摘 要： 為杜絕安全隱患，利用V-I軌跡和改進(jìn)MobileNetv2模型對入戶充電行為進(jìn)行在線辨識。設(shè)計實(shí)驗場景，從采樣率選取、遷移學(xué)習(xí)、泛化性和不同網(wǎng)絡(luò)對比4個方面驗證模型性能，最后把模型部署到上位機(jī)和K210芯片上。上位機(jī)系統(tǒng)在電動自行車單獨(dú)充電時準(zhǔn)確識別，當(dāng)充電行為和常用家庭負(fù)載混合運(yùn)行時，識別準(zhǔn)確率達(dá)到98%以上。

關(guān)鍵詞： V-I軌跡; 改進(jìn)MobileNetv2模型; 遷移學(xué)習(xí); 在線識別

中圖分類號： TM73

文獻(xiàn)標(biāo)志碼： A

文章編號： 2095-8188（2024）12-0069-08

DOI： 10.16628/j.cnki.2095-8188.2024.12.012

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）

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

0 引 言

近年來，電動自行車逐漸成為人們出行的一種重要交通工具，電動自行車保有量也隨著其普及程度的提升而越來越多。然而，由于居民小區(qū)內(nèi)部的充電設(shè)施有限，不少用戶選擇把電動自行車放入家中進(jìn)行充電。由于電動自行車充電時間長，長時間充電可能會造成火災(zāi)，對居民的人身安全造成威脅^［1］。非侵入式負(fù)荷監(jiān)測（NILM）技術(shù)能夠利用在總線處單點(diǎn)測量的數(shù)據(jù)識別用戶內(nèi)部的負(fù)荷^［2］，實(shí)現(xiàn)對住戶內(nèi)部的用電信息進(jìn)行實(shí)時監(jiān)測，以防范危險用電行為的發(fā)生。

基于深度學(xué)習(xí)構(gòu)建非侵入式負(fù)荷識別模型已成為當(dāng)前較為主流的方法。數(shù)據(jù)特征的選取和預(yù)處理會直接影響負(fù)荷識別模型的判別結(jié)果，常見的負(fù)荷特征含諧波特征、阻抗特征、功率特征等。文獻(xiàn)［3］基于電器功率變化曲線構(gòu)建電器時間特性模型，并基于深度神經(jīng)網(wǎng)絡(luò)（DNN）實(shí)現(xiàn)負(fù)荷分解。文獻(xiàn)［4-5］以負(fù)荷功率為特征對電動自行車充電行為進(jìn)行識別，并結(jié)合支持向量機(jī)判別住戶內(nèi)部的電動自行車充電行為，但是負(fù)荷功率特征較為單一，在大功率負(fù)載和小功率負(fù)載相混疊的情況下無法獲得很好的識別效果。文獻(xiàn)［6］使用格拉姆角場（GAF）二維圖像作為負(fù)荷特征，結(jié)合ResNeXt50網(wǎng)絡(luò)對AMPds和UK-DALE數(shù)據(jù)集的負(fù)載組合進(jìn)行分類識別，但是GAF圖像對低頻數(shù)據(jù)的識別效果較好，對高頻數(shù)據(jù)不夠敏感。文獻(xiàn)［7］基于改進(jìn)的YOLOv5s對V-I軌跡特征圖像進(jìn)行識別，但是YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，在實(shí)際的應(yīng)用場景中有一定的局限性。文獻(xiàn)［8］提出一種基于改進(jìn)生成對抗網(wǎng)絡(luò)的樣本不均衡改善方法，并結(jié)合公開數(shù)據(jù)集對該方法進(jìn)行驗證?；诙S圖像呈現(xiàn)負(fù)荷特征往往會讓模型擁有較好的識別效果，文獻(xiàn)［9-10］提出一種基于GAF的顏色編碼負(fù)荷標(biāo)識構(gòu)建方法。文獻(xiàn)［11-16］以二維圖像的方式呈現(xiàn)出負(fù)載的V-I軌跡特性，和GAF圖像相比，V-I軌跡更有利于捕捉負(fù)載的高頻特征，且實(shí)時性更強(qiáng)，為本文的負(fù)載特征選取提供了思路。上述文獻(xiàn)從負(fù)荷數(shù)據(jù)處理方法和深度學(xué)習(xí)模型構(gòu)建2個方面對負(fù)荷識別進(jìn)行研究，并結(jié)合公開數(shù)據(jù)集驗證網(wǎng)絡(luò)的有效性，但沒有實(shí)現(xiàn)實(shí)時在線識別。

為了準(zhǔn)確及時識別電動自行車入戶充電行為并上報物業(yè)管理部門，保障人們的生活安全，本文利用負(fù)荷的V-I軌跡特征和改進(jìn)MobileNetv2模型，采用非侵入式的方法對電動自行車充電行為進(jìn)行在線識別，不僅可以識別出電動自行車充電器負(fù)載，還可以識別出常用的家庭負(fù)載，并通過實(shí)驗驗證了識別的準(zhǔn)確性。該方法不僅可以杜絕電動自行車入戶充電行為，還可以根據(jù)家庭負(fù)載的運(yùn)行狀況指導(dǎo)居民用電，培養(yǎng)居民良好的用電習(xí)慣，實(shí)現(xiàn)綠色低碳發(fā)展^［17-19］。

1 負(fù)荷識別方法和負(fù)載對象選取

1.1 負(fù)荷識別整體系統(tǒng)搭建

負(fù)荷識別流程圖如圖1所示。負(fù)荷識別主要由數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、模型訓(xùn)練和在線識別4個部分組成。數(shù)據(jù)采集部分需要借助數(shù)據(jù)采集卡等裝置采集負(fù)荷的電壓電流的原始數(shù)據(jù)，構(gòu)成負(fù)荷數(shù)據(jù)集。數(shù)據(jù)預(yù)處理的主要工作是提取電壓電流原理原始數(shù)據(jù)的特征，如V-I軌跡特征、負(fù)荷功率特征等。模型訓(xùn)練部分是利用深度學(xué)習(xí)、機(jī)器學(xué)習(xí)的方法學(xué)習(xí)預(yù)處理后的樣本特征并進(jìn)行離線檢測，得到合適的模型架構(gòu)和參數(shù)。最后把模型嵌入在線檢測系統(tǒng)中，實(shí)現(xiàn)負(fù)荷的實(shí)時識別。

1.2 負(fù)載對象選取

在實(shí)際的非侵入式應(yīng)用場景中，住戶總線處的電流不僅含有電動自行車的充電電流，還會包含常用的家庭用電器的電流。在進(jìn)行非侵入式的負(fù)荷識別時，要綜合考慮單一負(fù)載和組合負(fù)載運(yùn)行的情況。本文選取了熱水壺、微波爐、吹風(fēng)機(jī)等常用家庭負(fù)荷，研究在單一負(fù)載和組合負(fù)載場景下電動自行車充電行為的識別情況。

采用one-hot二進(jìn)制編碼的方式對這4類負(fù)載以及負(fù)載相互疊加的狀態(tài)做標(biāo)簽，其中每一個標(biāo)簽對應(yīng)一種負(fù)載狀態(tài)。當(dāng)負(fù)載投切時標(biāo)記為1，當(dāng)負(fù)載斷開時標(biāo)記為0。實(shí)驗對象的選取如表1所示。

2 基于V-I軌跡特征的數(shù)據(jù)預(yù)處理

V-I軌跡反映的是負(fù)載在一個或多個周期內(nèi)的穩(wěn)態(tài)運(yùn)行特性，其以圖像化的形式直觀地反映負(fù)載阻抗特征。和低頻功率時間序列相比，V-I軌跡特征負(fù)載信息包含度高，負(fù)載辨識區(qū)分度高。

2.1 數(shù)據(jù)采集和濾波

在上位機(jī)編寫程序調(diào)用數(shù)據(jù)采集卡采集負(fù)載組合的電壓電流信號并保存，構(gòu)成負(fù)荷數(shù)據(jù)集。4種負(fù)載的電流波形如圖2所示。

由圖2可知，采集的充電器電流波形依然會含有較多的高頻噪聲。用含有高頻噪聲的V-I軌跡訓(xùn)練模型時，容易讓模型產(chǎn)生過擬合。為了消除高頻噪聲干擾，需要對負(fù)載的電流信號做離散傅里葉變換（DFT），并采取低通濾波的方式濾除負(fù)載的高次諧波。

設(shè)定離散電流序列為x［n］，x［n］的傅里葉變換為

x［n］=1N∑N－1k=0Ake^j2πkN（1）

離散傅里葉變換后的系數(shù)為

Ak=∑N－1k=0x［n］e^－j2πkN（2）

式中： N——采樣的總點(diǎn)數(shù);

n——［0，N］范圍內(nèi)的任意一個采樣點(diǎn);

Ak——諧波系數(shù)。

采集負(fù)載穩(wěn)態(tài)運(yùn)行1 s的電流離散時間序列，共100 000個點(diǎn)。對電流時間序列進(jìn)行低通濾波，設(shè)定閾值k=300，當(dāng)k在［1，300］和［99 700，99 999］范圍內(nèi)時，保留其諧波系數(shù)Ak;當(dāng)不在其范圍內(nèi)時，令A(yù)k=0，從而得到新的諧波系數(shù)。再根據(jù)反變換公式得到濾波后的電流波形。濾波前后的電動自行車充電器電流波形對比如圖3所示。

2.2 V-I軌跡生成

把電壓和濾波后的電流時間序列歸一化至［0，1］范圍內(nèi)，即

im（t）=i（t）－imin（t）imax－imin（3）

um（t）=u（t）－umin（t）umax－umin（4）

式中： im（t）、um（t）——?dú)w一化后的電流時間序列和電壓時間序列;

imax、imin——一段時間內(nèi)的電流最大值和最小值;

umax、umin——一段時間內(nèi)的電壓最大值和最小值;

i（t）、u（t）——原始電流時間序列和電壓時間序列。

創(chuàng)建一個N×N的初始矩陣A，初始矩陣A中的任意元素aij=255，N=256。之后對歸一化的電壓電流時間序列取整。定義［x］為不超過x的最大整數(shù)。

Um（t）=［Num（t）］（5）

Im（t）=［Nim（t）］（6）

式中： Um（t）、Im（t）——經(jīng)過取整后的電壓、電流離散時間序列。

以Um（t）為橫坐標(biāo)，以Im（t）為縱坐標(biāo)，在矩陣A中把對應(yīng)的位置標(biāo)記為0。

令矩陣A中的元素為

a［Um（t）］［Im（t）］=0（7）

即可生成含有負(fù)荷特征信息的V-I軌跡矩陣。

把V-I軌跡矩陣另存為圖片格式，即可生成V-I軌跡圖。單一負(fù)載和組合負(fù)載的V-I軌跡如圖4所示。每一種負(fù)載狀態(tài)的V-I軌跡都有其明顯的特征，易于區(qū)分和識別。

3 改進(jìn)MobileNetv2輕量卷積網(wǎng)絡(luò)

V-I軌跡是以圖像化的方式展現(xiàn)負(fù)載的阻抗特性?；谏疃葘W(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)是提取圖像特征的有效方法，可以結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對負(fù)載種類進(jìn)行識別，從而減小模型內(nèi)存，提高計算速度，同時避免模型在訓(xùn)練過程中的梯度消失和梯度爆炸。本文對MobileNetv2的結(jié)構(gòu)進(jìn)行改進(jìn)，構(gòu)成改進(jìn)的MobileNetv2網(wǎng)絡(luò)。MobileNetv2網(wǎng)絡(luò)采用深度可分離卷積結(jié)構(gòu)，該結(jié)構(gòu)在分類準(zhǔn)確度上比傳統(tǒng)卷積網(wǎng)絡(luò)結(jié)構(gòu)略低，但是模型運(yùn)算次數(shù)、待訓(xùn)練參數(shù)都遠(yuǎn)少于傳統(tǒng)卷積網(wǎng)絡(luò)結(jié)構(gòu)。在分類準(zhǔn)確度相近時，深度可分離卷積的訓(xùn)練時間和響應(yīng)速度都遠(yuǎn)高于傳統(tǒng)卷積網(wǎng)絡(luò)結(jié)構(gòu)。

以單層卷積結(jié)構(gòu)為例，設(shè)N1為輸入通道數(shù)，N2為輸出通道數(shù)，n為卷積核大小。

傳統(tǒng)卷積的參數(shù)數(shù)量為

W1=N1N2n2（8）

深度可分離卷積的參數(shù)數(shù)量為

W2=N1n2+N1N2（9）

W2W1=N1n2+N1N2N1N2n2=1N2+1n2（10）

由式（10）可知，深度可分離卷積的超參數(shù)僅為傳統(tǒng)卷積的1N2+1n2。

MobileNetv2網(wǎng)絡(luò)大量使用了倒殘差（Inverted Residual Block）結(jié)構(gòu)。Mobilenetv2網(wǎng)絡(luò)的倒殘差結(jié)構(gòu)bottleneck如圖5所示。在block1結(jié)構(gòu)中，先采用1×1卷積升維，增加輸入張量通道數(shù)和模型的非線性特性。在block2結(jié)構(gòu)中，使用深度可分離卷積進(jìn)行特征提取，減少模型的參數(shù)量和計算量。最后用1×1卷積做深度降維，減少通道數(shù)的同時保留特征信息。輸出部分采用殘差式的結(jié)構(gòu)有助于深度神經(jīng)網(wǎng)絡(luò)更好地學(xué)習(xí)特征表示，并且加速網(wǎng)絡(luò)的收斂，緩解深度神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中產(chǎn)生的梯度消失和梯度爆炸。

MobileNetv2原網(wǎng)絡(luò)在保存參數(shù)和框架后為6.9 M。本文在保留Mobilenetv2原有網(wǎng)絡(luò)特征的基礎(chǔ)上對網(wǎng)絡(luò)結(jié)構(gòu)做出簡化和改進(jìn)，精簡MobileNetv2原網(wǎng)絡(luò)的bottleneck層級結(jié)構(gòu)和輸入輸出通道數(shù)，簡化和改進(jìn)后的模型內(nèi)存為2.8 MB。

改進(jìn)Mobilenetv2網(wǎng)絡(luò)以t、c、n、s共4個參數(shù)定義網(wǎng)絡(luò)的bottleneck層級結(jié)構(gòu)，其中t為擴(kuò)展因子，c為輸出矩陣的特征深度（輸出通道數(shù)），n為bottleneck的重復(fù)次數(shù)，s為步長。改進(jìn)MobileNetv2網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。表2中Avgpool2d為自適應(yīng)平均池化層，flatten為數(shù)據(jù)展平層，展平后的數(shù)據(jù)作為全連接分類器的輸入，linear和output作為全連接分類器，根據(jù)輸入數(shù)據(jù)輸出相應(yīng)的負(fù)載標(biāo)簽。

改進(jìn)MobileNetv2模型基于PyTorch架構(gòu)搭建，PyTorch搭建完成后的模型超參數(shù)精度默認(rèn)為float32類型。超參數(shù)精度越高，模型對數(shù)據(jù)的擬合效果越好，但是高精度參數(shù)會大幅增加模型的內(nèi)存和計算量，因此在不影響模型精準(zhǔn)度的前提下，可以對數(shù)據(jù)的精度做進(jìn)一步量化，以降低內(nèi)存占用（float16內(nèi)存約為float32的1/2），獲得更低的功耗和更快的計算速度。本文把改進(jìn)MobileNetv2模型的超參數(shù)精度壓縮為float16類型，對模型內(nèi)存做進(jìn)一步的壓縮，從而把模型的內(nèi)存壓縮為1.5 MB，最終模型的大小約為原模型的20%。

4 算例分析

本文基于電動自行車、熱水壺、微波爐、吹風(fēng)機(jī)共4類電器負(fù)載，以及這些電器不同組合方式的狀態(tài)為實(shí)驗對象，從模型的泛化性能、采樣頻率選取和不同網(wǎng)絡(luò)的識別準(zhǔn)確率這幾個方面對比驗證改進(jìn)MobileNetv2網(wǎng)絡(luò)的可靠性。

4.1 改進(jìn)MobileNetv2模型的識別準(zhǔn)確率

首先對比模型在不同采樣頻率下的識別精準(zhǔn)度。過低的采樣頻率會影響數(shù)據(jù)的精度，過高的采樣頻率會對采樣的硬件設(shè)備有更高的要求。因此在保證準(zhǔn)確度的條件下選取合適的采樣率十分必要。

以表1中的負(fù)載組合為實(shí)驗對象，采樣率分別取1 k、5 k、10 k、50 k、100 k、150 k和200 k。以1 s的時間窗為窗口生成V-I軌跡作為特征樣本，每一種負(fù)載狀態(tài)取300個樣本，并按2∶1的比例劃分為訓(xùn)練集和測試集。訓(xùn)練集和測試集分別對簡化MobileNetv2模型進(jìn)行訓(xùn)練和測試，以此驗證該模型對不同采樣頻率下的V-I軌跡特征的識別準(zhǔn)確率。不同采樣頻率下的準(zhǔn)確率如表3所示。

由表3可知，在1 k～100 kHz的采樣頻率范圍內(nèi)，改進(jìn)MobileNetv2模型準(zhǔn)確率隨著采樣頻率的上升而上升。采樣頻率高于100 kHz時，識別準(zhǔn)確率幾乎不再變化，因此可選取100 kHz為最佳采樣率。

4.2 不同品牌充電器的模型泛化性能驗證

由于電動自行車充電器品牌多種多樣，同一個電動自行車有可能用不同品牌的充電器進(jìn)行充電，而不同品牌充電器呈現(xiàn)的V-I軌跡特征有所不同。如果用每一種電動自行車充電器來訓(xùn)練模型是不現(xiàn)實(shí)的，需要改進(jìn)MobilelNetv2模型具備一定的泛化性能，即模型在面對新的、未訓(xùn)練過的數(shù)據(jù)時，能夠?qū)@些數(shù)據(jù)正確識別。4種不同品牌的充電器規(guī)格如表4所示;不同型號充電器的V-I軌跡如圖6所示。

以充電器1和充電器2、吹風(fēng)機(jī)、熱水壺、微波爐這5個負(fù)載為訓(xùn)練對象，每個類別采200個樣本;以充電器3和充電器4、吹風(fēng)機(jī)、熱水壺、微波爐這5個負(fù)載為測試對象，每個類別100個樣本，驗證改進(jìn)MobileNetv2模型的泛化性能。選取帶有電量顯示的充電器和未帶電量顯示的電動車充電器可以更全面地覆蓋電動車充電器的樣本特征，提升模型的泛化性。

引入精確率Pacc和召回率Precall作為評價指標(biāo)，計算公式為

Pacc=TPTP+FP（11）

Precall=TPTP+FN（12）

式中： TP——把正類預(yù)測為正類的樣本數(shù);

FP——把負(fù)類預(yù)測為正類的樣本數(shù);

FN——正類預(yù)測為負(fù)類的樣本數(shù)。

測試集測試結(jié)果的混淆矩陣如圖7所示。根據(jù)混淆矩陣中的測試結(jié)果，可以得出每一類負(fù)載狀態(tài)的準(zhǔn)確率和召回率，泛化性實(shí)驗的平均準(zhǔn)確率為97.1%。不同負(fù)載狀態(tài)的精確率和召回率如表5所示。

4.3 遷移學(xué)習(xí)的應(yīng)用

針對負(fù)荷識別領(lǐng)域，遷移學(xué)習(xí)有助于解決在新負(fù)載加入時模型的訓(xùn)練更新問題。當(dāng)全新的負(fù)載種類出現(xiàn)時，模型結(jié)構(gòu)的卷積層結(jié)構(gòu)可以不用改變，只需改變模型在最后的全連接層輸出的神經(jīng)元個數(shù)即可實(shí)現(xiàn)模型遷移。

把白熾燈作為全新負(fù)載加入，并與已有負(fù)載進(jìn)行組合生成組合負(fù)載，作為新的樣本集（每個樣本集采集300個樣本，按2∶1的比例劃分為訓(xùn)練集和測試集）。負(fù)載組合如表6所示。以表6中的負(fù)載組合作為新加入的負(fù)載，把原有模型A卷積層的超參數(shù)作為源域（類別數(shù)16），再把卷積層超參數(shù)遷移到只改變?nèi)B接層的目標(biāo)域模型B中（類別數(shù)20）。

遷移學(xué)習(xí)對比結(jié)果如圖8所示。

由圖8可知，未使用遷移學(xué)習(xí)的模型在訓(xùn)練約20次時進(jìn)入收斂狀態(tài)，經(jīng)過遷移學(xué)習(xí)的模型只需要經(jīng)過3次訓(xùn)練就可以進(jìn)入收斂狀態(tài)，由此可見，使用遷移學(xué)習(xí)可以大幅度提升模型的訓(xùn)練效率。由圖8可見，使用遷移學(xué)習(xí)的模型的準(zhǔn)確率的最高點(diǎn)為99.6%，未使用遷移學(xué)習(xí)的模型的準(zhǔn)確率的最高點(diǎn)為99.3%。

4.4 不同網(wǎng)絡(luò)模型對比

為了比較不同算法在同一個數(shù)據(jù)集下的識別能力，基于表1中的實(shí)驗對象，列出在識別準(zhǔn)確率和模型大小、特征種類這3個方面的差異，對不同網(wǎng)絡(luò)模型的負(fù)荷識別效果進(jìn)行比較。不同模型的準(zhǔn)確率和所占內(nèi)存大小比較如表7所示。

由表7可知，改進(jìn)MobileNetv2能夠達(dá)到ResNext50、MobileNetv2相似的準(zhǔn)確度，在模型大小方面遠(yuǎn)小于這2個網(wǎng)絡(luò)，有利于減小計算內(nèi)存和模型訓(xùn)練時間。

5 在線識別對比實(shí)驗

5.1 基于上位機(jī)的在線檢測系統(tǒng)搭建

上位機(jī)系統(tǒng)為Win10操作系統(tǒng)，NVIDIA GeFORCE RTX2070 GPU，16GB內(nèi)存的64位計算機(jī)，數(shù)據(jù)采集裝置為NI_USB6351采集卡。

以改進(jìn)MobileNetv2模型進(jìn)行在線檢測。上位機(jī)側(cè)負(fù)荷在線檢測系統(tǒng)搭建如圖9所示?；赑yQt5搭建UI界面顯示V-I軌跡和識別結(jié)果，當(dāng)識別到負(fù)載時，對應(yīng)的負(fù)載類型以紅色顯示。

在線驗證以運(yùn)行1 s的數(shù)據(jù)為1組，判別5組數(shù)據(jù)，選擇5組數(shù)據(jù)中同一標(biāo)簽數(shù)量最多的標(biāo)簽作為最終識別結(jié)果。測試電動自行車（用表4中4種不同品牌的充電器充電）、微波爐、熱水壺、吹風(fēng)機(jī)4種負(fù)載及其狀態(tài)組合，每種運(yùn)行狀態(tài)運(yùn)行60 s，總體識別準(zhǔn)確率為98.5%。

5.2 基于K210芯片的在線檢測樣機(jī)搭建

邊緣側(cè)部署有利于減少檢測裝置的設(shè)備安裝成本，因此將模型部署在邊緣側(cè)也有重要的實(shí)際意義。本文基于K210芯片搭建在線檢測樣機(jī)，實(shí)現(xiàn)模型的邊緣側(cè)部署。

和上位機(jī)端不同的是，K210芯片的算力和內(nèi)存容量遠(yuǎn)不及上位機(jī)系統(tǒng)，數(shù)據(jù)量大會造成模型運(yùn)行時間超時，因此需要對改進(jìn)MobileNetv2模型再次簡化，構(gòu)成一維MobileNetv2模型，并基于一維電流數(shù)據(jù)作為數(shù)據(jù)特征對負(fù)荷進(jìn)行識別。

K210芯片側(cè)負(fù)荷在線檢測系統(tǒng)搭建如圖10所示。首先在電腦端訓(xùn)練網(wǎng)絡(luò)模型，然后保留模型參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，再將其轉(zhuǎn)換成kmodel模型并燒寫進(jìn)K210芯片。

K210沒有內(nèi)置AD轉(zhuǎn)換模塊和模擬輸入接口，因此要通過控制外部AD轉(zhuǎn)換芯片，并通過讀取AD芯片的數(shù)字輸出采集電流數(shù)據(jù)。

K210在線檢測樣機(jī)如圖11所示。主要由K210核心板、5 V電源轉(zhuǎn)接模塊、數(shù)據(jù)采集模塊、電流互感器構(gòu)成。程序由定時器中斷回調(diào)函數(shù)控制AD芯片定時采集電流數(shù)據(jù)，模型放入K210的內(nèi)部核心1，采集的點(diǎn)數(shù)尚未達(dá)到指定點(diǎn)數(shù)N時，模型不計算;采集夠一定點(diǎn)數(shù)N時，把數(shù)據(jù)送入內(nèi)部核心1的模型，并命令模型進(jìn)行計算和識別，輸出對應(yīng)結(jié)果。

實(shí)驗結(jié)果對比如表8所示。上位機(jī)端的在線檢測裝置具有較高的識別效果，但是裝置搭建成本高，K210端的識別準(zhǔn)確率略低于上位機(jī)，但是可以較低的成本實(shí)現(xiàn)模型部署和負(fù)荷識別。

6 結(jié) 語

本文利用負(fù)載以及負(fù)載組合的V-I軌跡特征和改進(jìn)MobileNetv2模型對電動自行車入戶充電行為進(jìn)行識別，設(shè)計相關(guān)實(shí)驗場景驗證模型的各項性能，并基于上位機(jī)和K210芯片搭建在線檢測系統(tǒng)，實(shí)現(xiàn)電動自行車入戶充電行為的在線識別。

以V-I軌跡為特征呈現(xiàn)不同負(fù)載組合的運(yùn)行特性，結(jié)合改進(jìn)MobileNetv2模型提取單一負(fù)載和組合負(fù)載的V-I軌跡特征，不僅能夠在電動自行車單獨(dú)充電時準(zhǔn)確識別，在電動自行車充電行為和常用家庭負(fù)載組合運(yùn)行時也能識別。結(jié)合相關(guān)實(shí)驗場景，從采樣率選取、泛化性能、遷移學(xué)習(xí)、不同網(wǎng)絡(luò)對比4個方面驗證了改進(jìn)MobileNetv2模型的各項性能和優(yōu)勢。

搭建上位機(jī)在線檢測系統(tǒng)和K210在線檢測樣機(jī)，分別在在線場景下識別電動自行車入戶充電行為。綜合比較兩者特點(diǎn)，可以得出上位機(jī)在線檢測系統(tǒng)的識別準(zhǔn)確率高于K210在線檢測樣機(jī)，K210在線檢測樣機(jī)的設(shè)備成本低于上位機(jī)在線檢測系統(tǒng)。

【參 考 文 獻(xiàn)】

［1］ 鄭大發(fā).電瓶車火災(zāi)的成因分析及預(yù)防思考［J］.科技展望，2014（21）：221.

［2］ 郭紅霞，陸進(jìn)威，楊蘋，等.非侵入式負(fù)荷監(jiān)測關(guān)鍵技術(shù)問題研究綜述［J］.電力自動化設(shè)備，2021，41（1）：135-146.

［3］ 燕續(xù)峰，翟少鵬，王治華，等.深度神經(jīng)網(wǎng)絡(luò)在非侵入式負(fù)荷分解中的應(yīng)用［J］.電力系統(tǒng)自動化，2019，43（1）：126-132，167.

［4］ 欒文鵬，馬純偉，趙博超，等.非侵入式電動自行車充電負(fù)荷在線識別［J］.電力系統(tǒng)及其自動化學(xué)報，2022，34（10）：1-7，14.

［5］ 施雨松，徐青山，鄭建.基于特征選擇與增量學(xué)習(xí)的非侵入式電動自行車充電辨識方法［J］.電力系統(tǒng)自動化，2021，45（7）：87-94.

［6］ 鮑光海，黃逸欣.基于ResNeXt網(wǎng)絡(luò)和遷移學(xué)習(xí)的非侵入式負(fù)荷監(jiān)測［J］.電力系統(tǒng)自動化，2023，47（13）：110-120.

［7］ 李悅，程志友，程安然，等.基于改進(jìn)YOLOv5s的非侵入式負(fù)荷識別［J］.安徽大學(xué)學(xué)報（自然科學(xué)版），2023，47（5）：51-57.

［8］ 裘星，尹仕紅，張之涵，等.基于改進(jìn)生成對抗網(wǎng)絡(luò)的非侵入式負(fù)荷預(yù)測樣本不均衡的改善方法［J］.電器與能效管理技術(shù)，2022（3）：23-29.

［9］ 陳軍鋒，王雪，張效天.非侵入式負(fù)荷識別邊緣計算顏色編碼研究［J］.儀器儀表學(xué)報，2020，41（9）：12-19.

［10］ 魏星琦，張宸宇，繆惠宇，等.基于多特征融合的非侵入式負(fù)荷辨識方法研究［J］.電器與能效管理技術(shù)，2023（7）：55-60，76.

［11］ 汪穎，楊維，肖先勇，等.基于V-I軌跡曲線精細(xì)化識別的非侵入式居民負(fù)荷監(jiān)測方法［J］.電網(wǎng)技術(shù)，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，尹仕紅，張之涵，等.基于V-I軌跡與高次諧波特征的非侵入式負(fù)荷識別方法［J］.電力工程技術(shù)，2021，40（6）：34-42.

［14］ 解洋，梅飛，鄭建勇，等.基于V-I軌跡顏色編碼的非侵入式負(fù)荷識別方法［J］.電力系統(tǒng)自動化，2022，46（4）：93-102.

［15］ 林順富，詹銀楓，李毅，等.基于CNN-BiLSTM與DTW的非侵入式住宅負(fù)荷監(jiān)測方法［J］.電網(wǎng)技術(shù)，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］ 施軍花.綠色認(rèn)證在低壓電器中的運(yùn)用研究［J］.電器與能效管理技術(shù)，2017（16）：77-82.

［18］ 黃柏強(qiáng)，陳建基，李盛佳，等.分時電價背景下光伏出力園區(qū)電動汽車的有序充電策略［J］.電器與能效管理技術(shù)，2022（9）：58-65.

［19］ 季慧玉，黃兢業(yè)，李雪.用戶端系統(tǒng)及智能電器的能效管理標(biāo)準(zhǔn)化研究與應(yīng)用［J］.電器與能效管理技術(shù)，2014（9）：68-72.

收稿日期： 20240624