本次汇报分四个方面，分别是项目背景，技术路线，成果整理还有总结展望。
首先，从国家政策大规划大背景下，双碳新基建还有十四五电力规划，对边缘侧智能装置，云端结合和智能计量装置等设备和方面提出了新的要求。在2021年营销部九号文件《2021年计量工作安排》中也指出，对于负荷辨识和非介入负荷识别的相关要求。非接入负荷辨识的优势在于改动量小和准确率高。该技术是通过接入用户电力进线端口记录提取用电特征参数结合相关算法，对用电情况和细节进行识别和监测。此外也可以监测设备老化和危险用电情况等，实现对灾害风险的提前预警。

本项目主要是聚焦用电及消防安全。首先，根据国家消防救援局的情况报告，2022年全国电动自行车保有量三亿辆以上。全年共接报了电动自行车火灾1.8万起，住所内火灾3242起，其中以蓄电池充电的情况居多。那么同时，电动车电池入户充电的做法屡禁不止，在社区难以实现比较完善的监测布局。本项目目标是通过非技术复合辨识技术实现对电动车如何充电的事件进行检测与预警。

接下来是技术路线。首先，项目框架分为边缘测电表、算法和云平台三部分，电表对用户的电流电压数据进行记录，并提取特征数据在边缘侧实现特征比对和事件的识别。同时通过电表上报数据和检测的时间情况。云平台对数据进行长时序存储、事件存储进行判断，还有对账号项目进行管理。云平台也会双向对检测的特征进行更新。

电表的记录数据为高频的数据通过6400赫兹的采样电流及电压数据，通过本地实时计算，视在功率、有功功率等特征之后，将一秒内的数据平均值进行数据上报。

针对电动车充电事件可以分为瞬态特征与稳态特征。左下图是电流的瞬态特征，其中的尖峰大，占空比高，右侧列出了一次记录的典型数据，总时长接近六个小时，那么右图从上到下是电压数据、电流数据还有各类的功率数据，那么其中电动车电池开始充电时，电压是有一处突变，同时电流和功率有明显的图层变化，此时是充电开始。再往后出现充电过程分为电流峰值、电流渐变还有最后电流为0三个过程，到第三过程的时候电磁电量已经充满。

同样是以此时的特征为例，别的判断算法主要是通过瞬态的特征判断，这里是根据最大电流量、单周期的电流大峰次数、波动幅度还有控制时间等数值统计和条件判断来比对当前的电流特征是否与充电特征相匹配。稳态特征主要是根据电流的渐变过程识别，这是通过云平台存储的长时序数据去识别电瓶充电的电流变化特征，进行二次的事件判断和核实。

在边缘侧电表开启后，系统通过MQTT协议进行数据通讯。数据周期上报，包括数据类型，时间，内容等信息。当事件识别成功之后，也会上报对应的事件以及更加细致的记录数据。那么云端对于边缘侧算法的主要更新，依靠软件包的整体更新。
进入云平台之后，可以对项目进行管理，增删改查以及设备管理、生命周期的管理和设备升级，还有监控运维，主要是进行日志的跟踪和监控报警。硬件设备主要是采用了华大半导体的芯片，使用C语言进行嵌入式的开发。

通过设备的实地连接打通以上步骤，此处是将电表通上电，然后进入云端。使用电动车的电池电瓶进行测试，示意图是上图。将电动车电池接入220伏的电压电表，单独对电池电压和电流进行记录，同时在云平台里新建负荷辨识的测试项目。平台测试显示与边缘侧设备进行了连接和激活，测试方式主要是通过反复的插拔电动车充电插头，同时穿插一些其他设备的充电去检测是否能成功识别电瓶的充电事件。

测试结果如图，时间轴上标红的时刻，上面七次主要记录了开启电瓶充电的时刻，其中下午3:11是同时对电瓶和自己带的笔记的电脑进行充电。这里就是七次充电事件中检测到了其中大概有一秒的延迟。关于电脑单独充电的事件并没有去干扰到整体的识别。当然总体的测试还是有一些不足之处，因为本身只使用了一个电脑，并没有很好地就符合像居民充电那种比较复杂的情况。这里就是做了一个简单的测试。
最后对本学期的课程进行总结，因为这个项目比较特殊，小组里面只有一个人，对我个人而言，主要是学习并熟悉了一个非介入负荷辨识的原理和算法，同时接触并学习了嵌入式开发和较为完整的云端协同通讯和边缘计算的框架。后续准备整理成果报告及进一步的交流学习。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。