电动自行车室内充电行为识别的方法、系统、设备及介质与流程

本发明涉及电动车，具体而言，涉及一种电动自行车室内充电行为识别的方法、系统、计算机设备及计算机可读存储介质。

背景技术：

1、随着人们生活水平的提高，家用电器普及度迅速提高，电器的种类也越来越丰富，其中就包含了一些不合规的电器负载。这些不合规的电器负载如果在室内使用将对电网质量或居民人身财产安全形成安全隐患，因此有必要采用技术手段对电器负荷进行辨识。

2、我国电动自行车年销量超过3000万辆，社会保有量接近3亿辆。电动自行车充电电池的存量及增量都非常大。近年来，电动自行车在室内充电、保存等违规情况经常引发火灾、爆炸，严重危害民众生命财产安全。目前电器负荷非侵入式识别方法主要针对大功率电器，通过识别线路中有功功率变化并结合机器学习等技术，判断是否存在大功率电器违规使用等情况。目前尚无针对电动自行车等小功率电器负荷识别方法。

技术实现思路

1、为解决上述现有技术问题，本发明提供一种电动自行车室内充电行为识别的方法，包括以下步骤：

2、通过采集模组采集室内电路中电流波形信号并通过所述集中器上传至所述云端分析平台；

3、所述云端分析平台通过预设的负荷识别算法模态分解所述室内电路中所述电流波形信号生成本征模态特征，并与预设的特征库中电动自行车充电的所述电流波形信号的目标模态特征进行相关性的数据的分析和处理；

4、若通过所述负荷识别算法判断出存在所述相关性则使用概率的迭代来识别出电动自行车室内充电行为，同时更新所述本征模态特征到所述特征库且产生和推送报警信息给监管部门及用户，若判断出所述相关性不存在，则所述负荷识别算法回到初始状态。

5、进一步的，所述特征库录入不同类型电动自行车充电的目标模态特征，且所述本征模态特征和所述目标模态特征的数量至少一个。

6、进一步的，所述负荷识别算法由vmd模态分解算法、神经网络训练算法和贝叶斯概率迭代算法组成；

7、所述vmd模态分解算法模态分解所述本征模态特征，并与所述特征库中所述目标模态特征进行所述相关性的分析和得到所述相关性的矩阵。

8、进一步的，所述神经网络算法对所述相关性的所述矩阵中的所述数据进行处理和判断，符合所述相关性，所述神经网络算法调用所述贝叶斯概率迭代算法对所述相关性的所述矩阵进行所述概率的迭代，同时将所述本征模态特征更新到所述特征库；不符合相关性，所述负荷识别算法回到所述初始状态。

9、进一步的，所述贝叶斯概率迭代算法通过在指定数量的判断周期内迭代的所述概率高于设定限值时来识别出所述电动自行车室内充电行为。

10、进一步的，电能表内置现有的所述采集模组通过现有的所述集中器来上传所述室内电路中所述电流波形信号。

11、进一步的，所述云端分析平台通过所述采集模组采集所述室内电路中所述电流波形信号来对各个功率的电器进行分析识别。

12、进一步的，所述云端分析平台通过云计算技术来远程、快速、实时识别所述电动自行车室内充电行为。

13、本发明还提出一种电动自行车室内充电行为识别的系统，应用于所述一种电动自行车室内充电行为识别的方法，包括：所述采集模块、所述集中模块和所述云端分析模块；

14、其中，所述采集模块用于通过采集所述室内电路中所述电流波形信号并通过所述集中模块上传至所述云端分析模块；

15、所述集中模块包括所述集中器，所述集中器用于压缩上传所述电流波形信号到所述云端分析模块；

16、所述云端分析模块用于通过预设的所述负荷识别算法模态分解所述室内电路中所述电流波形信号生成所述本征模态特征，并与预设的所述特征库中所述电动自行车充电的所述电流波形信号的所述目标模态特征进行所述相关性的数据的分析和处理；

17、若所述负荷识别算法判断出存在所述相关性则使用概率的迭代来识别出所述电动自行车室内充电行为，同时更新所述本征模态特征到所述特征库且产生和推送所述报警信息给所述监管部门及所述用户，若判断出所述相关性不存在，则所述负荷识别算法回到所述初始状态。

18、为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

19、所述计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现所述的电动自行车室内充电行为识别的方法的步骤。

20、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

21、所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现所述的所述的电动自行车室内充电行为识别的方法的步骤。

22、本申请实施例提供了一种电动自行车室内充电行为识别的方法，包括以下步骤：采集模组采集室内电路中电流波形信号并通过所述集中器上传至所述云端分析平台；所述云端分析平台通过负荷识别算法模态分解所述室内电路中所述电流波形信号生成本征模态特征并与特征库中电动自行车充电的所述电流波形信号的目标模态特征进行相关性的数据的分析和处理，并判断出存在所述相关性则使用概率的迭代来识别出电动自行车室内充电行为，同时更新所述本征模态特征到所述特征库且产生和推送报警信息给监管部门及用户，判断所述相关性不存在，所述负荷识别算法回到初始状态。本发明实施例提供的一种电动自行车室内充电行为识别的方法,克服了现有技术识别对象单一，速度慢，精度低和成本高的缺点。电流波形在后台进行特征识别，特征库和识别算法均放置在云端平台，消除了前端设备的计算压力，保证了分析速度。采用神经网络技术，使系统具备自学习功能，通过对数据都分析不断对算法和数据库进行迭代更新，以保证系统的可靠性和准确性。建立覆盖市场上绝大多数电动自行车电池特征的数据库，并通过系统自学习功能不断自我丰富，提升辨识方法的准确性，可以保证所述方法对不同类型电动自行车进行有效识别。负荷识别算法不受限于电路功率大小，在各种负荷条件下均需稳定工作，不在线路上加装额外电气设备以及通讯设备，有效降低安装成本和使用成本。能够针对电动自行车充电行为进行针对性识别，并且可根据实际需求改变识别对象，识别率和误报率满足监管需求，识别速度和准确性优于现有技术。

技术特征：

1.一种电动自行车室内充电行为识别的方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种电动自行车室内充电行为识别的方法，其特征在于，所述特征库录入不同类型电动自行车充电的目标模态特征，且所述本征模态特征和所述目标模态特征的数量至少一个。

3.如权利要求1所述的一种电动自行车室内充电行为识别的方法，其特征在于，所述负荷识别算法由vmd模态分解算法、神经网络训练算法和贝叶斯概率迭代算法组成；

4.如权利要求3所述的一种电动自行车室内充电行为识别的方法，其特征在于，所述神经网络算法对所述相关性的所述矩阵中的数据进行处理和判断，若符合所述相关性，所述神经网络算法调用所述贝叶斯概率迭代算法对所述相关性的所述矩阵进行所述概率的迭代，同时将所述本征模态特征更新到所述特征库；若不符合相关性，所述负荷识别算法回到所述初始状态。

5.如权利要求4所述的一种电动自行车室内充电行为识别的方法，其特征在于，所述贝叶斯概率迭代算法通过在指定数量的判断周期内迭代的所述概率高于设定限值时来识别出所述电动自行车室内充电行为。

6.如权利要求1所述的一种电动自行车室内充电行为识别的方法，其特征在于，所述云端分析平台通过所述采集模组采集所述室内电路中所述电流波形信号来对各个功率的电器进行分析识别。

7.如权利要求1所述的一种电动自行车室内充电行为识别的方法，其特征在于，所述云端分析平台通过云计算技术来远程、快速、实时识别所述电动自行车室内充电行为。

8.一种电动自行车室内充电行为识别的系统，应用于如权利要求1-7任一项所述的方法，其特征在于，包括：采集模块、集中模块和云端分析模块；

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的电动自行车室内充电行为识别的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的所述的电动自行车室内充电行为识别的方法的步骤。

技术总结
本发明提出了一种电动自行车室内充电行为识别的方法，涉及电动车技术领域。采集模组采集室内电路中电流波形信号并通过集中器上传至云端分析平台；所述云端分析平台通过负荷识别算法模态分解所述室内电路中所述电流波形信号生成本征模态特征并与特征库中电动自行车充电的所述电流波形信号的目标模态特征进行相关性的数据的分析和处理，并判断出存在所述相关性则使用概率的迭代来识别出电动自行车室内充电行为，同时更新所述本征模态特征到所述特征库且产生和推送报警信息给监管部门及用户，判断所述相关性不存在，所述负荷识别算法回到初始状态，克服了现有技术识别对象单一，速度慢，精度低和成本高的缺点，实现实时检测、预警和自主学习的功能。

技术研发人员：赵志华,王焕宁,黄艳,檀恒宇,盖旭刚,刘圆,李楠,罗琛
受保护的技术使用者：北京市计量检测科学研究院
技术研发日：
技术公布日：2024/1/15