CN112739572A - 检测在处所处充电的电动车辆 - Google Patents

检测在处所处充电的电动车辆 Download PDF

Info

Publication number
CN112739572A
CN112739572A CN201980061896.5A CN201980061896A CN112739572A CN 112739572 A CN112739572 A CN 112739572A CN 201980061896 A CN201980061896 A CN 201980061896A CN 112739572 A CN112739572 A CN 112739572A
Authority
CN
China
Prior art keywords
charging
electric vehicle
data
time series
power consumption
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
CN201980061896.5A
Other languages
English (en)
Other versions
CN112739572B (zh
Inventor
V·C-H·路
廖伟凌
R·延加尔
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.)
Oracle International Corp
Original Assignee
Oracle International Corp
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 Oracle International Corp filed Critical Oracle International Corp
Publication of CN112739572A publication Critical patent/CN112739572A/zh
Application granted granted Critical
Publication of CN112739572B publication Critical patent/CN112739572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • 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
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • 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
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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
    • B60L2250/00—Driver interactions
    • B60L2250/22—Driver interactions by presence detection
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/12—Messaging; Mailboxes; Announcements
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

与检测电动车辆充电事件相关联的系统、方法和其它实施例。在一个实施例中，该方法根据已知电动车辆所有者集合中的电力消耗数据，用符号序列中的符号对时间间隔中的使用值进行编码，该符号序列表示时间间隔期间的电力消耗水平。所述编码为每个电动车辆所有者生成符号的编码消耗模式。识别表示EV充电事件的EV充电模体。训练一个或多个机器学习分类器以从已知电动车辆所有者集合中识别EV充电模体，并与非充电模体区分开，以从未知数据集中识别EV充电。

Description

检测在处所处充电的电动车辆
背景技术
可再充电电池的最新进展已经使插电式电动车辆(electric vehicle,EV)和混动车辆能够普及到更多的人群。EV的采用率急剧上升。预期随着时间的推移，使用中的车辆中有很大一部分将是EV。由于EV将需要定期充电才能操作，因此这些车辆在城市和电力供应的电网上构成很大的负担。这给当今的电力公司带来挑战，因为他们需要能够为电动汽车的日益普及做出计划。
例如，平均而言，典型的家庭从其当地电力公司汲取约1.0kWh的负荷。这可能包括典型的家用电器，诸如洗衣机、干衣机、烤箱等。但是，家庭负荷可能会根据若干变量而变化，诸如与天气相关的HVAC使用。可能还存在较大的变量，诸如游泳池、水疗和现场光伏发电。
相比之下，EV每小时可汲取3至4kW甚至更多。这就带来了问题，因为仅一个EV所有者(owner)就可以间接为服务变压器增加相当于4户家庭的负荷，这使该变压器置于过载的风险。现代变压器可以承受一定程度的过载，但是随着EV的普及和采用增长，将多个EV聚集在单个变压器上的风险将增加这种风险。此外，下一代EV有望配备需要更高kWh充电的更大电池，这进一步增加了变压器的风险。
当客户购买电动车辆和相关联的充电基础设施时，他们没有义务告知电力公司EV对于电网意味着增加负荷。在足够的EV普及率下，负荷的增加可能导致电力公司装备故障和电网断电。
如果公司能够准确识别其电网上的EV，那么将使得它们能够主动采取步骤来确保其发电装备、配电装备、电网装备和其它资产的健康和可靠性。用于识别电网上的EV的现有技术不准确或根本不能识别EV。
对于电力公司来说，发现消耗能量来为电动车辆充电的用户账户具有价值。由于电动车辆充电意味着电网上的显著负荷，因此识别具有电动车辆的客户的处所(premise)/地点是所关注的。
发明内容
在一个实施例中，公开了一种计算机实现的方法，该方法由具有至少一个处理器的计算设备执行，其中该方法包括：从已知电动车辆所有者集合中检索电力消耗数据的第一集合，其中所述电力消耗数据包括每个电动车辆所有者在一段时间内的使用值的时间序列；将每个电动车辆所有者的使用值的时间序列转换为具有对应使用值的时间间隔的数据结构；将时间间隔中的使用值中的每个使用值用表示时间间隔期间电力消耗水平的符号序列中的符号进行编码；其中所述编码为每个电动车辆所有者生成符号的编码消耗模式；从符号的编码消耗模式中识别包括表示EV充电事件的符号序列的与非充电模体(motif)区分开的EV充电模体，并针对电力消耗数据的附加数据集进行重复；训练一个或多个机器学习分类器，以从已知电动车辆所有者集合中识别EV充电模体并与非充电模体区分开；以及对所述一个或多个机器学习分类器进行配置，以识别电力消耗数据的未知数据集是否包括EV充电事件，并且至少基于所述EV充电模体将未知数据集标记为具有电动车辆充电或不具有电动车辆充电。
在另一个实施例中，公开了一种计算系统，该计算系统包括：至少一个存储器；至少一个处理器，连接到所述至少一个存储器；以及非暂态计算机可读介质，包括存储在其上的电动车辆检测模块，所述电动车辆检测模块被配置有指令，所述指令在至少由处理器执行时使所述处理器：
从已知电动车辆所有者集合中检索电力消耗数据的第一集合，其中所述电力消耗数据包括每个电动车辆所有者在一段时间内的使用值的时间序列；将每个电动车辆所有者的使用值的时间序列转换为具有对应使用值的时间间隔的数据结构；将时间间隔中的使用值中的每个使用值用表示时间间隔期间电力消耗水平的符号序列中的符号进行编码；其中所述编码为每个电动车辆所有者生成符号的编码消耗模式；从符号的编码消耗模式中识别包括符号序列的、表示EV充电事件的、与非充电模体区分开的EV充电模体，并针对电力消耗数据的附加数据集进行重复；训练一个或多个机器学习分类器，以从已知电动车辆所有者集合中识别EV充电模体并与非充电模体区分开；以及对所述一个或多个机器学习分类器进行配置，以识别电力消耗数据的未知数据集是否包括EV充电事件，并且至少基于所述EV充电模体将未知数据集标记为具有电动车辆充电或不具有电动车辆充电。
附图说明
结合在本说明书中并构成其一部分的附图图示了本公开的各种系统、方法和其它实施例。将认识到的是，图中所图示的元素边界(例如，方框、方框的组，或者其它形状)表示边界的一个实施例。在一些实施例中，一个元素可以被实现为多个元素，或者多个元素可以被实现为一个元素。在一些实施例中，示为另一个元素的内部部件的元件可以被实现为外部部件，并且反之亦然。此外，元素可能不是按比例绘制的。
图1图示了被配置为检测EV充电事件的计算系统的一个实施例。
图2图示了由图1的系统执行的用于检测EV充电事件并训练机器学习分类器的方法的一个实施例。
图3图示了来自账户电表(meter)和来自其对应的EV子电表(submeter)的叠加kWh充电值的示例图。
图4图示了从未知数据集中检测EV充电事件和EV所有者的方法的一个实施例。
图5图示了被配置有所公开的示例系统和/或方法的计算系统的实施例。
具体实施方式
在一个实施例中，本文描述了系统和方法，该系统和方法提供使用模体发现和检测来从电力公司客户账户中识别消耗能量给电动车辆充电的电动车辆(EV)充电事件的新颖的系统和方法。在一个实施例中，本系统和方法包括训练机器学习分类器以至少基于EV充电模体/模式和充电特征来识别电动车辆充电。
对于电力公司来说，发现消耗能量给电动车辆充电的用户账户是有价值的。由于电动车辆充电意味着电网上的显著负荷，因此识别这些客户(例如，识别其账户和/或充电地点)具有重大意义。例如，如果多个EV所有者在同一领域中，那么他们可能共享同一电力变压器。如果同时汲取过多电流，那么这可能对变压器造成安全隐患，从而使变压器过载。这可能对变压器造成物理损坏，甚至导致装备故障。对公共安全的威胁(例如大火)可能导致极端情况。
因此，如果利用本系统和方法预先识别出多个EV所有者，那么可以采取步骤来减少或消除电网和/或装备中的潜在问题。例如，具有EV的房屋的电力线可以被重新布置(reroute)到不同的变压器、变压器可以用更大容量的变压器替换或调整容量、和/或可以向EV所有者发送警报或通知，要求改变其EV充电时间。
对于电力公司还可能具有许多附加的益处，使它们能够准确识别电网上由EV引起的大负荷。这些益处可以允许执行一个或多个结果动作，该动作包括例如：(1)生成消息并将消息传输给EV所有者，以将其账户更改为不同的(更好的)针对EV充电的电费率，从而带来更好的客户参与度；(2)识别EV所有者是在高峰时段还是非高峰时段充电，并且生成和传输用于修改充电时间和/或账户设置的指令，使得一个或多个EV所有者改变为“使用时间(Time of Use)”费率以将充电负荷转移到非高峰时段；(3)识别网格中可以表示具有多个EV所有者的特定区域中的显著负荷增加的EV“热点”；(4)在整个系统水平和更局部的水平识别EV应用的趋势和速度，使得可以对电网装备进行纠正动作和修改，以确保安全和正确的配电(修改或调整变压器的容量、重新布置电力线等)。
贯穿本公开，以下术语使用如下：
EV：“电动车辆”的缩写。
EV所有者：这表示拥有电动车辆和/或为电动车辆充电的账户的处所/地点。
非EV所有者：这表示不拥有电动车辆或不为电动车辆充电的账户的处所/地点。
已知EV所有者(knownEVowner)：标签，其声明账户(及其相关联的时间序列数据)消耗电力为电动车辆充电，这是电力供应商已知的。因此，已知来自已知EV所有者的账户时间序列数据具有EV充电事件。该信息被提供给本系统的一个或多个机器学习分类器，以从账户数据中识别和检测EV充电事件。
已知非EV所有者(known non-EVowner)：标签，其声明账户没有消耗电力为电动车辆充电，这是电力供应商已知的。因此已知非EV所有者的账户时间序列数据不包括EV充电事件。该信息被提供给一个或多个机器学习分类器，以识别和检测可以用于与EV充电事件区分开的非EV充电事件。
房屋电表：这是将处所/地点处的电能消耗记录为电力消耗数据电子设备的。消耗量以千瓦时(kWh)为单位，但也可以使用其它单位。处所/地点以及因此房屋电表与客户账户相关联。虽然为简单起见使用了词语“房屋”，但它包括可以具有电表的任何类型的处所。房屋电表测量整个处所的电力消耗，包括汲取电力的所有电器和部件(如果有EV的话，还包括EV)。通常以规律的时间间隔(例如，5分钟、15分钟、1小时等)收集测量数据。一组间隔数据被称为时间序列数据。在一个实施例中，房屋电表是智能电表，该智能电表记录电能消耗并经由网络通信将信息传送到电力供应商(电力公司)以进行监视和其它目的。
EV子电表：安装在已知EV所有者的处所处的电表，仅用于直接监视和记录电动车辆的充电活动。EV子电表是与房屋电表类似的设备，但是是除了房屋电表以外单独安装的设备。EV子电表仅记录由电动车辆汲取的以kWh为单位的电力，并且因此按仅用于EV充电的电力的时间序列测量充电数据。没有其它耗电部件连接到EV子电表。
账户时间序列数据：表示在一段时间内整体上从所考虑的账户的房屋电表测量和收集的以kWh为单位的电力消耗的数据。测量的数据通常以时间间隔收集。本文将讨论十五(15)分钟的时间间隔，但可以使用其它间隔(例如，5分钟、30分钟、1小时等)。
子电表时间序列数据(EV子电表数据)：表示从仅用于电动车辆充电的专用EV子电表测量并收集的以kWh为单位的电力消耗的数据。该数据规则地以设定的时间间隔(例如，15分钟时间间隔)收集，但可以使用其它间隔(例如，5分钟、30分钟、1小时等)。
EV充电模体/模式：对应于识别出的EV充电事件的字母或符号的编码串。编码串可以基于特定的EV充电事件具有变化的长度，并且基于所实现的编码方案。
参考图1，示出了计算机实现的EV检测系统100的一个实施例。EV检测系统100被配置为在计算系统中执行，并且被配置有用于识别和检测EV充电模体的新颖技术。EV充电模体表示可以从账户时间序列数据110中识别出的与电动车辆充电事件相关联的符号的电力消耗模式。先前的方法寻找某个预定义的kWh量级的电力消耗事件，并且因此准确性较低、对噪声和对可能导致检测不准确的其它数据相关效应的鲁棒性较低。本方法更具鲁棒性、与品牌和充电器无关、直接由充电数据告知，并且随着新的EV充电模体被发现并添加到模体库中，可以随着时间的推移而学习和适应。
整个EV检测系统100可以被配置为三(3)个逻辑阶段，其中每个阶段由可执行模块实现：(1)预处理模块120；(2)检测模块130；以及(3)验证模块140。在以下附图中将描述每个模块的更详细的配置和操作。
在一个实施例中，预处理模块120被配置为从一个或多个账户接收和/或检索时间序列数据、将数据转换为需要的间隔格式，并且将间隔数据编码为量化kWh值的字母串。将参考图2更详细地描述该模块。
在一个实施例中，检测模块130被配置为分析来自已知EV所有者的多个账户和编码串的时间序列数据，以检测与串的EV充电模式最匹配的指定串(例如，单词/一组字母)。从账户时间序列数据中获取在子电表时间序列上作为EV充电事件的一部分记录的充电特征，并将其与EV充电事件相关联作为其特性。特征将在下面描述。检测模块130还对来自已知非EV所有者集合的账户时间序列数据执行类似的处理，以识别什么类型的充电模式和特征不是EV充电事件。将参考图2更详细地描述检测模块130。
在一个实施例中，验证模块140被配置为至少基于由检测模块130找到的模式来训练一个或多个机器学习分类器以学习EV充电模式是什么样的。训练包括输入与由检测模块130找到的每个可疑EV充电事件相关联的充电特征。字母的EV充电模式及其对应的充电特征的组合训练一个或多个机器学习分类器，以从未知账户中检测和识别类似的EV充电事件。在以下描述中，一个或多个机器学习分类器将被称为分类器。
还输入到分类器的是用于验证来自分类器的确定的答案关键字。答案关键字包括正在分析的带标签账户的子电表时间序列数据。如前所述，子电表数据识别对应的账户时间序列数据是否具有EV充电事件以及何时发生EV充电事件。然后可以将来自分类器的检测结果/预测160与子电表数据进行比较，以验证分类器的准确性，并且如果结果160不准确，那么进一步训练分类器。将参考图2更详细地描述验证模块140。
参考图2，示出了EV检测处理200的一个实施例，其由图1的EV检测系统100实现和执行。处理200是由计算系统执行的计算机实现的处理。所描述的动作和功能至少由处理器执行，该处理器从存储器或存储设备访问数据并生成从存储器读取和/或写入存储器的数据。
图2示出了三列处理流程，其中每一列表示取决于数据可用性正在处理的数据的不同类型。在方框210(最左列)处，处理来自已知EV所有者的账户时间序列数据。在方框210a(中间列)处，处理来自已知非EV所有者的账户时间序列数据。在方框215(最右列)处，处理EV子电表数据。三个处理列不必同时执行，因为它们可以在彼此不同的时间执行。
在图2的处理中，方框210、220、230和240对应于图1的预处理模块120。方框250和260对应于图1的检测模块130，并且方框270和280对应于验证模块140。应注意的是，对两种类型的数据集执行预处理功能和检测功能：来自已知EV所有者210的账户时间序列数据和来自已知非EV所有者210a的账户时间序列数据。对来自已知非EV所有者的数据执行的对应功能用“a”表示，诸如220a、230a、240a等。因此，方框220和方框220a的功能除了被处理的数据集之外是相同的。
预处理阶段(方框220、230、240)
继续参考图2，在方框210处，预处理开始，其中从已知EV所有者检索原始账户时间序列数据110并将其输入到预处理模块120。对多个已知EV所有者重复本处理，其中如果时间序列数据集合可用，那么单独处理每个EV所有者账户的每个时间序列。对于每个已知EV所有者，还可以同时或在随后的时间输入其对应的子电表时间序列数据(方框215)。计算系统的处理器从将数据存储在数据结构中的存储设备或存储器中读取和检索账户时间序列数据110。在以下示例中，以kWh充电值的15分钟间隔记录账户时间序列数据110。
在方框220处，将来自已知EV所有者的房屋的原始15分钟间隔kWh数据转换为长格式时间序列(即，对于15分钟间隔数据，一天中有96个间隔。这生成1行×96列的数据向量。如果有30天的可用数据，那么每个房屋电表将具有1行×(96*30)列的向量。在一个实施例中，仅考虑来自具有少于四(4)个未知或不可用kWh值的那些天的时间序列数据。在方框220a处，对于来自已知非EV所有者的15分钟间隔的kWh数据也执行该功能。
如果对应的EV子电表水平数据可用于EV所有者，那么在方框225处生成答案关键字，该答案关键字标记并识别EV正在充电时的时间间隔。然后，可以使用识别出的时间间隔来识别账户时间序列数据中的对应时间间隔，以验证是否以及何时发生EV充电。这将在该处理的后面发生。
最初，在不查看EV子电表数据的情况下分析账户时间序列数据。为了检测白天是否有来自已知EV所有者的EV充电活动，预处理模块120分析账户时间序列数据110。如前所述，账户时间序列数据110示出了一段时间内来自已知EV所有者的以kWh为单位的房屋电力使用(电力消耗)。房屋的电表记录了整个房屋汲取和使用的电力，因此包括用于EV充电的电力(如果有的话)以及所有其它收费。在本文中，这被称为账户时间序列数据。
在一个实施例中，EV子电表数据215是也被检索的时间序列充电数据的第二集合，其是从EV子电表收集的。例如，每个已知EV所有者还包括安装在其处所中的用于直接监视电动车辆的充电活动的相应的EV子电表。EV子电表是房屋电表的补充。如前所述，EV子电表仅记录由电动车辆汲取的电力，因此包括用于EV充电的电力的时间序列中的充电数据。在本文中，这被称为子电表时间序列数据或EV子电表数据。因此，通过分析子电表数据，系统可以容易地识别EV充电开始和结束时的时间间隔。在方框225中，这些时间间隔被标记并成为所生成的答案关键字的一部分。
在230处，可以对账户时间序列数据进行归一化。一天期间房屋电力使用可能非常杂散，并且kWh值中会出现向上和/或向下的尖峰。在一个实施例中，预处理模块120被配置为将时间序列缩减为可以描绘整个一天中每个电表的特定幅度和变化的序列。为了实现这一点，例如，将一个或多个已知EV所有者的每个电表的账户时间序列中的kWh值归一化为其自身，其中将每个原始kWh值变换成偏离给定账户时间序列的平均kWh值的多个标准偏差的量度。可以执行用于归一化值的其它技术。
在图2中，该处理示出了从方框220和230输出的被输入到确定方框260的箭头线，确定方框260确定充电特征。这些线表示将来自方框220和/或230的时间序列数据提供给确定方框260，使得可以如下所述提取来自时间序列的充电数据并将其用于生成充电特征。
在240处，用编码方案对时间序列数据中的kWh值进行编码。在一个实施例中，编码包括将在电表处收集的每15分钟间隔的kWh电力使用编码为字母/符号序列中的一个字母。因此，一系列连续的(sequential)时间间隔变成一系列符号。例如，一种类型的编码可以用一组顺序(sequential)字母来执行。
例如，在一个实施例中，可以选择六(6)个顺序字母表字母，这些字母表示从低使用水平(usage level)到高使用水平的使用水平字母。六个字母中的一组可以是“a，b，c，d，e，f”，其中“a”是最低使用水平，并且“f”是最高使用水平。因此，在一天期间具有高使用水平的时间间隔将被编码为“f”，而较低中等范围水平可以被编码为“c”。当然，可以使用更多或更少的字母用于粗略或精细地近似和表示使用水平。也不要求字母序列在字母表中直接连续。例如，该序列可以跳过字母并包括a，c，e，g，i，k。
基于“a，b，c，d，e，f”的编码方案的一个示例在图3中示出，其中kWh值和账户时间序列数据300被显示在时间间隔的图中。基于所讨论的使用水平，每个时间间隔中的每个kWh值都用编码字母中的一个进行编码。在图3的图下面示出了针对账户数据300的时间间隔序列的所得编码串325。编码串325的每个编码字母近似对准地定位在其对应的kWh值和时间间隔下面。下面将更详细地讨论图3。
在一个实施例中，可以调整或修改编码方案的参数，包括：(a)间隔长度；(b)编码遵循的概率分布函数；和/或(c)要在编码中使用的多个字母。
从低到高的使用水平与特定时间序列的整体使用水平(例如，在一定范围内)相关，因此不取决于特定的kWh值。例如，如果一天的账户时间序列的kWh值范围在0到3kWh之间，那么值为3kWh的任何时间间隔都将被分配字母“f”作为最高使用水平。同样，如果来自大得多的房屋的不同时间序列的范围为0到10kWh，那么值为10kWh的任何时间间隔将被分配字母“f”作为最高使用水平。对时间序列中的所有96个时间间隔执行这种编码，以生成表示电力的消耗模式的编码字母串(符号)。编码字母串被存储在存储器中，以供检测阶段使用。在方框240a处，还针对来自已知非EV所有者集合的账户时间序列数据执行编码。
因此，对于任何给定的时间序列，编码字母的编码消耗模式包括可以被识别并与其它充电模式匹配的充电模式。编码字母允许系统检测和匹配不同时间序列数据(不同消费者账户)之间的相似充电模式，而不是尝试匹配kWh值。在上面的示例中，来自第一账户的三个时间间隔值3-3-3kWh与来自第二账户的三个其它时间间隔值10-10-10kWh不匹配。但是，在编码之后，来自两个数据集的三个时间间隔将由于具有相同的编码串模式f-f-f而匹配，因为每个kWh值都是其相应时间序列数据中的最高值。
因此，将时间序列数据量化为字母串具有至少两个优点：(1)将时间序列的维度压缩为一个字母串；以及(2)提供基于特定字母串的更简易的异常值检测。
关于上述第一个优点：代替依赖于来自kWh使用时间序列的实际幅度或值(其由于房屋大小或居住处人数的原因可能容易失真)，字母的编码已经将每个电表的时间序列归一化到本身。因此，经由“较高”字母容易识别特定电表的高使用率(即，低使用率对应于“a”或“b”，而高使用率可以对应于“e”或“f”)。因此，编码不仅保留了电表在时间序列中的独特特性，而且还允许跨不同电表进行比较。
如前所述，与串搜索算法结合，串编码自然带来第二个优势。通过特定模式的字母串进行搜索(例如，搜索“单词”)要比通过kWh数字识别异常值更容易。一旦断定检测到可疑事件，就可以容易地根据与可疑EV事件相关的充电特征对分类器进行训练，以识别出真肯定(positive)而非假肯定，如下面所讨论的。
检测模块(方框250和260)
在方框240处将kWh数据编码为字母之后，在方框250处，从存储器中读取时间序列中的编码字母并对其进行分析以检测EV充电模式。如果EV子电表数据对于给定的账户时间序列不可用，那么检测模块130被配置为从账户时间序列数据中分析编码字母。假设电动车辆充电通常以较高的kWh使用水平的某个持续时段为特征，那么时间序列数据的指示EV充电的一部分很可能将是顺序的高使用率字母串。
基于上述编码方案(使用从低到高的使用水平字母“a”、“b”、“c”、“d”、“e”和“f”)，已知EV所有者账户将包括高使用率字母串(例如，大部分为f并且一些为e)，这形成了表示EV充电的字母模式。因此，系统通过在符号中的表示持续的高使用水平符号序列(例如，多个连续的f以及可能一些e)的编码消耗模式中识别字母/符号序列来搜索编码(encoded)字母，以识别电动车辆的可疑充电。
在持续的时间段内，这种高使用率字母的字母模式被存储为模体，并且被存储在EV使用模式的模体库中。在多个已知EV所有者账户中可以找到高使用率字母模式，以创建多个不同EV充电模式(模体)。然后，EV充电模式可以用于从其中EV充电未知的其它账户时间序列数据集中识别和检测相似的EV充电模式。
因此，对于给定的时间序列，系统被配置为在时间段的整个字母序列期间搜索各种长度的高使用率字母的几乎连续出现。在一个实施例中，系统在模体库中搜索与模体的串相似度，以返回账户的整个编码时间序列中高使用率字母的潜在匹配。如果搜索返回一天期间与一个或多个已知EV充电模体的潜在匹配，那么系统将该天标记为具有EV充电活动。在一个实施例中，搜索功能是系统的检测模块130的一个部件。
将来自地点/处所的账户时间序列数据与在相同地点/处所收集到的EV子电表数据进行比较。如果账户数据中的可疑充电与来自子电表数据的任何充电在时间间隔上重叠，那么该可疑充电包括EV充电。如前所述，EV子电表数据中出现的任何充电都必须是EV充电。然后系统将可疑充电标记为EV充电。图3中示出了示例。
在图2的方框250的一个实施例中，系统通过识别高使用率编码字母的持续系列或序列来检测可疑的EV充电。然后，可以通过使用该账户的对应EV子电表数据(例如，生成的答案关键字)来正确识别和验证可疑EV充电。对于已知EV所有者，通过将账户时间序列数据中的时间间隔与对应的EV子电表时间序列数据进行匹配，可以在账户时间序列数据中识别并验证可疑EV充电。子电表的15分钟间隔kWh将指示EV所有者大约在何时开始为其电动车辆充电以及何时EV充电停止。
与可疑EV充电相比，可以在对应的账户时间序列数据中标记和找到EV子电表数据中的开始和停止时间间隔。如果时间间隔匹配(彼此重叠)，那么账户数据中的可疑EV充电是真实的EV充电。如果可疑EV充电与来自EV子电表的充电时间间隔不重叠，那么可疑EV充电不是EV充电。在图3中示出了示例，其中账户时间序列数据300与其对应的EV子电表时间序列数据305匹配(例如，重叠)。
在图3中，x-轴以15分钟为时间间隔，y-轴示出在对应时间间隔记录的kWh值。对于一天的24小时，时间序列中有96kWh值(例如，kWh值的1乘96向量)。图3仅示出了一天的时间间隔的一部分。一般而言，当发生EV充电时，EV子电表数据305中的kWh值从0kWh急剧跃升至高得多的值。这在“上尖峰”点示出。然后，kWh水平将在持续的时间段内保持在该高水平(用“持续水平”区域表示)。当EV充电停止时，kWh值在EV子电表数据305中幅度急剧下降(在“下尖峰”点示出)。
在上尖峰和下尖峰时间间隔处，系统知道这些是指定EV充电事件310的开始和停止时间间隔。其中来自EV子电表数据305的EV充电与账户数据300中的充电重叠的时间间隔识别账户数据300中的EV充电。回想一下，账户数据300中的kWh值包括来自整个处所的所有电费，EV充电是电费的组成部分。利用EV子电表数据中的开始和停止时间间隔，系统可以识别账户时间序列数据300中实际EV充电事件发生的位置。这被识别为EV充电事件310。
当找到用于EV充电事件310的开始和停止时间间隔时，系统识别被分配给EV充电事件310的相同时间段的对应编码字母。如图3中所示，在EV充电事件310期间，用于账户数据300的编码字母325包括串“f fffff e f ffff e”。因此，该编码串表示已知EV充电事件，并且被存储为编码字母的一个已识别出的EV充电模式/模体。串中的空格不是必需的，仅出于编码字母的可读性而示出。
再次参考图2，在方框260处，一旦识别EV充电事件及其开始和停止时间间隔，检测模块130就识别与EV充电事件相关联的充电特征。例如，读取在账户时间序列数据300中收集的在可疑或识别出的EV充电事件之前、期间和结束时发生的数据。从EV充电事件中提取和/或计算有助于从非EV充电中表征EV充电的充电特征。充电特征将帮助系统学习看起来像EV充电的样子和看起来不像EV充电的样子，使得可以区分EV充电。
例如，系统可以提取kWh值并计算各种充电特征，诸如EV充电事件期间的平均电力消耗、EV充电开始时kWh的初始急剧跃升的幅度、EV充电结束时kWh的下降的幅度、EV充电事件的持续时间、EV充电期间kWh值的标准偏差、EV充电事件期间的总kWh使用、EV充电事件期间的最大和/或最小kWh值。可以使用这些特征的任何组合，并且可以基于可用于给定数据集的充电数据来计算其它特征。一个或多个充电特征与编码的EV充电模式一起使用和存储，并用作相关联EV充电事件的充电特性或签名。
如果可疑EV充电与来自EV子电表数据的EV充电不重叠，那么可疑EV充电不是实际的EV充电。如上所述，系统可以提取kWh值并计算该非EV充电模式的各种充电特征。但是，这些充电特征和相关联的编码字母模式被存储为非EV充电特性，其可以用于在后续确定中区分充电事件。
继续图2，对于已知非EV数据，检测模块130在方框250a和260a中执行类似的处理，但是针对非EV充电事件。系统识别已知为非EV充电的编码字母模式，并如上所述确定其相关联的充电特征。非EV充电的编码模式及其充电特征表征看起来像非EV充电的样子。因此，非EV充电数据可以用于帮助确定可疑EV充电是真正的EV充电还是非EV充电。
因此，系统使用来自已知非EV所有者的账户时间序列数据作为控制组来创建“真否定”样本，以与已知EV所有者进行比较。来自控制组的成员的kWh数据和时间间隔的处理方式与之前描述的已知EV所有者的充电数据和充电特征相同或相似。
验证方框270和280
在方框270处，EV充电模式及其相关联的充电特征被输入到一个或多个机器学习分类器(分类器)。该数据对分类器进行训练以从充电特征中学习，以便从未知数据集中识别和检测EV充电事件。同样，输入非EV充电模式及其相关联的充电特征，以训练分类器识别非EV充电模式并将其与EV充电事件区分开。
可以根据时间序列数据对分类器进行多次训练和执行。分类器被配置为基于已知EV充电模式/模体和充电特征来生成分类器将其识别为EV充电的检测到的EV事件的列表。在方框280处，可以将所生成的列表与在方框225处根据实际EV子电表数据生成的答案关键字进行比较和验证。验证的结果可以被反馈给分类器，以纠正不准确或遗漏的EV充电事件，从而进一步训练分类器。
在一个实施例中，分类器包括机器学习算法，该机器学习算法被配置为确定正在分析的充电是真实EV充电的可能性。对分类器进行训练以使用来自检测模块130的检测到的EV充电模式和EV充电特征来学习EV充电和非EV充电之间的差异。分类器还使用来自已知非EV所有者的充电特征来区分真实EV充电和非EV充电。在方框225中的从EV子电表数据生成的答案关键字允许系统测试分类器的结果。答案关键字还可以用于训练分类器，以识别哪些充电来自EV所有者，哪些来自非EV所有者。
使用来自已知EV所有者的检测到的EV充电模式和充电特征以及来自已知非EV所有者的充电特征，机器学习分类器基于观察到的经验进行学习。以这种方式，可以通过提供用其进行训练的检测到的信息来对机器学习分类器进行编程，并且分类器获得以高可能性识别EV充电的元素或特性的能力。
对分类器进行训练以寻找EV充电模式是监督学习处理的一部分。监督学习使计算机能够基于所提供的样本来识别元素。在这种情况下，样本包括EV充电模式和表征相关联的EV充电事件的充电特征。计算机研究样本并开发基于所提供的数据来识别新数据的能力。在一个或多个实施例中，监督学习算法可以包括：决策树、支持向量机、朴素贝叶斯分类器、k-近邻和/或线性回归。
在一个实施例中，机器学习分类器由XG Boost实现。XG Boost在梯度增强框架下实现机器学习算法。XGBoost提供了以快速且准确的方式解决许多数据科学问题的并行树增强。分类器代码可以在各种分布式环境(诸如，Hadoop、SGE和MPI)上实现和运行。
在一个实施例中，梯度增强是用于回归和分类问题的机器学习技术，该机器学习技术产生弱预测模型的集合形式的预测模型，通常是决策树。预测建模是通过其创建模型以预测结果的处理。如果结果是分类的，那么称为分类；并且如果结果是数值的，那么称为回归。
一旦机器学习分类器被训练，它就可以用于识别未知账户是否有可疑EV充电。可以针对大量未知账户(数千、数万等)系统地执行检测处理。从未知账户的电表收集的账户时间序列数据可以被输入到机器学习分类器，以用于识别可疑EV充电。如果在给定的时间序列数据集中找到了可疑EV充电，那么相关联的账户被标记和标注为可疑EV所有者。然后，可以基于识别出的EV所有者来执行一个或多个结果动作。参考图4描述了该处理的示例。使用附加输入的其它分类器可以级联到该分类器以提高性能。
由本系统和方法实现的新颖技术超出了回答EV检测的“是/否”问题的范围。使用图2的处理中的一个或多个步骤，该系统能够解决：
(1)给定已知电动车辆所有者，检测白天是否存在充电活动。
(2)给定已知电动车辆所有者，基于房屋的电力使用(如在其账户时间序列数据中测得的)，检测何时电动车辆被插入进行充电。
(3)给定账户的时间序列，是否有EV正在充电？
在一个实施例中，系统实现并使用逻辑分类器和基于决策树的算法(例如，支持向量机SVM)来识别EV充电。在逻辑分类器的情况下，将具有大于0.5的指定概率的可疑EV事件分类为EV充电。当然，可以使用其它值。
在本检测系统中观察到的解决上述(1)的示例结果是：
准确度＝0.852564102564
检测到真 检测到假
真充电 0.949622166247 0.31718061674
假充电 0.0503778337531 0.68281938326
对于上面的问题(3)，基于给定的账户时间序列数据集合，使用SVM模型实现的机器学习分类器产生以下结果：
检测到真 检测到假
真充电 0.905738 0.094262
假充电 0.240741 0.759259
参考图4，示出了EV检测处理400的一个实施例，用于从未知账户的账户电表数据识别和检测可疑EV充电。这里，未知账户是指不知道是否存在EV所有者并且因此不知道与该账户相关联的EV充电的账户。方法400的检测处理使用上述经训练的机器学习分类器来预测未知账户是否与电动车辆相关联。
检测处理可以对于所选择的账户执行，或者可以针对大量未知账户(数千、数万等)系统地执行。因此，可以将从未知账户的电表收集的账户时间序列数据输入到机器学习分类器，以识别可疑的EV充电。如果在给定的时间序列数据集中找到可疑EV充电，那么相关联的账户被标记和标注为可疑EV所有者。然后可以基于识别出的EV所有者来执行一个或多个结果动作。
在410处，从存储器或数据存储设备读取来自未知账户的账户时间序列数据集，并将其作为输入提供。在420和430处，将账户时间序列数据转换为长格式时间序列(例如，数据向量)，并且如在图2的方框220和230中执行的那样，对kWh值进行归一化。在440处，如在图2的方框240中执行的那样，用编码字母方案对归一化的kWh值进行编码。如前所述，示例方案使用从低到高的使用水平的六个字母a、b、c、d、e、f。
在450处，来自数据向量的编码字母被输入到机器学习分类器。在持续的时间段内搜索编码字母以查找高使用率字母的字母模式，诸如一行“f”字母串。如已知的，高使用率字母串可以表示EV充电。如果找不到这样的串，那么该账户被标记为非EV所有者，并且可以输入下一个账户时间序列进行分析。如果找到高使用率字母串，那么机器学习分类器将对应的时间间隔和kWh充电识别为可疑EV充电。
在460处，机器学习分类器以与先前针对图2的方框260所讨论的充电特征类似的方式从可疑EV充电中确定充电特征。例如，从存储器或存储装置中读取在账户时间序列数据中收集的在可疑EV充电之前、期间和/或结束时发生的kWh数据。生成一个或多个充电特征，诸如可疑EV充电期间的平均电力消耗、可疑EV充电开始时kWh的初始急剧跃升的幅度、可疑EV充电结束时kWh的下降的幅度、可疑EV充电事件的持续时间、可疑EV充电期间kWh值的标准差、可疑EV充电事件期间的总kWh使用、可疑EV充电期间的最大和/或最小kWh值。可以生成这些充电特征的任何组合，并且它们表示相关联的可疑EV充电的充电特性(例如，签名)。
在470处，机器学习分类器确定可疑EV充电的充电特征和编码字母是否与任何已知EV充电模式/模体及其对应的已知充电特征匹配。匹配可以基于比较对应类型的充电特征并确定值是否在一定程度上(例如，与设置的阈值量)匹配。例如，分类器根据匹配的EV充电模式/模体确定在可疑EV充电期间使用的平均电力消耗是否与已知EV充电事件期间使用的平均电力消耗匹配。
可以针对其它不同类型的充电特征执行这种比较，并且可以生成匹配结果的总分数。可以在分类器算法中定义和设置每种类型的充电特征的匹配相似度的阈值量。在一个实施例中，匹配涉及使用从已知EV充电模式/模体及其从图2的处理中学到的对应充电特征的学习观察结果进行的模式匹配。
在480处，如果可疑EV充电确实匹配一个或多个已知EV充电模式并且在特定程度上缺失匹配相关联的EV充电特征，那么可疑EV充电被标记为EV充电，并且其账户被标记为可能的EV所有者账户。然后可以针对附加账户重复该处理。生成列表或其它数据输出，该列表或其它数据识别很可能与电动车辆充电相关联的账户。这些账户被标记为EV所有者。
如果可疑EV充电的充电特征在已知EV充电特征的阈值内不匹配，那么将可疑充电标记为非EV充电，并对账户时间序列数据集中的任何其它可疑EV充电重复分析。如果未识别EV充电，那么将账户标记为非EV所有者。然后可以针对时间序列数据集继续并重复方法400的处理。
在490处，然后可以基于识别出的EV所有者来执行一个或多个结果动作。在一个实施例中，一个或多个结果动作包括例如生成消息并将消息传输到EV所有者的远程设备，以将其账户更改为不同的(更好的)针对EV充电的电费率(提供更好的客户参与度)。系统可以识别EV所有者是在高峰时段还是非高峰时段充电。基于充电时间在高峰时段，系统可以生成带有指令的电子消息并将其传输到与EV所有者相关联的远程设备。该电子消息可以包括用于将充电时间修改为非高峰时段和/或修改账户设置的指令，使得一个或多个EV所有者改变为“使用时间”费率以将EV充电负荷转移到非高峰时段。
另一个结果动作可以包括识别EV所有者在电网中的位置并确定彼此的位置。然后，系统可以识别网格中的EV“热点”，该EV“热点”可以表示在具有多个EV所有者的特定区域中的显著负荷增加。
基于使用本系统定期监视和识别EV所有者，系统可以在系统范围的水平和/或更局部的水平上识别EV应用的趋势和速度。如果在电网的特定区域中检测到的EV所有者的数量有所增加，那么可以对电网装备进行纠正动作和修改，以确保安全和正确的配电。这些动作可以包括修改或调整变压器容量、重新布置电源线等。
在一个实施例中，生成指令包括生成电子消息，该电子消息包括关于检测到的EV充电的信息和关于改变EV充电行为的信息(例如，将充电时间改变为非高峰时段)。通过引起充电行为的改变，可以在特定时间减小电网上的负荷。然后可以经由网络通信将所生成的消息传输到与检测到的EV所有者相关联的远程设备，诸如电子邮件、文本消息、电子电话消息或其它电子形式。
在另一个实施例中，该系统和方法可以指示和控制打印机以物理形式将所生成的要交付的消息的硬拷贝打印到与检测到的EV所有者相关联的位置。
在基于先前描述的电动车辆检测系统的另一个实施例中，可以执行以下处理。检测系统可以从电动车辆(EV)所有者接收第一时间序列的电力消耗数据，并且(通过访问存储器的处理器)将时间序列编码为符号的EV使用模式，该EV使用模式包括如前所述的EV充电模式。然后，检测系统可以通过访问存储器的处理器将来自非电动车辆(非EV)所有者的第二时间序列的电力消耗数据编码为符号的非EV使用模式。然后，检测系统可以使用符号的EV使用模式(包括EV充电模式)和符号的非EV使用模式配置和训练机器学习分类器，以从未知时间序列的电力消耗数据中检测和识别类似的电动车辆充电模式。
在一轮或多轮训练之后，机器分类器然后可以用于分析未知数据集。例如，响应于接收到第一未知时间序列的电力消耗数据，机器学习分类器基于用于训练分类器的信息来检测第一未知时间序列的电力消耗数据是否包括类似的电动车辆充电模式。机器学习分类器基于检测结果生成将第一未知时间序列识别为EV所有者或非EV所有者的输出。可以针对任何数量的未知时间序列的数据重复此操作。
电力公司可以使用本系统和方法的电动车辆检测的提高的准确性来识别具有电动车辆的账户。如所解释的，可以在识别一个或多个EV所有者之后执行各种动作。基于识别出的EV所有者的位置，可以识别电网上可能遭受过载的网络部件。当在同一邻域电网中检测到和找到多个EV所有者时，可能发生过载。这在以下方面直接为电力公司带来价值：更好地控制电网负荷、将能效计划针对识别出的EV所有者、生成需求响应计划并将其针对识别出的EV所有者、和/或对电网中的网络部件执行延迟升级、或及时升级电网的网络部件。
云或企业实施例
在一个实施例中，本电动车辆充电检测系统是包括用于企业组织的应用或分布式应用的集合的计算/数据处理系统。应用和计算系统可以被配置为与基于云的联网系统、软件即服务(SaaS)体系架构或其它类型的网络计算解决方案一起操作或者被实现为基于云的联网系统、软件即服务(SaaS)体系架构或其它类型的网络计算解决方案。在一个实施例中，检测系统被实现为集中式服务器侧应用的一部分，该集中式服务器侧应用至少提供本文公开的功能，并且由许多用户经由与计算系统100(用作服务器)进行通信的计算设备/终端通过计算机网络进行访问。
在一个实施例中，本文描述的包括EV检测系统100的一个或多个部件被配置为存储在非暂态计算机可读介质中的程序模块。程序模块被配置有存储的指令，该指令在至少由处理器执行时使计算设备执行如本文所述的(一个或多个)对应功能。
计算设备实施例
在一个实施例中，图5图示了被配置和/或编程为具有本电动车辆检测系统100的一个或多个部件和本文描述的方法和/或等同形式的专用计算设备的计算设备。
示例计算设备可以是计算机505，该计算机505包括硬件处理器510、存储器515以及通过总线525可操作地连接的输入/输出端口520。在一个示例中，计算机505被配置有如参考图1-4所示和所述的EV检测系统100。在不同示例中，EV检测系统100可以用硬件、具有存储的指令的非暂态计算机可读介质、固件和/或其组合来实现。
在一个实施例中，EV检测系统100和/或计算机505是用于执行所描述的动作的部件(例如，结构：硬件、非暂态计算机可读介质、固件)。在一些实施例中，计算设备可以是在云计算系统中操作的服务器、在软件即服务(SaaS)体系架构中配置的服务器、智能电话、膝上型电脑、平板计算设备等。
EV检测系统100还可以被实现为存储的计算机可执行指令，该存储的计算机可执行指令作为数据540被呈现给计算机505，该数据540被临时存储在存储器515中，然后由处理器510执行。
一般地描述计算机505的示例配置，处理器510可以是各种不同的处理器，包括双微处理器和其它多处理器体系架构。存储器515可以包括易失性存储器和/或非易失性存储器。非易失性存储器可以包括例如ROM、PROM、EPROM、EEPROM等。易失性存储器可以包括例如RAM、SRAM、DRAM等。
存储盘535可以经由例如输入/输出(I/O)接口(例如，卡、设备)545和输入/输出端口1020可操作地连接到计算机505。盘535可以是例如磁盘驱动器、固态盘驱动器、软盘驱动器、带驱动器、Zip驱动器、闪存卡、存储棒等。此外，盘535可以是CD-ROM驱动器、CD-R驱动器、CD-RW驱动器、DVD ROM等。存储器515可以例如存储处理550和/或数据540。盘535和/或存储器515可以存储控制和分配计算机505的资源的操作系统。
计算机505可以经由I/O接口545和输入/输出端口520与输入/输出(I/O)设备进行交互。处理器510与I/O接口545和端口520之间的通信由输入/输出控制器547管理。输入/输出端口520可以包括例如串行端口、并行端口和USB端口。
计算机505可以在网络环境中操作，并且因此可以经由I/O接口545和/或I/O端口520连接到网络设备555。通过网络设备555，计算机505可以与网络560进行交互。通过网络560，计算机505可以逻辑上连接到远程计算机565。计算机505可以与之交互的网络包括但不限于LAN、WAN和其它网络。
计算机505可以通过I/O端口520从一个或多个输出设备或输入设备发送和接收信息和信号。输出设备包括一个或多个显示器570、打印机572(诸如喷墨、激光或3D打印机)和音频输出设备574(诸如扬声器或耳机)。输入设备包括一个或多个文本输入设备580(诸如键盘)、光标控制器582(诸如鼠标、触摸板或触摸屏)、音频输入设备584(诸如麦克风)、视频输入设备586(诸如视频和静态相机)、或其它输入设备(诸如扫描仪588)。输入/输出设备还可以包括盘535、网络设备555等。在一些情况下，计算机505可以由输入或输出设备(诸如由文本输入设备580、光标控制器582、音频输入设备584、盘535和网络设备555)生成或提供的信息或信号控制。
定义和其它实施例
本文描述或要求保护的功能不是由人手动执行或在脑中执行的。任何此类解释均与本公开不一致。
在一个实施例中，所描述的方法和/或其等同物是用存储的计算机可执行指令来实现的。因此，在一个实施例中，非暂态计算机可读/存储介质被配置为具有算法/可执行应用的存储的计算机可执行指令，该计算机可执行指令在由(一个或多个)机器执行时使该(一个或多个)机器(和/或相关联的部件)执行所述方法。示例机器包括但不限于处理器、计算机、在云计算系统中操作的服务器、用软件即服务(SaaS)体系架构配置的服务器、智能电话等。在一个实施例中，计算设备用被配置为执行所公开的方法中的任何方法的一个或多个可执行算法来实现。
在一个或多个实施例中，所公开的方法或它们的等同物由以下任一项执行：被配置为执行所述方法的计算机硬件；或者存储在非暂态计算机可读介质或存储器中的模块中实施的计算机指令，其中指令被配置为可执行算法，该可执行算法被配置为在至少由计算设备的处理器执行时执行所述方法。
虽然为了简化说明的目的，图中图示的方法被示出和描述为算法的一系列方框，但是应该认识到的是，该方法不受方框的顺序的限制。一些方框可以以与所示出和描述的不同的顺序发生和/或与其它方框同时发生。而且，可以使用比全部图示的方框少的方框来实现示例方法。方框可以被组合或分成多个动作/部件。此外，附加的和/或替代的方法可以采用未在方框中图示的附加动作。
以下包括本文所采用的所选择术语的定义。定义包括落入术语的范围并且可以用于实现的部件的各种示例和/或形式。示例并不旨在是限制性的。术语的单数和复数形式都可以在定义之内。
对“一个实施例”、“实施例”、“一个示例”、“示例”等的引用指示如此描述的(一个或多个)实施例或(一个或多个)示例可以包括特定的特征、结构、特性、属性、元素或限制，但并非每个实施例或示例都必然包括该特定的特征、结构、特性、属性、元素或限制。此外，短语“在一个实施例中”的重复使用虽然可以指代相同的实施例，但是不一定指代相同的实施例。
如本文所使用的，“数据结构”是计算系统中存储在存储器、存储设备或其它计算机化系统中的数据的组织。数据结构可以是例如数据字段、数据文件、数据阵列、数据记录、数据库、数据表、图、树、链表等中的任何一个。数据结构可以由许多其它数据结构形成以及包含许多其它数据结构(例如，数据库包括许多数据记录)。根据其它实施例，数据结构的其它示例也是可能的。
如本文所使用的，“计算机可读介质”或“计算机存储介质”是指存储被配置为在被执行时执行所公开的功能中的一个或多个功能的指令和/或数据的非暂态介质。在一些实施例中，数据可以用作指令。计算机可读介质可以采取包括但不限于非易失性介质和易失性介质的形式。非易失性介质可以包括例如光盘、磁盘等。易失性介质可以包括例如半导体存储器、动态存储器等。计算机可读介质的常见形式可以包括但不限于软盘、柔性盘、硬盘、磁带、其它磁性介质、专用集成电路(ASIC)、可编程逻辑器件、紧凑盘(CD)、其它光学介质、随机存取存储器(RAM)、只读存储器(ROM)、存储器芯片或卡、存储棒、固态存储设备(SSD)、闪存驱动器、以及计算机、处理器或其它电子设备可以利用其工作的其它介质。如果每种类型的介质在一个实施例中被选择用于实现，则其可以包括被配置为执行所公开的和/或所要求保护的功能中的一个或多个功能的算法的存储指令。
如本文所使用的，“逻辑”表示利用计算机或电气硬件、具有可执行应用或程序模块的存储指令的非暂态介质和/或这些的组合实现的部件，以执行如本文公开的任何功能或动作，和/或使得来自另一逻辑、方法和/或系统的功能或动作如本文所公开的那样被执行。等同的逻辑可以包括固件、利用算法编程的微处理器、离散逻辑(例如，ASIC)、至少一个电路、模拟电路、数字电路、编程的逻辑器件、包含算法的指令的存储器设备等，其中任何一个可以被配置为执行所公开的功能中的一个或多个功能。在一个实施例中，逻辑可以包括一个或多个门、门的组合、或者被配置为执行所公开的功能中的一个或多个功能的其它电路部件。在描述多个逻辑的情况下，可以将多个逻辑合并到一个逻辑中。类似地，在描述单个逻辑的情况下，可以在多个逻辑之间分配该单个逻辑。在一个实施例中，这些逻辑中的一个或多个逻辑是与执行所公开的和/或所要求保护的功能相关联的对应结构。选择实现哪种类型的逻辑可以基于期望的系统条件或规范。例如，如果考虑更高的速度，则将选择硬件来实现功能。如果考虑更低的成本，则将选择存储的指令/可执行应用来实现功能。
“可操作的连接”或实体通过其“可操作地连接”的连接是可以在其中发送和/或接收信号、物理通信和/或逻辑通信的连接。可操作的连接可以包括物理接口、电气接口和/或数据接口。可操作的连接可以包括足以允许可操作的控制的接口和/或连接的不同组合。例如，两个实体可以可操作地连接，以直接或者通过一个或多个中间实体(例如，处理器、操作系统、逻辑、非暂态计算机可读介质)彼此传送信号。逻辑通信信道和/或物理通信信道可以被用于创建可操作的连接。
如本文所使用的，“用户”包括但不限于一个或多个人、计算机或其它设备、或者这些的组合。
虽然已经相当详细地图示和描述了所公开的实施例，但并不旨在将所附权利要求的范围限制或以任何方式限定到这样的细节。当然，不可能为了描述主题的各个方面而描述部件或方法的每种可设想的组合。因此，本公开不限于所示出和描述的特定细节或说明性示例。因此，本公开旨在涵盖落入所附权利要求的范围内的变更、修改和变化，该权利要求满足法定主题要求。
就术语“包含”在具体实施方式或权利要求书中被采用的程度而言，它旨在以类似于当术语“包括”作为过渡词在权利要求中被采用时所解释的方式是包含性的。
就术语“或”在具体实施方式或权利要求书中被采用的程度而言(例如，A或B)，其旨在意味着“A或B，或两者”。当申请人旨在指示“仅A或B，但不是两者”时，那么将使用短语“仅A或B，但不是两者”。因此，术语“或”在本文的使用是包含性的，而不是排他性使用。

Claims (15)

1.一种由具有至少一个处理器的计算设备执行的计算机实现的方法，所述方法包括：
从已知电动车辆所有者集合中检索电力消耗数据的第一集合，其中所述电力消耗数据包括每个电动车辆所有者在一段时间内的使用值的时间序列；
将每个电动车辆所有者的使用值的时间序列转换为具有对应使用值的时间间隔的数据结构；
将时间间隔中的使用值中的每个使用值用表示时间间隔期间电力消耗水平的符号序列中的符号进行编码；
其中所述编码为每个电动车辆所有者生成符号的编码消耗模式；
从符号的编码消耗模式中识别包括符号序列的、表示EV充电事件的、与非充电模体区分开的EV充电模体，并针对电力消耗数据的附加数据集进行重复；
训练一个或多个机器学习分类器，以从已知电动车辆所有者集合中识别EV充电模体并与非充电模体区分开；以及
对所述一个或多个机器学习分类器进行配置，以识别电力消耗数据的未知数据集是否包括EV充电事件，并且至少基于所述EV充电模体将未知数据集标记为具有电动车辆充电或不具有电动车辆充电。
2.如权利要求1所述的计算机实现的方法，还包括：
对于与EV充电模体对应的EV充电事件，至少基于EV充电事件期间的电力消耗值来生成表征EV充电事件的一个或多个充电特征；
将所述一个或多个充电特征与EV充电模体相关联；以及
输入所述一个或多个充电特征来进一步训练所述一个或多个机器学习分类器，以至少基于所述一个或多个充电特征来识别EV充电事件与非EV充电事件。
3.如权利要求2所述的计算机实现的方法，其中生成所述一个或多个充电特征包括生成以下各项中的一项或多项：EV充电事件期间的平均电力消耗、EV充电事件开始时电力消耗的初始跃升的幅度、EV充电事件结束时电力消耗的下降的幅度、或EV充电事件的持续时间。
4.如权利要求1至3中的任一项所述的计算机实现的方法，还包括：
根据从电动车辆充电所测得的对应的子电表数据的时间序列，为每个电动车辆所有者生成使用值的时间序列的答案关键字；以及
利用子电表数据中的答案关键字，在使用值的时间序列中识别和验证EV充电事件。
5.如权利要求1至4中的任一项所述的计算机实现的方法，还包括：
通过识别符号的编码消耗模式中表示持续高使用水平符号序列的符号序列来识别电动车辆的可疑充电。
6.如权利要求1至5中的任一项所述的计算机实现的方法，其中所述编码包括：应用字母的编码方案，所述字母表示相对于时间序列中的使用值的范围从低使用水平到高使用水平的电力消耗水平。
7.如权利要求1至6中的任一项所述的计算机实现的方法，其中在所述编码之前，对时间序列中的使用值进行归一化。
8.一种计算系统，包括：
至少一个存储器；
至少一个处理器，连接到所述至少一个存储器；
非暂态计算机可读介质，包括存储在其上的电动车辆检测模块，所述电动车辆检测模块被配置有指令，所述指令在至少由处理器执行时使所述处理器：
从已知电动车辆所有者集合中检索电力消耗数据的第一集合，其中所述电力消耗数据包括每个电动车辆所有者在一段时间内的使用值的时间序列；
将每个电动车辆所有者的使用值的时间序列转换为具有对应使用值的时间间隔的数据结构；
将时间间隔中的使用值中的每个使用值用表示时间间隔期间电力消耗水平的符号序列中的符号进行编码；
其中所述编码为每个电动车辆所有者生成符号的编码消耗模式；
从符号的编码消耗模式中识别包括符号序列的、表示EV充电事件的、与非充电模体区分开的EV充电模体，并针对电力消耗数据的附加数据集进行重复；
训练一个或多个机器学习分类器，以从已知电动车辆所有者集合中识别EV充电模体并与非充电模体区分开；以及
对所述一个或多个机器学习分类器进行配置，以识别电力消耗数据的未知数据集是否包括EV充电事件，并且至少基于所述EV充电模体将未知数据集标记为具有电动车辆充电或不具有电动车辆充电。
9.如权利要求8所述的计算系统，其中所述指令还包括被配置为使所述处理器执行以下操作的指令：
对于与EV充电模体对应的EV充电事件，至少基于EV充电事件期间的电力消耗值来生成表征EV充电事件的一个或多个充电特征；
将所述一个或多个充电特征与EV充电模体相关联；以及
输入所述一个或多个充电特征来进一步训练所述一个或多个机器学习分类器，以至少基于所述一个或多个充电特征来识别EV充电事件与非EV充电事件。
10.如权利要求8或9中的任一项所述的计算系统，其中用于生成所述一个或多个充电特征的指令包括生成以下各项中的一项或多项：EV充电事件期间的平均电力消耗、EV充电事件开始时电力消耗的初始跃升的幅度、EV充电事件结束时电力消耗的下降的幅度、或EV充电事件的持续时间。
11.如权利要求8、9或10中的任一项所述的计算系统，其中所述指令还包括使所述处理器执行以下操作的指令：
根据从电动车辆充电所测得的对应的子电表数据的时间序列，为每个电动车辆所有者生成使用值的时间序列的答案关键字；以及
利用子电表数据中的答案关键字，在使用值的时间序列中识别和验证EV充电事件。
12.如权利要求8至11中的任一项所述的计算系统，其中所述指令还包括使所述处理器执行以下操作的指令：
通过识别符号的编码消耗模式中表示持续高使用水平符号序列的符号序列来识别电动车辆的可疑充电。
13.如权利要求8至12中的任一项所述的计算系统，其中用于编码的指令被配置为使所述处理器：
应用字母的编码方案，所述字母表示相对于时间序列中的使用值的范围从低使用水平到高使用水平的电力消耗水平。
14.如权利要求8至13中的任一项所述的计算系统，其中所述指令还包括使所述处理器执行以下操作的指令：
识别EV所有者在电网中的位置；以及
识别电网中表示具有多个EV所有者的区域中的负荷增加的EV热点。
15.如权利要求8至14中的任一项所述的计算系统，其中所述指令还包括使所述处理器针对被标记为具有电动车辆充电的账户执行以下操作的指令：
生成电子消息并将该电子消息传输到与所述账户相关联的EV所有者的远程设备，其中所述电子消息包括将EV充电时间改变为非高峰时段的指令。
CN201980061896.5A 2018-10-22 2019-10-16 检测在处所处充电的电动车辆 Active CN112739572B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862748802P 2018-10-22 2018-10-22
US62/748,802 2018-10-22
US16/420,597 US11383612B2 (en) 2018-10-22 2019-05-23 Detection of electric vehicle charging at premise
US16/420,597 2019-05-23
PCT/US2019/056490 WO2020086353A1 (en) 2018-10-22 2019-10-16 Detection of electric vehicle charging at premise

Publications (2)

Publication Number Publication Date
CN112739572A true CN112739572A (zh) 2021-04-30
CN112739572B CN112739572B (zh) 2024-06-14

Family

ID=70279373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980061896.5A Active CN112739572B (zh) 2018-10-22 2019-10-16 检测在处所处充电的电动车辆

Country Status (5)

Country Link
US (2) US11383612B2 (zh)
EP (1) EP3870475A1 (zh)
JP (2) JP7375005B2 (zh)
CN (1) CN112739572B (zh)
WO (1) WO2020086353A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220024335A1 (en) * 2020-07-24 2022-01-27 Ford Global Technologies, Llc Electrical charge pattern validation
CN112124135B (zh) * 2020-08-19 2021-12-28 国电南瑞科技股份有限公司 一种电动汽车共享充电需求分析方法及装置
US11385631B2 (en) * 2020-11-11 2022-07-12 Honda Research Institute Europe Gmbh Method and system for detecting faults in a charging infrastructure system for electric vehicles
CN112380630B (zh) * 2020-11-27 2022-06-14 重庆长安新能源汽车科技有限公司 基于车联网数据的新能源汽车电池热失控风险的预测方法
GB2602670A (en) * 2021-01-12 2022-07-13 Codesmith Tech Limited Battery monitoring
CN113538037B (zh) * 2021-06-16 2023-11-24 北京市腾河智慧能源科技有限公司 监测电瓶车充电事件的方法及系统、设备、存储介质
US20240149736A1 (en) * 2022-11-03 2024-05-09 Landis+Gyr Innovations, Inc. Premises electric vehicle charge detection
WO2024118554A1 (en) * 2022-11-29 2024-06-06 Utilidata, Inc. Real-time electric vehicle charging detection

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090112781A1 (en) * 2007-10-31 2009-04-30 Microsoft Corporation Predicting and using search engine switching behavior
EP2573520A2 (en) * 2011-09-22 2013-03-27 Hitachi Automotive Systems, Ltd. System for providing information on power consumption amount of electric vehicle
KR20130049932A (ko) * 2011-11-07 2013-05-15 제주대학교 산학협력단 전기 자동차의 충전 태스크 스케쥴링 방법 및 그 방법을 이용한 장치
US20160055419A1 (en) * 2014-08-22 2016-02-25 Opower, Inc. Identifying electric vehicle owners
CN105930955A (zh) * 2016-04-07 2016-09-07 浙江万马新能源有限公司 基于深度学习的充电网络运行态势分析方法及装置
CN106427655A (zh) * 2016-11-30 2017-02-22 郑州天迈科技股份有限公司 公交新能源纯电车预约补电与公交智能调度结合的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9156368B2 (en) 2011-11-11 2015-10-13 San Diego Gas & Electric Company Method for detection of plug-in electric vehicle charging via interrogation of smart meter data
US9401610B2 (en) 2013-09-19 2016-07-26 Honda Motor Co., Ltd. System and method for electric vehicle battery charging
WO2018152356A1 (en) 2017-02-15 2018-08-23 Bidgely Inc. Systems and methods for detecting occurrence of an event in a household environment
US11244224B2 (en) 2018-03-20 2022-02-08 International Business Machines Corporation Comparing time series data using context-based similarity

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090112781A1 (en) * 2007-10-31 2009-04-30 Microsoft Corporation Predicting and using search engine switching behavior
EP2573520A2 (en) * 2011-09-22 2013-03-27 Hitachi Automotive Systems, Ltd. System for providing information on power consumption amount of electric vehicle
KR20130049932A (ko) * 2011-11-07 2013-05-15 제주대학교 산학협력단 전기 자동차의 충전 태스크 스케쥴링 방법 및 그 방법을 이용한 장치
US20160055419A1 (en) * 2014-08-22 2016-02-25 Opower, Inc. Identifying electric vehicle owners
CN105930955A (zh) * 2016-04-07 2016-09-07 浙江万马新能源有限公司 基于深度学习的充电网络运行态势分析方法及装置
CN106427655A (zh) * 2016-11-30 2017-02-22 郑州天迈科技股份有限公司 公交新能源纯电车预约补电与公交智能调度结合的方法

Also Published As

Publication number Publication date
US11667210B2 (en) 2023-06-06
WO2020086353A1 (en) 2020-04-30
US20220289064A1 (en) 2022-09-15
EP3870475A1 (en) 2021-09-01
US20200122598A1 (en) 2020-04-23
CN112739572B (zh) 2024-06-14
US11383612B2 (en) 2022-07-12
JP2022504494A (ja) 2022-01-13
JP7375005B2 (ja) 2023-11-07
JP2024010103A (ja) 2024-01-23

Similar Documents

Publication Publication Date Title
CN112739572B (zh) 检测在处所处充电的电动车辆
Li et al. Electricity theft detection in power grids with deep learning and random forests
Haben et al. Analysis and clustering of residential customers energy behavioral demand using smart meter data
Westermann et al. Unsupervised learning of energy signatures to identify the heating system and building type using smart meter data
Susto et al. Time-series classification methods: Review and applications to power systems data
Zhang et al. Time series anomaly detection for smart grids: A survey
CN105071983B (zh) 一种面向云计算在线业务的异常负载检测方法
CA2760862C (en) System and method for power utility usage, monitoring and management
Zhang et al. Power transformer fault diagnosis considering data imbalance and data set fusion
Quek et al. Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network
He et al. Feature extraction of analogue circuit fault signals via cross‐wavelet transform and variational Bayesian matrix factorisation
WO2020041477A1 (en) Cryptocurrency mining selection system and method
CN106022640B (zh) 电量指数核对系统及方法
Yoon et al. Deep learning-based method for the robust and efficient fault diagnosis in the electric power system
CN113094448B (zh) 住宅空置状态的分析方法及分析装置、电子设备
Petralia et al. Appliance Detection Using Very Low-Frequency Smart Meter Time Series
Amiri et al. Illegal miner detection based on pattern mining: A practical approach
Wang et al. Evsense: A robust and scalable approach to non-intrusive ev charging detection
Kojury-Naftchali et al. AMI data analytics; an investigation of the self-organizing maps capabilities in customers characterization and big data management
CN114580761B (zh) 蒸汽量异常确定方法、装置、电子设备和可读存储介质
Ji et al. Online refinement of day‐ahead forecasting using intraday data for campus‐level load
CN113762373A (zh) 一种负荷特性的异常识别方法、装置、电子设备及介质
Cheng et al. PowerNet: Neural power demand forecasting in smart grid
Reddy et al. Plug load identification using regression based nearest neighbor classifier
Yao et al. A practical building energy consumption anomaly detection method based on parameter adaptive setting DBSCAN

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