【技术实现步骤摘要】
本专利技术涉及充电桩检测领域，具体涉及一种充电桩计量失准检测方法、系统、终端及介质。
技术介绍
1、随着电动汽车行业的蓬勃发展，建设完善的充电设施并降低充电运维成本变得至关重要，在充电桩设备运行过程中，可能会因设备老化或人为干扰等因素导致计量失准。为了确保准确计量和充电桩设备的高性能，避免因充电桩计量偏差过大而给用户或者电网经营公司带来直接经济损失，传统方式通常依赖人工定期逐个检修来评估计量性能。然而逐个检修充电桩设备需要大量人工投入，包括培训专业技术人员、派遣维护团队、协调工作安排等。同时随着充电桩数量的进一步增长，铺设范围的进一步扩大，所需要承担的运维成本也将不断上升，通过人工定期检修的方式显然不能满足计量维护需求。
2、为提高充电桩计量失准检测效率，使用计量失准自动检测方式来采集相关数据并计算，进而快速检测充电桩计量失准情况。公开号为cn116819424a的专利申请公开一种用于交流充电桩的计量误差在线监测系统及方法，误差计算模块包括相互连接的拓扑确定单元以及计算单元，拓扑确定单元接收各所述智能在线监测模块上传的充电数据，根据各智能在线监测模块与各交流充电桩的对应关系确定充电站内各被测交流充电桩的拓扑关系，输出给计算单元，计算单元分别接收充电站的总表数据、智能在线监测模块上传的充电数据以及拓扑确定单元输出的拓扑关系数据，根据能量守恒模型计算出各充电桩的计量误差。可见，现有充电桩计量失准自动检测方式仅通过能量守恒模型进行计算，计算精度较低。
技术实现思路
1、为解决
2、第一方面，本专利技术的技术方案提供一种充电桩计量失准检测方法，包括以下步骤：
3、根据预设时间间隔周期性采集充电站电量量测值、各个充电桩电量量测值和各个充电桩的运行数据；
4、将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中，获得各个充电桩的交直流转换效率拟合值；
5、根据所采集的充电站电量量测值、各个充电桩电量量测值，以及各个充电桩的交直流转换效率拟合值建立计量误差辨识模型；
6、采用递推阻尼最小二乘算法对计量误差辨识模型进行求解，获得各个充电桩的计量误差；
7、判断计量误差是否超过计量失准阈值，若是则判定充电桩计量失准。
8、在一个可选的实施方式中，充电桩的运行数据包括电压值、电流值、电力因子、环境温度和常量额定转换效率。
9、在一个可选的实施方式中，将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中，获得各个充电桩的交直流转换效率拟合值，具体包括：
10、构建输入矩阵
11、
12、式中，分别表示时刻采集的电压值、电流值、电力因子和环境温度，表示常量额定交直流转换效率， d表示采集数据的时间窗口长度；
13、构建transformer-cnn深度学习神经网络模型结构，各层计算流程为：
14、
15、
16、
17、
18、
19、
20、
21、式中，和分别表示通过transformer和mfb模块的学习提取到的特征图， concat表示特征拼接， up表示上采样操作， linear表示线性层， conv表示卷积操作；
22、将输入矩阵输入transformer-cnn深度学习神经网络模型中进行计算，获得各个充电桩的交直流转换效率拟合值。
23、在一个可选的实施方式中，将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中之前，还包括以下步骤：
24、将运行数据进行标准化处理。
25、在一个可选的实施方式中，根据所采集的充电站电量量测值、各个充电桩电量量测值，以及各个充电桩的交直流转换效率拟合值建立计量误差辨识模型，具体包括构建以下公式的计量误差辨识模型：
26、
27、式中， y为充电站电量量测值矩阵， a为充电桩电量量测值矩阵，充电桩电量量测值矩阵 a为充电桩电量量测值乘以交直流转换效率拟合值获得的矩阵， x为充电桩计量误差矩阵， l为线损矩阵，为量测噪声矩阵；其中，线损矩阵 l包含动态线损元素和固定损耗元素。
28、在一个可选的实施方式中，采用递推阻尼最小二乘算法对计量误差辨识模型进行求解，获得各个充电桩的计量误差，具体包括：
29、在时刻计算迭代，令量测值为时刻充电站电量量测值与时刻线损 lk的差值，为时刻充电桩电量量测值矩阵 ak的行向量，代表所有充电桩的电量量测值，为时刻充电桩计量误差矩阵 xk的列向量，代表所有充电桩的计量误差，为量测噪声，则有
30、
31、建立递推阻尼最小二乘算法中代价函数表示为
32、
33、式中， w为权重系数矩阵， uk为阻尼项；
34、（3）引入遗忘因子，将最小二乘优化为加权最小二乘，则权重系数 wk为
35、
36、其中， wk为权重系数矩阵 w的列；
37、（4）在代价函数中添加阻尼项 uk，其中为时刻的阻尼系数，展开公式为
38、
39、
40、式中， mean表示取均值运算，为超参数阻尼系数；
41、（5）通过展开公式计算阻尼增益，化简得到计量误差的递推公式
42、
43、式中，为递推最小二乘法的协方差矩阵，更新协方差矩阵的方式如下
44、
45、式中，为与维度相同的单位矩阵；
46、（6）根据计量误差的递推公式得到时刻中每个元素，即得到时刻第个充电桩的计量误差，当达到预定本文档来自技高网...
【技术保护点】
1.一种充电桩计量失准检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的充电桩计量失准检测方法，其特征在于，充电桩的运行数据包括电压值、电流值、电力因子、环境温度和常量额定转换效率。
3.根据权利要求2所述的充电桩计量失准检测方法，其特征在于，将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中，获得各个充电桩的交直流转换效率拟合值，具体包括：
4.根据权利要求3所述的充电桩计量失准检测方法，其特征在于，将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中之前，还包括以下步骤：
5.根据权利要求1-4任一项所述的充电桩计量失准检测方法，其特征在于，根据所采集的充电站电量量测值、各个充电桩电量量测值，以及各个充电桩的交直流转换效率拟合值建立计量误差辨识模型，具体包括构建以下公式的计量误差辨识模型：
6.根据权利要求5所述的充电桩计量失准检测方法，其特征在于，采用递推阻尼最小二乘算法对计量误差辨识模型进行求解，获得各个充电桩的计量误差，具体包括：
7.一种充电桩计量失准检测系统，其特征
8.一种终端，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有充电桩计量失准检测程序，所述充电桩计量失准检测程序被处理器执行时实现如权利要求1-6任一项所述充电桩计量失准检测方法的步骤。
...【技术特征摘要】
1.一种充电桩计量失准检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的充电桩计量失准检测方法，其特征在于，充电桩的运行数据包括电压值、电流值、电力因子、环境温度和常量额定转换效率。
3.根据权利要求2所述的充电桩计量失准检测方法，其特征在于，将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中，获得各个充电桩的交直流转换效率拟合值，具体包括：
4.根据权利要求3所述的充电桩计量失准检测方法，其特征在于，将采集的若干组运行数据输入到已训练好的深度学习神经网络模型中之前，还包括以下步骤：
5.根据权利要求1-4任一项所述的充电桩计量失准检测方法，其特征在于...
【专利技术属性】
技术研发人员：王亚超，戚成飞，韩迪，钟侃，崔文武，易忠林，焦东翔，刘学武，袁瑞铭，吴云利，李学超，薛一鸣，张捷靖，马川，王杰，郑思达，刘继鹏，岳巍澎，檀政，王义君，高建华，李隽，张宁，刘国敬，徐璐，郭皎，彭鑫霞，妙红英，沈琪伟，常牧涵，
申请(专利权)人：国网冀北电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。