基于V-I轨迹的非侵入式电动自行车充电行为在线辨识

doi:10.16628/j.cnki.2095-8188.2024.12.012

电器与能效管理技术 ›› 2024, Vol. 0 ›› Issue (12): 69-76.doi: 10.16628/j.cnki.2095-8188.2024.12.012

基于V-I轨迹的非侵入式电动自行车充电行为在线辨识

段佳其¹, 鲍光海¹, 方艳东²

1.福州大学电气工程与自动化学院, 福建福州 350108
2.浙江天正电气股份有限公司, 浙江乐清 325600

收稿日期:2024-06-24 出版日期:2024-12-30 发布日期:2025-01-02
作者简介:段佳其(1996—),男,硕士研究生,研究方向为电气装备测试与在线监测技术。|鲍光海(1977—),男,教授,博士生导师,研究方向为电器及其系统智能化与故障诊断。|方艳东(1973—),男,工程师,主要从事低压电器检测和装配设备自动化开发设计。
基金资助:
福建省科技计划项目(2023H0007)

Online Identification of Non-Invasive Electric Bicycle Charging Behavior Based on V-I Trajectory

DUAN Jiaqi¹, BAO Guanghai¹, FANG Yandong²

1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China
2. Zhejiang Tianzheng Electric Co.,Ltd, Yueqing 325600, China

Received:2024-06-24 Online:2024-12-30 Published:2025-01-02

摘要/Abstract

摘要：

为杜绝安全隐患,利用V-I轨迹和改进MobileNetv2模型对入户充电行为进行在线辨识。设计实验场景,从采样率选取、迁移学习、泛化性和不同网络对比4个方面验证模型性能,最后把模型部署到上位机和K210芯片上。上位机系统在电动自行车单独充电时准确识别,当充电行为和常用家庭负载混合运行时,识别准确率达到98%以上。

关键词: V-I轨迹, 改进MobileNetv2模型, 迁移学习, 在线识别

Abstract:

To prevent the safety hazards,the V-I trajectory features and improved MobileNetv2 model are used for the online identification of the household charging behavior.The experimental scenarios are designed to validate the model performance from four aspects:sampling rate selection,transfer learning,generalization,and comparison of different networks.Finally,the model is deployed to the computer and the K210 chip.The online recognition system based on the upper computer can accurately identify electric bicycles when charging separatly,and the recognition accuracy is over 98% when charging behavior is mixed with commonly used household loads.

Key words: V-I trajectory, improved MobileNetv2 model, transfer learning, online recognition

中图分类号:

TM73

段佳其, 鲍光海, 方艳东. 基于V-I轨迹的非侵入式电动自行车充电行为在线辨识[J]. 电器与能效管理技术, 2024, 0(12): 69-76.

DUAN Jiaqi, BAO Guanghai, FANG Yandong. Online Identification of Non-Invasive Electric Bicycle Charging Behavior Based on V-I Trajectory[J]. LOW VOLTAGE APPARATUS, 2024, 0(12): 69-76.

图/表 19

图1

表1

图2

图3

图4

图5

表2

表3

表4

图6

图7

表5

表6

图8

表7

图9

图10

图11

表8

参考文献 19

[1]	郑大发. 电瓶车火灾的成因分析及预防思考[J]. 科技展望, 2014(21):221.
[2]	郭红霞, 陆进威, 杨苹, 等. 非侵入式负荷监测关键技术问题研究综述[J]. 电力自动化设备, 2021, 41(1):135-146.
[3]	燕续峰, 翟少鹏, 王治华, 等. 深度神经网络在非侵入式负荷分解中的应用[J]. 电力系统自动化, 2019, 43(1):126-132,167.
[4]	栾文鹏, 马纯伟, 赵博超, 等. 非侵入式电动自行车充电负荷在线识别[J]. 电力系统及其自动化学报, 2022, 34(10):1-7,14.
[5]	施雨松, 徐青山, 郑建. 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[J]. 电力系统自动化, 2021, 45(7):87-94.
[6]	鲍光海, 黄逸欣. 基于ResNeXt网络和迁移学习的非侵入式负荷监测[J]. 电力系统自动化, 2023, 47(13):110-120.
[7]	李悦, 程志友, 程安然, 等. 基于改进YOLOv5s的非侵入式负荷识别[J]. 安徽大学学报(自然科学版), 2023, 47(5):51-57.
[8]	裘星, 尹仕红, 张之涵, 等. 基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法[J]. 电器与能效管理技术, 2022(3):23-29.
[9]	陈军锋, 王雪, 张效天. 非侵入式负荷识别边缘计算颜色编码研究[J]. 仪器仪表学报, 2020, 41(9):12-19.
[10]	魏星琦, 张宸宇, 缪惠宇, 等. 基于多特征融合的非侵入式负荷辨识方法研究[J]. 电器与能效管理技术, 2023(7):55-60,76.
[11]	汪颖, 杨维, 肖先勇, 等. 基于V-I轨迹曲线精细化识别的非侵入式居民负荷监测方法[J]. 电网技术, 2021, 45(10):4104-4113.
[12]	HASSAN T, JAVED F, ARSHAD N. An empirical investigation of V-I trajectory based load signatures for non-intrusive load monitoring[J]. IEEE Transactions on Smart Grid, 2014, 5(2):870-878.
[13]	裘星, 尹仕红, 张之涵, 等. 基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法[J]. 电力工程技术, 2021, 40(6):34-42.
[14]	解洋, 梅飞, 郑建勇, 等. 基于V-I轨迹颜色编码的非侵入式负荷识别方法[J]. 电力系统自动化, 2022, 46(4):93-102.
[15]	林顺富, 詹银枫, 李毅, 等. 基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法[J]. 电网技术, 2022, 46(5):1973-1981.
[16]	DU L, HE D W, HARLEY R G, et al. Electric load classification by binary voltage-current trajectory mapping[J]. IEEE Transactions on Smart Grid, 2016, 7(1):358-365.
[17]	施军花. 绿色认证在低压电器中的运用研究[J]. 电器与能效管理技术, 2017(16):77-82.
[18]	黄柏强, 陈建基, 李盛佳, 等. 分时电价背景下光伏出力园区电动汽车的有序充电策略[J]. 电器与能效管理技术, 2022(9):58-65.
[19]	季慧玉, 黄兢业, 李雪. 用户端系统及智能电器的能效管理标准化研究与应用[J]. 电器与能效管理技术, 2014(9):68-72.

标签	负载类别
0000	全关
0001	电动自行车
0010	吹风机
0011	吹风机+电动自行车
0100	热水壶
0101	热水壶+电动自行车
0110	热水壶+吹风机
1000	微波炉
1001	微波炉+电动自行车
1010	微波炉+吹风机
1100	微波炉+热水壶
0111	热水壶+吹风机+电动自行车
1011	微波炉+吹风机+电动自行车
1110	微波炉+热水壶+吹风机
1101	微波炉+热水壶+电动自行车
1111	全开

输入	结构	t	c	n	s
3×256²	Conv2d	—	32	1	2
32×128²	bottleneck	1	16	1	1
16×128²	bottleneck	6	32	1	2
64×64²	bottleneck	6	64	1	2
128×32²	bottleneck	6	128	1	2
256×31²	bottleneck	6	256	1	1
1 024×20²	Conv2d	—	1 024	1	1
1 024×20²	Avgpool2d	—	—	—	—
1 024×1²	flatten	—	—	—	—
1 024	linear	—	—	—	—
16	output	—	—	—	—

采样频率/Hz最高准确率/%		采样频率/Hz最高准确率/%
1 k	95.4	100 k	99.4
10 k	97.5	150 k	99.2
50 k	97.6	200 k	99.4

充电器编号	额定电压/V
充电器1	48
充电器2(电量显示)	48
充电器3(电量显示)	48
充电器4(电量显示)	48

标签	精确率/%	召回率/%	标签	精确率/%	召回率/%
0000	100	100	1000	95	100
0001	100	100	1001	100	95
0010	100	100	1010	92	97
0011	91	90	1011	97	92
0100	100	87	1100	98	96
0101	92	100	1101	96	98
0110	100	100	1110	100	100
0111	100	100	1111	100	100

基于V-I轨迹的非侵入式电动自行车充电行为在线辨识

Online Identification of Non-Invasive Electric Bicycle Charging Behavior Based on V-I Trajectory

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 19

相关文章 1

编辑推荐

Metrics

本文评价

标签	负载类别
10001	白炽灯+电动自行车
10010	白炽灯+吹风机
10011	白炽灯+吹风机+电动自行车
11000	白炽灯+微波炉

网络模型
ResNext50	99.3	89.6	V-I轨迹
MobileNetv2	99.6	6.9	V-I轨迹
改进MobileNetv2	99.4	1.5	V-I轨迹

检测系统类别	模型	准确率	样本特征
上位机	改进MobileNetv2	98.5%	V-I轨迹
K210	一维MobileNetv2	92.5%	电流波形