非侵入式电动自行车充电负荷检测与识别方法

技术领域

本发明属于负荷检测和数据识别技术领域，具体涉及非侵入式电动自行车充电负荷检测与识别方法。

背景技术

随着电动自行车行业的快速发展，电动自行车的充电行为得到了重点研究。通过电动自行车与其他负荷作比较，观察各自负荷特征，研究识别方法，可达到通过负荷特征值确定负荷类型的目的。

对于电动自行车充电负荷的建模，国内外主要采用蒙特卡洛模拟方法，根据电动自行车的充电时有关的负荷特征来反映某一电动自行车或者某个充电站相关充电负荷状况。

现有技术中通常采用GPS来建立车辆出行特征集，通过对车辆出行的数据以及不同的充电场景建立来实现电动自行车充电负荷的预测。根据电池的充电功率数学模型、充电时长分布、充电起始时刻分布等，结合蒙特卡洛方法对不同电动汽车充电负荷进行预测。或者采用logistic分析方法验证电动自行车的影响因素大致符合参数结果，建立出行里程和时间的二次曲线模型，实际样本出行曲线服从logistic模型。但是这些现有的技术仍有许多缺陷，如：当特征空间很大时，逻辑回归性能不是很好；容易欠拟合，一般准确度不太高；不能很好地处理大量多类特征或变量；对于非线性特征，需要进行转换等。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供非侵入式电动自行车充电负荷检测与识别方法，通过提取电动自行车和其他电器的电流电压，对负荷特征进行分类，识别不同负荷特征以区分不同电器进行识别控制。

为实现上述技术目的，本发明采取的技术方案为：

非侵入式电动自行车充电负荷检测与识别方法，包括：

步骤1：获取电动自行车及与其并联的其他电器的充电负荷数据，提取所获取数据的电流电压特征；

步骤2：对步骤1的电流电压特征数据进行时域仿真，得到充电电压波形图和电流波形图；

步骤3：分析步骤2的波形图，判断数据是否存在错误，查找并剔除错误数据，对数据进行预处理，得到提剔除错误数据的波形图；

步骤4：对步骤3得到的波形图，分别进行充电过程的宏观分析，与一秒钟内的波形微观分析；

步骤5：利用傅里叶变换方法对步骤3预处理后的数据进行频域分析，提取谐波特征；

步骤6：对谐波特征进行分类识别，用训练集和测试集分别进行训练与测试。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤3所述对数据进行预处理，包括：

采取区间限幅的方法，将大于阈值的数据进行剔除，同时采取充电前和充电中两种状态的电流电压波形，对多种负荷特征进行识别。

上述的步骤4所述宏观分析，包括：

对交流电压特征数据和电流特征数据分别进行分析，其中，对电流特征数据进行分析时，假设电动自行车的电流相位与其他用电器的电流相位相等，只对电流的大小进行波形分析。

上述的步骤4所述微观分析，包括：对电流特征数据进行微观分析，即选取充电前和充电中两种状态进行时域分析，比较电动自行车及其他电器的电流电压波形并对其不同之处进行分析。

上述的步骤5利用傅里叶变换方法进行频域分析，包括：

利用傅里叶算法对电动自行车和其他电器经步骤3预处理后的数据进行谐波特征提取，包括相频分析和时频分析。

上述的相频分析，具体为：分析电动自行车和其他电器两者相位的关系，得到电流电压相位谱图，分析二者是否在电流电压的相位上有何不同。

上述的幅频分析，具体为：探讨电动自行车和其他用电器的奇次谐波，利用变换得到1、3、5、7、9次的谐波的值，对充电前，即将充电，正在充电三个阶段进行仿真得到单边频谱图，从单边频谱图中得到各个阶段的谐波含量分布。

上述的步骤6中，采用朴素贝叶斯分类法对步骤5中经过频域分析提取的谐波特征进行分类识别，判断是属于电动自行车的特征还是其他电器的特征，具体的：

根据已确定的特征属性，获取训练样本，并对每个样本进行计算，求出每个特征属性，计算所有划分的条件概率，对每个类别的P(yi)P(x|yi)进行计算,并将其作为x所属类别最大项，如果P(y

对电动自行车和其他电器各自选取30s-290s的数据信息，数据内容为1、3、5、7、9次谐波幅值并进行合并和随机打乱，按照3:7分成测试集和训练集，用训练集训练分类器模型，属于电动自行车为1，其他电器为0；

最终用测试集进行测试，观察测试结果是否符合实际情况。

本发明具有以下有益效果：

通过从时域、频域等方面来探讨了电动自行车与其他电器的提取特征和提取方法，提取特征主要为负荷的谐波特性，提取方法为傅里叶变换，并从负荷识别的需求来确定识别方法。根据充电前、即将充电、正在充电三个方面分析了电动自行车和其他电器的单边频谱，提出了按照谐波特征来对负荷模式进行区分，同时构建了电动自行车和其他电器谐波特性统计表，为负荷识别提供支撑。采用了朴素贝叶斯分类来对负荷进行识别，对正在充电中的负荷数据的每一秒数据进行傅里叶变换，选取1、3、5、7、9次谐波特征，对其进行随机打乱，并按照3:7分为测试集与训练集，对训练集练习模型参数，并用测试集来测试结果。通过这些方法，可以实现通过负荷特征值即可知道负荷类型，且可对不同电器负荷的识别分类，具备泛用性。相较现有技术而言，本发明可以更好的处理大量多类特征或变量，准确性更高。

附图说明

图1为本发明实施例的电动自行车和其他电器电流电压单边频谱图；

图2为本发明实施例的三种状态下电动自行车和其他电器的电流单边频谱图；

图3为本发明实施例的电动自行车和其他电器电流电压相位谱图；

图4为本发明实施例的电动自行车充电电压电流波形图；

图5为本发明实施例的其他电器电压电流波形图；

图6为本发明实施例的出现异常波形的电动自行车波形图；

图7为本发明实施例的出现异常波形的其他电器波形图；

图8为本发明实施例的剔除异常后电动自行车和其他电器电流波形图；

图9为本发明实施例的充电前电动自行车充电电流电压波形图；

图10为本发明实施例的充电前其他电器充电电流电压波形图；

图11为本发明实施例的充电中电动自行车充电电流电压波形图；

图12为本发明实施例的充电中其他电器充电电流电压波形图；

图13为本发明实施例的电动自行车和其他电器频谱图；

图14为本发明实施例的三种状态下电动自行车和其他电器的电流频谱图；

图15为本发明非侵入式电动自行车充电负荷检测与识别方法的流程图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

参见图15，本发明的非侵入式电动自行车充电负荷检测与识别方法，包括：

步骤1：获取电动自行车及与其并联的其他电器的充电负荷数据，提取所获取数据的电流电压特征；

步骤2：对步骤1的电流电压特征数据进行时域仿真，得到初步充电电压、电流波形图；

步骤3：分析步骤2的波形图，判断数据是否存在错误，查找并剔除错误数据，对数据进行预处理，得到提剔除错误数据的波形图；

步骤4：对步骤3得到的波形图，分别进行充电过程的宏观分析，与一秒钟内的波形微观分析；

步骤5：利用傅里叶变换方法对步骤3预处理后的数据进行频域分析，提取谐波特征；

步骤6：对谐波特征进行分类识别，用训练集和测试集分别进行训练与测试。

实施例中，步骤2-4为时域仿真分析的步骤，具体的：

根据宏观角度和微观角度来进行时域仿真，宏观即整个充电过程，微观则是一秒钟的充电过程；

在宏观分析中对两者电压电流波形进行分析，在微观分析中分析充电前和充电后两种状态。得到图6及图7所示有异常波形的电流电压波形图。

实施例中，步骤3所述对数据进行预处理，包括：

采取区间限幅的方法，将大于阈值的数据进行剔除，同时采取充电前和充电中两种状态的电流电压波形，三种状态(第10s、第25s、第100s)的电流频谱等多种负荷特征同时来进行识别。

实施例中，步骤4所述宏观分析，包括：

对交流电压特征数据进行分析：电动自行车和其他电器由于是并联关系，所以得到的电压数据大小几乎相等，因为其幅值和相位都相同。所以无法从电动自行车的电压下手对其特征进行分析。但为了确保结果的准确性，仍需要对电动自行车和其他用电器进行电压分析。

对电流特征数据进行分析：由于在交流电路中要考虑相位的原因，所以电流并不都是相等的，可能会出现支路的电流大于总电流的情况。

为了简单直观的显示电流的特征，假设电动自行车的电流相位与其他用电器的电流相位相等，只对电流的大小进行波形分析，选取充电前和充电中两种状态进行时域分析，进行数据处理，做出电流电压波形图。

实施例中，步骤4所述微观分析，包括：

对电流特征数据进行微观分析：选取充电前和充电中两种状态进行时域分析，比较电动自行车及其他电器的电流电压波形并对其不同之处进行分析。

实施例中，所述步骤5利用傅里叶变换方法进行频域分析，将时域函数表达成为f(w)该函数其频域上的积分，另外针对于这个正变换过程而言，同向也是频域函数f(w)与时域函数f(t)的积分形式。一般来说，函数f(t)是原始函数，而函数f(w)也可以等效看作为傅里叶变换之后对应的图像函数，另外原函数这时就可以与图像函数形成变换对。

在时域上的DTFT一般是离散性的，在频域上的DTFT一般是周期性的。对于离散时间信号的频谱分析一般采用DTFT。因此它同样也是傅里叶级数其逆向结果。

傅里叶变换在时域和频域上其对应的离散形式，它可以将对应信号其时域的结果转换为DTFT的频域采样方式。

一般从形式上来看，时域和频域对应的序列都是有限的，往往将傅里叶变换之后应用在有限长度的离散信号后同样也可以将其等效看作为傅里叶变换之后周期延长过程的一个对应变化，在后续的实践过程中，DFT的计算往往是通过FFT计算得到的。

快速傅里叶变换是一种较好的序列离散傅里叶变换的计算方法，它可以借助于DFT该矩阵将其分解成为稀疏因子的乘积然后就可以实现快速的运算，为此计算过程中其复杂程度主要决定于对DFT定义的N2降低到n log n即可。DFT的逆变换过程同样也可以通过DFT来进行表达。

电力系统的谐波一般在进行定义的时候需要借助于傅里叶级数来开展，也要进行周期非正弦电量的分解，分解之后得出的结果除了包含电网基频相同的这部分分量之外，同时还有许多比基频分量更大的部分，因此这部分则被称之为谐波信号。根据频率是基波多少倍，还可以将这部分谐波分为寄谐波和偶谐波。本发明主要探讨的是电动自行车和其他用电器的奇次谐波。

步骤5具体包括：

利用傅里叶算法对电动自行车和其他电器经步骤3预处理后的数据进行了谐波特征提取包括相频分析和时频分析；

通过相频分析，分析电动自行车和其他电器两者相位的关系，得到电流电压相位谱图，分析二者是否在电流电压的相位上有何不同；

通过幅频分析，探讨电动自行车和其他用电器的奇次谐波，利用变换得到1、3、5、7、9次的谐波的值，对充电前，即将充电，正在充电三个阶段进行仿真得到单边频谱图，从单边频谱图中得到各个阶段的谐波含量分布。

实施例中，所述步骤6中，采用朴素贝叶斯分类法对步骤5中经过频域分析提取的谐波特征进行分类识别，判断是属于电动自行车的特征还是其他电器的特征，具体的：

根据已确定的特征属性，获取训练样本，并对每个样本进行计算，求出每个特征属性，计算所有划分的条件概率，对每个类别的P(yi)P(x|yi)进行计算,并将其作为x所属类别最大项，如果P(y

对电动自行车和其他电器各自选取30s-290s的数据信息，数据内容为1、3、5、7、9次谐波幅值并进行合并和随机打乱，按照3:7分成测试集和训练集，用训练集训练分类器模型，属于电动自行车为1，其他电器为0；

最终用测试集进行测试，观察测试结果是否符合实际情况。

实施例

对交流电幅频特性进行全面分析是分析其谐波现象的基础，通过快速傅里叶变换将时域数据变换到频域，由奈奎斯特采样定律可知，采样频率一般为最大频率的一半，最大频率为6400hz，频谱图中在3200hz处会呈现对称的图像，所以只进行了单边频谱图的分析。

从图1中可以看出对于电动自行车自身而言，电动自行车电流的基波幅值最高，随着级数增加，奇次谐波幅值出现下降。而对于其他电器，虽然也是基波幅值最大，但是随着频率增加，奇次谐波下降趋势幅度比电动自行车大得多，从五次谐波开始电流幅值接近于0A。从电压的角度看，电动自行车电压频谱特征与其他电器电压频谱特征几乎一致，都是只出现了基波，而高次谐波没有出现。

对整个充电状态的进行谐波分析后，为了弄清各阶段电动自行车和其他电器的谐波变化方式，针对二者电流的谐波特征，分别对开始充电、即将开始充电、正在充电三个状态进行了频域分析，得到三种状态下的单边频谱图。从图2可以看出，开始充电时电动自行车没有任何波产生。随着即将开始充电，电动自行车产生了基波、奇次谐波以及很多的间谐波。在达到正在充电这个状态时，间谐波消失，只剩下基波和奇次谐波，随着频率增大，奇次谐波幅值逐渐降低。对于其他电器，开始充电时并不像电动自行车那样没有谐波产生，而是随着频率增大，奇次谐波幅值逐渐减小。即将开始充电状态与开始充电状态差不多，也是呈现一个减小趋势。而当处于正在充电过程时，除了基波和三次谐波较为明显外，其他的奇次谐波表现不明显，甚至在单边频谱图中未出现。

然后通过相频分析来探究电动自行车与其他电器的相位关系，如图3所示，通过傅里叶变换将电动自行车和其他电器实域数据转换为复频域数据，用虚部与实部进行相位求解的方法，求出的无论是电压还是电流，二者的相位都是一致的。

通过交流电谐波分析和相频分析，从谐波特性方面来对电动自行车和其他电器的负荷特征提取展开研究，通过提取两者的谐波分量，分析谐波次数或者是谐波幅值来确定负荷的特征关系，以此达到对电动自行车和其他电器的特征提取要求。

为了探究电动自行车与其他电器之间电压电流的关系，分别对电动自行车和其他电器进行了时域仿真，首先是整个过程的充电波形。

从电压方面分析：

通过对图4和图5比较发现，电动自行车电压波形和其他电器电压波形几乎一致。考虑到数据并不是在理想条件下所测得，会有电线阻抗等因素干扰结果，所以幅值并不完全一致，但是细微的差别并不影响最后的结论。

从图4可知，电动自行车的充电阶段大概在30s～480s之间，电动自行车的波形较规则，而其他电器的波形则是一个不规则波形，其他电器电流波形和电动自行车电流波形区别较大。探究原因是因为其他电器负荷类型较多，存在着充电时间不统一，充电功率以及电流不一致等特点，所以呈现不规则的充电波形；而电动自行车则在充电时间段电流不变出现连续规律波形。

从电流方面分析：

通过观察波形发现电动自行车和其他电器的电流波形图有异常值存在，需要剔除异常数据，来获得较准确的波形图。

通过前文所提到的区间限幅的方法，完成了对异常数据的剔除，得到修改后的波形图。从图8可知，经过数据预处理后的波形图十分美观，并且也可以直观的看出二者电流的不同。

图9～12是对电动自行车和其他电器在不同阶段进行微观的时域仿真，如充电前的状态，选取9～10s这一秒的状态进行仿真。充电中的状态选取259～260s这一秒的状态进行仿真。通过对比发现，在充电中的电动自行车，其充电电流波形比充电前充电电流波形更加均匀清晰，波形的正负交替更为规律，波形幅值也更大，接近20A，而充电前的电动自行车电流不到0.5A。比较图11与图12发现，充电中的其他电器电流波形为锯齿三角波，与电动自行车的波形完全不同，且波形也较为均匀清晰。通过综合对比充电前的电流波形和充电中的电流波形发现，充电前的电流波形较散乱，幅值也较小。而充电中的电流波形更为规律，波形更为清晰，且充电电流幅值较为稳定，不会发生突变。

通过快速傅里叶变换将电动自行车和其他电器的时域电压电流数据变换成频域的电压电流数据，对整个过程进行频域仿真，如图13所示，可以看出，整个过程能量几乎集中在基波左右，随着频率升高，幅值随之下降。值得注意的是，上文提到过的谐波特征表，是按照频谱图来对电动自行车还有其他电器进行一个大致的分析，未提到某个奇次谐波并不代表该奇次谐波不存在，只不过其幅值较低在频谱图中不宜看出。

本发明实施例还对三种状态下的电动自行车和其他电器进行了频域仿真，对各个状态下取一秒进行傅里叶变换得到一秒内的频谱图，分别取第10s、第25s、第100s来进行频谱仿真，如图14，因前文已对三种状态下的频谱进行了分析，这里不再阐述。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。