CN110843596A - 充电行为识别方法、装置、终端设备及存储介质 - Google Patents
充电行为识别方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110843596A CN110843596A CN201911056487.4A CN201911056487A CN110843596A CN 110843596 A CN110843596 A CN 110843596A CN 201911056487 A CN201911056487 A CN 201911056487A CN 110843596 A CN110843596 A CN 110843596A
- Authority
- CN
- China
- Prior art keywords
- charging
- current data
- data
- preset condition
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims description 80
- 238000012549 training Methods 0.000 claims description 44
- 238000007637 random forest analysis Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/67—Controlling two or more charging stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Abstract
本申请实施例适用于电动车技术领域,公开了一种充电行为识别方法、装置、终端设备及计算机可读存储介质,其中,所述方法包括:获取充电桩上传的充电电流数据;判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段;当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。本申请实施例可以对充电过程中电动车电池是否存在实质意义上的充电行为进行识别,从而提高了充电桩的使用效率。
Description
技术领域
本申请属于电动车技术领域,尤其涉及一种充电行为识别方法、装置、终端设备及存储介质。
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。
目前,车主使用充电站为电动车充电时,在完成相应的充电订单支付之后,充电桩的相应插座就会通电,此时,车主可以通过电动车的适配器、充电线将电动车连接至充电桩的相应插座,以对电动车进行充电。
但是,由于用户操作等原因,用户虽然在特定时间段内提交了充电订单,但可能并未进行实质上的充电行为。这种行为可能会使电动车的电池损失不少充电工作时间,从而影响到充电桩的使用效率。而对于这种类似“刷单”的异常充电行为,目前还没有行之有效的识别方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本申请实施例提供了一种充电行为识别方法、装置、终端设备及存储介质,以解决现有技术中无法识别电动车电池是否存在实质上的充电行为,从而降低了充电桩的使用效率的问题。
本申请实施例的第一方面,提供了一种充电行为识别方法,所述方法包括:
获取充电桩上传的电动车的充电电流数据;
判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段;
当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。
在本申请的一些实施例中,在确定充电过程中存在异常充电行为之前,还包括:
判断与所述充电电流数据对应的充电功率数据是否符合第二预设条件,所述第二预设条件为在充电起始时间和结束时间之间存在功率持续小于或等于预设功率阈值的时间段;
所述确定充电过程中存在异常充电行为,包括:
当所述充电电流数据符合第一预设条件且与所述充电电流数据对应的充电功率数据符合第二预设条件时,确定充电过程中存在异常充电行为。
在本申请的一些实施例中,所述判断所述充电电流数据是否符合第一预设条件,包括:
根据所述充电电流数据,生成充电电流曲线;
将所述充电电流曲线转化为充电曲线图片;
将所述充电曲线图片输入已预先训练的神经网络模型,得到与所述充电电流曲线对应的充电模式;
当所述充电模式为预设充电模式时,则确定所述充电电流数据符合所述第一预设条件;
当所述充电模式为非预设充电模式时,则确定所述充电电流数据不符合所述第一预设条件。
在本申请的一些实施例中,所述神经网络模型的训练过程具体为:
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。
在本申请的一些实施例中,所述判断所述充电电流数据是否符合第一预设条件,包括:
将所述充电电流数据输入预先训练的随机森林模型,得到与所述充电电流数据对应的充电模式;
当所述充电模式为预设充电模式时,则确定所述充电电流数据符合所述第一预设条件。
在本申请的一些实施例中,所述随机森林模型为包括n棵决策树的模型,n为正整数;
所述将所述充电电流数据输入预先训练的随机森林模型,得到与所述充电电流数据对应的充电模式,包括:
通过所述n棵决策树对所述充电数据进行分类,得到n个分类结果;
从所述n个分类结果中确定最终分类结果,将所述最终分类结果作为所述充电模式,所述最终分类结果为所述n个分类结果中数量大于等于n/2的分类结果。
在本申请的一些实施例中,在所述确定充电过程中存在异常充电行为之后,还包括:
记录所述异常充电行为的发生次数;
当所述异常充电行为的发生总次数大于预设次数阈值时,向用户终端发送对应的提示信息。
本申请实施例的第二方面,提供了一种充电行为识别装置,包括:
充电数据获取模块,用于获取充电桩上传的电动车的充电电流数据;
第一判断模块,用于判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段;
确定模块,用于当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。
本申请实施例的第三方面,提供了一种终端设备,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所述方法的步骤。
本申请实施例的第四方面,提供了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:本申请实施例通过获取电动车的充电数据,判断与充电电流数据对应的充电电流曲线是否出现某段时间小于或等于预设电流阈值的时间段,如果上述条件符合时,则基本可以确定用户在充电过程中存在未进行实质上的充电行为,从而实现了对充电过程中电动车电池是否存在实质意义上的充电行为的识别,提高了充电桩的使用效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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它的附图。
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行为识别方法的流程示意框图;
图3为本申请实施例提供的充电曲线示意图;
图4为本申请实施例提供的另一种充电行为识别方法的流程示意图;
图5为本申请实施例提供的又一种充电行为识别方法的流程示意图;
图6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7为本申请实施例利用图5所示神经网络的充电模式的具体识别过程示意图;
图8为本申请实施例提供的再一种充电行为识别方法的流程示意图;
图9为本申请实施例提供的随机森林模型示意图;
图10为本申请实施例提供的一种充电行为识别装置的结构示意框图;
图11为本申请实施例提供的终端设备的示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是本申请实施例提供的一种充电场景示意图,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,充电桩会将该充电订单上传至服务器,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、充电功率、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、功率、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,可以相应地绘制充电电流曲线、充电功率曲线、功率曲线等。然后,服务器根据充电电流曲线、功率曲线等数据,识别所上报的充电数据对应的充电模式。在识别出充电模式之后,可以根据充电模式确定充电过程中是否存在一些异常状况或者是不健康的充电行为,如果识别出相应的充电行为,可以实时通过用户终端反馈给用户。
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。
实施例一
如图2所示,是本申请实施例提供的一种充电行为识别方法的示意流程图,所述方法可以由图1中的服务器103执行,所述方法可以包括:
步骤S210、获取充电桩上传的电动车的充电电流数据。
需要说明,电动车的充电数据一般包括充电电压数据、充电电流数据以及充电功率数据。而电动车充电过程中,充电电压和充电功率一般是恒定不变的,充电电压和充电功率相较于充电电流,所包含的信息较少。在一些情况下,可以只基于充电电流数据进行充电行为识别,此时,充电数据可以只包括充电电流数据。而在另一些情况下,需要用到充电电流数据和充电功率数据,此时,上述充电数据可以只包括充电功率数据和充电电流数据。
在本申请实施例中,是基于充电电流数据进行充电行为识别的。该充电电流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,充电桩将所采集的充电电流数据通过遥测报文的形式上报给后台服务器,后台服务器解析该遥测报文,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,该充电电流数据也可以是历史充电电流数据,该历史充电电流数据是通过存储充电桩实时上传的电动车充电电流数据得到的。
步骤S220、判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段。
需要说明的是,上述预设电流阈值一般为0.6A,当然,也可以为其他非零数值,本申请实施例对此不做具体限定。其中,电流持续为0.6A或其他非零数值的时间段的长短可以是任意的。
参见图3所示的充电曲线示意图,图3中包括12幅图,排列成四行三列,每幅图中包括充电电流曲线,其中,每幅图中的横轴表示时间(单位:分钟),左边竖轴表示电流(单位:A),右边竖轴表示电压(单位:V),每幅图中电压恒定在220V附近,即在一个充电周期中,充电电压保持220V不变,且波动不大,可以认为基本保持不变。而每幅图中的充电电流曲线,都存在电流持续小于或等于预设电流阈值的时间段。
以图3中第一行的第一幅图为例,其电流为0的时间区间大概为第230分钟至第500分钟之间,t=0时,其对应的电流值最大,大概为0.2A;在第0分钟至第2分钟之间,电流值快速减小,至第2分钟时,降到大概为0.1A。在第2分钟至第228分钟之间,电流值基本维持在0.1A左右,在第228分钟至第230分钟之间,电流值快速减小,至第230分钟时,降到0A。故可以确定该图对应的电流数据符合第一预设条件。依此类推,可以看出,图3中的12幅图均符合上述第一预设条件。
步骤S230、当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。
可以理解的是,所述异常充电行为,是指用户虽然通过用户终端向服务器发送了充电订单但并未实际进行电动车充电,或在正常充电结束后仍然继续充电等非正常充电行为。例如,在有充电价格优惠时,用户进行充电的目可能仅是为了攒够充电时长,从而获取充电价格优惠。在这一情况下,用户可能在正常充满电后仍一直充电,这时有必要检测出该种异常充电行为,并向用户发送相应的提示信息。又如,在有充电价格优惠时,用户进行充电的目可能仅是为了攒够充电次数,从而获取充电价格优惠。在这一情况下,用户可能并未开始电动车的正常充电,这时有必要检测出该种异常充电行为,并向用户发送相应的提示信息。
一般而言,正常充电时电动车电池的电流曲线明显不同于异常充电时电动车电池的电流曲线。因此,通过本申请实施例的方法,识别出充电过程中是否出现了异常充电行为。即当当充电电流数据符合第一预设条件时,可以确定充电过程中出现了异常充电的行为,反之,则可以确定充电过程中没有出现异常充电的行为。
这样做的好处是,可以快速实现对充电过程中电动车电池是否存在实质上的充电行为的识别,从而提高了充电桩的使用效率。
实施例二
如图4所示,是本申请实施例提供的另一种充电行为识别方法的示意流程图,所述方法可以由图1中的服务器103执行,所述方法可以包括:
步骤S410、获取充电桩上传的电动车的充电数据,所述充电数据包括充电电流数据和与所述充电电流数据对应的充电功率数据。
需要说明,电动车的充电数据一般包括充电电压数据、充电电流数据以及充电功率数据。而电动车充电过程中,充电电压和充电功率一般是恒定不变的,充电电压和充电功率相较于充电电流,所包含的信息较少。在一些情况下,可以只基于充电电流数据进行充电行为识别,此时,充电数据可以只包括充电电流数据。而在另一些情况下,需要用到充电电流数据和充电功率数据,此时,上述充电数据可以只包括充电功率数据和充电电流数据。
在本申请实施例中,是基于充电电流数据和充电功率数据进行充电行为识别的。该充电电流数据和充电功率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,充电桩将所采集的充电电流数据和充电功率数据通过遥测报文的形式上报给后台服务器,后台服务器解析该遥测报文,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电流数据和充电功率数据。当然,所述充电电流数据和所述充电功率数据也可以是历史充电电流数据和历史充电功率数据,所述历史充电电流数据和所述历史充电功率数据是通过存储充电桩实时上传的电动车充电数据得到的。
步骤S420、判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段。
需要说明的是,上述预设电流阈值一般为0.6A,当然,也可以为其他非零数值,本申请实施例对此不做具体限定。其中,电流持续为0.6A或其他非零数值的时间段的长短可以是任意的。
步骤S430、判断与所述充电电流数据对应的充电功率数据是否符合第二预设条件,所述第二预设条件为在充电起始时间和结束时间之间存在功率持续小于或等于预设功率阈值的时间段。
可以理解,充电功率P=充电电流I*充电电压U。而在电动车充电过程中,充电电压一般位于区间200V~240V内,即可以认为该充电电压值维持在220V左右。因此,可以基于步骤S220确定的充电电流计算特定时刻与充电电流对应的充电功率值。当然,也可以采取功率测量仪或其他方式获取充电功率,本申请实施例对此不做特殊限定。
需要说明的是,上述预设功率阈值为经验数值,该数值可以根据具体应用需求进行设定,在本实施例中,该功率阈值可以为60w。其中,功率持续小于或等于功率阈值的时间段的长短可以是任意的。
步骤S440、当所述充电电流数据符合第一预设条件且与所述充电电流数据对应的充电功率数据符合第二预设条件时,确定充电过程中存在异常充电行为。
同理,在判断出电流数据符合第一预设条件后,可采用相同的方法判断与所述充电电流数据对应的充电功率数据是否符合第二预设条件,本申请在此不再赘述。
可以理解,当充电电流数据符合第一预设条件且与所述充电电流数据对应的充电功率数据符合第二预设条件时,可以确定充电过程中出现了异常充电。
一般而言,正常充电时电动车电池的电流曲线、功率曲线明显不同于异常充电时电动车电池的电流曲线、功率曲线。因此,通过本申请实施例的方法,识别出充电过程中是否出现了异常充电行为。即当当充电电流数据符合第一预设条件且与所述充电电流数据对应的充电功率数据符合第二预设条件时,可以确定充电过程中出现了异常充电的行为,反之,则没有出现异常充电的行为。
这样做的好处是,可以准确、快速实现对充电过程中电动车电池是否存在实质上的充电行为的识别,从而提高了充电桩的使用效率。
实施例三
如图5所示,为本申请的实施例提供的又一种充电行为识别方法的流程示意图,该方法可以包括以下步骤:
步骤S510、获取充电桩上传的电动车的充电电流数据。
步骤S520、根据所述充电电流数据,生成充电电流曲线。
具体地,根据充电电流、功率等数据,在设定的坐标系中绘制出相应的曲线。
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,而电动车的充电功率一般是不变的,功率曲线在电池状态的分析识别上所能起到的作用很小。因此,在一些情况下,只需要电流曲线,或者电流曲线和电压曲线即可。此外,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、生产厂家等均不同,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。在本申请实施例中,是基于电流曲线进行充电模式的分析识别。
步骤S530、将所述充电电流曲线转化为充电曲线图片。
具体地,将电流曲线转化为一定像素大小(例如128×128)的图片;对该图片像素灰度值进行标准化处理,得到充电曲线图片。其中,可以通过对数Logistic标准化的方式对图片进行处理,以使图片的像素值落入至0~1之间。
步骤S540、将所述充电曲线图片输入已预先训练的神经网络模型,得到与所述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。依此类推,针对电流曲线的形状以及其它特性,可用不同的特征表示不同的曲线段。在实际应用中,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6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6中未示出多分类层。
如图7所示,为本申请实施例利用图5所示神经网络的充电模式的具体识别过程示意图,上述将充电曲线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S710、通过输入层获取充电曲线图片。
步骤S720、将充电曲线图片输入第一隐藏层,以使第一隐藏层对充电曲线图片进行特征提取操作,输出第一电流曲线特征。
步骤S730、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S740、将所述第二电流曲线特征输入所述多分类层,以使所述多分类层识别所述第二电流曲线特征,根据电流曲线特征和充电模式的对应关系,得到充电模式分类结果。
步骤S750、将所述充电模式分类结果输入所述输出层,以使所述输出层输出所述充电模式识别结果。
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。
需要说明的是,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各个曲线特征与不同充电模式之间的对应关系。当然,不同的充电模式可以对应于一个或多个不同的电流曲线特征。
步骤S550、当所述充电模式为预设充电模式时,则确定所述充电电流数据符合所述第一预设条件。
在本申请实施例中,预设充电模式所述预设充电模式为与在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段对应的充电模式。
步骤S560、当所述充电模式为非预设充电模式时,则确定所述充电电流数据不符合所述第一预设条件。
步骤S570、确定充电过程中存在异常充电行为。
在本申请的一个实施例中,所述神经网络模型是预先训练完成的,而该神经网络模型的训练过程具体可以包括:
首先,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。
其次,对所述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图片,该数据集中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图片转换为一个标准的图片。
具体地,可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,…,xn},n=530000。
最后,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。
举例来说,当神经网络模型为如图6所示的神经网络时,将训练样本X={x1,x2,…,xn}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Λm={λ21,λ22,…,λ2m},隐藏层L3对Λm进行特征提取,得到Λk={λ31,λ32,…,λ3k},隐藏层L3将Λk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,…,yn}。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。
在识别出充电模式之后,可以根据充电模式进一步识别出充电行为。
这样做的好处是,可以准确、快速实现对充电过程中电动车电池是否存在实质上的充电行为的识别,从而提高了充电桩的使用效率。
实施例四
如图8所示,为本申请实施例提供的再一种充电行为识别方法的流程示意图,该方法包括以下步骤:
步骤S810、获取充电桩上传的电动车的充电电流数据。
步骤S820、将所述充电电流数据输入预先训练的随机森林模型,得到与所述充电电流数据对应的充电模式。
需要说明,随机森林模型可以为包括n棵决策树的模型,n为正整数,该模型可以具体图9的随机森林模型示意图中的模型,如图9所示,其包括决策树Tree1、Tree2…Tree(n-1)、Tree(n),每棵决策树对相应的随机样本集进行分类处理,得到相应的分类结果类型1、类型1…类型2、类型3。此时,上述将充电数据输入预先训练的随机森林模型,得到充电数据的充电模式的具体过程可以包括:通过n棵决策树对充电电流数据进行分类,得到n个分类结果;通过投票机制从n个分类结果中确定最终分类结果,将最终分类结果作为充电模式,最终分类结果为n个分类结果中数量大于等于n/2的分类结果。其中,在随机森林中各棵决策树得到分类结果之后,可以利用投票机制,将数量占比达到50%以上的分类结果作为最终分类结果,该分类结果即为充电数据对应的充电模式识别结果。例如,如图3所示,当分类结果“类型1”的数量占比达到50%以上时,则通过投票的最终结果为“类型1”。
可以理解的是,可以在随机森林模型中预先设定电流曲线特征和充电模式的对应关系。当然,不同的充电模式可以对应于一个或多个不同的电流曲线特征。这样随机森林模型在得出充电模式之后,就可以确定与充电模式对应的电流曲线特征。
将充电电流数据输入至随机森林模型之后,随机森林中的各个决策树根据预先训练的模型参数,基于预先设定电流曲线特征和充电模式的对应关系,对该充电电流数据进行分类,得到分类结果,各个分类结果为各个决策树对该充电电流数据的模式分类,最后通过统计各分类结果的数量,将数量占比50%以上的分类结果作为模型的最终输出结果,该最终输出结果即为充电模式识别结果。例如,假如某个充电电流数据对应的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,随机森林模型对该电流数据进行分类识别后,可以确定该充电电流数据对应的充电模式为“三阶段全”。
其中,随机森林的模型参数是通过预先训练得到的,而随机森林的训练过程具体包括:获取训练样本集和对应的充电模式标签;根据训练样本集和充电模式标签,对随机森林模型进行训练。
可以理解,基于随机森林C4.5算法构建出充电数据的模式识别模型即随机森林模型,随机森林是一种有监督的学习算法,有监督学习算法需要利用带有标签的样本数据区巡逻模型,使模型能够达到期望的效用。在训练过程中,随机森林采用随机的有放回的选择训练样本集并构建相应的决策树,每个决策树再随机选择特征进行分类。随机森林得到所有决策树的分类结果,通过选择出现次数最多的结果作为最终输出结果。
上述训练样本集为包括所有充电模式对应的充电电流数据、对应的充电模式标签是指各个充电电流数据对应的充电模式,该充电模式为人工标定。如图9所示,训练过程中,随机森林从全部训练样本集中随机地有放回地抽取一部分数据作为样本集,共选取n个样本集,得到n棵决策树,每一棵决策树随机选择m个特征进行分类,每个决策树均得到相应的分类结果,然后通过统计得到最后训练结果。
随机森林模型中包括特征个数、决策树的个数和叶子的个数这三个超参数。通过足够的训练样本对模型进行训练后,可以确定出模型中的相应参数。在训练完成后还可以对模型进行测试,以检验模型效果是否符合预期要求。当检验模型效果符合预期要求时,利用该模型识别出充电模式,进而根据该充电模式进一步识别出充电行为。
步骤S830、当充电模式为预设充电模式时,则确定所述充电电流数据符合第一预设条件。
在本申请实施例中,预设充电模式所述预设充电模式为与在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段对应的充电模式。
步骤S840、确定存在异常充电行为。
这样做的好处是,可以准确、快速实现对充电过程中电动车电池是否存在实质上的充电行为的识别,从而提高了充电桩的使用效率。
在本申请的一个实施例中,在所述确定充电过程中存在异常充电行为之后,还包括:
首先,记录所述异常充电行为的发生次数;
其次,当所述异常充电行为的发生总次数大于预设次数阈值时,向用户终端发送对应的提示信息。
可以理解的是,所述预设次数阈值为经验数值,该数值可以根据具体应用需求进行设定,在本实施例中,该功率阈值可以为5次。
可选地,所述对应的提示消息,可根据异常充电行为的发生总次数与预设次数阈值的差值情况,灵活确定。例如,当异常充电行为的发生总次数大于预设次数阈值但小于1预设次数阈值的2倍时,发送立即停止异常充电行为;而当异常充电行为的发生总次数达到预设次数阈值2倍时,发送立即停止异常充电行为并清除本次充电记录的提示消息。
这样做的好处是,可以根据异常充电行为的发生总次数,灵活确定向用户发送的提示消息,在一定程度上有利于遏制用户的异常充电行为,提高充电桩的充电效率。
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。
实施例五
如图10所示,本申请一个实施例提供的一种充电行为识别装置,所述装置包括:
充电数据获取模块1010,用于获取充电桩上传的电动车的充电数据,所述充电数据包括充电电流数据;
第一判断模块1020,用于判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段;
确定模块1030,用于当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。
可选地,所述第一判断模块1020包括:
曲线生成单元,用于根据所述充电电流数据,生成充电电流曲线;
转化单元,用于将所述充电电流曲线转化为充电曲线图片;
第一输入单元,用于将所述充电曲线图片输入已预先训练的神经网络模型,得到与所述充电电流曲线对应的充电模式;
第一确定单元,用于当所述充电模式为预设充电模式时,则所述充电电流数据符合所述第一预设条件;
第二确定单元,用于当所述充电模式为非预设充电模式时,则所述充电电流数据不符合所述第一预设条件。
可选地,所述第一判断模块1020包括:
第二输入单元,用于将所述充电数据输入预先训练的随机森林模型,得到与所述充电数据对应的充电模式;
第三确定单元,用于当所述充电模式为预设充电模式时,则判断所述充电电流数据符合所述第一预设条件。
可以看出,本申请实施例通过获取电动车的充电数据,判断与充电电流数据对应的充电电流曲线是否出现某段时间小于或等于预设电流阈值的时间段,如果上述条件符合时,则基本可以确定用户在充电过程中存在未进行实质上的充电行为,从而实现了对充电过程中电动车电池是否存在实质上的充电行为的识别,提高了充电桩的使用效率。
实施例六
图11是本发明一实施例提供的终端设备的示意框图。如图11所示,该实施例的终端设备11包括:处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112。所述处理器110执行所述计算机程序112时实现上述各个充电行为识别方法实施例中的步骤,例如图2所示的步骤S210至步骤S230。或者,所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能,例如图10所示模块1010至模块1030的功能。
示例性的,所述计算机程序112可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器111中,并由所述处理器110执行,以完成本发明。所述一个或多个模块/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112在所述终端设备11中的执行过程。
本领域技术人员可以理解,图11仅仅是终端设备11的示例,并不构成对终端设备11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11还可以包括输入输出设备、网络接入设备、总线电源等。
所述处理器110可以是所述终端设备11的中央处理单元(Central ProcessingUnit,CPU),还可以是所述终端设备11的其它通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、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111可以是所述终端设备11的内部存储单元,例如终端设备11的硬盘或内存。所述存储器111也可以是所述终端设备11的外部存储设备,例如所述终端设备11上配备的智能存储卡(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111还可以既包括所述终端设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述终端设备11所需的其它程序和数据。所述存储器111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发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/机器人和方法,可以通过其它的方式实现。例如,以上所描述的装置/机器人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,在本发明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/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计算机可读存储介质中。基于这样的理解,本发明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发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种充电行为识别方法,其特征在于,包括:
获取充电桩上传的电动车的充电电流数据;
判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段;
当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。
2.根据权利要求1所述的充电行为识别方法,其特征在于,在确定充电过程中存在异常充电行为之前,还包括:判断与所述充电电流数据对应的充电功率数据是否符合第二预设条件,所述第二预设条件为在充电起始时间和结束时间之间存在功率持续小于或等于预设功率阈值的时间段;
所述确定充电过程中存在异常充电行为,包括:
当所述充电电流数据符合第一预设条件且与所述充电电流数据对应的充电功率数据符合第二预设条件时,确定充电过程中存在异常充电行为。
3.根据权利要求1所述的充电行为识别方法,其特征在于,所述判断所述充电电流数据是否符合第一预设条件,包括:
根据所述充电电流数据,生成充电电流曲线;
将所述充电电流曲线转化为充电曲线图片;
将所述充电曲线图片输入已预先训练的神经网络模型,得到与所述充电电流曲线对应的充电模式;
当所述充电模式为预设充电模式时,则确定所述充电电流数据符合所述第一预设条件;
当所述充电模式为非预设充电模式时,则确定所述充电电流数据不符合所述第一预设条件。
4.根据权利要求3所述的充电行为识别方法,其特征在于,所述神经网络模型的训练过程具体为:
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。
5.根据权利要求1所述的充电行为识别方法,其特征在于,所述判断所述充电电流数据是否符合第一预设条件,包括:
将所述充电电流数据输入预先训练的随机森林模型,得到与所述充电电流数据对应的充电模式;
当所述充电模式为预设充电模式时,则确定所述充电电流数据符合所述第一预设条件。
6.根据权利要求5所述的充电行为识别方法,其特征在于,所述随机森林模型为包括n棵决策树的模型,n为正整数;
所述将所述充电电流数据输入预先训练的随机森林模型,得到与所述充电电流数据对应的充电模式,包括:
通过所述n棵决策树对所述充电数据进行分类,得到n个分类结果;
从所述n个分类结果中确定最终分类结果,将所述最终分类结果作为所述充电模式,所述最终分类结果为所述n个分类结果中数量大于等于n/2的分类结果。
7.根据权利要求1至6任一所述的充电行为识别方法,其特征在于,在所述确定充电过程中存在异常充电行为之后,还包括:
记录所述异常充电行为的发生次数;
当所述异常充电行为的发生总次数大于预设次数阈值时,向用户终端发送对应的提示信息。
8.一种充电行为识别装置,其特征在于,包括:
充电数据获取模块,用于获取充电桩上传的电动车的充电电流数据;
第一判断模块,用于判断所述充电电流数据是否符合第一预设条件,所述第一预设条件为在充电起始时间和结束时间之间存在电流持续小于或等于预设电流阈值的时间段;
确定模块,用于当所述充电电流数据符合第一预设条件时,确定充电过程中存在异常充电行为。
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7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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056487.4A CN110843596A (zh) | 2019-10-31 | 2019-10-31 | 充电行为识别方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056487.4A CN110843596A (zh) | 2019-10-31 | 2019-10-31 | 充电行为识别方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110843596A true CN110843596A (zh) | 2020-02-28 |
Family
ID=69599541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911056487.4A Pending CN110843596A (zh) | 2019-10-31 | 2019-10-31 | 充电行为识别方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110843596A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113602132A (zh) * | 2021-06-19 | 2021-11-05 | 特瓦特能源科技有限公司 | 充电桩充电的异常检测方法及相关设备 |
CN113771660A (zh) * | 2021-08-27 | 2021-12-10 | 深圳市道通合创新能源有限公司 | 一种还枪误报校正方法、充电桩及存储介质 |
CN116215295A (zh) * | 2023-03-31 | 2023-06-06 | 广东健怡投资有限公司 | 充电桩监控预警方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016124446A1 (de) * | 2015-02-04 | 2016-08-11 | Volkswagen Aktiengesellschaft | Verfahren und system zur erzeugung eines ladezeitplans eines elektrischen energiespeichers in einem fahrzeug |
CN106494251A (zh) * | 2016-11-11 | 2017-03-15 | 江苏理工学院 | 一种电动汽车用电池的充电控制装置及方法 |
CN109919217A (zh) * | 2019-02-28 | 2019-06-21 | 深圳智链物联科技有限公司 | 充电行为识别方法、装置、终端设备及存储介质 |
CN109934955A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电模式识别方法、装置、终端设备及存储介质 |
CN109948664A (zh) * | 2019-02-28 | 2019-06-28 | 深圳智链物联科技有限公司 | 充电模式识别方法、装置、终端设备及存储介质 |
-
2019
- 2019-10-31 CN CN201911056487.4A patent/CN110843596A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016124446A1 (de) * | 2015-02-04 | 2016-08-11 | Volkswagen Aktiengesellschaft | Verfahren und system zur erzeugung eines ladezeitplans eines elektrischen energiespeichers in einem fahrzeug |
CN106494251A (zh) * | 2016-11-11 | 2017-03-15 | 江苏理工学院 | 一种电动汽车用电池的充电控制装置及方法 |
CN109919217A (zh) * | 2019-02-28 | 2019-06-21 | 深圳智链物联科技有限公司 | 充电行为识别方法、装置、终端设备及存储介质 |
CN109934955A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电模式识别方法、装置、终端设备及存储介质 |
CN109948664A (zh) * | 2019-02-28 | 2019-06-28 | 深圳智链物联科技有限公司 | 充电模式识别方法、装置、终端设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113602132A (zh) * | 2021-06-19 | 2021-11-05 | 特瓦特能源科技有限公司 | 充电桩充电的异常检测方法及相关设备 |
CN113771660A (zh) * | 2021-08-27 | 2021-12-10 | 深圳市道通合创新能源有限公司 | 一种还枪误报校正方法、充电桩及存储介质 |
CN116215295A (zh) * | 2023-03-31 | 2023-06-06 | 广东健怡投资有限公司 | 充电桩监控预警方法、装置、设备及存储介质 |
CN116215295B (zh) * | 2023-03-31 | 2023-09-19 | 广东健怡投资有限公司 | 充电桩监控预警方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919217B (zh) | 充电行为识别方法、装置、终端设备及存储介质 | |
CN109948664B (zh) | 充电模式识别方法、装置、终端设备及存储介质 | |
CN109934955B (zh) | 充电模式识别方法、装置、终端设备及存储介质 | |
CN109934473B (zh) | 充电健康指数评分方法、装置、终端设备及存储介质 | |
CN109934271B (zh) | 充电行为识别方法、装置、终端设备及存储介质 | |
CN110843596A (zh) | 充电行为识别方法、装置、终端设备及存储介质 | |
CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN111002859B (zh) | 识别充电桩私接插排的方法、装置、终端设备及存储介质 | |
CN114612011A (zh) | 一种风险防控决策方法及装置 | |
CN113401130B (zh) | 基于环境信息的驾驶风格识别方法、设备及存储介质 | |
CN112633074A (zh) | 行人信息的检测方法和装置、存储介质及电子设备 | |
CN114742297A (zh) | 动力电池的处理方法 | |
CN115508732A (zh) | 一种电池包寿命预测方法及装置 | |
CN111055725B (zh) | 电动车电池老化识别方法、装置、终端设备及存储介质 | |
CN113360845A (zh) | 车源成交概率预测方法、装置、电子装置和存储介质 | |
CN111016717B (zh) | 识别多辆电动车同时充电的方法和装置 | |
CN112860931B (zh) | 人脸识别库的构建方法 | |
CN114118277A (zh) | 电动车充电监测方法、装置和终端设备 | |
CN111209937B (zh) | 一种充电曲线模型的分类方法、装置以及服务器 | |
CN111186333B (zh) | 电动车充电识别方法、装置、终端设备及存储介质 | |
CN111025043B (zh) | 一种识别充电行为的方法及终端设备 | |
CN112150179B (zh) | 一种信息推送方法和装置 | |
CN111611825B (zh) | 一种唇语内容识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |