电动汽车充电桩监测方法及其系统、计算机设备、介质技术方案

本发明专利技术提供电动汽车充电桩监测方法及其系统、计算机设备、介质，包括如下步骤：获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；获取充电桩退化至异常时所对应的功率因数临界值；根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。本发明专利技术能够对电动汽车充电桩的状态进行监测和根据监测数据确定是否对充电桩进行维修。

Monitoring method, system, computer equipment and medium of electric vehicle charging pile

【技术实现步骤摘要】
电动汽车充电桩监测方法及其系统、计算机设备、介质
本专利技术涉及充电桩领域，特别涉及一种电动汽车充电桩监测方法及其系统、计算机设备、介质。
技术介绍
随着我国电动汽车产业的发展，电动汽车的销售和保有量不断增长，随之配套的充电服务也得到了长足进步。其中，充电桩是电动汽车使用最为广泛的充电设备，对于补给电动汽车的动力能源，促进电动汽车的普及推广具有不可替代的重要作用。在此背景下，为保障充电设备安全、稳定的运行，及时地对充电设备的状态进行评估预测，并根据其状态开展视情维修显得非常重要。目前一些充电设备厂商为充电桩配套了监控系统，具有实时采集、保存充电桩的状态参数的功能，然而这些参数往往只是用于实时的观察和显示，然后被保存在数据库中，没有得到进一步有效、充分的利用。另一方面，虽然国家结合我国电动汽车充电设备发展的实际，于2016年发布了和充电设备有关的多个国家标准，新标准也增加了充电安全性方面的规定，但是没有提出对充电桩普适的关键参数的监控标准和方法。目前，对电动汽车充电设备的健康管理模式仍停留在定期维修或者故障后维修的阶段。这种维修模式效率不高，手段落后，且对健康的充电桩进行定期维修也会导致维修资源的浪费，不利于最大化的发挥充电桩的经济效益。
技术实现思路
本专利技术旨在提出一种电动汽车充电桩监测方法及其系统、计算机设备、介质，以对电动汽车充电桩的状态进行监测并根据监测数据确定是否对充电桩进行维修。第一方面，本专利技术实施例提出一种电动汽车充电桩监测方法，包括如下步骤：获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；获取充电桩退化至异常时所对应的功率因数临界值；根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。其中，将所述第一时间序列输入预先训练好的极限学习机模型进行预测输出第二时间序列包括：步骤S101、将第一时间序列作为输入时间序列输入所述极限学习机模型进行处理得到输出时间序列步骤S102、将时间序列与合并组成新的向量，并作为新的模型的输入时间序列按照预定迭代次数返回步骤S1进行迭代循环；步骤S103、根据多次迭代得到的输入时间序列得到第二时间序列。其中，所述极限学习机模型训练过程如下：步骤201、利用充电桩历史监控数据生成训练和测试数据，按照一定间隔e将监控数据的时间序列进行间隔采样，采样长度为t+d,(t>d)，将每个采样的序列分割为一个样本的输入xin＝{x1,x2,...,xt}和相应的输出xout＝{xt+1,xt+2,...,xt+d}，则每个样本为x＝{xin,xout}，按照预设的比例，将所有样本分为训练集和测试集；步骤202、设置极限学习机的输入节点、隐含节点和输出节点个数以建立极限学习机模型；其中，输入节点数为训练样本输入的维度，即t；输出节点数为训练样本输出的维度d；隐含层节点数初始取n＝10d，利用正态分布随机初始化输入层和隐含层之间的权值矩阵W和偏置向量b；步骤203、利用训练样本集合x，按照极限学习机批处理方式对建立的极限学习机模型进行训练，计算其输出权值其中，H＝g(W.X+b)为隐含层输出，I为对角矩阵，C为预设值；步骤204、将测试样本的输入时间序列输入建立的极限学习机模型，计算其输出时间序列；并将预测的时间序列和测试样本的输出时间序列进行对比得到两者的均方根误差；若均方根误差满足预设精度阈值，则极限学习机模型训练完成，否则增加隐含层节点数目n＝n+100，并返回步骤202。其中，所述获取充电桩退化至异常时所对应的功率因数临界值包括：步骤301、给定初始正常时间序列{Xnormal}和其后需要判断的时间序列{Xnew}；步骤302、计算正常时间序列的均值Mean和方差Var；步骤303、利用拉依达准则逐一比较时间序列{Xnew}中的每一个值xnew_i和均值Mean的差值；步骤304、若差值满足|xnew_i-Mean|<3Var，则将新的值xnew_i加入原来的正常时间序列，即{Xnormal}＝{Xnormal,xnew_i}，令i＝i+1并返回步骤302；若|xnew_i-Mean|>3Var，则i＝i+1，并进入步骤305；步骤305、利用拉依达准则比较值xnew_i和均值Mean的差值，若差值满足|xnew_i-Mean|<3Var，则将值xnew_i加入原来的正常序列，并返回步骤302；若|xnew_i-Mean|>3Var，则将值xnew_i计为功率因数临界值。其中，所述根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修包括：确定所述第二时间序列中功率因数与所述功率因数临界值对应状态变化时间次序；判断充电桩充电时间是否到达所述状态变化时间次序，若是，则确定需对充电桩进行维修，若否，则确定不需对充电桩进行维修。其中，所述方法还包括：获取充电桩的充电监控数据；根据所述充电监控数据生成第一时间序列。第二方面，本专利技术实施例提出一种电动汽车充电桩监测系统，其用于实现实施例所述的电动汽车充电桩监测方法，包括：序列获取单元，用于获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；序列预测单元，用于将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；临界值获取单元，用于获取充电桩退化至异常时所对应的功率因数临界值；维修判断单元，用于根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。其中，所述系统还包括：监控数据获取单元，用于获取充电桩的充电监控数据；序列生成单元，用于根据所述充电监控数据生成第一时间序列。第三方面，本专利技术实施例提出一种计算机设备，包括：根据实施例所述的电动汽车充电桩监测系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据实施例所述电动汽车充电桩监测方法的步骤。第四方面，本专利技术实施例提出一种计算机可读存储介质，其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实施例所述电动汽车充电桩监测方法的步骤。本专利技术实施例提出一种电动汽车充电桩监测方法及其系统、计算机设备、介质，其只需要提供充电桩的历史数据，利用极限学习机从历史数据中学习，获取其状态的变化趋势。由于实际充电桩本文档来自技高网...

【技术保护点】
1.一种电动汽车充电桩监测方法，其特征在于，包括如下步骤：/n获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；/n将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；/n获取充电桩退化至异常时所对应的功率因数临界值；/n根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。/n

【技术特征摘要】
1.一种电动汽车充电桩监测方法，其特征在于，包括如下步骤：
获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；
将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；
获取充电桩退化至异常时所对应的功率因数临界值；
根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。


2.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，将所述第一时间序列输入预先训练好的极限学习机模型进行预测输出第二时间序列包括：
步骤S101、将第一时间序列作为输入时间序列输入所述极限学习机模型进行处理得到输出时间序列
步骤S102、将时间序列与合并组成新的向量，并作为新的模型的输入时间序列按照预定迭代次数返回步骤S1进行迭代循环；
步骤S103、根据多次迭代得到的输入时间序列得到第二时间序列。


3.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，所述极限学习机模型训练过程如下：
步骤201、利用充电桩历史监控数据生成训练和测试数据，按照一定间隔e将监控数据的时间序列进行间隔采样，采样长度为t+d,(t>d)，将每个采样的序列分割为一个样本的输入xin＝{x1,x2,...,xt}和相应的输出xout＝{xt+1,xt+2,...,xt+d}，则每个样本为x＝{xin,xout}，按照预设的比例，将所有样本分为训练集和测试集；
步骤202、设置极限学习机的输入节点、隐含节点和输出节点个数以建立极限学习机模型；其中，输入节点数为训练样本输入的维度，即t；输出节点数为训练样本输出的维度d；隐含层节点数初始取n＝10d，利用正态分布随机初始化输入层和隐含层之间的权值矩阵W和偏置向量b；
步骤203、利用训练样本集合x，按照极限学习机批处理方式对建立的极限学习机模型进行训练，计算其输出权值其中，H＝g(W.X+b)为隐含层输出，I为对角矩阵，C为预设值；
步骤204、将测试样本的输入时间序列输入建立的极限学习机模型，计算其输出时间序列；并将预测的时间序列和测试样本的输出时间序列进行对比得到两者的均方根误差；若均方根误差满足预设精度阈值，则极限学习机模型训练完成，否则增加隐含层节点数目n＝n+100，并返回步骤202。


4.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，所述获取充电桩退化至异常时所对应的功率因数临界值包括：
步骤301、给定初始正常时间序列{Xnormal}和其后需要判断的时间序列{Xnew}；
步骤302、计算正常时间序列的均值Mean和方差Var；
步骤303、利用拉依达...

【专利技术属性】
技术研发人员：李兰哲，崔永，张效声，孙淑霞，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：广东;44