非侵入式電動自行車充電負荷在線識別

欒文鵬，馬純偉，趙博超，劉子帥，李旭昊，劉 博

（天津大學電氣自動化與信息工程學院，天津 300072）

在“雙碳”戰略目標統一部署下，電能替代已成為擺脫依賴化石能源的重要方法。在交通領域，我國新能源汽車和電動自行車產業進入快速發展時期。電動自行車社會保有量已經超過3×108輛，但其充電場所缺乏規范管理及居民安全意識薄弱等問題日漸凸顯，相關火災事故頻發[1]，造成了重大的人員傷亡事故和巨大的財產損失。據報道，電動自行車引發的火災約80%發生在充電過程中，為此，物業、消防等部門需要經常在現場人工檢測用戶違規充電行為，但存在效率低下、用戶配合度低等問題。非侵入式負荷監測NILM（non-intrusive load monitoring）技術不需要侵入用戶內部，只需通過對負荷用電總量數據的處理分析便可獲取用戶各電器的詳細用電信息[2]，并能據此分析用戶的用電行為[3]。因此，將NILM 技術應用至電動自行車違規充電高效檢測中具有很大的現實可實施性，這種高效便捷的監測技術還將在電動自行車健康狀態評估、充電電量查詢、能效分析等領域具有廣闊的應用前景。

目前，非侵入式負荷監測技術在居民用戶中的應用主要聚焦于一些常見的家用電器，針對電動自行車充電負荷EBCL（electric bicycle charging load）檢測方法的研究較少。文獻[4]提出一種基于特征選擇與單分類支持向量機增量學習算法的EBCL識別方法，該方法通過選擇辨識效果最佳的特征集合來識別充電負荷；然而，其負荷特征提取來自額外傳感器采集的高采樣頻率的用電數據，而非電力公司部署的用于用戶電費計量目的的智能電表所采集的低采樣頻率數據，故此檢測方法不適于大面積推廣應用。文獻[5]提出一種基于恒壓充電階段全局特征的無監督非侵入式EBCL 檢測方法，通過濾波和狀態轉換移除方法不斷放大總量數據中的緩坡趨勢特征，再結合分段線性表示方法和啟發式規則實現EBCL恒壓階段的檢測；然而，該方法采用的數據窗口為48 h，不適用于在線快速檢測。為應對電動自行車違規充電行為，文獻[6-7]提出通過圖像識別技術分析電梯內攝像機的影像，實現電梯內電動自行車檢測，以杜絕電動自行車入樓入戶，但無法應對“飛線充電”和便攜式電池入戶充電等違規場景；文獻[7]提出一種基于Tiny-YOLOv4目標檢測網絡模型的非侵入式EBCL 檢測方法，但只采用EBCL 開啟事件的波形特征且電動自行車樣本較少，實驗場景較為單一，未驗證其泛用性。

研究人員對同為電池驅動的電動汽車充電負荷[8-10]識別進行了較為深入的研究。文獻[8]采用互相關方法從基于功率數據的負荷事件檢測結果中識別電動汽車充電負荷；文獻[10]提出一種基于有監督機器學習的非侵入式負荷監測的方法，應用事件檢測與K-最近鄰方法實現對空調負荷相關事件和電動汽車負荷相關事件的分類識別。上述針對電動汽車充電負荷的NILM方法的原理主要基于其功率范圍大于多數家用電器負荷的特征，但EBCL 的有功功率幅值一般不超過300 W，無功功率幅值一般不超過100 Var，遠小于電動汽車，導致這一電動汽車充電負荷的檢測方法難以適用于EBCL的檢測。

盡管最先進的NILM方法能夠分解大多數家用電器負荷，但EBCL為連續可變負荷，該類負荷的識別與分解仍是一項艱巨的任務[11]?，F有識別連續可變負荷的方法有以下兩個特點：①需要大型訓練數據集[12]；②需要采用瞬態特征提取的高采樣頻率數據[13-14]。由于需要的數據在計費智能電表中無法獲取，因此，限制了這些方法的大面積推廣與應用。另一方面，EBCL的運行時間較長，與其他電器負荷混疊運行的概率較高，而其自身屬于小功率負荷，給識別與檢測工作帶來極大挑戰。為此，本文充分利用EBCL恒壓階段在總口功率信號中所表現出的局部特征，提出一種非侵入式EBCL 在線識別方法，以滿足實際用電場景中對于電動自行車違規充電行為的快速發現與定位的需求。

1 非侵入式EBCL 在線識別方法

1.1 方法概述

本文所提出的基于局部特征的非侵入式EBCL在線快速識別方法流程如圖1所示。

圖1 非侵入式EBCL 在線識別方法流程Fig.1 Flow chart of non-intrusive online identification method for EBCL

首先，采用狀態轉換移除算法將窗長為6 h 的總有功功率P和總無功功率Q中的負荷事件移除。其次，將采樣頻率降為1/30 Hz，并采用Savitzky-Golay 濾波以減小降頻后的功率信號中的噪聲。然后，求功率信號的差分，將有功功率差分信號中連續負的子序列和無功功率差分信號中連續正的子序列匹配，并計算匹配的連續子序列和EBCL 模板的距離。最后，若距離小于設定的閾值，則電動自行車電池正處于恒壓充電階段，用戶正在進行違規充電；否則電動自行車電池不處于恒壓充電階段或不存在充電負荷，滑動窗向后移動10 min，繼續分析窗長為6 h的總有功功率P和總無功功率Q。

1.2 EBCL 模板構建

市場上電動自行車所采用的電池類型主要分為鋰離子電池和鉛酸電池兩種。前者在充電過程中一般包含恒流充電、恒壓充電2 個階段，后者還包含第3 個階段浮充充電。但無論采用何種充電方式，電動自行車都無一例外地存在明顯區別于其他電器負荷的恒壓充電階段，該階段表現出有功功率下降緩坡和無功功率上升緩坡的負荷特征。恒壓充電階段還具有緩坡對應的功率幅值的差分逐漸增加，即局部特征。本節將根據該特征建立EBCL模板，實現恒壓充電階段的在線識別。

在采樣頻率為1 Hz 的用電總量數據中，雖然EBCL 的負荷特征得以最大程度地保留，但恒壓充電階段持續時間長，若充電過程中存在其他電器負荷運行，其運行波動和噪聲對EBCL 的識別造成較大干擾，在識別EBCL時，考慮將采樣頻率降為1/30 Hz，使充電負荷模板在該采樣頻率下構建。電動自行車恒壓充電階段整體保持下降趨勢，其實際為震蕩下降，因此首先，每30 個采樣點求1 次均值作為新的采樣點，實現濾波與降頻；然后，采用Savitzky-Golay濾波進一步平滑信號；最后，求其差分以便提取恒壓充電階段的負荷模板匹配。

Savitzky-Golay 濾波是一種采用滑動窗的基于局部最小二乘多項式擬合的濾波方法，該濾波方法在消除不同頻率噪聲的同時，保留了原始信號的峰值和寬度；與均值濾波、卡爾曼濾波等濾波方法相比，Savitzky-Golay 濾波在不損失分辨率的情況下，具有更好的信號形狀保持和去噪性能。圖2為Savitzky-Golay濾波效果及EBCL恒壓充電階段示意。

圖2 電動自行車恒壓充電階段模型示意Fig.2 Schematic of model at electric bicycle constantvoltage charging stage

由圖2（a）、（b）可知，Savitzky-Golay 濾波使恒流充電階段轉換為恒壓充電階段的過渡過程更平滑，恒壓充電階段的小波動也得以平緩。圖2（c）、（d）給出了濾波后有功功率和無功功率的差分信號，可以看出恒壓充電階段的功率差分信號可以擬合為一條線段，如圖中虛線所示。本文將根據這一特性建立EBCL的有功功率差分信號模板fˉΔP和無功功率差分信號模板fˉΔQ。同時由圖2 可以看出，線段的最值點與恒流充電轉換為恒壓充電的時刻不對應，這是由于Savitzky-Golay濾波只保留了信號的形狀特征，導致平滑了2個階段的轉換過程。

1.3 負荷事件檢測與狀態轉換移除

由于電動自行車恒壓充電階段持續時間較長，其他電器負荷開啟、運行、關閉等狀態之間的轉換會破壞甚至淹沒EBCL的負荷特征，因此，結合負荷事件檢測算法定位功率信號中負荷狀態的轉換，以便進一步消除其影響。本文采用文獻[15]所提出的一種自適應兩階段事件檢測方法，該方法根據用電總量數據中電器負荷波動的不同程度自適應調整事件檢測閾值；并針對具有不同波形特征的類階躍事件和長暫態事件，分別采用改進的邊緣檢測方法、結合移動平均及滑動T檢驗的基于窗口的檢測方法，實現用電總量數據中電器負荷事件的準確檢測與定位；進而采用狀態轉換移除算法將檢測到的負荷運行狀態轉換事件從總量數據中移除。

狀態轉換移除的目的是恢復因其他電器負荷的狀態轉換而被分割的EBCL緩坡趨勢特征。當在功率信號中檢測到負荷事件時，將其從總量數據中移除，即

式中：τ為被檢測到的負荷事件的時間索引；t為τ后的時間索引；Zt為有功及無功功率信號在時間索引t的值；ΔZτ為功率信號在時間索引τ的差分；Lt為狀態轉換被移除后生成的信號在時間索引t的值。

圖3 為某真實用戶負荷事件檢測與狀態轉換移除的示意。由圖3（a）可以看出，負荷事件檢測算法準確檢測到用電總量數據中的事件，根據有功功率中的事件確定無功功率中的負荷事件，然后采用狀態轉換移除算法移除檢測到的事件。因功率信號上的突變是負荷事件的映射，故圖3（a）中負荷事件為截取的功率信號。移除事件后的功率信號中還存在微小的負荷波動與噪聲，需進一步結合Savitzky-Golay濾波消除噪聲的同時保留其趨勢，如圖3（b）所示。

圖3 檢測到的負荷事件、狀態轉換移除及Savitzky-Golay 濾波示意Fig.3 Schematic of detected load events,results after state transition removal and results after Savitzky-Golay filtering

1.4 EBCL 模板匹配

用戶用電總量數據經過事件檢測、狀態轉換移除、降采樣頻率、Savitzky-Golay濾波并差分后，進一步將有功功率差分信號劃分為連續負的子序列，無功功率差分信號劃分為連續正的子序列。在本文中設置有功功率差分小于-0.1為負，無功功率差分大于0.06為正，并規定連續8 個及以上采樣點為同一狀態可劃分為連續子序列。

圖4 為Savitzky-Golay 濾波后有功功率差分信號及連續負的子序列和Savitzky-Golay 濾波后無功功率差分信號及連續正的子序列。由于電動自行車恒壓充電階段的有功功率下降緩坡和無功功率上升緩坡在時間上同步，因此需對連續負的有功功率差分信號子序列和連續正的無功功率差分信號子序列匹配，即子序列在時間上有重疊。由圖4可以看出，在夜間00：00附近的2個子序列匹配。

圖4 功率差分信號及判定為連續正或負的子序列示意Fig.4 Schematic of differential power signal and subsequence determined as continuous positive or continuous negative

對于時間上同步（即成功匹配）的有功功率差分信號連續負的子序列和無功功率差分信號連續正的子序列，分別計算其與EBCL模板的距離，即

式中：xi為EBCL在i時刻的差分功率模板；yi為在i時刻的成功匹配的差分功率；x1為圖2（c）、（d）中模板的最值點；y1為差分信號連續子序列的最值點；n為y1到子序列終止點的數據點個數。需要注意，為避免差分信號連續子序列中最值點在最后1 位，且其與模板最高點接近的情況，需要令n＞10，ΔS為所得距離值。

取有功信號子序列距離和無功信號子序列距離的均值為匹配子序列與模板的距離，若其小于啟發式設定的閾值η，則認為子序列與模板匹配，存在電動自行車恒壓充電階段；若大于閾值η，則認為子序列與模板不匹配，不存在電動自行車恒壓充電階段。

2 實驗分析

目前國內外的公開數據集中并不包含EBCL數據，為了驗證本文所提的方法，選取7戶含EBCL的真實家庭用戶進行實驗分析，采用電力公司部署的計費智能電表以1 Hz的采樣頻率采集總計411 d的總量有功功率和無功功率數據，并由侵入式量測設備標記的EBCL作為真實值。用戶的電動自行車基本信息如表1所示，在7戶家庭中，電動自行車累計充電153次，平均每2.7 d充一次電。

表1 實驗數據中電動自行車基本信息Tab.1 Specifications of electric bicycles in experimental data

量取10 臺電動自行車單獨充電功率數據以形成通用模板。將每個EBCL恒壓階段功率差分信號擬合成圖2（c）、（d）所示的線段，以線段的最值點和斜率作為模板的特征向量參數，10 個EBCL 模板參數如表2所示。

表2 10 個EBCL 模型參數Tab.2 Model parameters for 10 EBCLs

由表2可以看出，1號和4號鉛酸電池的模型參數相同，根據表2 數據繪制10 個EBCL 模型如圖5所示。

圖5 10 個EBCL 斜率-功率差分圖Fig.5 Slope versus differential power for 10 EBCLs

由圖5可以看出，5號鉛酸電池的模型明顯偏離其余9個模型，因此將其剔除；由表2中剩余9個模型取均值求得EBCL 模板，即最低點為-1.283 6、斜率為0.010 0、最高點為0.554 8斜率為-0.005 4。

為實現在線快速識別EBCL，本文采用窗長為6 h，步長為10 min的滑動窗分析用電總量數據。表3給出了距離閾值η設置為0.25 時的實驗結果，其中，TP 為該天充電并成功識別為充電；FP 為該天未充電，但被識別為充電；FN 為該天充電，但未被識別為充電。精準率被定義為TP/（TP+FP）；召回率被定義為TP/（TP+FN）；而F1分數為兩者調和平均數。

由表3 可以看出，雖然EBCL 在線快速識別結果的整體F1 分數只有0.86，僅比文獻[5]高0.03，但本文方法的召回率達到0.98，即幾乎每次電動自行車充電都被識別到。由于非侵入式EBCL識別的目的是一旦發現電動自行車存在違規充電行為，就發出警告信息，盡可能避免未識別到違規充電的情況，因此較高的召回率和不低的精確率對于消防安全而言是相對重要的。在表3中，1、2、3、5和6號用戶的每次違規充電行為均被準確識別；3～7 號用戶均取得了高于0.9 的F1 分數，其中5～7 號用戶的電池為異常電池，但仍取得了較高的F1分數，證明了EBCL 模板的通用性；而2號用戶識別結果較差，存在較多的誤識別。

表3 EBCL 在線識別結果Tab.3 Online identification results of EBCL

圖6 給出了2 號用戶某次誤識別結果，由于實驗采用滑動窗擬合實時數據分析，因此在圖6中截取了6 h 的窗口，其中，圖6（a）為2 號用戶的有功功率及無功功率。由圖6（b）、（c）可以看出，滑動窗內最后一段匹配的連續子序列被誤識別為EBCL恒壓階段。由圖6（a）對應的總量數據可以看出，有功功率曲線存在比EBCL恒壓階段持續時間長且不斷下降的緩坡趨勢，導致濾波后的有功功率差分信號被判定為連續負的子序列；而無功功率曲線表現為不斷上升的小階躍，但事件檢測算法未檢測到事件發生；無功功率在濾波后表現為連續上升的曲線，導致差分信號被判定為連續正的子序列，而充電負荷模板中無功功率最值點較小，最終被誤識別為EBCL，但不排除該段數據中混疊了筆記本電腦、手機等電器充電負荷。

圖6 2 號用戶某次電動自行車充電負荷誤識別結果示意Fig.6 Schematic of EBCL mis-identification result for User 2

由于2 號用戶幾乎每天都存在使有功功率曲線“凸起”的電器負荷[5]，導致濾波后的有功功率差分信號易被判定為連續負，一旦無功功率差分信號中存在連續正的子序列，容易被誤識別，因此2號用戶存在較多的誤識別，但每次違規充電行為均被準確識別。由表3可以看出，1號用戶的識別效果也較差，圖7給出了1號用戶某次EBCL準確識別結果。

圖7 1 號用戶某次EBCL 在線識別結果示意Fig.7 Schematic of EBCL online identification result for User 1

圖7（a）為1號用戶的有功功率及無功功率，可以看出，電動自行車處于恒壓充電階段的同時，存在大功率電器負荷運行，該負荷的有功功率也存在下降趨勢，導致恒壓階段剛出現在滑動窗時，有功功率差分信號連續負的子序列與充電負荷模板的距離較大，不能立即被識別。而恒壓階段持續時間較長，在大功率電器負荷運行功率趨于穩定時，恒壓充電階段仍未停止，后續進入滑動窗的差分信號與模板差值較小，由于距離取均值，隨著時間的推移，有功功率差分信號連續負的子序列與充電負荷模板的距離逐漸減小，最終降至0.25以下，實現EBCL識別。

由于大功率負荷的有功功率差分信號連續子序列與充電負荷模板可能較接近，而充電負荷模板的無功功率最值點幅值較小，如果在濾波后的有功功率差分信號中，電動自行車恒壓充電階段的最值點與大功率負荷的最值點在時間上距離較遠，無功功率差分信號中存在與充電負荷模板較接近的子序列會被識別為電動自行車恒壓充電階段，這是9次誤識別的主要原因。圖7中，恒壓階段起始時刻至滑動窗末尾的時間差為45 min，即電動自行車恒壓充電階段開始45 min 后，識別到EBCL。圖8 給出了150 次準確識別EBCL 時，恒壓階段已經持續時長的分布。

圖8 EBCL 恒壓階段持續時長分布Fig.8 Distribution of durations at EBCL constantvoltage stage

由圖8 可以看出，在150 次正確在線快速識別EBCL 中，有75 次恒壓充電階段已持續25～35 min；在圖2中，該車恒壓階段起始時刻至功率差分信號最值點的時間差大致為10 min，7 個用戶電動自行車電池的時間間隔可能更長；而判斷差分信號連續子序列是否含電動自行車恒壓充電階段需要最值點之后連續10 個數據點（即5 min），因此有1 次正確識別在恒壓階段持續時間20 min內，而其余主要集中在20～45 min，一定程度上實現了在線快速識別電動自行車充電負荷。

3 結語

電動自行車違規充電行為帶來的安全隱患引發社會越來越多的關注。本文對無監督非侵入式EBCL 識別方法進行了研究，提出一種基于局部特征的非侵入式EBCL 在線識別方法，并在采樣頻率為1 Hz 的真實家庭用電總量數據中進行了驗證。首先，對用電總量數據進行負荷事件檢測，并結合狀態轉換移除算法將負荷事件從總量數據中移除；然后，將采樣頻率降為1/30 Hz，并計算Savitzky-Golay 濾波后信號的差分，計算差分信號中連續子序列與EBCL模板的距離，若子序列與模板匹配，則認為電動自行車正處于恒壓充電階段；最后，在真實家庭用戶中進行實驗，實驗結果表明，本文方法可以準確快速地實現電動自行車的在線識別，在電動自行車違規充電稽查等領域具有廣闊的應用前景。