一种面向电动自行车充电的非侵入式负荷识别方法

本发明属于电动自行车充电负荷识别领域，具体的说是涉及一种面向电动自行车充电的非侵入式负荷识别方法。

背景技术：

1、随着电动自行车作为环保出行方式的普及，其充电安全性问题逐渐成为社会关注的焦点。在众多安全问题中，充电过程中的电网负荷管理尤为重要。不当的充电行为，如在高峰时段同时充电，可能导致电网过载，进而引发电力不稳，甚至触发火灾等安全事故。

2、目前，市场上存在的负荷监测方法大多数依赖于侵入式监测，这种方法需要在用户的充电设备上安装额外的监测硬件，不仅安装成本高，而且易于受到用户的抵触。此外，现有的非侵入式负荷监测技术在准确性和实用性方面仍有限，特别是在准确识别和识别电动自行车入户充电行为方面，存在着较大的提升空间。因此，近年来非侵入式负荷监测作为一种仅需要单个智能电表检测电能情况的方法得到了大量的关注。但在准确性和实用性方面仍有待提升。特别是在电动自行车充电负荷的识别和识别方面，现有的研究多集中于算法的创新，而在准确性、召回率和计算复杂度的平衡上尚未取得令人满意的成果。

3、考虑到这些局限性，需要一种优化的负荷监测方法，该方法能够在不增加侵入性传感器的情况下，准确地识别电动自行车的充电行为。此外，还需解决降低计算复杂度和错检率、漏检率高的问题，确保监测系统既高效又实用。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种面向电动自行车充电的非侵入式负荷识别方法，该方法通过智能电表非侵入式地采集用户总的用电信息，并通过一系列处理，最终通过加权融合和二次判别过程，提高电动自行车充电负荷识别的准确性和良好的实际应用性能，并为了防止漏检，在保证一定准确率的同时提升召回率，在实际应用场景中能快速精确地识别是否存在电动自行车充电事件的发生。

2、为了达到上述目的，本发明是通过以下技术方案实现的：

3、本发明是一种面向电动自行车充电的非侵入式负荷识别方法，该方法具体包括以下步骤：

4、步骤s1、使用智能电表非侵入式地获取用户总的用电信息，包括电流、电压、有功功率、无功功率，所述用电信息的采样频率为0.2hz；

5、步骤s2、对于步骤s1获取的用户总的用电信息进行时频分析，并结合标签信息选择合适的特征；

6、步骤s3、对步骤s2的特征数据进行小波分解并重构，去噪并增强特征数据中的重要特征，例如信号中的突变或不连续性；

7、步骤s4、对步骤s3处理后的特征数据进行特征缩放归一化处理；

8、步骤s5、构建自定义损失函数的lightgbm模型和tabnet模型，通过自定义损失函数通过对正样本的错误分类给予更大的惩罚来提高召回率；

9、步骤s6、使用步骤s4后的特征数据训练步骤s5中的lightgbm模型和tabnet模型，将需要识别的数据输入训练好的lightgbm模型和tabnet模型后输出识别结果；

10、步骤s7、对步骤s6识别结果进行加权融合，并使用cma-es算法计算最佳的融合权重和判定阈值，实现在保证准确率的条件下提升召回率；

11、步骤s8、进行二次判别，通过遍历识别结果序列，利用设置的阈值k和容错参数t确定状态变化的显著性和持续性，得到最终识别结果。

12、本发明进一步改进在于：为了能够选出更合适的特征来完成之后的模型训练以及识别任务，在所述步骤s2中对获取的用户总的用电信息进行时频分析具体为：结合标签信息分别做出电流、电压、有功功率、无功功率的时域波形图，选择最适配标签变化的时域特征；使用快速傅里叶变换(fft)得到已有用电信息的奇次谐波，将其作为频域特征，并做出频域波形图，这些选中的时域特征有功功率与无功功率和频域特征1、3、5、7次谐波，均作为预测模型训练的特征。

13、本发明的进一步改进在于：在所述步骤s3中，小波分解是通过小波变换将信号分解成不同尺度或层次的过程，对于一个给定的信号x(t)在其层次l的小波分解表示为：

14、

15、其中，a和b分别是小波变换的尺度和位移参数，ψ(t)是所选用的小波基函数，t表示时间或空间中的位置，是小波函数作用的具体点，对所有时间t的积分，表示在整个信号的定义域上进行积分，用于确保小波变换的归一化；

16、对于每个小波系数clj，应用软阈值处理：

17、cl′j＝sign(clj)max(clj-tl|,0)。

18、本发明进一步改进在于：在所述步骤s4中，对特征数据进行特征缩放归一化处理具体为：

19、

20、其中，是x原始数据，xmax和xmin分别是该特征在数据集中的最小值和最大值，xnorm是归一化后的值。

21、本发明的进一步改进在于：对于lightgbm模型中自定义损失函数的构建，为了在保证准确率的前提下增大召回率，设计自定义函数以针对正类别的错误分类施以更重的惩罚，利用相应的梯度和海森矩阵构造树模型并快速地指导模型向着收敛的方向迭代更新。

22、所述步骤s5具体包括以下步骤：

23、步骤s51、自定义损失函数表示为：

24、

25、其中，残差ri＝ytrue,i-ypred,i，通过对正样本的错误分类给予更大的惩罚来提高召回率，当残差ri＞0时，说明出现对正样本的错误分类，此时乘上正样本的梯度放大倍数scale，增加对正样本错误分类的惩罚；

26、步骤s52、在lightgbm模型中，梯度代表了自定义损失函数相对于lightgbm模型输出的斜率或变化率，在lightgbm模型训练的每一轮迭代中，lightgbm模型计算当前模型对每个样本的识别误差的梯度，这些梯度反映了模型识别值相对于真实值的偏差方向及大小，梯度用于指示lightgbm模型参数如何调整以减小识别误差，即指示了损失函数下降最快的方向，其对应的函数表达式如下式所示：

27、

28、其中，其中，梯度gi表示损失函数对第i个样本预测值的一阶导数。

29、步骤s53、海森矩阵是自定义损失函数对每个样本识别值的二阶导数，它代表了损失函数的局部曲率，即梯度变化的速度或模型识别误差的敏感度，在lightgbm模型中，使用梯度和海森矩阵的信息来优化树的分裂点选择和分裂点上的分裂值，确保tabnet模型在减少损失的同时，更加准确地拟合数据，通过考虑梯度和海森矩阵，lightgbm模型处理具有不同二阶导数值的数据，提高模型的鲁棒性和准确性，其对应的函数表达式如下式所示：

30、

31、其中，海森矩阵hi表示损失函数对第i个样本预测值的二阶导数。

32、本发明进一步改进在于：所述步骤s7具体包括以下步骤：

33、步骤s71、设定一个目标函数，该目标函数以权重参数和阈值为变量，lightgbm模型和tabnet模型的权重用于调和不同预测模型的识别结果，阈值用于判定最终识别状态；

34、步骤s72、通过自动化搜索算法求解所述目标函数的最优解，该最优解决定了用于结果融合的最佳权重和最佳阈值；

35、步骤s73、应用所求解的最佳权重将不同预测模型的识别结果进行加权平均，以生成一个综合结果；

36、步骤s74、使用步骤s72所确定的最佳阈值对步骤s73的综合结果进行二值化处理，得到最终的识别状态；

37、步骤s75、所述自动化搜索算法采用拥有预设参数边界的cma-es算法，该cma-es算法以预设的初始参数猜测开始搜索，并在迭代过程中优化目标函数，直至找到最优解。

38、本发明的进一步改进在于：在所述步骤s71中，所述目标函数以准确率和召回率计算识别状态的性能评分，并以此性能评分为优化目标，以在维持较高准确率的同时提高召回率。

39、本发明的进一步改进在于：在所述步骤s72中，自动化搜索算法的预设参数边界配置为限定权重参数在0到1之间的某一开放区间，用于确保最终加权平均的综合结果在合理范围内，所述权重参数的初始值设定为0.5，以充当搜索过程中的起点。

40、本发明的进一步改进在于：所述步骤s8进行二次判别具体包括以下步骤：

41、步骤s81、遍历识别结果列表，使用一个计数器1跟踪当前连续充电状态1的持续时间，以及一个计数器2跟踪容忍的非充电状态数量；

42、步骤s82、如果遇到状态为充电状态1，计数器1自增，且如果计数器2大于0即在连续事件中间有断开的非事件状态，则修正这些非事件状态为事件状态即把0改为1；

43、步骤s83、如果遇到状态为非充电状态0，则根据计数器2与容错参数t的关系决定是否将这个0视为暂时的误差，如果计数器2的计数值小于容错参数t，则暂时将其视为连续事件中的一个小错误；如果计数器2的计数值达到容错参数t，检查到目前为止包括容忍的非连续事件的连续事件是否满足最小持续时间阈值k，如果不满足，将其重置为非充电状态0；

44、步骤s84、遍历结束后，检查最后一个连续事件是否满足最小持续时间。如果不满足，且计数器2的计数值未达到容忍参数t，则将其修正为0；如果最后一段连续事件加上容忍的错误数量达到最小持续时间阈值k，则保留这些连续状态，并将非连续状态修正为1。

45、本发明的有益效果是：

46、通过结合小波变换和谐波特征分析，本发明的非侵入式负荷识别方法有效提取电动自行车充电负荷的特征信息；并构建了自定义损失函数的lightgbm模型与tabnet模型的混合使用，不仅提升了非侵入式负荷识别的准确率，同时也有效增大了召回率，最小化了漏检的风险，确保了充电事件的全面监控。

47、应用cma-es算法的自动搜索，本发明自动化地确定了最佳权重和阈值，显著减少了对经验判断的依赖和人工选择参数的需要，兼顾了灵活性和用户隐私保护，同时确保了准确率和召回率的平衡，提升了实用性和现场可操作性。

48、本发明的二次判别逻辑显著增强了电动车充电识别的准确性和鲁棒性，通过修正短暂的识别错误和实现容错处理，确保只有真正持续的充电事件被捕捉，从而减少误判，可调节的参数提供了对不同数据环境的适应性。