CN109934955B - 充电模式识别方法、装置、终端设备及存储介质 - Google Patents

Abstract

本申请实施例适用于电动车技术领域，公开了一种充电模式识别方法、装置、终端设备及计算机可读存储介质，其中，方法包括：获取电动车的充电数据；根据充电数据，生成充电曲线，充电曲线包括电流曲线；将电流曲线转化为充电曲线样本图片；将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。本申请实施例通过将充电电流数据转化成对应的充电曲线图片，利用预先训练的神经网络模型对该充电曲线图片进行识别，得到该充电曲线对应的充电模式，从而实现了对充电过程中充电状态的识别监控。

Description

充电模式识别方法、装置、终端设备及存储介质

技术领域

本申请属于电动车技术领域，尤其涉及一种充电模式识别方法、装置、终端设备及计算机可读存储介质。

背景技术

随着科学技术的不断发展，电动车的应用也越来越广泛。

电动车在充电过程中，由于电池、适配器、用户充电行为等原因，会存在大量的不安全因素，例如，劣质电池、劣质适配器、私自改装大功率电池、单笔订单多辆车同时充电、单笔订单多辆车分时充电以及充电突然拔掉等。此外，电动车充电过程中也难免会出现各种各样的异常状况，例如，充电过程中突然停止充电、充电过程中接入其他用电设备等，这些异常状况会严重影响用户的充电体验。同时，用户不健康或不安全的充电行为、或者充电过程中的异常状况都会对电池寿命产生很大的影响，例如，如果长期不让电池进入涓流充电，会使得电池产生极化现象，降低电池寿命。而目前的电动车由于价格等因素，电池管理系统不完善，电动车无法识别、监控充电过程中电池的状态。目前还没有行之有效的方法来识别、监控电动车充电过程的充电状态。

发明内容

有鉴于此，本申请实施例提供一种充电模式识别方法、装置、终端设备及计算机可读存储介质，以解决现有技术无法识别、监控电动车充电过程的充电状态的问题。

本申请实施例的第一方面提供一种充电模式识别方法，包括：

获取电动车的充电数据；

根据所述充电数据，生成充电曲线，所述充电曲线包括电流曲线；

将所述电流曲线转化为充电曲线样本图片；

将所述充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。

结合第一方面，在一种可行的实现方式中，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

所述将所述充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果，包括：

通过所述输入层获取所述充电曲线样本图片；

将所述充电曲线样本图片输入所述第一隐藏层，以使所述第一隐藏层对所述充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

将所述第一电流曲线特征输入所述第二隐藏层，以使所述第二隐藏层对所述第一电流曲线特征进行特征提取和组合操作，输出第二电流曲线特征，所述第二电流曲线特征的精度高于所述第一电流曲线特征；

将所述第二电流曲线特征输入所述多分类层，以使所述多分类层将所述第二电流曲线特征进行组合识别，根据特征组合，识别具体类别对应到输出层。

结合第一方面，在一种可行的实现方式中，所述将所述电流曲线转化为充电曲线样本图片，包括：

将所述电流曲线转化为第一预设像素大小的图片；

对所述第一预设像素大小的图片像素灰度值进行标准化处理，得到所述充电曲线样本图片。

结合第一方面，在一种可行的实现方式中，在所述获取电动车的充电数据之前，还包括：

获取训练样本数据集，所述训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

对所述训练样本数据集进行数据预处理操作；

根据预处理后的所述训练样本数据集，对预先建立的所述神经网络模型进行训练，以得到训练完成的神经网络模型。

结合第一方面，在一种可行的实现方式中，所述对所述训练样本数据集进行数据预处理操作，包括：

从每一张训练样本图片随机提取出第一预设数量张第三预设像素大小的目标图片；

将所述目标图片分成第一类目标图片和第二目标图片，所述第一类目标图片为包含电流曲线和背景的图片，所述第二类目标图片为只包含背景的图片；

从第一类目标图片数据集中随机抽取第二预设数量张图片，从第二类目标图片数据集中随机抽取第三预设数量张图片；

将所述第二预设数量张图片和所述第三预设数量张图片组成训练样本；

按照对数逻辑回归模式对所述训练样本中的每个样本的像素灰度值进行标准化处理，以使每个样本的像素值落入预设区间。

本申请实施例的第二方面提供一种充电模式识别装置，包括：

获取模块，用于获取电动车的充电数据；

曲线生成模块，用于根据所述充电数据，生成充电曲线，所述充电曲线包括电流曲线；

转化模块，用于将所述电流曲线转化为充电曲线样本图片；

识别模块，用于将所述充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。

结合第二方面，在一种可行的实现方式中，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

所述识别模块包括：

获取单元，用于通过所述输入层获取所述充电曲线样本图片；

第一特征提取单元，用于将所述充电曲线样本图片输入所述第一隐藏层，以使所述第一隐藏层对所述充电曲线样本图片进行特征提取和组合操作，输出第一电流曲线特征；

第二特征提取单元，用于将所述第一电流曲线特征输入所述第二隐藏层，以使所述第二隐藏层对所述第一电流曲线特征进行特征提取操作，输出第二电流曲线特征，所述第二电流曲线特征的精度高于所述第一电流曲线特征；

分类单元，用于将所述第二电流曲线特征输入所述多分类层，以使所述多分类层将所述第二电流曲线特征进行组合识别，根据特征组合，识别具体类别对应到输出层。

结合第二方面，在一种可行的实现方式中，所述转化模块包括：

转化单元，用于将所述电流曲线转化为第一预设像素大小的图片；

标准化处理单元，用于对所述第一预设像素大小的图片像素灰度值进行标准化处理，得到所述充电曲线样本图片。

结合第二方面，在一种可行的实现方式中，还包括：

训练样本获取模块，用于获取训练样本数据集，所述训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

预处理模块，用于对所述训练样本数据集进行数据预处理操作；

训练模块，用于根据预处理后的所述训练样本数据集，对预先建立的所述神经网络模型进行训练，以得到训练完成的神经网络模型。

结合第二方面，在一种可行的实现方式中，所述预处理模块包括：

目标图片单元，用于从每一张训练样本图片随机提取出第一预设数量张第三预设像素大小的目标图片；

分类单元，用于将所述目标图片分成第一类目标图片和第二目标图片，所述第一类目标图片为包含电流曲线和背景的图片，所述第二类目标图片为只包含背景的图片；

随机提取单元，用于从第一类目标图片数据集中随机抽取第二预设数量张图片，从第二类目标图片数据集中随机抽取第三预设数量张图片；

组合单元，用于将所述第二预设数量张图片和所述第三预设数量张图片组成训练样本；

训练样本标准化处理单元，用于按照对数逻辑回归模式对所述训练样本中的每个样本的像素灰度值进行标准化处理，以使每个样本的像素值落入预设区间。

本申请实施例的第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述方法的步骤。

本申请实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例通过将充电电流数据转化成对应的充电曲线图片，利用预先训练的神经网络模型对该充电曲线图片进行识别，得到该充电曲线对应的充电模式，从而实现了对充电过程中充电状态的识别监控。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的充电场景示意图；

图2为本申请实施例提供的一种充电模式识别方法的流程示意框图；

图3为本申请实施例提供的基于堆叠稀疏自编码的神经网络示意图；

图4为本申请实施例提供的充电模式识别过程示意框图；

图5为本申请实施例提供的第一隐藏层输出的电流曲线特征示意图；

图6为本申请实施例提供的第二隐藏层输出的电流曲线特征示意图；

图7为本申请实施例提供的充电模式识别方法的另一种流程示意框图

图8为本申请实施例提供的一种充电模式识别装置的结构示意框图；

图9为本申请实施例提供的终端设备的示意图；

图10-a、10-b、10-c、10-d、10-e、10-f、10-g、10-h、10-i、10-j、10-k、10-l、10-m、10-n分别为本申请实施例提供的特征A、B、C、D、E、F、G、H、I、J、K、L、M、N对应的特征曲线示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

在介绍本申请实施例的具体技术方案之前，首先对本申请实施例可能涉及的应用场景进行介绍说明。

参见图1示出的充电场景示意图，在该充电场景下包括充电站1、待充电电动车2、服务器3、用户终端4，充电站1内包括至少一个充电桩11。用户终端可以通过运营商网络与后台服务器通信，充电站以及充电桩可以通过充电站内的场地网络与后台服务器通信，用户终端可以通过互联网与充电桩通信。充电桩上有至少一个插座，充电车主可以通过电动车适配器、充电线连接至充电桩的插座上。当充电车主通过用户终端完成充电订单支付之后，后台服务器会控制充电桩相应的插座通电，即可对待充电电动动车进行充电。

其中，用户终端内安装有相应的APP，以实现与后台交互、计算、人机交互等相应业务功能，该用户终端可以具体为手机、平板等智能终端。待充电电动车可以具体为电动自行车、电动摩托车或电动汽车等。

充电车主通过用户终端扫码充电桩上的二维码，用户终端在获取到二维码信息之后跳转至相应的界面；在该界面上，充电车主可以进行充电模式选择、充电金额输入等操作；确定充电订单信息之后，该充电订单被上传至服务器，服务器通过与用户终端进行数据交互，完成订单支付之后，服务器会通知充电桩，充电桩则会控制相应插座通电，此时，充电车主则可以开始充电。

在充电过程中，充电桩可以采集充电电流、充电电压、充电功率等充电数据，并将该充电数据上传至服务器。具体地，充电桩在采集到电动车的充电数据之后，向后台服务器上报设备遥测报文，该设备遥测报文可以包括充电电流、电压、充电功率等信息，以使后台服务器可以采集到各个在充电桩上充电的电动车的充电数据。

服务器接收到充电桩上报的充电数据之后，会根据充电数据相应地绘制充电电流曲线、充电电压曲线、功率曲线等。然后，服务器根据充电电流曲线、电压曲线等，识别充电电流曲线的充电模式。在识别充电模式之后，如果发现一些异常状况或者是不健康的充电行为，可以实时通过用户移动终端反馈给用户。

需要说明，上述所提及的应用场景仅仅是示例性场景，并不造成对本申请实施例具体场景的限定。

在介绍完本申请实施例可能涉及的应用场景后，下面将对本申请实施例提供的技术方案进行详细介绍说明。为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

实施例一

请参见图2，为本申请实施例提供的一种充电模式识别方法的流程示意框图，该方法可以包括以下步骤：

步骤S201、获取电动车的充电数据。

可以理解，上述充电数据可以包括但不限于充电电流、充电电压以及电动车充电功率。电动车充电功率可以通过充电桩上的功率计量芯片识别。

需要说明，该充电数据可以是充电桩实时上传的数据，即，在电动车通过电源适配器、充电线连接充电桩的插座进行充电的过程中，充电桩实时将所采集的充电数据通过遥测报文的形式上报给后台服务器，后台服务器根据遥测报文所携带的相关信息，例如，充电桩设备唯一ID等，获得各个充电桩上报的充电数据。当然，该充电数据也可以是历史数据，即，该数据是预先采集并存储的电动车充电数据。

步骤S202、根据充电数据，生成充电曲线，充电曲线包括电流曲线。

具体地，根据充电电流、电压等数据，在设定的坐标系中绘制出相应的曲线。其中，在电流曲线图中，横轴表示时间，竖轴表示电流值；在电压曲线图中，横轴表示时间，竖轴表示电压值；在功率曲线图中，横轴表示时间，竖轴表示功率值。

需要说明，一般情况下，充电数据主要包括电流、电压以及功率，而功率是指电动车的充电功率，其数值一般是不变的，功率曲线在电池状态的分析识别过程中，所携带的信息较少。因此，在一些情况下，只需要电流曲线和/或电流曲线即可。此外，由于电压曲线较为简单单一，电压识别可以在电流曲线识别之前就能完成，故在一些特殊情况下，充电数据可以只包括电流数据，充电曲线也可以只包括电流曲线。其中，通常情况下，输入到神经网络模型的数据为电流曲线和电压曲线。

另外，电动车电池的材质类型、各类成分含量、电池容量、剩余SOC、电池老化程度、充电适配器、生成厂家等均不同，导致电池在充电过程中会出现各种各样的电流表现形式，不可能存在电流曲线完全相同的两辆电动车，故可以充电电流曲线上对电池的当前充电状态、电池的安全性、电池的老化程度、用户充电行为的安全性等进行识别和判断。换句话说，在充电模式识别的过程中，主要依赖于电流曲线进行充电模式的分析识别。

步骤S203、将电流曲线转化为充电曲线样本图片。

步骤S204、将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。

具体地，在绘制出充电电流曲线图、充电电压图之后，可以将相应的电流曲线图转化为充电曲线样本图片，而转化过程可以包括但不限于像素尺寸调整、图片像素灰度值调整等。然后，将该充电曲线样本图片输入至预先训练的神经网络模型中，得到输出结果，该输出结果即为所输入的充电电流曲线对应的充电模式。

需要说明，上述神经网络模型可以是基于堆叠稀疏自编码的神经网络，该模型可以具体包括输入层、两层隐藏层、多分类层以及输出层。该神经网络模型预先利用包括所有充电模式的电流数据进行训练，以得到合适的网络参数。该神经网络模型可以从充电曲线样本图片中提取出相应的电流曲线特征，并识别该电流曲线特征，根据该电流曲线特征和充电模式的对应关系，得出该充电曲线对应的充电模式。

不同电动车的充电电流曲线是各不相同的，但是，不同的充电数据却可以包含某些相同的特征，不同的特征可以构成不同的充电模式。电流曲线特征可以是指表征一定形状的曲线的特征，即用特征表示某一段一定曲线形状或功能的曲线。例如，电流曲线特征中的凹槽特征，该凹槽特征对应一段呈凹槽形状的电流曲线，具体表现为电流持续缓慢下降至一个不为0的数值后，紧接着缓慢上升到与下降过程开始位置电流相差0.2A以下的位置。

又例如，充电电流曲线一般是三段式的，正常的三段式充电曲线包括第一阶段、第二阶段和第三阶段，分别将第一阶段、第二阶段、第三阶段对应的曲线均作为一个电流曲线特征，即，第一阶段特征、第二阶段特征以及第三阶段特征，其中，第一阶段特征表示正常的三段式充电曲线中的第一段的曲线；第二阶段特征表示正常的三段式充电曲线中的持续下降段，且下降的时间长度为半个小时；第三阶段特征表示正常的三段式充电曲线中的持续下降段之后充电时长大于1个小时，且电流值低于0.3A的一段曲线。

依次类推，针对电流曲线的形状以及其它特性，用不同的特征表示不同的曲线段。在本实施例中，充电电流曲线特征可以包括14个，分别为：凹槽、第一阶段、第二阶段、第三阶段、第一阶段部分振荡、第二阶段部分振荡、第三阶段部分振荡、凸、开始电流小于0.3A、中间为0、单个阶梯、中间阶梯、全振荡、多个持续阶梯。当然，实际应用中，还可以根据需要增加或减少电流曲线特征的类别。

不同曲线特征的时序组合可以构成不同的充电模式，即，根据充电电流曲线中所包含的曲线特征，以及这些曲线特征出现的时间先后顺序，对应不同的充电模式。在本实施例中，充电模式可以包括13个，分别为：只有一阶段、只有一二阶段、三阶段全、只有一三阶段、只有二三阶段、只有三阶段、大电流、同一订单同一个时段多辆车同时充电、同一订单不同时段多辆车分别充电、温控时间大于2个小时的充电、全振荡、突然停止(外界因素)、突然停止(非外界因素)。其中，不同充电模式由不同的曲线特征组合得到。例如，“只有一阶段”充电模式对应的充电电流曲线只有“第一阶段”曲线特征，即，此时的充电电流曲线只包括正常的三段式充电曲线中的第一段。

将相应的充电电流曲线的图片输入至神经网络模型之后，神经网络模型可以提取曲线特征，根据所提取的曲线特征来确定该充电电流曲线对应的充电模式。例如，假如某个充电电流曲线中包括正常的三段式曲线中的第一阶段、第二阶段和第三阶段，则将该充电曲线图片输入至神经网络模型之后，神经网络模型则可以提取出“第一阶段”特征、“第二阶段”特征以及“第三阶段”特征，然后根据“第一阶段”特征、“第二阶段特征”以及“第三阶段”特征的出现时间，确定该充电电流曲线对应的充电模式，假如三个特征的时间先后顺序为“第一阶段”特征、“第二阶段”特征、“第三阶段”特征，则神经网络模型可以确定该充电电流曲线对应的充电模式为“三阶段全”。

在一些实施例中，上述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络，该神经网络可以具体如图3示出的神经网络，其具体包括输入层Input L₁、隐藏层Layer L₂、隐藏层Layer L₃、输出层OutputL₄。其中的网络参数W、h、f可以通过模型训练确定。图3中未示出多分类层。

此时，参见图4所示的充电模式识别过程示意框图，上述将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果的具体过程可以包括：

步骤S401、通过输入层获取充电曲线样本图片。

步骤S402、将充电曲线样本图片输入第一隐藏层，以使第一隐藏层对充电曲线样本图片进行特征提取操作，输出第一电流曲线特征。

步骤S403、将第一电流曲线特征输入第二隐藏层，以使第二隐藏层对第一电流曲线特征进行特征提取和组合操作，输出第二电流曲线特征，第二电流曲线特征的精度高于第一电流曲线特征。

步骤S404、将第二电流曲线特征输入多分类层，以使多分类层将第二电流曲线特征进行组合识别，根据特征组合，识别具体类别对应到输出层。具体地，神经网络模型获取到充电电流曲线图片之后，第一隐藏层可以根据图片数据提取出充电电流曲线的特征，第一隐藏层的输出作为第二隐藏层的输入，第二隐藏层对所输入的曲线特征进行进一步地的提取，得到更加精确的曲线特征，并将该曲线特征输出至多分类层，多分类层根据曲线特征进行模式组合分类，然后将分类结果输出至输出层，得到充电模式分类结果。

需要说明，第一电流曲线特征可以是指一个或多个曲线特征，第二电流曲线特征可以是指一个或多个曲线特征。第二电流曲线特征比第一电流曲线特征更加精确，第二隐藏层输出的电流曲线特征可以如图5所示，第一隐藏层输出的电流曲线特征可以如图6所示。第二隐藏层的作用可以进一步提高曲线特征的精度，因此可以说，隐藏层的数量越多，所提取得到的曲线特征的精度越高，反之，隐藏层的数量越少，曲线特征精度越低。但是，隐藏层数量的增多可以能会导致某些特征被淹没，因此，可以根据实际需要、精度需求等确定隐藏层的数量。

上述电流曲线特征和充电模式的对应关系是指预先设定的不同充电模式和各个曲线特征之间的对应关系，不同的充电模式可以由不同的电流曲线特征组合。为了更好地介绍电流曲线特征、电流曲线特征与充电模式之间的关系，下面将结合表1和表2进行说明。

表1充电电流曲线特征表

上表1为充电电流曲线特征表，为了描述方便，下文描述这14个特征时，分别用A～N大写字母相应表示。在表1中，各个特征均有相应的特征描述、特征曲线，特征曲线是指该特征对应的曲线形状的表示。可以理解，在具体应用中，还可以根据需要定义不同于上表1中所示的曲线特征。

将不同的特征进行组合可以得到不同的充电模式。将上述表1中的14个特征进行组合，可以得到13种小的充电模式，13种小的充电模式又可以划分为4种大的充电模式，4种大的充电模式分别为正常充电、异常充电、全振荡充电以及突然停止充电。具体关系如下表2所示。

表2充电模式表

上表2示出了13种小充电模式，以及13种小充电模式对应的曲线特征组合、对应的大充电模式。其中，表2中充电模式组成中所成的A～N的特征是指上述表1中示出的A～N特征。可以理解，表2所示的充电模式仅仅是一种示例，具体应用中，可以包括更多或更少的充电模式类别。

需要说明，神经网络模型的输出结果是上述表2中的13种小充电模式，而根据小充电模式和大充电模式预先设定的对应关系，可以得到各个小充电模式对应的大充电模式。当然，也可以在神经网络模型中预先设定小充电模式和大充电模式的对应关系，神经网络模型也可以识别出小充电模式之后，再根据小充电模式输出大充电模式。即，神经网络模型的输出结果也可以是上述表2的大充电模式。当然，输出结果也可以同时包括小充电模式和大充电模式。

可以看出，本实施例将电动车充电过程中的充电电流曲线转化成相应的样本图片，然后将该样本图片输入预先训练的神经网络模型，对该充电电流曲线对应的曲线特征进行提取、识别、组合，得到该充电电流曲线对应的充电模式，实现了对电动车的充电状态进行识别和监控。

实施例二

请参见图7，为本申请实施例提供的充电模式识别方法的另一种流程示意框图，该方法可以包括以下步骤：

步骤S701、获取训练样本数据集，训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集。

步骤S702、对训练样本数据集进行数据预处理操作。

可以理解，上述训练样本数据集包括多个样本图片，这些样本图片包括所有充电模式对应的充电曲线的图片。

其中，数据预处理操作可以将样本图片转换为一个标准的图片。在一些实施例中，上述对训练样本数据集进行数据预处理操作的具体过程可以包括：从每一张训练样本图片随机提取出第一预设数量张第三预设像素大小的目标图片；将目标图片分成第一类目标图片和第二目标图片，第一类目标图片为包含电流曲线和背景的图片，第二类目标图片为只包含背景的图片；从第一类目标图片数据集中随机抽取第二预设数量张图片，从第二类目标图片数据集中随机抽取第三预设数量张图片；将第二预设数量张图片和第三预设数量张图片组成训练样本；按照对数逻辑回归模式对训练样本中的每个样本的像素灰度值进行标准化处理，以使每个样本的像素值落入预设区间。

举例来说，样本图片大小为128×128像素，上述第三预设像素大小为8×8像素，第一预设数量为1000，第二预设数量为50万，第三预设数量为3万。首先，将所有充电曲线模式的电流数据均转化为128×128像素大小的图片，然后，从每一张128×128像素的图片中随机提取出1000张8×8像素的小图片，并将这些小图片分为U1、U2两大类，U1里的小图片包含电流曲线和图片背景，U2里的小图片只包含图片背景。接着，从U1数据集和U2数据集中分别随机抽取出50万张小图片和3万张小图片，组成53万个训练样本，并对这53万个训练样本的像素灰度值按对数Logistic模式作标准化处理，使得训练样本的像素灰度值落入0～1之间。将标准化处理之后的53万个训练样本记为X＝{x₁，x₂，…，x_n}，n＝530000。

步骤S703、根据预处理后的训练样本数据集，对预先建立的神经网络模型进行训练。

具体地，将训练样本图片输入至多层的自编码神经网络中，以进行网络训练，使得神经网络的各层得到不同的曲线特征的参数以及这些曲线特征的有效组合，训练完成后可以得到训练好的神经网络模型以及不同的充电模式。

举例来说，当神经网络模型为如图3所示的神经网络时，将训练样本X＝{x₁，x₂，…，x_n}输入至神经网络之后，隐藏层L₂提取得到的电流曲线特征为Λ_m＝{λ₂₁，λ₂₂，…，λ_2m}，隐藏层L₃对Λ_m进行特征提取，得到Λ_k＝{λ₃₁，λ₃₂，…，λ_3k}，隐藏层L₃将Λ_k输入多分类层，得到分类结果，再将分类结果输出至输出层L₄，得到输出结果Y＝{y₁，y₂，…，y_n}。同时，还可以获得得到输入层L₁与隐藏层L₂之间的参数ω，隐藏层L₂与隐藏层L₃之间的参数h，隐藏层L₃与输出层L₄之间的参数f。

在训练之后，可以对得到的训练结果进行检测，当输出的训练结果与设定的充电模式之间的差异在可接受的精度范围内时，则可以确定相应的网络参数，然后进入识别阶段。

步骤S704、获取电动车的充电数据。

步骤S705、根据充电数据，生成充电曲线，充电曲线包括电流曲线。

步骤S706、将电流曲线转化为充电曲线样本图片。

在一些实施例中，上述将电流曲线转化为充电曲线样本图片的过程可以具体包括：将电流曲线转化为第一预设像素大小的图片；对第一预设像素大小的图片像素灰度值进行标准化处理，得到充电曲线样本图片。

可以理解，上述第一预设像素具体为但不限于128×128像素。识别阶段和训练阶段的图片转化过程类似，需要从图片提取出两类样本图片，然后再进行灰度值标准化。

步骤S707、将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。

需要说明，本实施例和上述各个实施例的相同或相似之处，相关介绍可以参见上文相应内容，在此不再赘述。

进一步地，在识别出充电曲线对应的充电模式之后，可以根据该充电模式根据充电模式，确定用户的充电行为。根据充电行为，生成对应的充电建议信息和充电信息。将充电建议信息和充电信息呈现给用户。

需要说明，上述充电行为是指在电动车充电过程中用户所作出的行为，例如，在充电过程中，充电适配器被用户用塑料袋等物品包裹、充电过程中私拉插排同时给多个车进行电、充电过程中突然换车等。用户的充电行为是否健康、安全，与电池寿命、充电安全等息息相关。

根据电动车的特定充电模式，可以确定出用户的特定充电行为。例如，当出现上述表2中的第10种充电模式，即，温控时间大于2小时的充电—异常充电模式时，一般情况下，充电适配在外部温度过高时，会触发适配器保护机制，主动断掉外部充电电源，而适配器主动断电的原因可以是外部环境温度过高，也可能是用户为了防止适配器被雨淋，在适配器上包裹塑料袋等物品导致的。因此，在识别出上述表2中的第10种充电模式时，则可以推测用户在充电过程中出现了适配器被包裹的行为。

又例如，当识别出上述表2中的第8种充电模式，即同一订单同一时段多辆车同时充电—异常充电模式时，由于在充电站的充电场景下，一个充电桩的插座只能供一辆电动车充电，而此时识别出多辆车同时充电，则表明用户通过私拉插排，以同时供多辆车充电。

又例如，当识别出上述表2中的第9种充电模式，即，同一订单不同时段多辆车分别充电—异常充电模式时，由于相同的电动车对应的充电曲线类别是一样的，故当出现前后时段出现两个不同充电曲线类别时，则可以认为用户在充电过程中出现了换车的行为。

需要说明，上述充电行为并不限于上文所列举的，例如还可以包括充电过程中突然拔掉充电插头等行为。可以预先设定不同的充电模式、充电场景对应不同的充电行为。在实际应用中，为了提高用户行为识别正确率，可以基于充电模式的识别结果，结合业务场景和充电用户的历史充电数据进行共同判断。

在识别出用户的充电行为之后，为了规范用户充电行为，消除充电安全隐患，保证电池寿命，提高充电过程的安全性，可以将相应的信息及时反馈给用户，并针对充电行为给出相应的充电建议。

需要说明，上述充电信息可以是指表征在当前充电过程中出现何种充电行为的信息，例如，充电行为是适配器被包裹时，该充电信息可以具体为“检测到因适配器温度过高而自动断电，推测是适配器被包裹”，这样，用户通过该充电信息可以及时得知自身当前存在的不规范充电行为。

上述充电建议信息可以是指表征针对相应充电行为对应的应对措施的信息。例如，充电行为是适配器被包裹时，该充电建议信息可以具体为“为保证充电安全和充电效率，请保证适配器的通风”。

例如，充电行为是充电过程中换了车，充电建议信息和充电信息具体为“检测到本次订单与历史订单不一致，推测充电途中换成其他车辆充电或者是电池开始出现异常”。

可以理解，上述充电建议信息和充电信息可以具体通过用户终端的界面呈现给充电用户。具体界面表现形式可以是任意的，在此不作限定。

可以看出，本实施例将电动车充电过程中的充电电流曲线转化成相应的样本图片，然后将该样本图片输入预先训练的神经网络模型，对该充电电流曲线对应的曲线特征进行提取、识别、组合，得到该充电电流曲线对应的充电模式，实现了对电动车的充电状态进行识别和监控。并且根据充电模式来进一步识别用户充电行为，将相关的信息及时反馈给用户，以提高充电过程中的安全性和规范化，保证电池寿命，提高用户充电体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例三

请参见图8，为本申请实施例提供的一种充电模式识别装置的结构示意框图，该装置可以包括：

获取模块81，用于获取电动车的充电数据；

曲线生成模块82，用于根据充电数据，生成充电曲线，充电曲线包括电流曲线；

转化模块83，用于将电流曲线转化为充电曲线样本图片；

识别模块84，用于将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。

在一种可行的实现方式中，神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；上述识别模块可以包括：

获取单元，用于通过输入层获取充电曲线样本图片；

第一特征提取单元，用于将充电曲线样本图片输入第一隐藏层，以使第一隐藏层对充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

第二特征提取单元，用于将第一电流曲线特征输入第二隐藏层，以使第二隐藏层对第一电流曲线特征进行特征提取和组合操作，输出第二电流曲线特征，第二电流曲线特征的精度高于第一电流曲线特征；

分类单元，用于将所述第二电流曲线特征输入多分类层，以使多分类层将第二电流曲线特征进行组合识别，根据特征组合，识别具体类别对应到输出层。

在一种可行的实现方式中，上述转化模块包括：

转化单元，用于将电流曲线转化为第一预设像素大小的图片；

标准化处理单元，用于对所述第一预设像素大小的图片像素灰度值进行标准化处理，得到所述充电曲线样本图片。

在一种可行的实现方式中，上述装置还包括：

训练样本获取模块，用于获取训练样本数据集，训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

预处理模块，用于对训练样本数据集进行数据预处理操作；

训练模块，用于根据预处理后的训练样本数据集，对预先建立的神经网络模型进行训练，以得到训练完成的神经网络模型。

在一种可行的实现方式中，上述预处理模块包括：

目标图片单元，用于从每一张训练样本图片随机提取出第一预设数量张第三预设像素大小的目标图片；

分类单元，用于将目标图片分成第一类目标图片和第二目标图片，第一类目标图片为包含电流曲线和背景的图片，第二类目标图片为只包含背景的图片；

随机提取单元，用于从第一类目标图片数据集中随机抽取第二预设数量张图片，从第二类目标图片数据集中随机抽取第三预设数量张图片；

组合单元，用于将第二预设数量张图片和第三预设数量张图片组成训练样本；

训练样本标准化处理单元，用于按照对数逻辑回归模式对训练样本中的每个样本的像素灰度值进行标准化处理，以使每个样本的像素值落入预设区间。

需要说明，本实施例和上述各个实施例的相同或相似之处，相关介绍请参见上文相应内容，在此不再赘述。

本实施例将电动车充电过程中的充电电流曲线转化成相应的样本图片，然后将该样本图片输入预先训练的神经网络模型，对该充电电流曲线对应的曲线特征进行提取、识别、组合，得到该充电电流曲线对应的充电模式，实现了对电动车的充电状态进行识别和监控。

实施例四

图9是本申请一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个充电模式识别方法实施例中的步骤，例如图2所示的步骤S201至S204。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块或单元的功能，例如图8所示模块81至84的功能。

示例性的，所述计算机程序92可以被分割成一个或多个模块或单元，所述一个或者多个模块或单元被存储在所述存储器91中，并由所述处理器90执行，以完成本申请。所述一个或多个模块或单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成获取模块、曲线生成模块、转化模块以及识别模块，各模块具体功能如下：

获取模块，用于获取电动车的充电数据；曲线生成模块，用于根据充电数据，生成充电曲线，充电曲线包括电流曲线；转化模块，用于将电流曲线转化为充电曲线样本图片；识别模块，用于将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果。

所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置、终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置、终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种充电模式识别方法，其特征在于，包括：

获取电动车的充电数据；

根据所述充电数据，生成充电曲线，所述充电曲线包括电流曲线；

将所述电流曲线转化为充电曲线样本图片；

将所述充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果，所述充电模式识别结果包括正常充电模式、异常充电模式、全震荡充电模式和突然停止充电模式；

其中，当所述电流曲线由第一特征构成，或者由所述第一特征和第二特征构成，且所述第一特征先于所述第二特征出现，或者由所述第一特征、所述第二特征以及第三特征构成，且三个特征出现的时间先后顺序为所述第一特征、所述第二特征、所述第三特征，或者由所述第一特征和所述第三特征构成，且所述第一特征先于所述第三特征出现，所述充电模式识别结果为所述正常充电模式；

当所述电流曲线由所述第二特征和所述第三特征构成，且所述第二特征先于所述第三特征出现，或者由所述第三特征构成，或者电流值大于电流阈值，或者包括第四特征和/或第五特征，或者包括两个所述第一特征或两个所述第二特征，且相同特征在时间上不相邻，或者包括所述第一特征和第六特征，且所述第一特征先于所述第六特征出现，所述充电模式识别结果为所述异常充电模式；

当所述电流曲线由第七特征构成，所述充电模式识别结果为全震荡充电模式；

当所述充电数据中电压值为0和电流值为0的时刻不同，且所述电流曲线中最后出现的特征为所述第一特征和/或所述第二特征，或者所述电流曲线中最后出现的特征为所述第三特征，所述充电模式识别结果为突然停止充电模式；

所述第一特征为三段式充电曲线的第一阶段，所述第二特征为三段式充电曲线的第二阶段，所述第三特征为三段式充电曲线的第三阶段，所述第四特征为凸，所述第五特征为中间阶梯，所述第六特征为中间为0，所述第七特征为全震荡。

2.根据权利要求1所述的充电模式识别方法，其特征在于，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

所述将所述充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果，包括：

通过所述输入层获取所述充电曲线样本图片；

将所述充电曲线样本图片输入所述第一隐藏层，以使所述第一隐藏层对所述充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

将所述第一电流曲线特征输入所述第二隐藏层，以使所述第二隐藏层对所述第一电流曲线特征进行特征提取和组合操作，输出第二电流曲线特征，所述第二电流曲线特征的精度高于所述第一电流曲线特征；

将所述第二电流曲线特征输入所述多分类层，以使所述多分类层将所述第二电流曲线特征进行组合识别，根据特征组合，识别具体类别对应到输出层。

3.根据权利要求1所述的充电模式识别方法，其特征在于，所述将所述电流曲线转化为充电曲线样本图片，包括：

将所述电流曲线转化为第一预设像素大小的图片；

对所述第一预设像素大小的图片像素灰度值进行标准化处理，得到所述充电曲线样本图片。

4.根据权利要求1至3任一项所述的充电模式识别方法，其特征在于，在所述获取电动车的充电数据之前，还包括：

获取训练样本数据集，所述训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

对所述训练样本数据集进行数据预处理操作；

根据预处理后的所述训练样本数据集，对预先建立的所述神经网络模型进行训练，以得到训练完成的神经网络模型。

5.根据权利要求4所述的充电模式识别方法，其特征在于，所述对所述训练样本数据集进行数据预处理操作，包括：

从每一张训练样本图片随机提取出第一预设数量张第三预设像素大小的目标图片；

将所述目标图片分成第一类目标图片和第二类目标图片，所述第一类目标图片为包含电流曲线和背景的图片，所述第二类目标图片为只包含背景的图片；

从第一类目标图片数据集中随机抽取第二预设数量张图片，从第二类目标图片数据集中随机抽取第三预设数量张图片；

将所述第二预设数量张图片和所述第三预设数量张图片组成训练样本；

按照对数逻辑回归模式对所述训练样本中的每个样本的像素灰度值进行标准化处理，以使每个样本的像素值落入预设区间。

6.一种充电模式识别装置，其特征在于，包括：

获取模块，用于获取电动车的充电数据；

曲线生成模块，用于根据所述充电数据，生成充电曲线，所述充电曲线包括电流曲线；

转化模块，用于将所述电流曲线转化为充电曲线样本图片；

识别模块，用于将所述充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果，所述充电模式识别结果包括正常充电模式、异常充电模式、全震荡充电模式和突然停止充电模式；

其中，当所述电流曲线由第一特征构成，或者由所述第一特征和第二特征构成，且所述第一特征先于所述第二特征出现，或者由所述第一特征、所述第二特征以及第三特征构成，且三个特征出现的时间先后顺序为所述第一特征、所述第二特征、所述第三特征，或者由所述第一特征和所述第三特征构成，且所述第一特征先于所述第三特征出现，所述充电模式识别结果为所述正常充电模式；

当所述电流曲线由所述第二特征和所述第三特征构成，且所述第二特征先于所述第三特征出现，或者由所述第三特征构成，或者电流值大于电流阈值，或者包括第四特征和/或第五特征，或者包括两个所述第一特征或两个所述第二特征，且相同特征在时间上不相邻，或者包括所述第一特征和第六特征，且所述第一特征先于所述第六特征出现，所述充电模式识别结果为所述异常充电模式；

当所述电流曲线由第七特征构成，所述充电模式识别结果为全震荡充电模式；

当所述充电数据中电压值为0和电流值为0的时刻不同，且所述电流曲线中最后出现的特征为所述第一特征和/或所述第二特征，或者所述电流曲线中最后出现的特征为所述第三特征，所述充电模式识别结果为突然停止充电模式；

所述第一特征为三段式充电曲线的第一阶段，所述第二特征为三段式充电曲线的第二阶段，所述第三特征为三段式充电曲线的第三阶段，所述第四特征为凸，所述第五特征为中间阶梯，所述第六特征为中间为0，所述第七特征为全震荡。

7.根据权利要求6所述的充电模式识别装置，其特征在于，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

所述识别模块包括：

获取单元，用于通过所述输入层获取所述充电曲线样本图片；

第一特征提取单元，用于将所述充电曲线样本图片输入所述第一隐藏层，以使所述第一隐藏层对所述充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

第二特征提取单元，用于将所述第一电流曲线特征输入所述第二隐藏层，以使所述第二隐藏层对所述第一电流曲线特征进行特征提取和组合操作，输出第二电流曲线特征，所述第二电流曲线特征的精度高于所述第一电流曲线特征；

分类单元，用于将所述第二电流曲线特征输入所述多分类层，以使所述多分类层将所述第二电流曲线特征进行组合识别，根据特征组合，识别具体类别对应到输出层。

8.根据权利要求6所述的充电模式识别装置，其特征在于，所述转化模块包括：

转化单元，用于将所述电流曲线转化为第一预设像素大小的图片；

标准化处理单元，用于对所述第一预设像素大小的图片像素灰度值进行标准化处理，得到所述充电曲线样本图片。

9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。

Images