【技术实现步骤摘要】
本专利技术属于充电桩异常诊断领域，涉及数据分析技术，具体是基于人工智能的直流充电桩供电异常诊断预测系统。
技术介绍
1、随着电动汽车市场的快速发展，直流充电桩作为其能源供给的重要设施，其稳定性和可靠性对电动汽车的运营至关重要，为了确保直流充电桩的正常运行，需要用到异常监测系统对其运行状态进行监控。
2、现有技术中的直流充电桩供电异常监测系统仅能够对直流充电桩的异常状态进行监测，但是无法在充电异常时对异常类型进行诊断，从而无法对导致充电异常的充电桩故障环节进行排查，致使充电桩在充电异常时的异常处理效率低下。
3、针对上述技术问题，本申请提出一种解决方案。
技术实现思路
1、本专利技术的目的在于提供基于人工智能的直流充电桩供电异常诊断预测系统，用于解决现有技术中的直流充电桩供电异常监测系统无法在充电异常时对异常类型进行诊断的问题；
2、本专利技术需要解决的技术问题为：如何提供一种可以在充电异常时对异常类型进行诊断的基于人工智能的直流充电桩供电异常诊断预测系统。
3、本专利技术的目的可以通过以下技术方案实现：
4、基于人工智能的直流充电桩供电异常诊断预测系统，包括诊断预测平台，所述诊断预测平台通信连接有运行监测模块、故障分析模块、深度分析模块以及存储模块；
5、所述运行监测模块用于对直流充电桩的运行状态进行监测分析：将直流充电桩的连接充电枪标记为监测对象，生成运行周期并将运行周期分割为若干个运行时段，获取监测对象在运
6、所述故障分析模块用于对直流充电桩进行故障分析并得到监测对象在运行时段内的效率数据，通过存储模块获取到监测阈值与效率阈值，将监测对象在运行时段内的监测系数、效率系数分别与监测阈值、效率阈值进行比较并通过比较结果对监测对象在运行时段的充电状态是否满足要求进行判定；
7、所述深度分析模块用于对直流充电桩的故障类型进行深度分析。
8、作为本专利技术的一种优选实施方式，功率数据gl的获取过程包括：实时获取监测对象运行时的功率值，通过存储模块调取监测对象的功率正常范围，将功率正常范围的最大值与最小值的平均值标记为功率正常值，将功率值与功率正常值的差值的绝对值标记为功率异常值，将功率异常值在运行时段内的最大值标记为功率数据gl；电流数据dl的获取过程包括：实时获取监测对象的电流值，通过存储模块调取监测对象的电流正常范围，将电流正常范围的最大值与最小值的平均值标记为电流正常值，将电流值与电流正常值差值的绝对值标记为电流异常值，将电流异常值在运行时段内的最大值标记为电流数据dl；电压数据dy的获取过程包括：实时获取监测对象运行时的电压值，通过存储模块调取监测对象的电压正常范围，将电压正常范围的最大值与最小值的平均值标记为电压正常值，将电压值与电压正常值的差值的绝对值标记为电压数据dy。
9、作为本专利技术的一种优选实施方式，监测对象在运行时段内的效率数据的获取过程包括：获取监测对象在运行时段内的充电量与运行时长，将充电量与运行时长的比值标记为监测对象在运行时段内的效率系数。
10、作为本专利技术的一种优选实施方式，将监测对象在运行时段内的监测系数、效率系数分别与监测阈值、效率阈值进行比较的具体过程包括：若监测系数小于监测阈值且效率系数大于等于效率阈值，则判定监测对象在运行时段的充电状态满足要求；若监测系数小于监测阈值且效率系数小于效率阈值，则判定监测对象在运行时段的充电状态不满足要求，将对应的监测对象标记为异常对象，生成充电机异常信号并将充电机异常信号发送至诊断预测平台，诊断预测平台接收到充电机异常信号后将充电机异常信号发送至管理人员的手机终端；若监测系数大于等于监测阈值，则判定监测对象在运行时段的充电状态不满足要求，生成深度分析信号并将深度分析信号发送至诊断预测平台，诊断预测平台接收到深度分析信号后将深度分析信号发送至深度分析模块。
11、作为本专利技术的一种优选实施方式，深度分析模块对直流充电桩的故障类型进行深度分析的具体过程包括：将运行时段内异常对象的标记次数标记为异常数据yc，对运行时段内所有监测对象的监测系数jc进行求和取平均值得到监测表现值jb，通过对异常数据yc与监测表现值jb进行数值计算得到运行时段的深度系数sd，通过深度系数sd对直流充电桩的故障类型进行标记。
12、作为本专利技术的一种优选实施方式，对直流充电桩的故障类型进行标记的具体过程包括：通过存储模块获取到深度阈值sdmax，将深度系数sd与深度阈值sdmax进行比较：若深度系数sd小于深度阈值sdmax，则生成充电枪异常信号并将充电枪异常信号以及异常对象通过诊断预测平台发送至管理人员的手机终端；若深度系数sd大于等于深度阈值sdmax，则生成充电桩异常信号并将充电桩异常信号通过诊断预测平台发送至管理人员的手机终端。
13、作为本专利技术的一种优选实施方式，该基于人工智能的直流充电桩供电异常诊断预测系统的工作方法，包括以下步骤：
14、步骤一：对直流充电桩的运行状态进行监测分析：将直流充电桩的连接充电枪标记为监测对象，生成运行周期并将运行周期分割为若干个运行时段，获取监测对象在运行时段内的功率数据gl、电流数据dl以及电压数据dy并进行数值计算得到监测系数；
15、步骤二：对直流充电桩进行故障分析：获取监测对象在运行时段内的充电量与运行时长，将充电量与运行时长的比值标记为监测对象在运行时段内的效率系数，通过监测系数与效率系数对监测对象在运行时段的充电状态是否满足要求进行判定；
16、步骤三：对直流充电桩的故障类型进行深度分析：将运行时段内异常对象的标记次数标记为异常数据yc，对运行时段内所有监测对象的监测系数jc进行求和取平均值得到监测表现值jb并进行数值计算得到深度系数sd，通过深度系数sd对直流充电桩的故障类型进行标记。
17、本专利技术具备下述有益效果：
18、1、通过运行监测模块可以对直流充电桩的运行状态进行监测分析，对直流充电桩的每一个充电枪进行标记，然后以周期性监测的方式对监测对象的多项运行参数进行统计与分析得到监测系数，通过监测系数对监测对象在运行时段内的充电状态进行反馈；
19、2、通过故障分析模块可以对直流充电桩进行故障分析，结合监测对象在运行时段内的效率系数与监测系数对监测对象是否存在充电故障进行判定，从而在出现充电异常时及时进行预警；
20、3、通过深度分析模块可以对直流充电桩的故障类型进行深度分析，对运行时段内所有监测对象的监测系数进行综合分析得到深度系数，根据深度系数对直流充电桩的故障环节进行标记，从而针对故障环节实施针对性的处理措施，提高充电异常的处理效率。
本文档来自技高网...【技术保护点】
1.基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，包括诊断预测平台，所述诊断预测平台通信连接有运行监测模块、故障分析模块、深度分析模块以及存储模块；
2.根据权利要求1所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，功率数据GL的获取过程包括：实时获取监测对象运行时的功率值，通过存储模块调取监测对象的功率正常范围，将功率正常范围的最大值与最小值的平均值标记为功率正常值，将功率值与功率正常值的差值的绝对值标记为功率异常值，将功率异常值在运行时段内的最大值标记为功率数据GL；电流数据DL的获取过程包括：实时获取监测对象的电流值，通过存储模块调取监测对象的电流正常范围，将电流正常范围的最大值与最小值的平均值标记为电流正常值，将电流值与电流正常值差值的绝对值标记为电流异常值，将电流异常值在运行时段内的最大值标记为电流数据DL；电压数据DY的获取过程包括：实时获取监测对象运行时的电压值，通过存储模块调取监测对象的电压正常范围，将电压正常范围的最大值与最小值的平均值标记为电压正常值，将电压值与电压正常值的差值的绝对值标记为电压数据DY。
3
4.根据权利要求3所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，将监测对象在运行时段内的监测系数、效率系数分别与监测阈值、效率阈值进行比较的具体过程包括：若监测系数小于监测阈值且效率系数大于等于效率阈值，则判定监测对象在运行时段的充电状态满足要求；若监测系数小于监测阈值且效率系数小于效率阈值，则判定监测对象在运行时段的充电状态不满足要求，将对应的监测对象标记为异常对象，生成充电机异常信号并将充电机异常信号发送至诊断预测平台，诊断预测平台接收到充电机异常信号后将充电机异常信号发送至管理人员的手机终端；若监测系数大于等于监测阈值，则判定监测对象在运行时段的充电状态不满足要求，生成深度分析信号并将深度分析信号发送至诊断预测平台，诊断预测平台接收到深度分析信号后将深度分析信号发送至深度分析模块。
5.根据权利要求4所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，深度分析模块对直流充电桩的故障类型进行深度分析的具体过程包括：将运行时段内异常对象的标记次数标记为异常数据YC，对运行时段内所有监测对象的监测系数JC进行求和取平均值得到监测表现值JB，通过对异常数据YC与监测表现值JB进行数值计算得到运行时段的深度系数SD，通过深度系数SD对直流充电桩的故障类型进行标记。
6.根据权利要求5所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，对直流充电桩的故障类型进行标记的具体过程包括：通过存储模块获取到深度阈值SDmax，将深度系数SD与深度阈值SDmax进行比较：若深度系数SD小于深度阈值SDmax，则生成充电枪异常信号并将充电枪异常信号以及异常对象通过诊断预测平台发送至管理人员的手机终端；若深度系数SD大于等于深度阈值SDmax，则生成充电桩异常信号并将充电桩异常信号通过诊断预测平台发送至管理人员的手机终端。
7.根据权利要求1-6任一项所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，该基于人工智能的直流充电桩供电异常诊断预测系统的工作方法，包括以下步骤：
...【技术特征摘要】
1.基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，包括诊断预测平台，所述诊断预测平台通信连接有运行监测模块、故障分析模块、深度分析模块以及存储模块；
2.根据权利要求1所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，功率数据gl的获取过程包括：实时获取监测对象运行时的功率值，通过存储模块调取监测对象的功率正常范围，将功率正常范围的最大值与最小值的平均值标记为功率正常值，将功率值与功率正常值的差值的绝对值标记为功率异常值，将功率异常值在运行时段内的最大值标记为功率数据gl；电流数据dl的获取过程包括：实时获取监测对象的电流值，通过存储模块调取监测对象的电流正常范围，将电流正常范围的最大值与最小值的平均值标记为电流正常值，将电流值与电流正常值差值的绝对值标记为电流异常值，将电流异常值在运行时段内的最大值标记为电流数据dl；电压数据dy的获取过程包括：实时获取监测对象运行时的电压值，通过存储模块调取监测对象的电压正常范围，将电压正常范围的最大值与最小值的平均值标记为电压正常值，将电压值与电压正常值的差值的绝对值标记为电压数据dy。
3.根据权利要求2所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，监测对象在运行时段内的效率数据的获取过程包括：获取监测对象在运行时段内的充电量与运行时长，将充电量与运行时长的比值标记为监测对象在运行时段内的效率系数。
4.根据权利要求3所述的基于人工智能的直流充电桩供电异常诊断预测系统，其特征在于，将监测对象在运行时段内的监测系数、效率系数分别与监测阈值、效率阈值进行比较的具体过程包括：若监测系数小于监测阈值且效率系数大于等于效率阈值，则判定监测对象在运行时段的充电状态满足要求；...
【专利技术属性】
技术研发人员：曹明山，文建波，程灵辉，
申请(专利权)人：艺唯科技股份有限公司，
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。