的第二斜率的绝对值小于第一预设斜率阈值，则判定发生开启事件，并把该第一目标数据对应的时刻标记为开启事件结束时刻；
若一第一目标数据的第一斜率的绝对值小于第一预设斜率阈值，且该第一目标数据的第二斜率小于第三预设斜率阈值（第三预设斜率阈值为绝对值等于第二预设斜率阈值的负数），则判定发生关闭事件，并把该第一目标数据对应的时刻标记为关闭事件起始时刻；
若一第一目标数据的第一斜率小于第三预设斜率阈值，且该第一目标数据的第二斜率的绝对值小于第一预设斜率阈值，则判定发生关闭事件，并把该第一目标数据对应的时刻标记为关闭事件结束时刻。
但判断是否发生投切事件的方式不限于此。
其中，该用电特征数据为电流数据、电压数据或功率数据，从而，稳态总用电信号和总用电监测信号对应地为电流信号、电压信号或功率信号。因此，该电动自行车充电自动识别监测方法只需要采集一种用电特征数据即可完成识别，无需采集多种类型的、大量的各类用电特征数据，减轻了用电数据采集、数据计算分析的复杂度和计算量。
进一步地，步骤A1还包括：
若发生的投切事件为开启事件，则提取开启事件起始时刻的前Q（为大于1的预设正整数，可根据实际需要设置）个用电特征数据，组成第一稳态信号，并提取开启事件结束时刻的后Q个用电特征数据，组成第二稳态信号；
若发生的投切事件为关闭事件，则提取关闭事件起始时刻的前Q（为大于1的预设正整数，可根据实际需要设置）个用电特征数据，组成第一稳态信号，并提取关闭事件结束时刻的后Q个用电特征数据，组成第二稳态信号。
由于在实际应用中，会持续不断地采集用户的用电特征数据，在第一监测信号（第一监测信号实质是连续采集的用电特征数据序列中的一段）中，若开启事件起始时刻前或关闭事件起始时刻前不足Q个用电特征数据，可从历史记录中提取数据进行补全，若开启事件结束时刻后或关闭事件结束时刻后不足Q个用电特征数据，可从后续采集的用电特征数据中提取数据进行补全。或者，若开启事件起始时刻前或关闭事件起始时刻前不足Q个用电特征数据，则停止针对该次投切事件进行后续的识别工作，若开启事件结束时刻后或关闭事件结束时刻后不足Q个用电特征数据，则停止针对该次投切事件进行后续的识别工作。
具体地，步骤A2包括：
A201.对第一稳态信号进行快速傅里叶变换，以获取对应的频谱特征数据，记为第一频谱特征数据；
A202.对第二稳态信号进行快速傅里叶变换，以获取对应的频谱特征数据，记为第二频谱特征数据；
A203.根据投切事件的类型，对第一频谱特征数据和第二频谱特征数据进行差值运算，得到该用电设备的频谱特征数据。
其中，幅频特征数据是指各次谐波的幅值，相频特征数据是指各次谐波的相位。
对于稳态总用电信号，可以由以下傅里叶展开式表示：
其中，
为时间，
为稳态总用电信号在
时刻的用电特征数据， 
为常值分量，
、
分别为一次谐波幅值和二次谐波幅值，
为基波角频率，
、
分别为一次谐波相位和二次谐波相位。
对稳态总用电信号进行快速傅里叶变换可得到以下频谱：
其中，
为傅里叶变换周期内的用电特征数据采样点数，
为第
个频谱值，
为傅里叶变换周期内的第
个用电特征数据采样值，
为虚数符号，
为
的幅值，
为
的相位。根据
的变化情况可提取各次谐波的幅值（具体提取方法为现有技术，此处不对其进行详述），并根据提取的幅值从各
中提取对应的各次谐波的相位。
其中，步骤A203包括：
若投切事件为开启事件，则用第二频谱特征数据减第一频谱特征数据，得到该用电设备的频谱特征数据；
若投切事件为关闭事件，则用第一频谱特征数据减第二频谱特征数据，得到该用电设备的频谱特征数据。
在一些优选实施方式中，频谱特征数据包括前N个奇数次谐波的幅频特征数据和/或相频特征数据，N为预设的大于1的正整数值。即仅获取前N个奇数次谐波的幅频特征数据和/或相频特征数据作为频谱特征数据。
由于大部分家用电气设备的用电信号（电流信号、电压信号或功率信号）具有半波对称性，其偶数次谐波幅值几乎为零，不同的用电设备的偶数次谐波的幅频特征数据差别较小，不利于区分不同的用电设备，而不同用电设备的奇数次谐波的幅频特征数据和相频特征数据均具有明显的差别，因此，仅用奇数次谐波的幅频特征数据和/或相频特征数据作为频谱特征数据，可降低匹配错误的几率，有利于提高识别结果的准确性。
例如图3（a）-图10（b）显示了市面上一些常见的家用电气设备的幅频特征数据和相频特征数据的对比情况，其中，图3（a）为各类吹风机的幅频特征数据的示意图，图3（b）为各类吹风机的相频特征数据的示意图，图4（a）为各类加热器的幅频特征数据的示意图，图4（b）为各类加热器的相频特征数据的示意图，图5（a）为各类微波炉的幅频特征数据的示意图，图5（b）为各类微波炉的相频特征数据的示意图，图6（a）为各类吸尘器的幅频特征数据的示意图，图6（b）为各类吸尘器的相频特征数据的示意图，图7（a）为各类空调的幅频特征数据的示意图，图7（b）为各类空调的相频特征数据的示意图，图8（a）为各类白炽灯的幅频特征数据的示意图，图8（b）为各类白炽灯的相频特征数据的示意图，图9（a）为各类一体式荧光灯的幅频特征数据的示意图，图9（b）为各类一体式荧光灯的相频特征数据的示意图，图10（a）为各类冰箱的幅频特征数据的示意图，图10（b）为各类冰箱的相频特征数据的示意图；图中的幅频特征数据包括1、3、5、7、9次谐波的幅值，相频特征数据包括1、3、5、7、9次谐波的相位；从图中可以看到，同一种家用电气设备的幅频特征数据和相频特征数据均比较接近，而不同种家用电气设备的幅频特征数据和相频特征数据有明显差别。基于该事实，本文通过幅频特征数据和/或相频特征数据对投切的用电设备的种类进行识别，可以得到准确性高的识别结果，且需要匹配对比的数据少，数据计算分析的复杂度和计算量较小，从而保证了识别监测过程的高稳定性、高效率和低成本。
其中，N的值可根据实际需要设置，例如，N为5，从而频谱特征数据包括1、3、5、7、9次谐波的幅频特征数据和/或相频特征数据。
可根据实际需要，仅采用幅频特征数据进行识别（即频谱特征数据仅包括幅频特征数据）、仅采用相频特征数据进行识别（即频谱特征数据仅包括相频特征数据）或同时采用幅频特征数据和相频特征数据进行识别（即频谱特征数据包括幅频特征数据和相频特征数据）。
实际上，不同家用电气设备的相频特征数据之间的区别比幅频特征数据之间的区别更加明显，因此，从识别准确性的角度进行对比，仅采用幅频特征数据进行识别的识别效果弱于仅采用相频特征数据进行识别的识别效果，仅采用相频特征数据进行识别的识别效果弱于同时采用幅频特征数据和相频特征数据进行识别的识别效果。但是，仅根据相频特征数据进行识别，已能够得到很好的识别效果，而且可减小计算量，因此，优选地，仅采用相频特征数据进行识别。
进一步地，步骤A3包括：
把该频谱特征数据输入预先训练好的SVM分类模型，得到该SVM分类模型输出的该频谱特征数据的标签（该标签用于表示该频谱特征数据对应的用电设备的种类）；
根据该标签判断投切的用电设备是否为电动车电池；
若是，则判定被监测用户存在电动车充电行为。
在一些实施方式中，步骤A3之后，还可包括步骤：
A4.若被监测用户存在电动车充电行为，则发送告警信息。
例如，可向监管平台发送该告警信息，也可直接向被监测用户的客户端（如手机终端）发送该告警信息。
在本实施例中，该SVM分类模型根据以下过程训练得到：
B1.采集被监测用户的总用电监测信号，记为第二监测信号，以获取多次投切事件的投切设备（即发生投切事件的用电设备，把其称为投切设备，是为了便于与实际识别监测过程中发生投切的用电设备做区分）的频谱特征数据，记为第三频谱特征数据；
B2.对各第三频谱特征数据进行标注，得到各第三频谱特征数据的标签；
B3.以每个第三频谱特征数据和对应的标签为一个样本，以所有样本的集合为一组训练集；
B4.用训练集对SVM分类模型进行训练，以使SVM分类模型的参数组合最优。
通过这种方式对各个具体的被监测用户单独形成对应的训练集，进而可针对每个被监测用户训练得到对应的SVM分类模型，使该SVM分类模型与对应的被监测用户更具有匹配性，在实际进行识别时，调用具体被监测用户对应的SVM分类模型进行识别，可进一步提高识别结果的准确性。
其中，训练集中的样本的数量可根据实际需要设置。
其中，步骤B1包括：
从第二监测信号提取每次投切前后的被监测用户的稳态总用电信号，分别记为第三稳态信号和第四稳态信号（具体过程可参考前文的第一稳态信号和第二稳态信号的提取过程）；
根据同一次投切事件的第三稳态信号和第四稳态信号计算对应的投切设备的频谱特征数据，记为第三频谱特征数据（具体过程可参考前文的根据第一稳态信号和第二稳态信号计算投切的用电设备的频谱特征数据的过程）。
其中，步骤B2包括：
用第三频谱特征数据与数据库中预存的多个第一参考频谱特征数据进行首次匹配；第一参考频谱特征数据为电动车电池的频谱特征数据；
若首次匹配成功，则以预设的第一标签对第三频谱特征数据进行标注；第一标签用于表示第三频谱特征数据为电动车电池的频谱特征数据；
若首次匹配不成功且数据库中没有记录第二参考频谱特征数据，则生成一个新的第二标签，用以对第三频谱特征数据进行标注，并把第三频谱特征数据作为一个第二参考频谱特征数据记录在数据库中；第二参考频谱特征数据为非电动车电池的频谱特征数据；第二标签用于表示第三频谱特征数据为非电动车电池的频谱特征数据；
若首次匹配不成功且数据库中记录有至少一个第二参考频谱特征数据，则用第三频谱特征数据与数据库中的第二参考频谱特征数据进行第二次匹配；
若第二次匹配成功，则根据匹配结果用对应的第二标签对第三频谱特征数据进行标注；
若第二次匹配不成功，则生成一个新的第二标签，用以对第三频谱特征数据进行标注，并把第三频谱特征数据作为一个第二参考频谱特征数据记录在述数据库中。
其中，第一标签和第二标签可以是中文字、英文词、字母、数字和其它符号的一种或两种以上的组合，具体可根据实际需要设置，例如，第一标签为“电动车电池”，第二标签为“背景用电器J”（此处的J为整数，根据第二标签生成的次序，各第二标签为中的J依次为1、2、3……）；但不限于此。
实际上，电动车电池的频谱特征数据根据其电压不同而具有较大区别，不同厂家生产的不同型号但电压相同的电动车电池，其频谱特征数据区别较小，因此，只需要针对市场上常用的电压规格（例如36V、48V、72V、96V、120V等）的电动车电池，每种电压规格采集少量（最少可以为一个）的频谱特征数据实测样本存储在数据库中作为第一参考频谱特征数据即可，第一参考频谱特征数据的规模较小，在进行匹配时所需要消耗的时间较小，但可以比较准确地识别出被测的频谱特征数据对应的用电设备是否为电动车电池。
本文中，无需识别出电动车电池具体是哪种电池，只需要识别出是否为电动车电池，因此，只要第三频谱特征数据与数据库中的至少一个第一参考频谱特征数据匹配，则认为首次匹配成功，否则，认为首次匹配不成功。
当一个新的被监测用户被纳入监测范围（即接入监测系统），则会为该新的被监测用户建立一个新的数据库，并把已有的第一参考频谱特征数据录入该新的数据库，进而在后续一段时间内，每次检测到有投切事件时，若通过首次匹配判断投切设备不是电动车电池时，且该投切设备的第三频谱特征数据不在该新的数据库中时（即与新的数据库中的第二参考频谱特征数据均不匹配时），则认为检测到的投切设备是该新的被监测用户所具有的一种新的背景设备（可把非电动车电池设备称为背景设备），从而把其第三频谱特征数据录入该新的数据库作为一个新的第二参考频谱特征数据；从而使该新的被监测用户的常用的背景设备的第三频谱特征数据均能够被自动标注，且不同背景设备的第三频谱特征数据的第二标签均是不同的，更有利于后续SVM分类模型进行准确识别。
其中，只要第三频谱特征数据与数据库中的至少一个第二参考频谱特征数据匹配，则认为第二次匹配成功，否则，认为第二次匹配不成功。
其中，可采用现有的训练方法对SVM分类模型进行训练，或者，在一些实施方式中，步骤B4包括：
B401.选择径向基核函数作为SVM分类模型的核函数；
B402.用训练集对SVM分类模型进行训练，以使SVM分类模型的惩罚因子和径向基核函数参数的组合最优。
实际上，SVM分类模型是定义在特征空间上的线性分类器，旨在于不同的类之间找到一个最优分类超平面来创建边界，使得该分类超平面在保证分类精度的同时，能够使分类超平面两侧到边界的距离最大化。分类时经常会遇到线性不可分的问题，可通过在约束条件中引入松弛变量、在目标函数中引入惩罚因子来解决。最终，寻找最优分类超平面的问题可以转化为约束最优化问题：
其中，
为分类超平面法向量，
为分类超平面的偏移量，
为松弛变量集，
为样本个数，
为第
个松弛变量，
为惩罚因子，
为第
个样本的标签值（标签值为根据各类标签预设的值，例如，第一标签的标签值为1，第二标签的标签值为-1，但不限于此），
为第
个样本的特征向量（第
个样本的第三频谱特征数据组成的向量）。
通过求解
和
可得到分类超平面为：
，
为自变量。
相应的分类决策函数为：
，
为分类决策函数。
上述约束最优化问题作为原始最优化问题，应用拉格朗日对偶性，通过求解对偶问题得到原始最优化问题的最优解
和
，把该最优解代入上述分类超平面方程和分类决策函数方程，即可得到最终的分类超平面和分类决策函数。当样本的特征向量在低维空间非线性可分时，可以将核技巧应用到支持向量机，将低维空间的特征向量映射到高维空间求解最优线性分类超平面，实现非线性分类。
常见的核函数有线性核函数、多项式函数和径向基核函数。大量文献与实验结果表明，径向基核函数在SVM 分类问题中性能优越，故本文选择径向基核函数作为SVM分类模型的核函数。径向基核函数的表达式为：
其中，
为第
个样本的特征向量，
为关于
和
的径向基核函数，
为径向基核函数参数。
直接影响SVM 分类算法的复杂度。
综上所述，SVM分类模型的分类性能由核函数、核函数参数和惩罚因子三个因素共同决定，当选定核函数为径向基核函数后，径向基核函数参数
和惩罚因子
的选取显著影响SVM分类模型的分类性能，此时，优化SVM分类模型即对径向基核函数参数
和惩罚因子
进行调整以使SVM分类模型的分类性能得到优化。
其中，改进的网格搜索法对SVM分类模型的参数寻优效果较好，因此，在优选实施方式中，步骤B402包括：
采用改进网格搜索法对SVM分类模型进行训练。
具体地，采用改进网格搜索法对SVM分类模型进行训练的步骤包括：
建立网格坐标：基于指数函数生成多个惩罚因子和多个径向基核函数参数，对多个惩罚因子和多个径向基核函数参数进行排列组合，得到多个参数组合，把每个参数组合作为一个网格坐标；参数组合包括一个惩罚因子和一个径向基核函数参数；
把训练集等分为K个子集，把其中的K-1个子集作为训练子集，把剩余的一个子集作为验证子集；K为预设的大于1的正整数值；
根据K折交叉验证法，采用训练子集对每个网格坐标进行K折交叉验证，并选取对验证子集的平均识别准确率最高的网格坐标作为最优参数组合（K折交叉验证法为现有技术，不对其进行详述）；
根据最优参数组合对SVM分类模型的惩罚因子和径向基核函数参数进行赋值。
其中，基于指数函数生成多个惩罚因子和多个径向基核函数参数的步骤可包括：
以第一间隔（可根据实际需要设置，例如0.5，但不限于此）对第一数值范围（可根据实际需要设置，例如为[-10,10]，但不限于此）进行等间隔划分，得到多个第一指数；
以第二间隔（可根据实际需要设置，例如0.5，但不限于此）对第二数值范围（可根据实际需要设置，例如为[-10,10]，但不限于此）进行等间隔划分，得到多个第二指数；
根据以下公式计算各惩罚因子和各径向基核函数参数：
其中，
为第
个惩罚因子，
为第
个第一指数，
为第一指数的数量，
为第
个径向基核函数参数，
为第
个第二指数，
为第二指数的数量，
为自然对数底数。
参考图2，本申请提供了一种电动自行车充电自动识别监测系统，用于监测电动自行车充电行为，包括监测信号采集装置1、后台服务器2、监管平台3和客户端4；监测信号采集装置1和监管平台3均与后台服务器2通信连接，客户端4与监管平台3通信连接；
监测信号采集装置1设置在被监测用户的供电入口处，并用于采集被监测用户的总用电监测信号，以发送至后台服务器2；
后台服务器2用于在被监测用户发生投切事件时，根据总用电监测信号获取投切前后的稳态总用电信号，分别记为第一稳态信号和第二稳态信号，根据第一稳态信号和第二稳态信号计算投切的用电设备的频谱特征数据，使用预先训练好的SVM分类模型对频谱特征数据进行识别，以判断投切的用电设备是否为电动车电池，并根据判断结果识别被监测用户是否存在电动车充电行为，把识别结果发送至监管平台（后台服务器2能够实现前文的电动自行车充电自动识别监测方法，具体过程可参考前文的电动自行车充电自动识别监测方法的步骤）；频谱特征数据包括幅频特征数据和/或相频特征数据；
监管平台3用于显示识别结果和把识别结果发送至对应的客户端4；
客户端4用于显示接收到的识别结果。
该电动自行车充电自动识别监测系统，所需进行的数据采集、数据计算分析的复杂度和计算量较小，保证了识别监测过程的高稳定性、高效率和低成本，由于SVM分类模型是一种分类效果较强且计算开销较小的模型，基于用电设备的频谱特征和SVM分类模型进行用电设备的类型识别，提高了在多设备运行的场景下对投切的用电设备的类型的识别结果的准确性和鲁棒性，只需要在用户的供电入口处设置成本低廉的监测信号采集装置即可实现有效监测，易于推广，实用性好。
其中，监测信号采集装置1是一个智能化用电信息采集及数据处理装置，主要包括互感器、取电端子、信号变换和信号采集模块、测量和计量芯片（可以为MCU芯片）、A/D转换芯片、CPU、存储器、通讯模块，例如可以是现有的智能电表，但不限于此。
监测信号采集装置1可通过4G、5G等通讯网络自动向后台服务器2传输采集到的数据。
监管平台3可通过分布式显示技术，汇总多个被监测用户的实时监测状态且显示在屏幕端，且可通过管理员账户登录后，对被监测用户进行如下管理：被监测用户名称的管理、地理位置管理、当前监测状态设置、历史监测信息查询等。
客户端4可以但不限于是手机、PC电脑、平板电脑等。客户端4可从监管平台3查看登录用户的基础信息、当前监测状态以及历史监测状态等，并可维护或者更改登录用户的基础信息。在接收到监管平台3发送的识别结果或告警信息后，可对识别结果或告警信息进行显示，并可向监管平台3发送申诉信息。
综上所述，该电动自行车充电自动识别监测方法及系统，在被监测用户发生投切事件时，获取投切前后的被监测用户的稳态总用电信号，分别记为第一稳态信号和第二稳态信号；根据第一稳态信号和第二稳态信号计算投切的用电设备的频谱特征数据；该频谱特征数据包括幅频特征数据和/或相频特征数据；使用预先训练好的SVM分类模型对频谱特征数据进行识别，以判断投切的用电设备是否为电动车电池，并根据判断结果识别被监测用户是否存在电动车充电行为；从而可有效识别被监测用户是否存在电动车充电行为，且准确率高、稳定性好、识别效率高。具体地，具有以下优点：
1、无需采集多种类型的、大量的各类用户用电特征数据，减轻了服务器用电数据采集、数据计算分析的复杂度和计算量，保证了整个系统的稳定性、高效率和低成本；
2、由于用电特征数据的谐波全频谱信息的综合利用，及其与SVM 分类模型的有机结合，提高了多负荷场景下投切设备辨识的准确性和鲁棒性；
3、该电动自行车充电自动识别监测系统，成本低廉、易复制推广，且拥有规模效应，监测识别效率高、准确率高，用户易接受，具有高度实用性，具有良好的经济效益。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种电动自行车充电自动识别监测方法，用于监测电动自行车充电行为，其特征在于，包括步骤：
A1.在被监测用户发生投切事件时，获取投切前后的所述被监测用户的稳态总用电信号，分别记为第一稳态信号和第二稳态信号；
A2.根据所述第一稳态信号和所述第二稳态信号计算投切的用电设备的频谱特征数据；所述频谱特征数据包括幅频特征数据和/或相频特征数据；
A3.使用预先训练好的SVM分类模型对所述频谱特征数据进行识别，以判断投切的所述用电设备是否为电动车电池，并根据判断结果识别所述被监测用户是否存在电动车充电行为。
2.根据权利要求1所述的电动自行车充电自动识别监测方法，其特征在于，步骤A2包括：
对所述第一稳态信号进行快速傅里叶变换，以获取对应的频谱特征数据，记为第一频谱特征数据；
对所述第二稳态信号进行快速傅里叶变换，以获取对应的频谱特征数据，记为第二频谱特征数据；
根据所述投切事件的类型，对所述第一频谱特征数据和所述第二频谱特征数据进行差值运算，得到所述用电设备的频谱特征数据。
3.根据权利要求2所述的电动自行车充电自动识别监测方法，其特征在于，所述频谱特征数据包括前N个奇数次谐波的幅频特征数据和/或相频特征数据，N为预设的大于1的正整数值。
4.根据权利要求1所述的电动自行车充电自动识别监测方法，其特征在于，所述SVM分类模型根据以下过程训练得到：
B1.采集所述被监测用户的总用电监测信号，记为第二监测信号，以获取多次投切事件的投切设备的频谱特征数据，记为第三频谱特征数据；
B2.对各所述第三频谱特征数据进行标注，得到各所述第三频谱特征数据的标签；
B3.以每个所述第三频谱特征数据和对应的所述标签为一个样本，以所有所述样本的集合为一组训练集；
B4.用所述训练集对所述SVM分类模型进行训练，以使所述SVM分类模型的参数组合最优。
5.根据权利要求4所述的电动自行车充电自动识别监测方法，其特征在于，步骤B1包括：
从所述第二监测信号提取每次投切前后的所述被监测用户的稳态总用电信号，分别记为第三稳态信号和第四稳态信号；
根据同一次投切事件的所述第三稳态信号和所述第四稳态信号计算对应的投切设备的频谱特征数据，记为第三频谱特征数据。
6.根据权利要求4所述的电动自行车充电自动识别监测方法，其特征在于，步骤B2包括：
用所述第三频谱特征数据与数据库中预存的多个第一参考频谱特征数据进行首次匹配；所述第一参考频谱特征数据为电动车电池的频谱特征数据；
若首次匹配成功，则以预设的第一标签对所述第三频谱特征数据进行标注；所述第一标签用于表示所述第三频谱特征数据为电动车电池的频谱特征数据；
若首次匹配不成功且所述数据库中没有记录第二参考频谱特征数据，则生成一个新的第二标签，用以对所述第三频谱特征数据进行标注，并把所述第三频谱特征数据作为一个第二参考频谱特征数据记录在所述数据库中；所述第二参考频谱特征数据为非电动车电池的频谱特征数据；所述第二标签用于表示所述第三频谱特征数据为非电动车电池的频谱特征数据；
若首次匹配不成功且所述数据库中记录有至少一个第二参考频谱特征数据，则用所述第三频谱特征数据与所述数据库中的所述第二参考频谱特征数据进行第二次匹配；
若第二次匹配成功，则根据匹配结果用对应的所述第二标签对所述第三频谱特征数据进行标注；
若第二次匹配不成功，则生成一个新的第二标签，用以对所述第三频谱特征数据进行标注，并把所述第三频谱特征数据作为一个第二参考频谱特征数据记录在所述数据库中。
7.根据权利要求4所述的电动自行车充电自动识别监测方法，其特征在于，步骤B4包括：
B401.选择径向基核函数作为所述SVM分类模型的核函数；
B402.用所述训练集对所述SVM分类模型进行训练，以使所述SVM分类模型的惩罚因子和径向基核函数参数的组合最优。
8.根据权利要求7所述的电动自行车充电自动识别监测方法，其特征在于，步骤B402包括：
采用改进网格搜索法对所述SVM分类模型进行训练。
9.根据权利要求8所述的电动自行车充电自动识别监测方法，其特征在于，所述采用改进网格搜索法对所述SVM分类模型进行训练的步骤包括：
建立网格坐标：基于指数函数生成多个惩罚因子和多个径向基核函数参数，对所述多个惩罚因子和所述多个径向基核函数参数进行排列组合，得到多个参数组合，把每个所述参数组合作为一个网格坐标；所述参数组合包括一个所述惩罚因子和一个所述径向基核函数参数；
把所述训练集等分为K个子集，把其中的K-1个所述子集作为训练子集，把剩余的一个所述子集作为验证子集；K为预设的大于1的正整数值；
根据K折交叉验证法，采用所述训练子集对每个所述网格坐标进行K折交叉验证，并选取对所述验证子集的平均识别准确率最高的所述网格坐标作为最优参数组合；
根据所述最优参数组合对所述SVM分类模型的所述惩罚因子和所述径向基核函数参数进行赋值。
10.一种电动自行车充电自动识别监测系统，用于监测电动自行车充电行为，其特征在于，包括监测信号采集装置、后台服务器、监管平台和客户端；所述监测信号采集装置和所述监管平台均与所述后台服务器通信连接，所述客户端与所述监管平台通信连接；
所述监测信号采集装置设置在被监测用户的供电入口处，并用于采集所述被监测用户的总用电监测信号，以发送至所述后台服务器；
所述后台服务器用于在所述被监测用户发生投切事件时，根据所述总用电监测信号获取投切前后的稳态总用电信号，分别记为第一稳态信号和第二稳态信号，根据所述第一稳态信号和所述第二稳态信号计算投切的用电设备的频谱特征数据，使用预先训练好的SVM分类模型对所述频谱特征数据进行识别，以判断投切的所述用电设备是否为电动车电池，并根据判断结果识别所述被监测用户是否存在电动车充电行为，把识别结果发送至所述监管平台；所述频谱特征数据包括幅频特征数据和/或相频特征数据；
所述监管平台用于显示所述识别结果和把所述识别结果发送至对应的所述客户端；
所述客户端用于显示接收到的所述识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211401172.0A CN115456034A (zh) | 2022-11-09 | 2022-11-09 | 一种电动自行车充电自动识别监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211401172.0A CN115456034A (zh) | 2022-11-09 | 2022-11-09 | 一种电动自行车充电自动识别监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115456034A true CN115456034A (zh) | 2022-12-09 |
Family
ID=84311017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211401172.0A Pending CN115456034A (zh) | 2022-11-09 | 2022-11-09 | 一种电动自行车充电自动识别监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456034A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756638A (zh) * | 2023-08-17 | 2023-09-15 | 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 |
| 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 |
| CN117194924A (zh) * | 2023-09-26 | 2023-12-08 | 北京市计量检测科学研究院 | 电动自行车室内充电行为识别的方法、系统、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913006A (zh) * | 2016-04-08 | 2016-08-31 | 湖南工业大学 | 一种用电负载类型识别方法 |
| CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
| CN108280414A (zh) * | 2018-01-17 | 2018-07-13 | 重庆大学 | 一种基于能量特征的运动想象脑电信号的识别方法 |
| CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
| WO2019155214A1 (en) * | 2018-02-07 | 2019-08-15 | Green Running Limited | Method and apparatus for power signal disaggragation using a convolutional neural network |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN113538037A (zh) * | 2021-06-16 | 2021-10-22 | 北京市腾河智慧能源科技有限公司 | 监测电瓶车充电事件的方法及系统、设备、存储介质 |
| CN113820557A (zh) * | 2021-09-22 | 2021-12-21 | 南京工程学院 | 非侵入式电动自行车充电负荷检测与识别方法 |
| CN114662576A (zh) * | 2022-03-10 | 2022-06-24 | 国网江苏省电力有限公司营销服务中心 | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 |
| CN115144681A (zh) * | 2022-09-02 | 2022-10-04 | 北京智芯微电子科技有限公司 | 电动自行车室内充电监测方法、装置、电子设备及介质 |
-
2022
- 2022-11-09 CN CN202211401172.0A patent/CN115456034A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913006A (zh) * | 2016-04-08 | 2016-08-31 | 湖南工业大学 | 一种用电负载类型识别方法 |
| CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
| CN108280414A (zh) * | 2018-01-17 | 2018-07-13 | 重庆大学 | 一种基于能量特征的运动想象脑电信号的识别方法 |
| WO2019155214A1 (en) * | 2018-02-07 | 2019-08-15 | Green Running Limited | Method and apparatus for power signal disaggragation using a convolutional neural network |
| CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN113538037A (zh) * | 2021-06-16 | 2021-10-22 | 北京市腾河智慧能源科技有限公司 | 监测电瓶车充电事件的方法及系统、设备、存储介质 |
| CN113820557A (zh) * | 2021-09-22 | 2021-12-21 | 南京工程学院 | 非侵入式电动自行车充电负荷检测与识别方法 |
| CN114662576A (zh) * | 2022-03-10 | 2022-06-24 | 国网江苏省电力有限公司营销服务中心 | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 |
| CN115144681A (zh) * | 2022-09-02 | 2022-10-04 | 北京智芯微电子科技有限公司 | 电动自行车室内充电监测方法、装置、电子设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 涂京 等: ""基于监督学习的非侵入式负荷监测算法比较"", 《电力自动化设备》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116756638A (zh) * | 2023-08-17 | 2023-09-15 | 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 |
| 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 |
| CN117194924A (zh) * | 2023-09-26 | 2023-12-08 | 北京市计量检测科学研究院 | 电动自行车室内充电行为识别的方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及系统 | |
| CN109813978B (zh) | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 | |
| CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
| Lai et al. | Multi-appliance recognition system with hybrid SVM/GMM classifier in ubiquitous smart home | |
| TWI440862B (zh) | Electrical detection method and system based on user feedback information | |
| CN102414956B (zh) | 用于电力设施使用、监视和管理的系统和方法 | |
| CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
| US20130138651A1 (en) | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN111242161B (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
| CN106569026A (zh) | 用电设备耗电量统计方法和系统 | |
| CN114970633B (zh) | 一种基于lstm的非侵入式用电器识别方法、系统及设备 | |
| Anderson | Non-intrusive load monitoring: Disaggregation of energy by unsupervised power consumption clustering | |
| CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN113567794A (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 | |
| CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
| CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
| CN115828091A (zh) | 基于端-云协同的非侵入式负荷辨识方法与系统 | |
| CN114942344A (zh) | 一种非侵入式用电器识别方法、系统、介质、设备及终端 | |
| Figueiredo | Contributions to electrical energy disaggregation in a smart home | |
| CN113884734A (zh) | 一种非侵入式用电异常诊断方法及装置 | |
| CN105305437A (zh) | 电力负荷三重可信度匹配辨识方法 | |
| CN113206547A (zh) | 基于非侵入式电力负荷监测的变电站电力分配系统 | |
| CN117039840A (zh) | 一种基于特征自动增强的家用负荷识别方法及系统 | |
| CN109599952A (zh) | 一种基于4g通信技术的配电网监控管理系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221209 |
|
| RJ01 | Rejection of invention patent application after publication |