【技术实现步骤摘要】
本专利技术涉及充电桩计量，具体为一种充电桩远程计量方法。
技术介绍
1、充电桩作为电动汽车必备的配套设施，其建设规模和产生的交易结算量也越来越大。如果电动汽车充电桩的计量准确度出现误差，引起交易费用的偏差，将会给电动汽车充电桩或者电网经营公司带来直接的经济损失。
2、传统的充电桩检定需要借助标准检定装置，依据相应的检定规程开展检定任务，存在检定工序复杂、耗时长、工作成本巨大等问题。亟需一种更加高效、智能、远程的充电桩计量性能检定方法。
技术实现思路
1、基于以上所述现有技术的缺点，本专利技术的目的是提供一种充电桩远程计量方法，以解决上述技术问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种充电桩远程计量方法，包括：
3、按照预设的采集频率采集充电桩的充电数据，对所述充电数据进行稳定性分析，筛选出符合标准的充电数据，剔除异常充电数据；
4、对进行稳定性分析后的充电数据进行抽样，在抽样后的充电数据中，截取恒流阶段数据，通过分析恒流阶段数据中各参量与充电电能之间的相关性，根据相关性将预设数量的参量设置为充电过程特征；
5、选取恒流阶段数据中电池soc的区间范围值作为模型输入的起点和终点，将充电桩生产厂家和电表生产厂家进行one-hot编码，与充电桩投运年限拼接于所述充电过程特征，根据拼接后的所述充电过程特征的值构建特征序列，将特征序列设置为模型输入数据集；
6、根据所述模型输入数据集，基于深度神经网络分别进
7、根据训练好的二分类模型和/或多分类模型对新充电桩的充电数据进行分类判断。
8、本专利技术进一步设置为，充电桩的充电数据包括：充电桩数据、交易数据、电表数据、充电车辆数据、充电过程数据；其中，充电桩数据的参量包括：充电桩生产厂家、充电桩编号、充电桩检定误差、充电桩投运年限；交易数据的参量包括：交易订单编号、充电开始时间、充电结束时间；电表数据的参量包括：电表生产厂家数据；充电车辆数据的参量包括：车辆型号、车辆使用年限、车辆行驶历程；车辆充电过程数据的参量包括：电池soc、充电桩输出电压、充电桩输出电流、充电桩输出功率、环境温度、电池需求电压、电池需求电流、电池充电模式、单体电池最高电压、单体电池最高电流、电池组最高温度、电池组最低温度、充电电能、时间戳。
9、本专利技术进一步设置为，对所述充电数据进行稳定性分析，包括：对于每个充电桩，将车辆型号相同、车辆使用年限和行驶里程属于同一区间的连接的充电车辆的充电数据归为一类，分析电池soc在变化范围相同条件下，对应的充电车辆的充电电能的变化范围，根据所述变化范围对充电数据进行筛选，筛除所述变化范围以外的充电数据。
10、本专利技术进一步设置为，分析电池soc在变化范围相同条件下，对应的充电车辆的充电电能的变化范围，通过在t时刻电池soc变化时，计算对应的充电车辆的充电电能的变化率来量化充电电能的变化范围，充电电能的变化率的计算逻辑为：δei(t)为第i辆充电车辆的充电电能的变化率，n为充电过程中时间戳的总数，eij为第i辆充电车辆在时间戳tj时的充电电能，socij为第i辆充电车辆在时间戳tj时的电池soc，α为调节指数，用于调节电池soc小幅变化时的敏感性，sign()为符号函数，用于确定电池soc变化的方向，函数结果为+1或-1。
11、本专利技术进一步设置为，对进行稳定性分析后的充电数据进行抽样，抽样的逻辑为：对进行稳定性分析后的充电数据提取电池soc初始值对应的充电数据，及每当电池soc发生变化后所对应的第一个充电数据；
12、截取恒流阶段数据的逻辑为：根据抽样后的充电数据的数据点，提取后一数据点的电压值大于等于前一数据点的电压值，后一数据点的电流值与前一数据点的电流值的差值不超过预设的电流阈值；
13、分析恒流阶段数据中各参量与充电电能之间的相关性，根据相关性将预设数量的参量设置为充电过程特征，具体包括：判断充电过程中各参量是否随时间变化，去除不随时间变化的参量，根据充电数据中剩余参量与充电电能之间是否具有正或负相关性进行选择，按照相关性进行降序选择预设数量的参量作为充电过程特征。
14、本专利技术进一步设置为，根据充电数据中剩余参量与充电电能之间是否具有正或负相关性进行选择，按照相关性进行降序选择预设数量的参量作为充电过程特征，计算逻辑为：其中，fi为充电过程特征集合，xi为充电数据中去除不随时间变化的参量的剩余参量，top_n为降序选择n个参量，表示参量xi对充电电能变化率的敏感性，δ()为用于衡量特征变化率与充电电能变化率关联性的加权函数。
15、本专利技术进一步设置为，根据模型输入数据集与预测值误差的绝对值将充电桩的充电数据分为两类，记充电桩误差的绝对值为error1，将error1小于等于第一误差阈值的充电桩对应的充电数据记为标准桩数据，将error1的绝对值大于第一误差阈值的充电桩对应的充电数据记为超差桩数据，根据所述标准桩数据和超差桩数据，构建二分类模型，进行二分类模型训练，根据训练好的二分类模型对新充电桩的充电数据进行分类判断，根据分类判断结果判断对应的充电桩类别。
16、本专利技术进一步设置为，在进行二分类模型训练时，二分类模型的损失函数为：其中，lossbinary为二分类模型的损失函数，m为样本数量，表示模型输入数据集中用于二分类模型训练的数据条数，yi为实际值，为预测值，η为正则化参数，用于控制正则化项的权重，w为权重矩阵，表示二分类模型中每一层的连接权重，∥w∥p为权重矩阵的p范数正则化项。
17、本专利技术进一步设置为，根据模型输入数据集与预测值误差值将充电桩的充电数据分为多类，记充电桩误差值为error2，将error2小于第二误差阈值的充电桩对应的充电数据记为负超差桩数据，将error2大于或等于第二误差阈值且小于0的充电桩对应的充电数据记为负偏差标准桩数据，将error2等于0的充电桩对应的充电数据记为标准桩数据，将error2大于0且小于或等于第一误差阈值的充电桩对应的充电数据记为正偏差标准桩数据，将error2大于第二误差阈值的充电桩对应的充电数据记为正超差桩数据，根据所述负超差桩数据、负偏差标准桩数据、标准桩数据、正偏差标准桩数据和正超差桩数据，构建多分类模型，进行多分类模型训练，根据训练好的多分类模型对新的充电桩的充电数据进行分类判断，根据分类判断结果判断对应的充电桩类别。
18、本专利技术进一步设置为，在进行多分类模型训练时，多分类模型的损失函数为：其中，lossmulti为多分类模型的损失函数，m为样本数量，表示模型输入数据集中用于多分类模型训练的数据条数，l为类别数量，用于计算多类别损失，yij为实际值，为预测值，κ为正则化参数，用于控制正则化项的权重，wl为第l层的权重矩阵，∥wl∥q为权重矩阵的q范数正则化项。
<本文档来自技高网...【技术保护点】
1.一种充电桩远程计量方法，其特征在于，包括：
2.根据权利要求1所述的一种充电桩远程计量方法，其特征在于，充电桩的充电数据包括：充电桩数据、交易数据、电表数据、充电车辆数据、充电过程数据；其中，充电桩数据的参量包括：充电桩生产厂家、充电桩编号、充电桩检定误差、充电桩投运年限；交易数据的参量包括：交易订单编号、充电开始时间、充电结束时间；电表数据的参量包括：电表生产厂家数据；充电车辆数据的参量包括：车辆型号、车辆使用年限、车辆行驶历程；车辆充电过程数据的参量包括：电池SOC、充电桩输出电压、充电桩输出电流、充电桩输出功率、环境温度、电池需求电压、电池需求电流、电池充电模式、单体电池最高电压、单体电池最高电流、电池组最高温度、电池组最低温度、充电电能、时间戳。
3.根据权利要求2所述的一种充电桩远程计量方法，其特征在于，对所述充电数据进行稳定性分析，包括：对于每个充电桩，将车辆型号相同、车辆使用年限和行驶里程属于同一区间的连接的充电车辆的充电数据归为一类，分析电池SOC在变化范围相同条件下，对应的充电车辆的充电电能的变化范围，根据所述变化范围对充电数据进行筛
4.根据权利要求3所述的一种充电桩远程计量方法，其特征在于，分析电池SOC在变化范围相同条件下，对应的充电车辆的充电电能的变化范围，通过在t时刻电池SOC变化时，计算对应的充电车辆的充电电能的变化率来量化充电电能的变化范围，充电电能的变化率的计算逻辑为：ΔEi(t)为第i辆充电车辆的充电电能的变化率，n为充电过程中时间戳的总数，Eij为第i辆充电车辆在时间戳tj时的充电电能，SOCij为第i辆充电车辆在时间戳tj时的电池SOC，α为调节指数，用于调节电池SOC小幅变化时的敏感性，sign()为符号函数，用于确定电池SOC变化的方向，函数结果为+1或-1。
5.根据权利要求2所述的一种充电桩远程计量方法，其特征在于，对进行稳定性分析后的充电数据进行抽样，抽样的逻辑为：对进行稳定性分析后的充电数据提取电池SOC初始值对应的充电数据，及每当电池SOC发生变化后所对应的第一个充电数据；
6.根据权利要求5所述的一种充电桩远程计量方法，其特征在于，根据充电数据中剩余参量与充电电能之间是否具有正或负相关性进行选择，按照相关性进行降序选择预设数量的参量作为充电过程特征，计算逻辑为：其中，Fi为充电过程特征集合，Xi为充电数据中去除不随时间变化的参量的剩余参量，Top_N为降序选择N个参量，表示参量Xi对充电电能变化率的敏感性，δ()为用于衡量特征变化率与充电电能变化率关联性的加权函数。
7.根据权利要求1所述的一种充电桩远程计量方法，其特征在于，根据模型输入数据集与预测值误差的绝对值将充电桩的充电数据分为两类，记充电桩误差的绝对值为error1，将error1小于等于第一误差阈值的充电桩对应的充电数据记为标准桩数据，将error1的绝对值大于第一误差阈值的充电桩对应的充电数据记为超差桩数据，根据所述标准桩数据和超差桩数据，构建二分类模型，进行二分类模型训练，根据训练好的二分类模型对新充电桩的充电数据进行分类判断，根据分类判断结果判断对应的充电桩类别。
8.根据权利要求7所述的一种充电桩远程计量方法，其特征在于，在进行二分类模型训练时，二分类模型的损失函数为：其中，Lossbinary为二分类模型的损失函数，M为样本数量，表示模型输入数据集中用于二分类模型训练的数据条数，yi为实际值，为预测值，η为正则化参数，用于控制正则化项的权重，W为权重矩阵，表示二分类模型中每一层的连接权重，∥W∥p为权重矩阵的p范数正则化项。
9.根据权利要求7所述的一种充电桩远程计量方法，其特征在于，根据模型输入数据集与预测值误差值将充电桩的充电数据分为多类，记充电桩误差值为error2，将error2小于第二误差阈值的充电桩对应的充电数据记为负超差桩数据，将error2大于或等于第二误差阈值且小于0的充电桩对应的充电数据记为负偏差标准桩数据，将error2等于0的充电桩对应的充电数据记为标准桩数据，将error2大于0且小于或等于第一误差阈值的充电桩对应的充电数据记为正偏差标准桩数据，将error2大于第二误差阈值的充电桩对应的充电数据记为正超差桩数据，根据所述负超差桩数据、负偏差标准桩数据、标准桩数据、正偏差标准桩数据和正超差桩数据，构建多分类模型，进行多分类模型训练，根据训练好的多分类模型对新的充电桩的充电数据进行分类判断，根据分类判断结果判断对应的充电桩类别。
10.根据权利要求9所述的一种充电桩远程计量方法，其特征在于，在进行多分类模型训练时，多分类模型的...
【技术特征摘要】
1.一种充电桩远程计量方法，其特征在于，包括：
2.根据权利要求1所述的一种充电桩远程计量方法，其特征在于，充电桩的充电数据包括：充电桩数据、交易数据、电表数据、充电车辆数据、充电过程数据；其中，充电桩数据的参量包括：充电桩生产厂家、充电桩编号、充电桩检定误差、充电桩投运年限；交易数据的参量包括：交易订单编号、充电开始时间、充电结束时间；电表数据的参量包括：电表生产厂家数据；充电车辆数据的参量包括：车辆型号、车辆使用年限、车辆行驶历程；车辆充电过程数据的参量包括：电池soc、充电桩输出电压、充电桩输出电流、充电桩输出功率、环境温度、电池需求电压、电池需求电流、电池充电模式、单体电池最高电压、单体电池最高电流、电池组最高温度、电池组最低温度、充电电能、时间戳。
3.根据权利要求2所述的一种充电桩远程计量方法，其特征在于，对所述充电数据进行稳定性分析，包括：对于每个充电桩，将车辆型号相同、车辆使用年限和行驶里程属于同一区间的连接的充电车辆的充电数据归为一类，分析电池soc在变化范围相同条件下，对应的充电车辆的充电电能的变化范围，根据所述变化范围对充电数据进行筛选，筛除所述变化范围以外的充电数据。
4.根据权利要求3所述的一种充电桩远程计量方法，其特征在于，分析电池soc在变化范围相同条件下，对应的充电车辆的充电电能的变化范围，通过在t时刻电池soc变化时，计算对应的充电车辆的充电电能的变化率来量化充电电能的变化范围，充电电能的变化率的计算逻辑为：δei(t)为第i辆充电车辆的充电电能的变化率，n为充电过程中时间戳的总数，eij为第i辆充电车辆在时间戳tj时的充电电能，socij为第i辆充电车辆在时间戳tj时的电池soc，α为调节指数，用于调节电池soc小幅变化时的敏感性，sign()为符号函数，用于确定电池soc变化的方向，函数结果为+1或-1。
5.根据权利要求2所述的一种充电桩远程计量方法，其特征在于，对进行稳定性分析后的充电数据进行抽样，抽样的逻辑为：对进行稳定性分析后的充电数据提取电池soc初始值对应的充电数据，及每当电池soc发生变化后所对应的第一个充电数据；
6.根据权利要求5所述的一种充电桩远程计量方法，其特征在于，根据充电数据中剩余参量与充电电能之间是否具有正或负相关性进行选择，按照相关性进行降序选择预设数量的参量作为充电过程特征，计算逻辑为：其中，fi为充电过程特征集合，xi为充电数据中去除不随时间变化的参量的剩余参量，top_n...
【专利技术属性】
技术研发人员：管保柱，王科伟，吴路明，
申请(专利权)人：南京富华新能科技有限公司，
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。