CN111209937A - 一种充电曲线模型的分类方法、装置以及服务器 - Google Patents

一种充电曲线模型的分类方法、装置以及服务器 Download PDF

Info

Publication number
CN111209937A
CN111209937A CN201911375545.XA CN201911375545A CN111209937A CN 111209937 A CN111209937 A CN 111209937A CN 201911375545 A CN201911375545 A CN 201911375545A CN 111209937 A CN111209937 A CN 111209937A
Authority
CN
China
Prior art keywords
model
charging curve
sub
type
target
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.)
Granted
Application number
CN201911375545.XA
Other languages
English (en)
Other versions
CN111209937B (zh
Inventor
刘一先
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhilian Iot Technology Co ltd
Original Assignee
Shenzhen Zhilian Iot Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhilian Iot Technology Co ltd filed Critical Shenzhen Zhilian Iot Technology Co ltd
Priority to CN201911375545.XA priority Critical patent/CN111209937B/zh
Publication of CN111209937A publication Critical patent/CN111209937A/zh
Application granted granted Critical
Publication of CN111209937B publication Critical patent/CN111209937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请适用于曲线模型分类技术领域，提供了一种充电曲线模型的分类方法、装置、服务器以及计算机可读存储介质，该方法包括：获取充电曲线模型，根据第一预设识别逻辑识别结果生成目标充电曲线子模型的第一类型标签，根据第二预设识别逻辑识别结果生成目标曲线子模型的第二类型标签，基于预设表决算法得到目标曲线子模型的唯一类型标签。本申请实施例利用两个预设识别逻辑对目标充电曲线子模型类型进行识别，并基于预设表决算法得到目标曲线子模型的唯一类型标签，提高了对目标充电曲线子模型类型进行识别的准确率，以便后续根据目标充电曲线子模型的类型对用户充电过程进一步进行分析。

Description

一种充电曲线模型的分类方法、装置以及服务器
技术领域
本申请属于曲线模型分类技术领域，尤其涉及一种充电曲线模型的分类方法、装置、服务器以及计算机可读存储介质。
背景技术
随着交通运输的发展，电动车辆的应用逐渐增多，而电动车辆的续航能力主要依赖于充电装置例如充电桩。
一般地，用户通过移动终端在充电平台下单，然后用户到充电平台指定的充电站点通过充电装置进行充电，相应的，充电装置也会记录用户充电过程中的遥测数据，例如，电流数据、电压数据或者功率数据等。
现有技术中，充电平台会根据获取用户充电过程中的遥测数据生成充电曲线模型，对充电曲线模型进行分类，即识别充电曲线模型的充电曲线子模型的类型，特别是识别出满足预设条件的充电曲线子模型的类型，例如，类型为电流震荡的充电曲线子模型，以便后续根据满足预设条件的充电曲线子模型的类型对用户充电过程进一步进行分析，例如，根据类型为电流震荡的充电曲线子模型可以分析用户充电过程中电流震荡对充电效率的影响。但是，现有技术对满足预设条件的充电曲线子模型类型的识别不够准确，导致后续根据满足预设条件的充电曲线子模型的类型对用户充电过程进一步进行分析的错误率增加。
发明内容
本申请实施例提供了一种充电曲线的分类方法、装置、服务器以及计算机可读存储介质，可以解决现有技术对充电曲线模型中满足预设条件的充电曲线子模型类型的识别不够准确问题。
第一方面，本申请实施例提供了一种充电曲线的分类方法，包括：
获取充电曲线模型；
根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签；
根据第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签；
基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
在第一方面的一种可能的实现方式中，所述获取充电曲线模型包括：
获取遥测数据；
根据所述遥测数据生成所述充电曲线模型。
在第一方面的一种可能的实现方式中，所述获取遥测数据，包括：
获取用户标识数据对应的充电订单数据；
根据所述充电订单数据的定位数据获取所述遥测数据。
在第一方面的一种可能的实现方式中，根据所述第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签，包括：
获取预设分类子模块集合，所述预设分类子模块集合包括至少一个预设分类子模块；
将所述预设分类子模块集合的每一个预设分类子模块与充电曲线模型的一个充电曲线子模型与进行一一匹配；
根据所述预设分类子模块对与所述预设分类子模块匹配的充电曲线子模型进行识别，得到目标充电曲线子模型以及所述目标充电曲线子模型的类型；
生成所述目标充电曲线子模型的第一类型标签。
在第一方面的一种可能的实现方式中，所述获取充电曲线模型之前，包括：
获取已分类充电曲线模型；
识别所述已分类充电曲线模型的已分类目标充电曲线子模型以及所述已分类充电曲线模型的类型；
根据所述已分类目标充电曲线子模型构建所述预设分类模块子集合，其中，每一所述已分类目标充电曲线子模型对应于所述预设分类子模块集合中一个预设分类子模块。
在第一方面的一种可能的实现方式中，根据所述第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签，包括：
获取预设决策算法；
基于所述预设决策算法识别所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第二类型标签。
在第一方面的一种可能的实现方式中，所述基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签，包括：
计算所述目标充电曲线子模型的第一类型标签对应的第一衡量指标；
计算所述目标充电曲线子模型的第二类型标签对应的第二衡量指标；
基于预设表决算法，将所述第一衡量指标的值与所述第二衡量指标的值进行比较；
若所述第一衡量指标的值大于所述第二衡量指标的值，则将最大值的第一衡量指标对应的第一类型标签作为所述唯一类型标签；
若所述第二衡量指标的值大于所述第一衡量指标的值，则将最大值的第二衡量指标对应的第二类型标签作为所述唯一类型标签。
第二方面，本申请实施例提供了一种充电曲线分类装置，包括：
获取模块，用于获取充电曲线模型；
第一识别模块，用于根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签；
第二识别模块，用于根据第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签；
表决模块，用于基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
在一种可能实现的方式中，所述获取模块包括：
获取子模块，用于获取遥测数据；
生成子模块，用于根据所述遥测数据生成所述充电曲线模型。
在一种可能实现的方式中，所述获取子模块包括：
第一获取子单元，用于获取用户标识数据对应的充电订单数据；
第二获取子单元，用于根据所述充电订单数据的定位数据获取所述遥测数据。
在一种可能实现的方式中，所述第一识别模块包括:
集合获取模块，用于获取预设分类子模块集合，所述预设分类子模块集合包括至少一个预设分类子模块；
匹配子模块，用于将所述预设分类子模块集合的每一个预设分类子模块与充电曲线模型的一个充电曲线子模型与进行一一匹配；
识别子模块，用于根据所述预设分类子模块对与所述预设分类子模块匹配的充电曲线子模型进行识别，得到目标充电曲线子模型以及所述目标充电曲线子模型的类型；
类型标签生成子模块，用于生成所述目标充电曲线子模型的第一类型标签。
在一种可能实现的方式中，所述装置还包括：
已分类获取模块，用于获取已分类充电曲线模型；
已分类识别模块，用于识别所述已分类充电曲线模型的已分类目标充电曲线子模型以及所述已分类充电曲线模型的类型；
构建模块，用于根据所述已分类目标充电曲线子模型构建所述预设分类模块子集合，其中，每一所述已分类目标充电曲线子模型对应于所述预设分类子模块集合中一个预设分类子模块。
在一种可能实现的方式中，所述第二识别模块包括：
算法获取子模块，用于获取预设决策算法；
类型识别子模块，用于基于所述预设决策算法识别所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第二类型标签。
在一种可能实现的方式中，所述决策模块包括：
第一计算子模块，用于计算所述目标充电曲线子模型的第一类型标签对应的第一衡量指标；
第二计算子模块，用于计算所述目标充电曲线子模型的第二类型标签对应的第二衡量指标；
比较子模块，用于基于预设表决算法，将所述第一衡量指标的值与所述第二衡量指标的值进行比较；
第一确定子模块，用于若所述第一衡量指标的值大于所述第二衡量指标的值，则将最大值的第一衡量指标对应的第一类型标签作为所述唯一类型标签；
第二确定子模块，用于若所述第二衡量指标的值大于所述第一衡量指标的值，则将最大值的第二衡量指标对应的第二类型标签作为所述唯一类型标签。
第三方面，本申请实施例提供了一种服务器，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所述的方法。
第四方面，本申请实施例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述第一方面所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面中任一项所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
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充电曲线模型，根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型，生成目标充电曲线子模型的第一类型标签，根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目标曲线子模型的第二类型标签，基于预设表决算法对目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签，利用两个预设识别逻辑对目标充电曲线子模型类型进行识别，并基于预设表决算法得到目标曲线子模型的唯一类型标签，提高了对目标充电曲线子模型类型进行识别的准确率，避免了现有技术对充电曲线模型中满足预设条件的充电曲线子模型类型的识别不够准确的问题。
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是本申请实施例一提供的充电曲线模型的分类方法的一种流程示意图；
图2是本申请实施例二提供的充电曲线模型的分类方法的图1中步骤S101的一种具体实现流程示意图；
图3是本申请实施例三提供的充电曲线模型的分类方法的另一种流程示意图；
图4是本申请实施例四提供的充电曲线模型的分类方法的图1中步骤S103的一种具体实现流程图；
图5是本申请实施例五提供的充电曲线模型的分类方法的图1中步骤S104的一种具体实现流程图；
图6是本申请实施例六提供的充电曲线模型的分类方法的交互示意图；
图7是本申请实施例七提供的充电曲线模型的分类装置的结构示意图；
图8是本申请实施例八提供的服务器的结构示意图；
图9是本申请实施例三提供的类型为电流震荡的充电曲线子模型的特征识别过程的流程示意图。
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。
应当理解，当在本申请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。
如在本申请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，在本申请说明书和所附权利要求书的描述中，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。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
实施例一
参见图1，为本申请实施例一提供的充电曲线模型的分类方法的一种流程示意图，作为示例而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S101、获取充电曲线模型。
其中，上述充电曲线模型可以是指根据用户充电过程的数据例如电流数据、电压数据以及功率数据等生成的充电曲线模型。
在实际应用中，服务器可以从充电装置例如充电桩等获取用户充电过程的数据，根据用户充电过程的数据生成充电曲线模型，以便后续根据充电曲线模型对用户充电过程进行分析。
步骤S102、根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型，生成目标充电曲线子模型的第一类型标签。
其中，上述第一预设识别逻辑可以是指预先经过人工设定的识别逻辑；
上述目标充电曲线子模型可以是指符合预设条件的充电曲线子模型，以便后续根据目标充电曲线子模型对用户充电过程进行分析，例如，上述目标充电曲线子模型包括但是不限于类型为小电流或小功率的充电曲线子模型、类型为电压震荡的充电曲线子模型、类型为涓流段震荡的充电曲线子模型、类型为全电流震荡的充电曲线子模型、类型为电流较为充足的充电曲线子模型、类型为中间为0的充电曲线子模型、类型为中间电流电压同时为0的充电曲线子模型、类型为电流震荡的充电曲线子模型以及类型为刷单的充电曲线子模型；
上述第一类型标签是指表示目标充电曲线子模型的一种类型的标签，例如，目标充电曲线子模型的类型为电流震荡，相应的，第一类型标签为电流震荡标签。
可以理解的是，充电曲线模型包括多个充电曲线子模型，根据第一预设识别逻辑可以识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型，生成目标充电曲线子模型的第一类型标签，以便后续根据目标充电曲线子模型的类型对用户充电过程进行分析。
实际应用中，在根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型的步骤之前为准备阶段。
在准备阶段中，人工先对充电曲线模型进行分类，即人工确定充电曲线模型的目标充电曲线子模型的类型，然后人工对该类型的目标充电曲线子模型的特征进行标记，并将该类型的目标充电曲线子模型的特征发送至服务器，服务器根据该类型的目标充电曲线子模型的特征形成第一预设识别逻辑。
在根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型的过程中为应用阶段。
在应用阶段中，服务器根据第一预设识别逻辑识别获取到充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型。
步骤S103、根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目标曲线子模型的第二类型标签。
其中，上述第二预设识别逻辑可以是指通过预设决策算法对目标充电曲线子模型的类型进行识别；
上述预设决策算法包括但是不限于RandomForest决策算法、BaggingTree决策算法以及CartTree决策算法等；
上述第二类型标签是指表示目标充电曲线子模型的另一种类型的标签，例如，目标充电曲线子模型的类型为全电流震荡，相应的，第二类型标签为全电流震荡标签。
可以理解的是，上述根据第一预设识别逻辑识别目标充电曲线子模型的类型之后，还需要根据第二预设识别逻辑对目标充电曲线类型进一步的识别，例如，第一预设识别逻辑识别目标充电曲线子模型的类别为电流震荡的充电曲线子模型，但是根据第二预设识别逻辑识别该目标充电曲线子模型的类别为全电流震荡的充电曲线子模型。
实际应用中，在获取目标充电曲线子模型之前，服务器预存有目标充电曲线子模型的类型对应的特征参数，然后服务器将充电曲线子模型的类型对应的特征参数输入值上述预设决策算法中生成第二预设识别逻辑，之后当服务器获取目前充电曲线子模型之后，服务器可以根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目充电标曲线子模型的第二类型标签。
步骤S104、基于预设表决算法对目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标充电曲线子模型的唯一类型标签。
其中，上述预设表决算法可以是指拜占庭表决算法。
可以理解的是，每一个目标充电曲线子模型有多个对应的第一类型标签和/或第二类型标签，由于上述每一个类型标签表示目标充电曲线子模型的一种类型，但是实际上目标充电曲线子模型只有一种类型，即目标曲线子模型只有唯一类型标签，那么需要根据预设表决素算法从目标曲线子模型的第一类型标签以及第二类型标签中筛选出一个类型标签作为目标充电曲线子模型的唯一类型标签。
本申请实施例中，服务器先通过第一预设识别逻辑识别目标充电曲线子模型的类型，生成第一类型标签，然后服务器再通过第二预设识别逻辑再次识别目标充电曲线子模型的类型，生成第二类型标签，最后基于预设表决算法从第一类型标签以及第二类型标签中筛选出目标曲线子模型的唯一类型标签，提高了对目标充电曲线子模型类型进行识别的准确率，方便后续根据目标充电曲线子模型的类型对用户充电过程进行分析。
实施例二
本实施例的目的是对获取充电曲线模型的过程进行具体介绍。
参见图2，为本申请实施例二提供的充电曲线模型的分类方法的图1中步骤S101的一种具体实现流程示意图，作为示意而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S201、获取遥测数据。
其中，上述遥测数据是指充电装置通过设置的传感器接收到的实时数据，即给用户车辆进行充电过程中记录的数据，例如，上述遥测数据包括但是不限于电流数据、电压数据以及功率数据等。
在一种可能实现的方式中，可以获取预设时间段内的遥测数，例如预设时间可以是10S。
具体地，获取用户标识数据对应的充电订单数据，根据充电订单数据的定位数据获取遥测数据。
其中，上述用户标识数据可以是指标识用户充电详情的数据，即绑定用户充电详情的数据，例如，包括但是不限于用户ID以及订单ID等；
上述充电订单数据可以是指用户登录终端设备的充电平台，通过充电平台下单，然后到充电平台指定的站点给车辆充电的过程中记录的数据，即在充电平台上记录用户充电详情的数据，例如，包括但是不限于用户ID、订单ID、订单电量、用户手机号、订单时长、充电装置的设备ID、充电装置的插座序号、订单结束原因码、充电装置的设备类型、订单开始时间、订单结束时间、充电装置的站点ID、充电装置的站点名称以及充电装置的盒子出厂编号等；
定位数据与遥测数据对应于同一充电装置；
上述定位数据是指包含订单ID对应的充电装置身份信息的数据，即绑定给用户车辆充电的充电装置身份信息的数据，例如，上述定位数据包括但是不限于充电装置的设备ID、充电装置的设备类型、充电装置的插座序号、订单ID、订单开始时间以及订单结束时间等。
实际应用中，服务器通过用户标识数据查找终端设备，服务器向终端设备发送用户标识数据，终端设备返回的用户标识数据对应的充电订单数据至服务器；服务器通过定位数据查找充电装置，向充电装置发送定位数据，充电装置返回定位数据对应的遥测数据至服务器。
步骤S202、根据遥测数据生成充电曲线模型。
可以理解的是，通过遥测数据生成的充电曲线模型可以直观的表示用户充电过程的电流状况、电压状况以及功率状况等。
本申请实施例中，服务器先通过终端设备获取到用户的充电订单数据，然后通过充电装置获取用户的遥测数据。
实施例三
本实施例的主要目的是对根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及目标充电子模型的类型的过程进行详细介绍。
参见图3、为本申请实施例提供的充电曲线模型的分类方法的另一种流程示意图，作为示意而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S301、获取已分类充电曲线模型。
其中，上述已分类充电曲线模型是指经过人工分类的充电曲线模型；
可以理解的是，服务器可以根据经过人工分类的已分类充电曲线模型构建第一预设识别逻辑。
具体地，服务器可以从预设数据库获取已分类充电曲线模型。
在一种可能实现的方式中，预设数据库可以是指redis数据库。
步骤S302、识别已分类充电曲线模型的已分类目标充电曲线子模型。
其中，已分类目标充电曲线子模型为经过人工确认类型的充电曲线子模型；
其中，上述已分类目标性充电曲线子模型包括但是不限于类型为小电流或小功率的充电曲线子模型、类型为电压震荡的充电曲线子模型、类型为涓流段震荡的充电曲线子模型、类型为全电流震荡的充电曲线子模型、类型为电流较为充足的充电曲线子模型、类型为中间为0的充电曲线子模型、类型为中间电流电压同时为0的充电曲线子模型、类型为电流震荡的充电曲线子模型以及类型为刷单的充电曲线子模型。
可以理解的是，人工对已分类充电曲线模型进行分类的过程中即识别出已分类充电曲线子模型的类型，并对已分类充电曲线子模型的分类进行标记，后续服务器根据上述标记识别出目标充电曲线子模型以及目标充电曲线子模型的类型。
步骤S303、根据已分类目标充电曲线子模型构建预设分类模块子集合。
其中，每一已分类目标充电曲线子模型对应于预设分类子模块集合中一个预设分类子模块。
可以理解的是，服务器可以采集已分类目标充电曲线子模型的特征，然后根据上述特征构建与该已分类充电曲线子模型对应的预设分类子模块。
在一种可能实现的方式中，还可以人工设定该已分类目标充电曲线子模型的特征采集逻辑，然后人工通过终端设备将该已分类目标充电曲线子模型的特征采集逻辑发送给服务器，服务器根据人工设定该已分类目标充电曲线子模型的特征采集逻辑采集已分类目标充电曲线子模型的特征。
举例说明：若上述已分类目标充电曲线子模型是指类型为电流震荡的充电曲线子模型，如图9所示，是类型为电流震荡的目标充电曲线子模型的特征识别过程的流程示意图，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S901、判断数据长度是否小于充电时长的阈值。
其中，上述数据长度是类型为电流震荡的充电曲线子模型的数据长度；
上述充电时长是指上述类型为电流震荡的目标充电曲线子模型包含的用户充电时长。
步骤S902、若数据长度小于充电时长的阈值，则返回无震荡。
其中，上述返回无震荡是指该类型为电流震荡的目标充电曲线子模型的类型为无震荡电流，即该目标充电曲线子模型的类型不是电流震荡。
步骤S903、若数据长度大于充电时长的阈值，则判断大小脉冲电流是否小于0。
其中，上述大小脉冲电流是指上述类型为电流震荡的充电器曲线子模型的大小脉冲电流。
步骤S904、若大小脉冲电流大于0，则判断大小脉冲电流的个数是否大于大小脉冲电流个数阈值。
步骤S905、若大小脉冲电流的个数大于大小脉冲电流个数阈值，则判断小脉冲电流数量大于稀疏小脉冲电流数量阈值。
其中，上述小脉冲电流是指上述类型为电流震荡的充电器曲线子模型的小脉冲电流。
步骤S906、若小脉冲电流数量小于稀疏小脉冲电流数量阈值，则判断大脉冲电流数量大于稀疏小脉冲电流数量阈值。
其中，上述大脉冲电流是指上述类型为电流震荡的充电器曲线子模型的大脉冲电流。
步骤S907、若大脉冲电流数量大于稀疏小脉冲电流数量，则判断小脉冲电流数量是否占电流数量的百分之十至百分之三十。
步骤S908、若小脉冲电流数量占电流数量的百分之十至百分之三十，则返回部分小脉冲电流。
其中，上述部分小脉冲电流是指类型为电流震荡的目标充电曲线子模型的一个特征。
步骤S909、若小脉冲电流数量不占电流数量的百分之十至百分之三十，则判断小脉冲电流数量是否占电流数量的百分之三十之上。
步骤S910、若小脉冲电流数量占电流数量的百分之三十之上，则返回全部小脉冲电流。
其中，上述全部小脉冲电流是指类型为电流震荡的目标充电曲线子模型的一个特征。
步骤S911、若小脉冲电流数量不占电流数量的百分之三十之上，则返回稀疏小脉冲电流。
其中，上述稀疏小脉冲电流是指类型为电流震荡的目标充电曲线子模型的一个特征。
步骤S912、若大脉冲电流数量大于稀疏小脉冲电流数量阈值，则判断大脉冲电流数量是否占电流数量的百分之十至百分之三十。
步骤S913、若大脉冲电流数量占电流数量的百分之十至百分之三十，则返回部分大脉冲电流。
其中，上述部分大脉冲电流是指类型为电流震荡的目标充电曲线子模型的一个特征。
步骤S914、若大脉冲电流数量不占电流数量的百分之十至百分之三十，则判断大脉冲电流数量是否占电流数量的百分三十以上。
步骤S915、若大脉冲电流数量占电流数量的百分之三十以上，则返回全部大脉冲电流。
其中，上述全部大脉冲电流是指类型为电流震荡的目标充电曲线子模型的一个特征。
步骤S916、若大脉冲电流数量不占电流数量的百分之三十以上，则返回稀疏大脉冲电流。
其中，上述稀疏大脉冲电流是指类型为电流震荡的目标充电曲线子模型的一个特征。
由上述举例说明可知，类型为电流震荡的目标充电曲线子模型的特征包括稀疏大脉冲、全部大脉冲、部分大脉冲、稀疏小脉冲、全小脉冲或者部分小脉冲，服务器可以根据上述特征构建与该已分类目标充电曲线子模型对应的预设分类子模块，后续该预设分类子模块识别目标充电曲线子模型存在特征为稀疏大脉冲、全部大脉冲、部分大脉冲、稀疏小脉冲、全小脉冲或者部分小脉冲，那么该预设分类子模块可以识别该目标充电曲线子模型的类型为电流震荡。
步骤S304、获取预设分类子模块集合。
其中，预设分类子模块集合包括至少一个预设分类子模块。
具体地，服务器从预设数据库获取预设分类子模块集合；
上述预设数据库可以是指redis数据库。
步骤S305、将预设分类子模块集合的每一个预设分类子模块与充电曲线模型的一个充电曲线子模型与进行一一匹配。
步骤S306、根据预设分类子模块对与预设分类子模块匹配的充电曲线子模型进行识别，得到目标充电曲线子模型以及目标充电曲线子模型的类型。
可以理解的是，预设分类子模块集合中每一个预设分类子模块是根据已分类目标充电曲线子模型构建的，将预设分类子模块集合的每一个预设分类子模块与充电曲线模型的一个充电曲线子模型与进行一一匹配，可以识别出于预设分类子模块对应的目标充电曲线子模型以及该目标充电曲线子模型的类型。
举例说明：
若充电曲线模型的充电曲线子模型经过预设分类子模块识别后为与该预设分类子模块匹配，根据该预设分类子模块识别该充电曲线子模型的特征为稀疏大脉冲电流、全部大脉冲电流、部分大脉冲电流、稀疏小脉冲电流、全部小脉冲电流或者部分小脉冲电流，参照上述图9所示，那么该预设分类子模块识别该充电曲线子模型为目标充电曲线子模型，且该目标曲线子模型的类型为电流震荡。
步骤S307、生成目标充电曲线子模型的第一类型标签。
其中，上述第一类型标签是指表示目标充电曲线子模型的一种类型的标签，例如，目标充电曲线子模型的类型为电流震荡，相应的，第一类型标签为电流震荡标签。
可以理解的是，充电曲线模型包括多个充电曲线子模型，根据第一预设识别逻辑可以识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型，生成目标充电曲线子模型的第一类型标签，以便后续根据目标充电曲线子模型的类型对用户充电过程进行分析。
步骤S308、根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目标曲线子模型的第二类型标签。
步骤S309、基于预设表决算法对目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
需说明的是，步骤S308至步骤S309与步骤S103至步骤S104相同，在此不再赘述。
本申请实施例中，服务器先根据已分类充电曲线模型构建预设分类模块子集合，然后服务器在获取充电曲线模型之后，可以根据之前构建的预设分类模块子集合识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型，最后根据目标充电曲线子模型的类型生成第一类型标签。
实施例四
本申请实施例的目的是对根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目标曲线子模型的第二类型标签的过程进行具体介绍。
参见图4、为本申请实施例提供的充电曲线模型的分类方法的图1中步骤S103的一种具体实现流程图，作为示意而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S401、获取预设决策算法。
其中，包括但是不限于RandomForest决策算法、BaggingTree决策算法以及CartTree决策算法等。
具体地，服务器从预设数据库获取预设决策算法。
在一种可能实现的方式中，上述预设数据库可以是指redis数据库。
步骤S402、基于预设决策算法识别目标充电曲线子模型的类型，生成目标充电曲线子模型的第二类型标签。
其中，上述第二预设识别逻辑可以是指通过预设决策算法对目标充电曲线子模型的类型进行识别；
上述第二类型标签是指表示目标充电曲线子模型的另一种类型的标签，例如，目标充电曲线子模型的类型为全电流震荡，相应的，第二类型标签为全电流震荡标签。
作为示意而非限定，服务器可以根据预设决策算法对每一个目标充电曲线模型开启一个进程进行识别，并用一个列表记录对各个目标充电曲线模型的类型进行识别的结果。
实际应用中，在获取目标充电曲线子模型之前，服务器预存有目标充电曲线子模型的类型对应的特征参数，然后服务器将充电曲线子模型的类型对应的特征参数输入值上述预设决策算法中生成第二预设识别逻辑，之后当服务器获取目前充电曲线子模型之后，服务器可以根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目充电标曲线子模型的第二类型标签。
需说明的是，上述提及的RandomForest决策算法、BaggingTree决策算法以及CartTree决策算法均为本领域技术人员可以毫无疑义确定的算法。
本申请实施例中，服务器可以根据获取预设决策算法识别目标充电曲线子模型的类型，生成目标充电曲线子模型的第二类型标签。
实施例五
本申请实施例的目的是对基于预设表决算法对目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签的过程进行详细介绍。
参见图5、为本申请实施例提供的充电曲线模型的分类方法的图1中步骤S104的一种具体实现流程图，作为示意而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S501、计算目标充电曲线子模型的第一类型标签对应的第一衡量指标。
其中，第一衡量指标是指根据第一预设识别逻辑对充电曲线模型进行分类的过程中的一个衡量指标即识别充电曲线模型的目标充电曲线模型的类型过程中的一个衡量指标，即对充电曲线模型进行分类的过程中的精确率和召回率的调和平均数，例如，第一衡量指标可以是指F1-score。
作为示意而非限定，计算目标充电曲线子模型的第一类型标签对应的第一衡量指标可以是根据对充电曲线模型进行分类的过程中的精确率和召回率计算得到。
举例说明：
首先根据公式precisionk＝TP/(TP+FP)计算精准度，其中，precisionk表示精准率，精准率是指被分类器判定正例中的正样本的比重；
上述TP是指预测答案正确，例如，预测目标充电曲线子模型的类型为电流震荡与实际上识别目标充电曲线子模型为电流震荡一致；
上述FP是指错将其他类预测为本类，例如，本类为类型为电流震荡的充电曲线子模型，其他类为类型为全电流震荡的充电曲线子模型；
然后，根据公式recallk＝TP/(TP+FN)计算召回率，其中，recallk表示召回率，召回率是指的是被预测为正例的占总的正例的比重。
上述FN是指本类标签预测为其他类标，例如，本类为类型为全电流震荡的充电曲线子模型，其他类为类型为电流震荡的充电曲线子模型。
最后，将计算得到的精确率和召回率输入公式F1-score＝(2×precisionk×recallk)/(precisionk+recallk)中，其中，F1-score是指第一衡量指标、precisionk是指上述的精准率、recallk是指上述的召回率，得到目标充电曲线子模型的第一类型标签对应的第一衡量指标。
步骤S502、计算目标充电曲线子模型的第二类型标签对应的第二衡量指标。
其中，上述第二衡量指标是指根据第二预设识别逻辑对充电曲线模型进行分类的过程中的一个衡量指标即识别充电曲线模型的目标充电曲线模型的类型过程中的一个衡量指标，即对充电曲线模型进行分类的过程中的精确率和召回率的调和平均数，例如，第一衡量指标可以是指F1-score。
需说明的是，计算目标充电曲线子模型的第二类型标签对应的第二衡量指标过程与上述计算目标充电曲线子模型的第一类型标签对应的第一衡量指标的过程实质相同，在此不再赘述。
步骤S503、基于预设表决算法，将第一衡量指标的值与第二衡量指标的值进行比较。
步骤S504、若第一衡量指标的值大于第二衡量指标的值，则将最大值的第一衡量指标对应的第一类型标签作为唯一类型标签。
步骤S505、若第二衡量指标的值大于第一衡量指标的值，则将最大值的第二衡量指标对应的第二类型标签作为唯一类型标签。
其中，上述预设表决算法可以是指拜占庭表决算法。
可以理解的是，每一个目标充电曲线子模型有多个对应的第一类型标签和/或第二类型标签，由于上述每一个类型标签表示目标充电曲线子模型的一种类型，但是实际上目标充电曲线子模型只有一种类型，即目标曲线子模型只有唯一类型标签，那么需要根据预设表决素算法从目标曲线子模型的第一类型标签以及第二类型标签中筛选出一个类型标签作为目标充电曲线子模型的唯一类型标签。
举例说明：
若第一类型标签为电流震荡模型，该第一类型标签对应的第一衡量指标的值即F1-score的值为0.710168；
若第二类型标签为全电流震荡模型，该第二类型标签对应的第二衡量指标的值即F1-scor的值为0.390572。
那么基于预设表决算法，将第一衡量指标的值与第二衡量指标的值进行比较后，第一类型标签对应的第一衡量指标大于第二衡量指标的值，那个第一衡量指标的第一类型标签作为目标充电曲线子模型的唯一类型标签，即最终将识别该目标充电曲线子模型的类型结果为电流震荡模型。
需说明的是，上述计算精准率、召回率以及第一衡量指标的公式均为本领域技术人员可以毫无疑义确定的公式。
本申请实施例中，服务器可以基于预设表决算法，根据第一类型标签对应的第一衡量指标的值以及第二类型标签对应的第二衡量指标的值得到充电曲线子模型的唯一类型标签。
实施例六
参见图6，为本申请实施例提供的一种充电曲线模型的分类方法的交互示意图，本实施例的流程执行主体是分类系统，该分类系统包括服务器、与服务器通信连接的终端设备以及与服务器通信连接的充电装置，其过程详述如下：
步骤S601、服务器根据用户标识数据查找终端设备之后，向终端设备发送用户标识数据；
步骤S602、终端设备接收用户标识数据之后，查找用户标识数据对应的充电订单数据；
步骤S603、终端设备返回充电订单数据至服务器；
步骤S604、服务器接收终端设备返回的充电订单数据，根据充电订单的定位数据查找充电装置之后，向充电装置发送充电订单数据的定位数据；
步骤S605、充电装置接收定位数据之后，查找定位数据对应的遥测数据；
步骤S606、充电装置返回遥测数据至服务器；
步骤S607、服务器根据遥测数据生成充电曲线模型；
步骤S608、服务器根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及目标充电曲线子模型的类型，生成目标充电曲线子模型的第一类型标签；
步骤S609、服务器根据第二预设识别逻辑识别目标充电曲线子模型的类型，生成目标曲线子模型的第二类型标签；
步骤S610、服务器基于预设表决算法对目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
本申请实施例中，服务器可以根据从充电装置获取遥测数据，生成充电曲线模型，利用两个预设识别逻辑识别充电曲线模型的目标充电曲线子模型的类型，以便后续根据目标充电曲线子模型的类型对用户充电过程进行分析。
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。
实施例七
对应于上文实施例所述的充电曲线模型的分类方法，图5示出了本申请实施例提供的充电曲线模型的分类装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：
获取模块71，用于获取充电曲线模型；
第一识别模块72，用于根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签；
第二识别模块73，用于根据第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签；
表决模块74，用于基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
在一种可能实现的方式中，所述获取模块包括：
获取子模块，用于获取遥测数据；
生成子模块，用于根据所述遥测数据生成所述充电曲线模型。
在一种可能实现的方式中，所述获取子模块包括：
第一获取子单元，用于获取用户标识数据对应的充电订单数据；
第二获取子单元，用于根据所述充电订单数据的定位数据获取所述遥测数据。
在一种可能实现的方式中，所述第一识别模块包括:
集合获取模块，用于获取预设分类子模块集合，所述预设分类子模块集合包括至少一个预设分类子模块；
匹配子模块，用于将所述预设分类子模块集合的每一个预设分类子模块与充电曲线模型的一个充电曲线子模型与进行一一匹配；
识别子模块，用于根据所述预设分类子模块对与所述预设分类子模块匹配的充电曲线子模型进行识别，得到目标充电曲线子模型以及所述目标充电曲线子模型的类型；
类型标签生成子模块，用于生成所述目标充电曲线子模型的第一类型标签。
在一种可能实现的方式中，所述装置还包括：
已分类获取模块，用于获取已分类充电曲线模型；
已分类识别模块，用于识别所述已分类充电曲线模型的已分类目标充电曲线子模型以及所述已分类充电曲线模型的类型；
构建模块，用于根据所述已分类目标充电曲线子模型构建所述预设分类模块子集合，其中，每一所述已分类目标充电曲线子模型对应于所述预设分类子模块集合中一个预设分类子模块。
在一种可能实现的方式中，所述第二识别模块包括：
算法获取子模块，用于获取预设决策算法；
类型识别子模块，用于基于所述预设决策算法识别所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第二类型标签。
在一种可能实现的方式中，所述决策模块包括：
第一计算子模块，用于计算所述目标充电曲线子模型的第一类型标签对应的第一衡量指标；
第二计算子模块，用于计算所述目标充电曲线子模型的第二类型标签对应的第二衡量指标；
比较子模块，用于基于预设表决算法，将所述第一衡量指标的值与所述第二衡量指标的值进行比较；
第一确定子模块，用于若所述第一衡量指标的值大于所述第二衡量指标的值，则将最大值的第一衡量指标对应的第一类型标签作为所述唯一类型标签；
第二确定子模块，用于若所述第二衡量指标的值大于所述第一衡量指标的值，则将最大值的第二衡量指标对应的第二类型标签作为所述唯一类型标签。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例六
图8为本申请一实施例提供的服务器的结构示意图。如图8所示，该实施例的服务器8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个充电曲线莫的分类方法实施例中的步骤。
所述服务器8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该服务器可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是服务器8的举例，并不构成对服务器8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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80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81在一些实施例中可以是所述服务器8的内部存储单元，例如服务器8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述服务器8的外部存储设备，例如所述服务器8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81还可以既包括所述服务器8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81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。
本申请实施例还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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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，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至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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，所揭露的服务器和方法，可以通过其它的方式实现。例如，以上所描述的服务器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。
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)

1.一种充电曲线模型的分类方法，其特征在于，包括：
获取充电曲线模型；
根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签；
根据第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签；
基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
2.如权利要求1所述的充电曲线模型的分类方法，其特征在于，所述获取充电曲线模型包括：
获取遥测数据；
根据所述遥测数据生成所述充电曲线模型。
3.如权利要求2所述的充电曲线模型的分类方法，其特征在于，所述获取遥测数据，包括：
获取用户标识数据对应的充电订单数据；
根据所述充电订单数据的定位数据获取所述遥测数据。
4.如权利要求1所述的充电曲线模型的分类方法，其特征在于，根据所述第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签，包括：
获取预设分类子模块集合，所述预设分类子模块集合包括至少一个预设分类子模块；
将所述预设分类子模块集合的每一个预设分类子模块与充电曲线模型的一个充电曲线子模型与进行一一匹配；
根据所述预设分类子模块对与所述预设分类子模块匹配的充电曲线子模型进行识别，得到目标充电曲线子模型以及所述目标充电曲线子模型的类型；
生成所述目标充电曲线子模型的第一类型标签。
5.如权利要求4所述的充电曲线模型的分类方法，其特征在于，所述获取充电曲线模型之前，包括：
获取已分类充电曲线模型；
识别所述已分类充电曲线模型的已分类目标充电曲线子模型以及所述已分类充电曲线模型的类型；
根据所述已分类目标充电曲线子模型构建所述预设分类模块子集合，其中，每一所述已分类目标充电曲线子模型对应于所述预设分类子模块集合中一个预设分类子模块。
6.如权利要求1至5任一项所述的充电曲线模型的分类方法，其特征在于，根据所述第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签，包括：
获取预设决策算法；
基于所述预设决策算法识别所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第二类型标签。
7.如权利要求1至5任一项所述的充电曲线模型的分类方法，其特征在于，所述基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签，包括：
计算所述目标充电曲线子模型的第一类型标签对应的第一衡量指标；
计算所述目标充电曲线子模型的第二类型标签对应的第二衡量指标；
基于预设表决算法，将所述第一衡量指标的值与所述第二衡量指标的值进行比较；
若所述第一衡量指标的值大于所述第二衡量指标的值，则将最大值的第一衡量指标对应的第一类型标签作为所述唯一类型标签；
若所述第二衡量指标的值大于所述第一衡量指标的值，则将最大值的第二衡量指标对应的第二类型标签作为所述唯一类型标签。
8.一种充电曲线模型的分类装置，其特征在于，包括：
获取模块，用于获取充电曲线模型；
第一识别模块，用于根据第一预设识别逻辑识别充电曲线模型的目标充电曲线子模型以及所述目标充电曲线子模型的类型，生成所述目标充电曲线子模型的第一类型标签；
第二识别模块，用于根据第二预设识别逻辑识别所述目标充电曲线子模型的类型，生成所述目标曲线子模型的第二类型标签；
表决模块，用于基于预设表决算法对所述目标曲线子模型的第一类型标签以及第二类型标签进行筛选，得到目标曲线子模型的唯一类型标签。
9.一种服务器，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，其特征在于，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任一项所述的方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN201911375545.XA 2019-12-27 2019-12-27 一种充电曲线模型的分类方法、装置以及服务器 Active CN111209937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911375545.XA CN111209937B (zh) 2019-12-27 2019-12-27 一种充电曲线模型的分类方法、装置以及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911375545.XA CN111209937B (zh) 2019-12-27 2019-12-27 一种充电曲线模型的分类方法、装置以及服务器

Publications (2)

Publication Number Publication Date
CN111209937A true CN111209937A (zh) 2020-05-29
CN111209937B CN111209937B (zh) 2024-03-29

Family

ID=70786504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911375545.XA Active CN111209937B (zh) 2019-12-27 2019-12-27 一种充电曲线模型的分类方法、装置以及服务器

Country Status (1)

Country Link
CN (1) CN111209937B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662629A (zh) * 2023-08-02 2023-08-29 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、系统、装置和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100161835A1 (en) * 2008-12-23 2010-06-24 Square D Company System for managing a power monitoring system containing a multiplicity of intelligent electronic devices
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统
CN106355030A (zh) * 2016-09-20 2017-01-25 浙江大学 一种基于层次分析法和加权投票决策融合的故障检测方法
US20170337448A1 (en) * 2016-05-18 2017-11-23 Hong Kong Productivity Council Automatic electric ground service equipment parking bay monitoring system
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
CN110610121A (zh) * 2019-06-20 2019-12-24 国网重庆市电力公司 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100161835A1 (en) * 2008-12-23 2010-06-24 Square D Company System for managing a power monitoring system containing a multiplicity of intelligent electronic devices
US20170337448A1 (en) * 2016-05-18 2017-11-23 Hong Kong Productivity Council Automatic electric ground service equipment parking bay monitoring system
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统
CN106355030A (zh) * 2016-09-20 2017-01-25 浙江大学 一种基于层次分析法和加权投票决策融合的故障检测方法
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
CN110610121A (zh) * 2019-06-20 2019-12-24 国网重庆市电力公司 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多智华, 李革臣, 张殿龙: "一种快速实现波形识别的电池分类算法", 哈尔滨理工大学学报, no. 04 *
游林儒, 张晋格, 王炎: "基于数据融合理论的MH-Ni电池分类方法", 电源技术, no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662629A (zh) * 2023-08-02 2023-08-29 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、系统、装置和介质
CN116662629B (zh) * 2023-08-02 2024-05-28 杭州宇谷科技股份有限公司 基于时序聚类的充电曲线检索方法、系统、装置和介质

Also Published As

Publication number Publication date
CN111209937B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN111209931A (zh) 数据处理方法、平台、终端设备及存储介质
CN110472109B (zh) 动态化数据质量分析方法及平台系统
CN111060831A (zh) 电动车电池异常的检测方法、装置、智能设备及存储介质
CN111186333B (zh) 电动车充电识别方法、装置、终端设备及存储介质
CN111060832B (zh) 电动车电池老化识别方法、装置、终端设备及存储介质
CN111025159A (zh) 电动车电池异常检测方法、装置、智能设备及存储介质
CN112181835A (zh) 自动化测试方法、装置、计算机设备及存储介质
CN109934271A (zh) 充电行为识别方法、装置、终端设备及存储介质
CN117892155B (zh) 一种充电桩数据处理方法及其系统
CN116879831A (zh) 一种基于物联网的电表智能监控方法及系统
CN111209937B (zh) 一种充电曲线模型的分类方法、装置以及服务器
CN111002859A (zh) 识别充电桩私接插排的方法、装置、终端设备及存储介质
CN111016717B (zh) 识别多辆电动车同时充电的方法和装置
CN111651500A (zh) 用户身份识别方法、电子设备及存储介质
CN114064445A (zh) 一种测试方法、装置、设备及计算机可读存储介质
CN111814035A (zh) 信息推荐方法、电子设备及存储介质
CN111055725B (zh) 电动车电池老化识别方法、装置、终端设备及存储介质
CN111932031B (zh) 货物状态预测的方法、装置及多分类建模方法
CN111932035B (zh) 基于多模型的数据处理方法、装置及分类建模的方法
CN111044813B (zh) 充电模式的识别方法、装置及终端设备
CN117376456B (zh) 一种网关数据模板筛选方法
CN117332772B (zh) 一种基于移动互联网的法律案件适用条文分析匹配系统
CN112766391B (zh) 一种制作单据的方法、系统、设备及介质
CN111858291B (zh) 计费系统迁移测试中数据异常的根因确定方法、设备及系统
CN117520411A (zh) 一种数据识别方法、装置、电子设备、及存储介质

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
GR01 Patent grant
GR01 Patent grant