摘 要： 為杜絕安全隱患，利用V-I軌跡和改進MobileNetv2模型對入戶充電行為進行在線辨識。設計實驗場景，從采樣率選取、遷移學習、泛化性和不同網絡對比4個方面驗證模型性能，最后把模型部署到上位機和K210芯片上。上位機系統(tǒng)在電動自行車單獨充電時準確識別，當充電行為和常用家庭負載混合運行時，識別準確率達到98%以上。

關鍵詞： V-I軌跡; 改進MobileNetv2模型; 遷移學習; 在線識別

中圖分類號： TM73

文獻標志碼： 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)內部的充電設施有限，不少用戶選擇把電動自行車放入家中進行充電。由于電動自行車充電時間長，長時間充電可能會造成火災，對居民的人身安全造成威脅^［1］。非侵入式負荷監(jiān)測（NILM）技術能夠利用在總線處單點測量的數據識別用戶內部的負荷^［2］，實現對住戶內部的用電信息進行實時監(jiān)測，以防范危險用電行為的發(fā)生。

基于深度學習構建非侵入式負荷識別模型已成為當前較為主流的方法。數據特征的選取和預處理會直接影響負荷識別模型的判別結果，常見的負荷特征含諧波特征、阻抗特征、功率特征等。文獻［3］基于電器功率變化曲線構建電器時間特性模型，并基于深度神經網絡（DNN）實現負荷分解。文獻［4-5］以負荷功率為特征對電動自行車充電行為進行識別，并結合支持向量機判別住戶內部的電動自行車充電行為，但是負荷功率特征較為單一，在大功率負載和小功率負載相混疊的情況下無法獲得很好的識別效果。文獻［6］使用格拉姆角場（GAF）二維圖像作為負荷特征，結合ResNeXt50網絡對AMPds和UK-DALE數據集的負載組合進行分類識別，但是GAF圖像對低頻數據的識別效果較好，對高頻數據不夠敏感。文獻［7］基于改進的YOLOv5s對V-I軌跡特征圖像進行識別，但是YOLOv5s網絡結構較為復雜，在實際的應用場景中有一定的局限性。文獻［8］提出一種基于改進生成對抗網絡的樣本不均衡改善方法，并結合公開數據集對該方法進行驗證。基于二維圖像呈現負荷特征往往會讓模型擁有較好的識別效果，文獻［9-10］提出一種基于GAF的顏色編碼負荷標識構建方法。文獻［11-16］以二維圖像的方式呈現出負載的V-I軌跡特性，和GAF圖像相比，V-I軌跡更有利于捕捉負載的高頻特征，且實時性更強，為本文的負載特征選取提供了思路。上述文獻從負荷數據處理方法和深度學習模型構建2個方面對負荷識別進行研究，并結合公開數據集驗證網絡的有效性，但沒有實現實時在線識別。

為了準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，本文利用負荷的V-I軌跡特征和改進MobileNetv2模型，采用非侵入式的方法對電動自行車充電行為進行在線識別，不僅可以識別出電動自行車充電器負載，還可以識別出常用的家庭負載，并通過實驗驗證了識別的準確性。該方法不僅可以杜絕電動自行車入戶充電行為，還可以根據家庭負載的運行狀況指導居民用電，培養(yǎng)居民良好的用電習慣，實現綠色低碳發(fā)展^［17-19］。

1 負荷識別方法和負載對象選取

1.1 負荷識別整體系統(tǒng)搭建

負荷識別流程圖如圖1所示。負荷識別主要由數據采集、數據預處理、模型訓練和在線識別4個部分組成。數據采集部分需要借助數據采集卡等裝置采集負荷的電壓電流的原始數據，構成負荷數據集。數據預處理的主要工作是提取電壓電流原理原始數據的特征，如V-I軌跡特征、負荷功率特征等。模型訓練部分是利用深度學習、機器學習的方法學習預處理后的樣本特征并進行離線檢測，得到合適的模型架構和參數。最后把模型嵌入在線檢測系統(tǒng)中，實現負荷的實時識別。

1.2 負載對象選取

在實際的非侵入式應用場景中，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。在進行非侵入式的負荷識別時，要綜合考慮單一負載和組合負載運行的情況。本文選取了熱水壺、微波爐、吹風機等常用家庭負荷，研究在單一負載和組合負載場景下電動自行車充電行為的識別情況。

采用one-hot二進制編碼的方式對這4類負載以及負載相互疊加的狀態(tài)做標簽，其中每一個標簽對應一種負載狀態(tài)。當負載投切時標記為1，當負載斷開時標記為0。實驗對象的選取如表1所示。

2 基于V-I軌跡特征的數據預處理

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

2.1 數據采集和濾波

在上位機編寫程序調用數據采集卡采集負載組合的電壓電流信號并保存，構成負荷數據集。4種負載的電流波形如圖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軌跡訓練模型時，容易讓模型產生過擬合。為了消除高頻噪聲干擾，需要對負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載的高次諧波。

設定離散電流序列為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為

Ak=∑N－1k=0x［n］e^－j2πkN（2）

式中： N——采樣的總點數;

n——［0，N］范圍內的任意一個采樣點;

Ak——諧波系數。

采集負載穩(wěn)態(tài)運行1 s的電流離散時間序列，共100 000個點。對電流時間序列進行低通濾波，設定閾值k=300，當k在［1，300］和［99 700，99 999］范圍內時，保留其諧波系數Ak;當不在其范圍內時，令Ak=0，從而得到新的諧波系數。再根據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，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）——歸一化后的電流時間序列和電壓時間序列;

imax、imin——一段時間內的電流最大值和最小值;

umax、umin——一段時間內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。

Um（t）=［Num（t）］（5）

Im（t）=［Nim（t）］（6）

式中： Um（t）、Im（t）——經過取整后的電壓、電流離散時間序列。

以Um（t）為橫坐標，以Im（t）為縱坐標，在矩陣A中把對應的位置標記為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。單一負載和組合負載的V-I軌跡如圖4所示。每一種負載狀態(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MobileNetv2輕量卷積網絡

V-I軌跡是以圖像化的方式展現負載的阻抗特性?；谏疃葘W習的卷積神經網絡是提取圖像特征的有效方法，可以結合卷積神經網絡對負載種類進行識別，從而減小模型內存，提高計算速度，同時避免模型在訓練過程中的梯度消失和梯度爆炸。本文對MobileNetv2的結構進行改進，構成改進的MobileNetv2網絡。MobileNetv2網絡采用深度可分離卷積結構，該結構在分類準確度上比傳統(tǒng)卷積網絡結構略低，但是模型運算次數、待訓練參數都遠少于傳統(tǒng)卷積網絡結構。在分類準確度相近時，深度可分離卷積的訓練時間和響應速度都遠高于傳統(tǒng)卷積網絡結構。

以單層卷積結構為例，設N1為輸入通道數，N2為輸出通道數，n為卷積核大小。

傳統(tǒng)卷積的參數數量為

W1=N1N2n2（8）

深度可分離卷積的參數數量為

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僅為傳統(tǒng)卷積的1N2+1n2。

MobileNetv2網絡大量使用了倒殘差（Inverted Residual Block）結構。Mobilenetv2網絡的倒殘差結構bottleneck如圖5所示。在block1結構中，先采用1×1卷積升維，增加輸入張量通道數和模型的非線性特性。在block2結構中，使用深度可分離卷積進行特征提取，減少模型的參數量和計算量。最后用1×1卷積做深度降維，減少通道數的同時保留特征信息。輸出部分采用殘差式的結構有助于深度神經網絡更好地學習特征表示，并且加速網絡的收斂，緩解深度神經網絡在學習過程中產生的梯度消失和梯度爆炸。

MobileNetv2原網絡在保存參數和框架后為6.9 M。本文在保留Mobilenetv2原有網絡特征的基礎上對網絡結構做出簡化和改進，精簡MobileNetv2原網絡的bottleneck層級結構和輸入輸出通道數，簡化和改進后的模型內存為2.8 MB。

改進Mobilenetv2網絡以t、c、n、s共4個參數定義網絡的bottleneck層級結構，其中t為擴展因子，c為輸出矩陣的特征深度（輸出通道數），n為bottleneck的重復次數，s為步長。改進MobileNetv2網絡結構如表2所示。表2中Avgpool2d為自適應平均池化層，flatten為數據展平層，展平后的數據作為全連接分類器的輸入，linear和output作為全連接分類器，根據輸入數據輸出相應的負載標簽。

改進MobileNetv2模型基于PyTorch架構搭建，PyTorch搭建完成后的模型超參數精度默認為float32類型。超參數精度越高，模型對數據的擬合效果越好，但是高精度參數會大幅增加模型的內存和計算量，因此在不影響模型精準度的前提下，可以對數據的精度做進一步量化，以降低內存占用（float16內存約為float32的1/2），獲得更低的功耗和更快的計算速度。本文把改進MobileNetv2模型的超參數精度壓縮為float16類型，對模型內存做進一步的壓縮，從而把模型的內存壓縮為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、吹風機共4類電器負載，以及這些電器不同組合方式的狀態(tài)為實驗對象，從模型的泛化性能、采樣頻率選取和不同網絡的識別準確率這幾個方面對比驗證改進MobileNetv2網絡的可靠性。

4.1 改進MobileNetv2模型的識別準確率

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

以表1中的負載組合為實驗對象，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，每一種負載狀態(tài)取300個樣本，并按2∶1的比例劃分為訓練集和測試集。訓練集和測試集分別對簡化MobileNetv2模型進行訓練和測試，以此驗證該模型對不同采樣頻率下的V-I軌跡特征的識別準確率。不同采樣頻率下的準確率如表3所示。

由表3可知，在1 k～100 kHz的采樣頻率范圍內，改進MobileNetv2模型準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行充電，而不同品牌充電器呈現的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練模型是不現實的，需要改進MobilelNetv2模型具備一定的泛化性能，即模型在面對新的、未訓練過的數據時，能夠對這些數據正確識別。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、吹風機、熱水壺、微波爐這5個負載為訓練對象，每個類別采200個樣本;以充電器3和充電器4、吹風機、熱水壺、微波爐這5個負載為測試對象，每個類別100個樣本，驗證改進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，計算公式為

Pacc=TPTP+FP（11）

Precall=TPTP+FN（12）

式中： TP——把正類預測為正類的樣本數;

FP——把負類預測為正類的樣本數;

FN——正類預測為負類的樣本數。

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

4.3 遷移學習的應用

針對負荷識別領域，遷移學習有助于解決在新負載加入時模型的訓練更新問題。當全新的負載種類出現時，模型結構的卷積層結構可以不用改變，只需改變模型在最后的全連接層輸出的神經元個數即可實現模型遷移。

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

遷移學習對比結果如圖8所示。

由圖8可知，未使用遷移學習的模型在訓練約20次時進入收斂狀態(tài)，經過遷移學習的模型只需要經過3次訓練就可以進入收斂狀態(tài)，由此可見，使用遷移學習可以大幅度提升模型的訓練效率。由圖8可見，使用遷移學習的模型的準確率的最高點為99.6%，未使用遷移學習的模型的準確率的最高點為99.3%。

4.4 不同網絡模型對比

為了比較不同算法在同一個數據集下的識別能力，基于表1中的實驗對象，列出在識別準確率和模型大小、特征種類這3個方面的差異，對不同網絡模型的負荷識別效果進行比較。不同模型的準確率和所占內存大小比較如表7所示。

由表7可知，改進MobileNetv2能夠達到ResNext50、MobileNetv2相似的準確度，在模型大小方面遠小于這2個網絡，有利于減小計算內存和模型訓練時間。

5 在線識別對比實驗

5.1 基于上位機的在線檢測系統(tǒng)搭建

上位機系統(tǒng)為Win10操作系統(tǒng)，NVIDIA GeFORCE RTX2070 GPU，16GB內存的64位計算機，數據采集裝置為NI_USB6351采集卡。

以改進MobileNetv2模型進行在線檢測。上位機側負荷在線檢測系統(tǒng)搭建如圖9所示。基于PyQt5搭建UI界面顯示V-I軌跡和識別結果，當識別到負載時，對應的負載類型以紅色顯示。

在線驗證以運行1 s的數據為1組，判別5組數據，選擇5組數據中同一標簽數量最多的標簽作為最終識別結果。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、吹風機4種負載及其狀態(tài)組合，每種運行狀態(tài)運行60 s，總體識別準確率為98.5%。

5.2 基于K210芯片的在線檢測樣機搭建

邊緣側部署有利于減少檢測裝置的設備安裝成本，因此將模型部署在邊緣側也有重要的實際意義。本文基于K210芯片搭建在線檢測樣機，實現模型的邊緣側部署。

和上位機端不同的是，K210芯片的算力和內存容量遠不及上位機系統(tǒng)，數據量大會造成模型運行時間超時，因此需要對改進MobileNetv2模型再次簡化，構成一維MobileNetv2模型，并基于一維電流數據作為數據特征對負荷進行識別。

K210芯片側負荷在線檢測系統(tǒng)搭建如圖10所示。首先在電腦端訓練網絡模型，然后保留模型參數和網絡結構，再將其轉換成kmodel模型并燒寫進K210芯片。

K210沒有內置AD轉換模塊和模擬輸入接口，因此要通過控制外部AD轉換芯片，并通過讀取AD芯片的數字輸出采集電流數據。

K210在線檢測樣機如圖11所示。主要由K210核心板、5 V電源轉接模塊、數據采集模塊、電流互感器構成。程序由定時器中斷回調函數控制AD芯片定時采集電流數據，模型放入K210的內部核心1，采集的點數尚未達到指定點數N時，模型不計算;采集夠一定點數N時，把數據送入內部核心1的模型，并命令模型進行計算和識別，輸出對應結果。

實驗結果對比如表8所示。上位機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端的識別準確率略低于上位機，但是可以較低的成本實現模型部署和負荷識別。

6 結 語

本文利用負載以及負載組合的V-I軌跡特征和改進MobileNetv2模型對電動自行車入戶充電行為進行識別，設計相關實驗場景驗證模型的各項性能，并基于上位機和K210芯片搭建在線檢測系統(tǒng)，實現電動自行車入戶充電行為的在線識別。

以V-I軌跡為特征呈現不同負載組合的運行特性，結合改進MobileNetv2模型提取單一負載和組合負載的V-I軌跡特征，不僅能夠在電動自行車單獨充電時準確識別，在電動自行車充電行為和常用家庭負載組合運行時也能識別。結合相關實驗場景，從采樣率選取、泛化性能、遷移學習、不同網絡對比4個方面驗證了改進MobileNetv2模型的各項性能和優(yōu)勢。

搭建上位機在線檢測系統(tǒng)和K210在線檢測樣機，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，可以得出上位機在線檢測系統(tǒng)的識別準確率高于K210在線檢測樣機，K210在線檢測樣機的設備成本低于上位機在線檢測系統(tǒng)。

【參 考 文 獻】

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

［2］ 郭紅霞，陸進威，楊蘋，等.非侵入式負荷監(jiān)測關鍵技術問題研究綜述［J］.電力自動化設備，2021，41（1）：135-146.

［3］ 燕續(xù)峰，翟少鵬，王治華，等.深度神經網絡在非侵入式負荷分解中的應用［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荷在線識別［J］.電力系統(tǒng)及其自動化學報，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習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網絡和遷移學習的非侵入式負荷監(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YOLOv5s的非侵入式負荷識別［J］.安徽大學學報（自然科學版），2023，47（5）：51-57.

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

［9］ 陳軍鋒，王雪，張效天.非侵入式負荷識別邊緣計算顏色編碼研究［J］.儀器儀表學報，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荷辨識方法研究［J］.電器與能效管理技術，2023（7）：55-60，76.

［11］ 汪穎，楊維，肖先勇，等.基于V-I軌跡曲線精細化識別的非侵入式居民負荷監(jiān)測方法［J］.電網技術，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荷識別方法［J］.電力工程技術，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的非侵入式住宅負荷監(jiān)測方法［J］.電網技術，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.綠色認證在低壓電器中的運用研究［J］.電器與能效管理技術，2017（16）：77-82.

［18］ 黃柏強，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，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準化研究與應用［J］.電器與能效管理技術，2014（9）：68-72.

收稿日期： 20240624