CN113567794A - 基于动态时间规整的电动自行车户内充电辨识方法及*** - 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*** Download PDFInfo
- Publication number
- CN113567794A CN113567794A CN202111119928.8A CN202111119928A CN113567794A CN 113567794 A CN113567794 A CN 113567794A CN 202111119928 A CN202111119928 A CN 202111119928A CN 113567794 A CN113567794 A CN 113567794A
- 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.)
- Granted
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***,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
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***。
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***、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***,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:
式中,
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:
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和平均值,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:
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:
式中,
为电流直流分量平均值,为电流基波幅值平均值,为电流3次谐波幅值平均值,为电流5次谐波幅值平均值,电流7次谐波幅值平均值,为基波角频率,为时间,为基波电流相角,为3次谐波电流相角,为5次谐波电流相角,为7次谐波电流相角。
优选地,步骤4包括:
步骤4.3,将参考模板和待识别模板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:
基于动态时间规整的电动自行车户内充电辨识***,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计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:
式中,
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:
步骤2.2,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和平均值,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:
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。
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,根据方差动态调整阈值的大小,提高电动自行车的辨识准确率。
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。
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:
式中,
为电流直流分量平均值,为电流基波幅值平均值,为电流3次谐波幅值平均值,为电流5次谐波幅值平均值,电流7次谐波幅值平均值,为基波角频率,为时间,为基波电流相角,为3次谐波电流相角,为5次谐波电流相角,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:
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4.3,将参考模板和待识别模板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:
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。
本优选实施例中,根据辨识结果推算不同相似度阈值下的辨识准确率,如图6,可以发现当左右时,辨识准确率达到最高,为91.2%。,过小,会导致其他家电启停事件误检,过大,会导致电动自行车充电事件漏检,最终实验发现,当左右时,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***,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计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:
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。
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;
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。
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:
式中,
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:
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和平均值,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:
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:
式中,
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4.3,将参考模板和待识别模板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:
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***,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计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。
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*** |
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*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567794A true CN113567794A (zh) | 2021-10-29 |
CN113567794B 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*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567794B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123238A (zh) * | 2021-11-12 | 2022-03-01 | 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***调频的卡尔曼滤波控制方法 |
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***及计算机设备 |
CN117349639A (zh) * | 2023-12-04 | 2024-01-05 | 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 |
Citations (11)
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 |
CN109870600A (zh) * | 2019-04-04 | 2019-06-11 | 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以及智能电表 |
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 |
CN111126780A (zh) * | 2019-10-31 | 2020-05-08 | 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 |
-
2021
- 2021-09-24 CN CN202111119928.8A patent/CN113567794B/zh active Active
Patent Citations (11)
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 |
CN109870600A (zh) * | 2019-04-04 | 2019-06-11 | 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以及智能电表 |
CN111126780A (zh) * | 2019-10-31 | 2020-05-08 | 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 |
Non-Patent Citations (2)
Title |
---|
KAUSTAV BASU 等: "Time series distance-based methods for non-intrusive load monitoring in residential buildings", 《ENERGY AND BUILDINGS》 * |
华亮亮 等: "基于DTW算法的非侵入式家居负荷行为识别方法", 《电测与仪表》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123238A (zh) * | 2021-11-12 | 2022-03-01 | 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***调频的卡尔曼滤波控制方法 |
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***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***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 |
CN117349639A (zh) * | 2023-12-04 | 2024-01-05 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113567794B (zh) | 2022-04-08 |
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*** | |
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 | |
CN106786534B (zh) | 一种非侵入式电力负荷暂态过程辨识方法及*** | |
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*** | |
CN112505511B (zh) | 一种非侵入式低压故障电弧检测与定位方法及*** | |
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 | |
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*** | |
CN110135452B (zh) | 基于智能电表的违规电器识别方法及*** | |
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*** | |
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*** | |
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***、存储介质 | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及*** | |
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 |