Non-intrusive Charging Identification Method for Electric Bicycles Based on Feature Selection and Incremental Learning

Yusong SHI; Qingshan XU; Jian ZHENG

doi:10.7500/AEPS20200804005

您当前的位置：

首页 >

文章列表页 >

Non-intrusive Charging Identification Method for Electric Bicycles Based on Feature Selection and Incremental Learning

Basic Research | 更新时间：2025-06-16

- Non-intrusive Charging Identification Method for Electric Bicycles Based on Feature Selection and Incremental Learning
- Automation of Electric Power Systems Vol. 45, Issue 7, Pages: 87-94(2021)
- 作者机构：
  
  东南大学电气工程学院，江苏省南京市 210096
- 作者简介：
- 基金信息：
  
  Key R&D Program of Jiangsu Province
- DOI：10.7500/AEPS20200804005
  CLC：
- Received：04 August 2020，
  
  Revised：2020-12-03，
  
  Published Online：27 January 2021，
  
  Published：10 April 2021
- 稿件说明：
移动端阅览
施雨松,徐青山,郑建.基于特征选择与增量学习的非侵入式电动自行车充电辨识方法[J].电力系统自动化,2021,45(7):87-94.

SHI Yusong,XU Qingshan,ZHENG Jian.Non-intrusive Charging Identification Method for Electric Bicycles Based on Feature Selection and Incremental Learning[J].Automation of Electric Power Systems,2021,45(7):87-94.
施雨松,徐青山,郑建.基于特征选择与增量学习的非侵入式电动自行车充电辨识方法[J].电力系统自动化,2021,45(7):87-94. DOI： 10.7500/AEPS20200804005.

SHI Yusong,XU Qingshan,ZHENG Jian.Non-intrusive Charging Identification Method for Electric Bicycles Based on Feature Selection and Incremental Learning[J].Automation of Electric Power Systems,2021,45(7):87-94. DOI： 10.7500/AEPS20200804005.

摘要

为实现从电网侧监测电动自行车违规停放充电行为，减少电动自行车充电火灾事故，在非侵入式负荷识别的基础上，提出一种基于特征选择与增量学习的电动自行车充电辨识方法。首先，根据电动自行车充电实测电流波形，分析负荷特性并列举15种负荷特征。通过半监督Fisher计分与最大信息系数量度特征辨别度与冗余度，采用贪心搜索算法对特征重要性排序并结合排序与辨识结果选择辨识准确性最高的特征子集。然后，基于一类支持向量机增量学习方法，实现电动自行车负荷辨识与分类器在线学习。最后，通过实测数据进行试验，结果表明文中方法可以对电动自行车充电行为准确辨识，验证了算法的有效性。

Abstract

In order to monitor the illegal parking and charging behavior of electric bicycles from the grid side and reduce fire accidents caused by electric bicycle charging

on the basis of non-intrusive load identification

a charging identification method for electric bicycles is proposed based on feature selection and incremental learning. First

according to the measured current waveform of electric bicycle charging

this paper analyzes the load characteristics and lists 15 load features. The semi-supervised Fisher score and the maximal information coefficient are used to measure the feature discrimination and redundancy

and the greedy search algorithm is used to rank the importance of features. The feature subset with the highest identification accuracy is selected based on the ranking and identification results. Then

based on the incremental learning method for one-class support vector machine

the electric bicycle load identification and online learning of the classifier are realized. Finally

the experiment is carried out with actual measured data

and the results show that the proposed method can accurately identify the charging behavior of electric bicycles

which verifies the effectiveness of the algorithm.

关键词

Keywords

references

公安部下发《关于规范电动车停放充电加强火灾防范的通告》［J］. 电动自行车， 2018 （ 1 ）： 10 .

The Ministry of Public Security issued the “Notice on Regulating the Parking and Charging of Electric Vehicles and Strengthening Fire Prevention” ［J］. Electric Bicycle ， 2018 （ 1 ）： 10 .

HART G W . Nonintrusive appliance load monitoring ［J］. Proceedings of the IEEE ， 1992 ， 80 （ 12 ）： 1870 - 1891 .

HE K ， STANKOVIC L ， LIAO J ， et al . Non-intrusive load disaggregation using graph signal processing ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 3 ）： 1739 - 1747 .

程祥，李林芝，吴浩，等 . 非侵入式负荷监测与分解研究综述［J］. 电网技术， 2016 ， 40 （ 10 ）： 3108 - 3117 .

CHENG Xiang ， LI Linzhi ， WU Hao ， et al . A survey of the research on non-intrusive load monitoring and disaggregation ［J］. Power System Technology ， 2016 ， 40 （ 10 ）： 3108 - 3117 .

牛卢璐，贾宏杰 . 一种适用于非侵入式负荷监测的暂态事件检测算法［J］. 电力系统自动化， 2011 ， 35 （ 9 ）： 30 - 35 .

NIU Lulu ， JIA Hongjie . Transient event detection algorithm for non-intrusive load monitoring ［J］. Automation of Electric Power Systems ， 2011 ， 35 （ 9 ）： 30 - 35 .

孙毅，崔灿，陆俊，等 . 基于差量特征提取与模糊聚类的非侵入式负荷监测方法［J］. 电力系统自动化， 2017 ， 41 （ 4 ）： 86 - 91 .

SUN Yi ， CUI Can ， LU Jun ， et al . Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 4 ）： 86 - 91 .

LE T T H ， KANG H ， KIM H . Household appliance classification using lower odd-numbered harmonics and the bagging decision tree ［J］. IEEE Access ， 2020 ， 8 （ 1 ）： 55937 - 55952 .

王守相，郭陆阳，陈海文，等 . 基于特征融合与深度学习的非侵入式负荷辨识算法［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 103 - 111 .

WANG Shouxiang ， GUO Luyang ， CHEN Haiwen ， et al . Non-intrusive load identification algorithm based on feature fusion and deep learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 103 - 111 .

CHANG H H ， LEE M C ， LEE W J ， et al . Feature extraction-based Hellinger distance algorithm for nonintrusive aging load identification in residential buildings ［J］. IEEE Transactions on Industry Applications ， 2016 ， 52 （ 3 ）： 2031 - 2039 .

武昕，祁兵，韩璐，等 . 基于模板滤波的居民负荷非侵入式快速辨识算法［J］. 电力系统自动化， 2017 ， 41 （ 2 ）： 135 - 141 .

WU Xin ， QI Bing ， HAN Lu ， et al . Fast non-intrusive load identification algorithm for resident load based on template filtering ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 2 ）： 135 - 141 .

崔亮节，孙毅，刘耀先，等 . 考虑分时段状态行为的非侵入式负荷分解方法［J］. 电力系统自动化， 2020 ， 44 （ 5 ）： 215 - 222 .

CUI Liangjie ， SUN Yi ， LIU Yaoxian ， et al . Non-intrusive load disaggregation method considering time-phased state behavior ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 5 ）： 215 - 222 .

周东国，张恒，周洪，等 . 基于状态特征聚类的非侵入式负荷事件检测方法［J］. 电工技术学报， 2020 ， 35 （ 21 ）： 4565 - 4575 .

ZHOU Dongguo ， ZHANG Heng ， ZHOU Hong ， et al . Non-intrusive load event detection method based on state feature clustering ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 21 ）： 4565 - 4575 .

徐青山，娄藕蝶，郑爱霞，等 . 基于近邻传播聚类和遗传优化的非侵入式负荷分解方法［J］. 电工技术学报， 2018 ， 33 （ 16 ）： 3868 - 3878 .

XU Qingshan ， LOU Oudie ， ZHENG Aixia ， et al . A non-intrusive load decomposition method based on affinity propagation and genetic algorithm optimization ［J］. Transactions of China Electrotechnical Society ， 2018 ， 33 （ 16 ）： 3868 - 3878 .

TSAI M S ， LIN Y H . Modern development of an adaptive non-intrusive appliance load monitoring system in electricity energy conservation ［J］. Applied Energy ， 2012 ， 96 ： 55 - 73 .

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 .

SRINIVASAN D ， NG W S ， LIEW A C . Neural-network-based signature recognition for harmonic source identification ［J］. IEEE Transactions on Power Delivery ， 2006 ， 21 （ 1 ）： 398 - 405 .

武昕，焦点，高宇辰 . 基于非侵入式用电数据分解的自适应特征库构建与负荷辨识［J］. 电力系统自动化， 2020 ， 44 （ 4 ）： 101 - 114 .

WU Xin ， JIAO Dian ， GAO Yuchen . Construction of adaptive feature library and load identification based on decomposition of non-intrusive power consumption data ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 4 ）： 101 - 114 .

孙毅，李昊洋，刘耀先，等 . 基于改进隐马尔科夫模型的非侵入式家居负荷识别［J］. 电力建设， 2020 ， 41 （ 4 ）： 73 - 80 .

SUN Yi ， LI Haoyang ， LIU Yaoxian ， et al . Non-intrusive home-load identification based on improved hidden Markov model ［J］. Electric Power Construction ， 2020 ， 41 （ 4 ）： 73 - 80 .

YANG Y ， ZHONG J ， LI W ， et al . Semisupervised multilabel deep learning based nonintrusive load monitoring in smart grids ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 11 ）： 6892 - 6902 .

SOULA A ， TBARKI K ， KSANTINI R ， et al . A novel incremental kernel nonparametric SVM model （iKN-SVM） for data classification： an application to face detection ［J］. Engineering Applications of Artificial Intelligence ， 2020 ， 89 ： 1 - 10 .

刘庆强 . 居民负荷特性研究及应用［D］. 上海：上海电力学院， 2014 .

LIU Qingqiang . Research and application of residents load signature ［D］. Shanghai ： Shanghai University of Electric Power ， 2014 .

BOLOURCHI P ， MORADI M ， DEMIREL H ， et al . Improved SAR target recognition by selecting moment methods based on Fisher score ［J］. Signal Image and Video Processing ， 2019 ， 14 （ 1 ）.

RESHEF Y A ， RESHEF D N ， FINUCANE H K ， et al . Measuring dependence powerfully and equitably ［J］. Journal of Machine Learning Research ， 2016 ， 17 （ 1 ）： 7406 - 7468 .

KEFI-FATTEH T ， KSANTINI R ， KAÂNICHE M B ， et al . A novel incremental one-class support vector machine based on low variance direction ［J］. Pattern Recognition ， 2019 ， 2 ： 308 - 321 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于支持向量机增量学习的电力系统暂态稳定评估

Ultra-short-term Photovoltaic Power Forecasting Based on Multi-level Sky Image Features and Broad Learning

Non-intrusive Real-time Monitoring System for Electric Bicycle Charging Based on Wavelet Detection and Feature Graph Decision

Graded Rolling Early Warning of Dynamic Security for Large-scale AC/DC Power Grid Considering Uncertainties on Source and Load Sides

Related Author

QIAN Qingquan

LIU Zhigang

WANG Xiaoru

YE Shengyong

CHEN Dianhao

ZANG Haixiang

JIANG Yunan

LIU Jingxuan

Related Institution

Southwest Jiaotong University

School of Electrical and Power Engineering, Hohai University

National Energy Conservation Center

School of Electrical and Electronic Engineering, North China Electric Power University

Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of Education (Shandong University)

⁰