CN112776650B - 一种多元融合感知智能充电系统及方法 - Google Patents
一种多元融合感知智能充电系统及方法 Download PDFInfo
- Publication number
- CN112776650B CN112776650B CN202011580473.5A CN202011580473A CN112776650B CN 112776650 B CN112776650 B CN 112776650B CN 202011580473 A CN202011580473 A CN 202011580473A CN 112776650 B CN112776650 B CN 112776650B
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- sensing
- perception
- vehicle
- 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.)
- Active
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
-
- 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
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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
-
- 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
- B60L53/67—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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
- B60L58/22—Balancing the charge of battery modules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/70—Interactions with external data bases, e.g. traffic centres
- B60L2240/72—Charging station selection relying on external data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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
本公开提供了一种多元融合感知智能充电系统及方法,属于电动汽车充电设备技术领域,包括至少两台充电设备,每台充电设备设有边缘感知单元,各个边缘感知单元进行数据共享形成局域关联感知网络服务体;感知网络服务体内各个边缘感知单元对获取的感知数据进行本地处理和边缘计算,处理后的感知数据实时上传到云处理系统;本公开以边缘感知单元为核心,形成具有快速响应能力的综合化服务共享终端;各边缘感知单元之间建立本地局域充电共享圈,能够结合微环境感知实现充电设备的智能化运维及动态参数平衡,并且可以结合感知网络辅助完成具体的充电业务流程。
Description
技术领域
本公开涉及电动汽车充电设备技术领域,特别涉及一种多元融合感知智能充电系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
伴随着新能源电动汽车的普及,电动汽车充电设备也进入了高速发展阶段,充电应用场景也越来越复杂,面对复杂多变的充电设备运行环境,如何提高充电设备智能化感知能力及环境兼容性成为人工智能大背景下的研究主题。当前智能化充电桩多数依附于固定的逻辑判断及特定场景的设定条件运行,无法真正完成环境的智能感知与融合,迫使用户不断的适应充电桩的硬性逻辑要求与环境不兼容性,极大的降低了人工智能背景下用户对充电设备的信赖及满意程度。
有研究人员提供了一种将感知信息发送至智能感知互动云计算平台,利用云平台进行智能感知服务,忽略了智能化终端本身的处理能力及快速响应的优点,极大的弱化了充电设备本体对在离线或其他特殊环境下的适应和感知能力;此外该方法侧重于系统的布局,对于具体方法及感知应用未深度提及。
本公开发明人发现,现有的电动汽车充电方案中普遍存在如下问题:(1)终端设备仅作为数据收集器,丧失终端边缘计算能力,造成了大量的网络流量浪费和处理延迟;(2)离线或其他特殊应用场景无法在终端形成感知共享网络,应用场景范围缩小;(3)信息无法在终端实现融合处理,不具备与实际业务或逻辑结合的处理能力;(4)无终端综合服务能力,在一定程度上限制了了充电桩业务的扩展。
发明内容
为了解决现有技术的不足,本公开提供了一种多元融合感知智能充电系统及方法,以边缘感知单元为核心,形成具有快速响应能力的综合化服务共享终端;各边缘感知单元之间建立本地局域充电共享圈,能够结合微环境感知实现充电设备的智能化运维及动态参数平衡,并且可以结合感知网络辅助完成具体的充电业务流程。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种多元融合感知智能充电系统。
一种多元融合感知智能充电系统,包括至少两台充电设备,每台充电设备设有边缘感知单元,各个边缘感知单元进行数据共享形成局域关联感知网络服务体;
感知网络服务体内各个边缘感知单元对获取的感知数据进行本地处理和边缘计算,处理后的感知数据实时上传到云处理系统。
作为可能的一些实现方式,所述边缘感知单元通过充电总控单元获取充电数据、充电设备本地故障信息及业务交互数据。
作为可能的一些实现方式,所述边缘感知单元通过各个传感器获取环境数据、视觉数据和听觉数据。
作为可能的一些实现方式,所述边缘感知单元至少包括全景感知数据集成层、数据处理层和数据应用层;
全景感知数据集成层,被配置为:原始数据的来源,包括全景感知硬件层、全景感知协议采集层和全景感知数据清洗层,自动化获取及筛选数据;
数据处理层,被配置为:对有效原始数据进行存储和感知数据的共享融合,然后进行数据序列化及融合处理。
作为进一步的限定,所述数据处理层包括感知数据融合存储层、数据序列化层和神经网络计算层;
感知数据融合存储层,被配置为:感知数据单特征数据融合形成同一时刻下的单条原始数据集并分块存储;
数据序列化层,被配置为:一次性从数据集读取一定时刻范围内的数据集,并序列化为一定结构和值域的样本数据;
神经网络计算层,被配置为:执行边缘计算及云计算,形成结果并记录。
本公开第二方面提供了一种多元融合感知智能充电系统的故障检测方法,包括以下步骤:
获取边缘感知单元得到的感知数据;
对获取到的数据进行关联,并对关联后的数据进行特征提取,采用长短期记忆神经网络得到未来某一时刻的故障预测结果;
根据故障预测结果、充电桩状态信号量及设备磨损数据,得到不同充电状态下的时基向量,时基向量与参数矩阵的运算结果输入多层感知机的激活函数中,得到各个故障在未来某一时刻产生的概率。
作为可能的一些实现方式,采用Apriori算法对获取到的数据进行关联,具体为:
获取与各个充电故障类型相关联的感知数据集合;
给定初始信号最小支持阀值,根据故障等级进行不同故障的梯度下降权重均衡,按照故障的权重等级生成不同的最小支持度阀值;
扫描数据集合,形成包含信号出现频次的候选集并计算支持度,找出所有支持度大于或等于带权重的最小支持阈值的数据集,组成充电设备第一频繁信号数据集;
对第一频繁信号数据集中的信号进行再组合,组成包含多个信号的第二频繁信号数据集,计算信号支持度,找出大于带权重的最小支持阈值的第三频繁信号数据集,循环直至频繁信号数据集为空,返回频繁信号数据集为空前的数据集为最终频繁信号数据集;
找到包含最大信号项数量的频繁信号数据集,依次循环查找每个故障类型对应的数据集找到满足动态最小支持度的最大并集;
根据最大并集得到数据点阵,数据点阵排列上将与故障类型关联紧密的特征按照关联程度紧密排列。
作为可能的一些实现方式,采用卷积神经网络进行特征提取,将特征提取得到的特征向量按时基输入到长短期记忆神经网络中,通过遗忘门、输入门和输出门,提取信号特征在时间序列上的依赖关系;
进行多个时间序列的预测,经卷积逆变换得到原始预测结果,原始预测结果与当前充电状态和充电设备磨损数据合并后输入全连接层进行最终故障概率的预测。
本公开第三方面提供了一种多元融合感知智能充电系统的自均衡充电方法,通过获取的感知网络数据得到感知网络服务体内单个充电设备的功率最大输出与合理需求的均衡预设值;
根据实时采集的感知网络数据不断调整预设值,实现单位时刻内的感知自均衡充电。
作为可能的一些实现方式,根据实时采集的感知网络数据不断调整预设值,具体为:
获取边缘感知单元得到的感知数据;
对获取到的数据进行关联,并对关联后的数据进行特征提取;
预设自均衡功率段数量,随机选取一组样本特征数据作为第一个聚类簇中心点;
依次计算每个特征样本数据与当前聚类中心的最短距离,计算每个样本被选为下一个聚类中心的概率,选取概率最大的功率段数量个数的样本作为整个样本特征数据的聚类中心;
计算任一样本和各个聚类中心的欧式距离,将其分配到距离最近的聚类簇;
每一个聚类簇,计算簇中所有点各个维度的均值作为新的聚类中心;
当准则函数达到最优或者达到最大迭代次数时终止;
反复进行数据提取验证,分析数据的聚类效果,依次得到最好聚类效果下的特征矩阵数据;
将得到的特征矩阵数据输入二维卷积矩阵进行特征数据拉伸,形成特征向量;
特征向量作为神经网络的输入,得到当前状态下设备的输出功率占可分配余量的比例。
作为可能的一些实现方式,根据实时采集的充电设备实际应用功率与可分配余量关系,进行神经网络的闭环学习。
本公开第四方面提供了一种多元融合感知智能充电系统的智能充电识别方法,包括以下步骤:
获取车辆面容信息,对识别区域的车辆图像信息进行捕获识别,生成第一鉴权码,并将第一鉴权码传输至充电桩,进行驶入鉴权,驶入鉴权成功则允许车辆驶入;
充电枪被插入车辆后启动充电,启动充电过程中对车辆图像信息进行第二次获取,根据车辆图像信息识别获取车辆的身份信息,结合获取到的车辆识别码生成第二鉴权码,进行充电启动鉴权验证,验证通过后继续完成启动充电,并将启动充电通知客户端,鉴权失败则停止充电。
作为可能的一些实现方式,当没有获取到车辆识别码时,继续完成启动充电的同时向客户端发送提示信息。
本公开第五方面提供了一种鉴权码生成方法,包括以下步骤:
利用卷积算法对车型、车牌颜色、车标、车身颜色、排气网和车灯特征识别,提取车辆属性信息;
属性信息按照转码表进行译码,形成第一译码;
利用SVM(支持向量机)算法提取获取车牌号信息,形成第二译码;
第一译码、第二译码结合时标利用加密算法形成鉴权码。
与现有技术相比,本公开的有益效果是:
1、本公开所述的系统及方法,以边缘感知单元为核心,形成了具有快速响应能力的综合化服务共享终端;各边缘感知单元之间建立了本地局域充电共享圈,能够结合微环境感知实现充电设备的智能化运维及动态参数平衡,并且可以结合感知网络辅助完成具体的充电业务流程。
2、本公开所述的系统及方法,提出了一种应用于电动汽车充电设备的智能感知系统分层架构模型,实现了全景智能感知信息的终端数据共享融合与分布式边缘融合计算,提高了充电设备的智能化程度和数据融合应用价值。
3、本公开所述的系统及方法,设计了一种全景感知环境信息与充电输出相结合的自均衡充电策略,实现了全景感知数据在分布式系统边缘侧自主均衡充电的技术,提高了充电系统边缘侧的自主决策能力,降低了对云计算的强依赖性。
4、本公开所述的系统及方法,设计了一种全景感知信息与故障告警预测相结合的方法,实现了充电设备终端侧即时主动防护,增强了充电设备的终端侧的安全可靠性与友好性。
5、本公开所述的系统及方法,设计了一种分布式自学习生态圈,实现了闭环生态圈内数据的自收集及不断学习的策略。
6、本公开所述的系统及方法,设计了一种车辆ID提取方式,并结合详细业务提出了一种兼具高兼容性和高安全性的即插即方法。
7、本公开所述的系统及方法,设计了一套基于边缘计算单元及多传感器的综合化服务体,丰富了充电设备的衍生功能及服务友好性,提高了充电设备的综合服务能力与智能操控能力。
8、本公开所述的系统及方法,在一个充电系统内完整实现智能感知融合的系统架构,且在一个充电系统内平衡了边缘计算与云计算的职责;形成了闭环自学习机制,充分实现了充电业务与智能感知的业务功能及娱乐综合功能结合;融合多种感知信息,形成了局域共享化智能感知网络,丰富了数据,提高预测准确性;提高了充电设备的智能主动性,减少充电设备的无目的运维成本。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的多元融合感知智能充电系统的示意图。
图2为本公开实施例1提供的边缘感知单元分层架构示意图。
图3为本公开实施例2提供的多元融合感知序列故障分析方法的流程示意图。
图4为本公开实施例3提供的感知网络数据推演闭环学习过程示意图。
图5为本公开实施例4提供的微环境车辆ID提取识别流程示意图。
图6为本公开实施例5提供的即插即充时序图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
本公开实施例1提供了一种感知融合充电系统,主要包括多台充电设备、云计算分析系统、充电总控单元、边缘感知单元、视频摄像头、语音交互模块、触控大屏以及温度、湿度、噪音、亮度、污染、气压、PM2.5、水浸、雷达等各种终端采集传感器,其中每台充电设备均设有一台边缘感知单元,当然也可以设置多台边缘感知单元以实现各个功能的分立实现。
如图1所示,边缘感知单元与云计算分析系统建立通信,通过充电总控单元获取充电数据、充电设备本地故障信息及其他业务交互数据,通过各类传感器获取微环境、视觉和听觉等感知终端采集数据;
各种感知信息与故障信息、充电数据及业务交互数据汇聚成单终端感知网络,通过边缘感知单元再次形成局域关联的智能感知网络服务体,局域感知网络服务体最终将分析筛选数据分别融汇至云计算分析系统进行深度分析。
如图2所示,在一个充电系统内建立以边缘感知单元为核心的系统分层架构模型,如总体分为全景感知数据集成层、数据处理层和数据应用层,全景感知数据集成层作为原始数据的来源,包括全景感知硬件层、全景感知协议采集层和全景感知数据清洗层,自动化获取及筛选数据;
进入数据处理层后首先对有效原始数据进行存储和感知数据的共享融合,然后进行数据序列化及融合处理,转化后的数据可全部输入到云计算中,其中一部分用于终端边缘计算;经过数据处理层后的数据参与到具体的业务应用中。
本实施例中,充电设备通过内部传感器获取微环境信息、视觉信息和听觉信息等(例如桩体温度、湿度、车位状态、充电车辆外观信息、近终端噪音等),感知网络服务体共享传感器获取周边环境信息(例如环境问题、湿度、PM2.5、整体环境噪音等),通过主控单元获取充电数据(例如充电电压、充电电流等)、车辆数据(VIN码、SOC、电池信息等)、桩体数据(开关次数、绝缘状态、模块运行数据等),各项数据在近数据源侧汇聚成智能感知网络。
本实施例中,各充电设备配置有智能语音模块及触控大屏,在充电期间用户可语音与充电设备进行交互,例如聊天、听歌等,还可通过语音控制选择感兴趣的商品信息及其他娱乐游戏,例如可以选择与边缘感知终端进行围棋博弈,可以了解当前商城各种商品信息,从整体上使充电桩具有完备的边缘智能综合感知服务能力。
实施例2:
如图3所示,本公开实施例2提供了一种多元融合感知序列故障分析方法,通过对充电系统研究及测试发现,充电系统内部开关信号及模拟信号在运动过程中基于序列具有不同的特征,在充电系统故障发生时信号所产生的时间序列会发生改变,这些改变可以作为充电设备故障预测的数据特征。
以Δt为单位时基,间隔Δt读取一次特征数据作为同一时刻数据记录,信号量取Δt内的变化值,模拟信号量取Δt内的均值;ΔT1作为输入时间片,将ΔT1时间片内的点阵数据作为一组特征数据,特征点阵的时刻数量进行下一个时间片ΔT2(ΔT2远小于ΔT1)内可能产生的特征时间序列,预测结果时刻数量为的点阵,通过预测的时间序列(ΔT2+ΔT1)获取产生故障的可能性。
为提高预测准确性,按照充电系统的以时间为横轴的运动过程形成完整基于开关信号及模拟信号的时基序列图,并分为充电待机时基序列图、充电启动时基序列图、充电需求震动时基序列图,充电稳流时基序列图、充电稳压时基序列图停机时基序列图,每种时基序列图关联不同的信号,进行分类预测,提高预测准确度,降低某些时段内数据计算量。
多元融合感知序列故障分析方法分为四部分,具体如下:
S2.1:基于Apriori算法性质的融合信号量及模拟量数据强关联挖掘,使数据呈现空间局部特性;
S2.2:基于CNN的融合对空间特征提取,提高学习准确度;
S2.3:基于LSTM的时间融合预测;
S2.4:融合设备磨损数据基于多层感知机的故障预测。
基于Apriori算法性质的充电桩融合数据强关联挖掘,意在获取强关联特征数据,减少非必要特征数据,降低特征数据空间复杂度,提高局部特征性及预测准确度:
S2.1.1将与充电故障类型AMi相关联的开关信号及模拟信号组成数据集记为Ii,i={1,2,3,……n},Ii数据集合表现形式如下:
AMi | x1、x2、x3… |
AMi | x2、x3、x5、x6… |
AMi | x1、x5、x6… |
AMi | x3、x5、x6… |
… | … |
S2.1.2给定初始信号最小支持阀值Smin,根据故障等级进行不同故障梯度下降权重均衡,即故障等级越高,所对应的Smin阀值越小,Smink=Wk*Smin,以此提升高故障等级信号量的筛选范围;
S2.1.3扫描数据集合Xi,形成包含信号出现频次的候选集C1,利用公式:
其中,num(xi)xi为Xi中的元素,是具体的一个信号量,num(xi)代表在Xi中出现的次数,num(Xi)代表集合总的数量。
计算支持度,找出所有S(xi)≥Smink的数据集,组成充电设备频繁信号数据集Si;
S2.1.4循环:对Si中的信号进行再组合,组成包含i个信号的信号数据集Ci,计算信号支持度,找出大于Smink的信号数据集;
S2.1.5找到包含最大信号项数量的频繁信号数据集S;
S2.1.6循环:依次循环查找每个AMi,找到满足动态最小支持度的最大并集D;
M=num(D),M作为矩阵行,组成M*N1的数据点阵,数据点阵排列上将AMi关联紧密的特征按照关联程度紧密排列。例如排列上将湿度与天气情况、地理位置等排列在一起,进一步提升特征的局部特性,便于下一步提取。
对筛选的特征数据项进行编码,以集合D为数据维度的时间序列如下图所示:
t<sub>1</sub> | t<sub>2</sub> | … | t<sub>N1-1</sub> | t<sub>N1</sub> | |
m<sub>1</sub> | x<sub>11</sub> | x<sub>12</sub> | … | … | … |
m<sub>2</sub> | x<sub>21</sub> | x<sub>22</sub> | … | … | … |
… | … | … | … | … | … |
m<sub>M</sub> | … | … | … | … | … |
因特征数据异常具有局部特性,增加CNN(卷积神经网络)进行卷积特征提取,然后输入到LSTM进行序列预测:
S2.2.1通过卷积核对信号量进行特征聚合提取,横向缩短,纵向拉伸,第h层的卷积层输出表示为:第h层的输出由上一层的输出向量计算得出,b为第h层的误差偏置,w为卷积核对应权重,k为卷积核对应索引,f为卷积激活函数,对应采用ReLU:f(z)=max(0,z);
S2.2.2信号量卷积完成后数据传入池化层,使用最大池化最大程度保留畸变特征;
S2.2.3最终完成特征向量序列,标示如下:
t<sub>1</sub> | t<sub>2</sub> | … | t<sub>N1-1</sub> | t<sub>N1</sub> |
u<sub>11</sub> | u<sub>12</sub> | … | … | … |
u<sub>21</sub> | u<sub>22</sub> | … | … | … |
… | … | … | … | … |
u<sub>M′1</sub> | … | … | … | … |
将特征向量按时基输入到LSTM中,通过遗忘门、输入门和输出门,提取信号特征在时间序列上的依赖关系,进行N2个时间序列的预测,并将预测进行卷积逆变换,形成原始预测结果与当前充电状态合并输入全连接层进行最终结果预测:
输入门it(it=f(Wiut+Viht-1+bi))决定当前时刻输入信息对存储单元Ct(Ct=ftCt-1+ittanh(Wcut+Vcht-1+bc))中的信息改变量,遗忘门ft(ft=f(Wfut+Vfht-1+bf))决定上一时刻的历史信息对当前存储单元信息的影响程度,输出门Ot(Ot=f(WOut+VOht-1+bO))用来控制当前存储单元中信息的输出。
其中,f为sigmoid函数,b为各个门限的偏置值,W、V为分支权重,ht=Ottanh(Ct)。
经过N1次LSTM处理,输出N2个预测结果,将tN时刻预测结果与当前时刻充电桩状态信号量及设备磨损数据组成新的向量,形成不同充电状态下的时基向量,与参数矩阵运算后结果输入多层感知机的softmax激活函数,最终计算结果为各个故障在将来tN时刻产生的概率:
p<sub>1</sub> | p<sub>2</sub> | … | … | … | p<sub>AM</sub> |
依托于多元融合感知序列故障分析方法进行故障告警主动防护,以感知环境数据为基础,结合充电数据及硬件磨损数据,在用户插枪之前进行充电设备自检查,若推演结果显示该设备无法提供充电服务则自动进行停服处理并及时推送并预测维修数据,若在已知安全状态下可以进行故障规避,则在用户插枪后根据感知网络数据推演出可适应性修复的应急充电策略,同时及时上报潜在风险至云计算平台,云计算平台经过进一步精确分析向边缘感知终端推送最终处理结果,边缘感知终端尝试执行测试后并进行结果反馈。
执行结果举例,例如故障告警预测与规避,在当前微环境湿度超过80%(举例仅以单一因素,实际分析为多种因素共同影响)通过预测分析充电模块可能会有凝露产生,此时将通知充电设备进行服务中止,并执行控制加热器及风扇进行故障规避性修复。人机友好性,通过温度传感器、天气联网结果、视频传感器预测光线强烈照射下可以提高屏幕亮度,小范围调整屏幕角度;根据时刻、该地区历史充电习惯、及听觉信息预测夜深人静时将充电桩功耗降至最小,避免噪音污染。
实施例3:
本公开实施例3提供了一种多元融合感知自均衡充电方法,通过对感知网络数据的有效分析推演出感知网络服务体内单个充电设备的功率最大输出与合理需求的均衡预设值,并伴随感知网络数据的采集不断调整预设值,以达到单位时刻内均衡感知自均衡充电,方法步骤如下:
S3.1将自均衡功率段数量设定为m(聚类簇数量),随机选取一组样本特征数据作为第一个聚类簇中心点;
S3.3计算样本X和各个聚类中心的距离,采用欧式距离公式,分配到距离最近的聚类簇;
S3.4每一个聚类簇,计算簇中所有点各个维度的均值作为新的聚类中心;
S3.6可视化分析,反复进行数据提取验证,分析数据的聚类效果,依次得到最好聚类效果下的特征数据(故障率、输出功率、时刻(天)、日期、天气、车位(占用率)、气温、空气质量、位置、剩余功率):
S3.7矩阵数据输入二维卷积矩阵进行特征数据拉伸,形成特征向量。
S3.8特征向量作为MLP输入,激活函数采用ReLU:f(z)=max(0,z),进行多元融合感知自均衡训练,输出结果为当前设备状态下输出功率占比;
S3.9将训练好的模型放到边缘计算单元进行验证应用;
S3.10不断采集预测点实际应用功率与可分配余量关系,自动标注,闭环自学习训练。
多元融合网络数据推演闭环学习过程如图3所示,数据采集后进行有序化处理,一部分输入到本地共享圈进行计算结果输出,一部分上送至云计算中心,云计算中心通过更大量的数据模型计算推演,并且利用实际发生值采集进行结果的正确性验证,来显示自动标注学习,若结果存在较大差异,则将对此类分析进行针对性重新训练,并将训练后的模型更新至边缘计算单元,如果故障预测,可以等待下一时刻故障的发生及信号的实际变化来进行标注和修正,基本不需要人工参与。
实施例4:
如图4所示,本公开实施例4提供了一种微环境车辆鉴权码生成方法,机动车图像识别程序针对识别对象的来源不同,采用基于图像处理模式识别方式。
基于图像处理模式识别方式指通过摄像头或数码相机等图像采集设备获得车辆的数字图像(包括红外、透视等特殊图像),通过对车辆图像的分析,获取车辆特征,从而通过模式识别算法对车辆进行分类。优点在于可以充分挖掘车辆图像中的信息,以求对车辆进行尽可能准确的分类,在仔细设计图像拍摄角度和范围的情况下,可以对车辆进行尽可能细的分类,具体包括以下步骤:
S4.1利用卷积算法对车型、车牌颜色、车标、车身颜色、排气网和车灯等特征识别,提取车辆属性信息;
S4.2属性信息按照转码表进行译码,形成pID,例如轿车对应译码001;
S4.3利用SVM算法提取获取车牌号信息,形成nID;pID、nID结合时标利用MD5形成128bit充电鉴权码。
实施例5:
如图5所示,本公开实施例5提供了一种智能充电识别方法,实现即插即充,即插即充基本方案依托于车辆面容信息,用户进入识别区域后,识别装置会对车辆信息进行智能捕获识别,并将车辆信息传输至充电桩,进行驶入鉴权;
用户在插枪后即可启动充电,启动时用户可在APP用户进行启动确认(APP可配置省略比步骤),启动充电过程中摄像头会对车辆信息进行二次抓拍,抓拍图像经过本地识别获取车辆的身份信息,加上获取到的车辆VIN信息(若车辆未发送VIN,仍可启动充电,但会特殊提醒用户风险),到平台进行启动验证;
验证通过后继续完成启动充电,并将启动充电通知车辆绑定APP账户,鉴权失败则停止充电;用户可在APP或充电桩界面输入停机码完成主动停机,充电结束时实际发生的充电消费生成订单。
用户完成手工支付操作或授权系统自动扣费结算,系统或APP显示消费及结算结果。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (13)
1.一种多元融合感知智能充电系统的故障检测方法,其特征在于,包括以下步骤:
获取边缘感知单元得到的感知数据;
对获取到的数据进行关联,并对关联后的数据进行特征提取,采用长短期记忆神经网络得到未来某一时刻的故障预测结果;
根据故障预测结果、充电桩状态信号量及设备磨损数据,得到不同充电状态下的时基向量,时基向量与参数矩阵的运算结果输入多层感知机的激活函数中,得到各个故障在未来某一时刻产生的概率;
其中,采用Apriori算法对获取到的数据进行关联,具体为:
获取与各个充电故障类型相关联的感知数据集合;
给定初始信号最小支持阀值,根据故障等级进行不同故障的梯度下降权重均衡,按照故障的权重等级生成不同的最小支持度阀值;
扫描数据集合,形成包含信号出现频次的候选集并计算支持度,找出所有支持度大于或等于带权重的最小支持阈值的数据集,组成充电设备第一频繁信号数据集;
对第一频繁信号数据集中的信号进行再组合,组成包含多个信号的第二频繁信号数据集,计算信号支持度,找出大于带权重的最小支持阈值的第三频繁信号数据集;
找到包含最大信号项数量的频繁信号数据集,依次循环查找每个故障类型对应的数据集找到满足动态最小支持度的最大并集;
根据最大并集得到数据点阵,数据点阵排列上将与故障类型关联紧密的特征按照关联程度紧密排列。
2.如权利要求1所述的多元融合感知智能充电系统的故障检测方法,其特征在于,采用卷积神经网络进行特征提取,将特征提取得到的特征向量按时基输入到长短期记忆神经网络中,通过遗忘门、输入门和输出门,提取信号特征在时间序列上的依赖关系;
进行多个时间序列的预测,经卷积逆变换得到原始预测结果,原始预测结果与当前充电状态和充电设备磨损数据合并后输入全连接层进行最终故障概率的预测。
3.一种多元融合感知智能充电系统,其特征在于,应用权利要求1-2任一项所述的多元融合感知智能充电系统的故障检测方法,包括至少两台充电设备,每台充电设备设有边缘感知单元,各个边缘感知单元进行数据共享形成局域关联感知网络服务体;
感知网络服务体内各个边缘感知单元对获取的感知数据进行本地处理和边缘计算,处理后的感知数据实时上传到云处理系统。
4.如权利要求3所述的多元融合感知智能充电系统,其特征在于,所述边缘感知单元通过充电总控单元获取充电数据、充电设备本地故障信息及业务交互数据。
5.如权利要求3所述的多元融合感知智能充电系统,其特征在于,所述边缘感知单元通过各个传感器获取环境数据、视觉数据和听觉数据。
6.如权利要求3所述的多元融合感知智能充电系统,其特征在于,所述边缘感知单元至少包括全景感知数据集成层、数据处理层和数据应用层;
全景感知数据集成层,被配置为:原始数据的来源,包括全景感知硬件层、全景感知协议采集层和全景感知数据清洗层,自动化获取及筛选数据;
数据处理层,被配置为:对有效原始数据进行存储和感知数据的共享融合,然后进行数据序列化及融合处理。
7.如权利要求6所述的多元融合感知智能充电系统,其特征在于,所述数据处理层包括感知数据融合存储层、数据序列化层和神经网络计算层;
感知数据融合存储层,被配置为:感知数据单特征数据融合形成同一时刻下的单条原始数据集并分块存储;
数据序列化层,被配置为:一次性从数据集读取一定时刻范围内的数据集,并序列化为一定结构的样本数据;
神经网络计算层,被配置为:执行边缘计算及云计算,形成结果并记录。
8.一种多元融合感知智能充电系统的自均衡充电方法,其特征在于,应用于权利要求3-7任一项所述的多元融合感知智能充电系统;
通过获取的感知网络数据得到感知网络服务体内单个充电设备的功率最大输出与合理需求的均衡预设值;
根据实时采集的感知网络数据不断调整预设值,实现单位时刻内的感知自均衡充电。
9.如权利要求8所述的多元融合感知智能充电系统的自均衡充电方法,其特征在于,根据实时采集的感知网络数据不断调整预设值,具体为:
获取边缘感知单元得到的感知数据;
对获取到的数据进行关联,并对关联后的数据进行特征提取;
预设自均衡功率段数量,随机选取一组样本特征数据作为第一个聚类簇中心点;
依次计算每个特征样本数据与当前聚类中心的最短距离,计算每个样本被选为下一个聚类中心的概率,选取概率最大的功率段数量个数的样本作为整个样本特征数据的聚类中心;
计算任一样本和各个聚类中心的欧式距离,将其分配到距离最近的聚类簇;
每一个聚类簇,计算簇中所有点各个维度的均值作为新的聚类中心;
当准则函数达到最优或者达到最大迭代次数时终止;
反复进行数据提取验证,分析数据的聚类效果,依次得到最好聚类效果下的特征矩阵数据;
将得到的特征矩阵数据输入二维卷积矩阵进行特征数据拉伸,形成特征向量;
特征向量作为神经网络的输入,得到当前状态下设备的输出功率占可分配余量的比例。
10.如权利要求8所述的多元融合感知智能充电系统的自均衡充电方法,其特征在于,根据实时采集的充电设备实际应用功率与可分配余量关系,进行神经网络的闭环学习。
11.一种多元融合感知智能充电系统的智能充电识别方法,其特征在于,应用于权利要求3-7任一项所述的多元融合感知智能充电系统,包括以下步骤:
获取车辆面容信息,对识别区域的车辆图像信息进行捕获识别,生成第一鉴权码,并将第一鉴权码传输至充电桩,进行驶入鉴权,驶入鉴权成功则允许车辆驶入;
充电枪被插入车辆后启动充电,启动充电过程中对车辆图像信息进行第二次获取,根据车辆图像信息识别获取车辆的身份信息,结合获取到的车辆识别码生成第二鉴权码,进行充电启动鉴权验证,验证通过后继续完成启动充电,并将启动充电通知客户端,鉴权失败则停止充电。
12.如权利要求11所述的多元融合感知智能充电系统的智能充电识别方法,其特征在于,当没有获取到车辆识别码时,继续完成启动充电的同时向客户端发送提示信息。
13.一种充电鉴权码生成方法,其特征在于,应用于权利要求3-7任一项所述的多元融合感知智能充电系统,包括以下步骤:
利用卷积算法对车型、车牌颜色、车标、车身颜色、排气网和车灯进行特征识别,提取车辆属性信息;
属性信息按照转码表进行译码,形成第一译码;
利用SVM算法提取获取车牌号信息,形成第二译码;
第一译码、第二译码结合时标利用加密算法形成鉴权码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580473.5A CN112776650B (zh) | 2020-12-28 | 2020-12-28 | 一种多元融合感知智能充电系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580473.5A CN112776650B (zh) | 2020-12-28 | 2020-12-28 | 一种多元融合感知智能充电系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112776650A CN112776650A (zh) | 2021-05-11 |
CN112776650B true CN112776650B (zh) | 2022-11-18 |
Family
ID=75752904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011580473.5A Active CN112776650B (zh) | 2020-12-28 | 2020-12-28 | 一种多元融合感知智能充电系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112776650B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518114A (zh) * | 2021-05-12 | 2021-10-19 | 江苏力行电力电子科技有限公司 | 一种基于多模态自组网的人工智能控制方法及系统 |
CN113301307B (zh) * | 2021-05-25 | 2022-07-12 | 苏州昆承智能车检测科技有限公司 | 基于雷达摄像头的视频流融合方法及系统 |
CN113657442A (zh) * | 2021-07-08 | 2021-11-16 | 广州杰赛科技股份有限公司 | 电动汽车充电设备的故障诊断方法、装置及存储介质 |
CN113468385B (zh) * | 2021-08-27 | 2023-09-19 | 国网浙江省电力有限公司 | 基于边缘处理端的能源梯度确定方法、装置及存储介质 |
CN114084024A (zh) * | 2021-12-27 | 2022-02-25 | 青岛科技大学 | 基于充电网的电动汽车大功率充电监控与多级预报警方法 |
CN115376075B (zh) * | 2022-10-25 | 2023-02-14 | 中节能绿建环保科技有限公司 | 智能楼宇的新风节能系统及其控制方法 |
CN116494816B (zh) * | 2023-06-30 | 2023-09-15 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106274534A (zh) * | 2016-08-31 | 2017-01-04 | 苏州迈力电器有限公司 | 智能电动车充电桩控制系统 |
CN108777074A (zh) * | 2018-05-23 | 2018-11-09 | 南京理工大学 | 一种基于图像处理技术的车位管理系统及其管理方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SI2500888T1 (sl) * | 2011-03-17 | 2013-08-30 | Kapsch Trafficcom Ag | Parkirišče z rezervacijskim sistemom |
CN102316151B (zh) * | 2011-05-30 | 2015-07-08 | 中国电力科学研究院 | 一种智能感知互动综合服务系统 |
DE102014223931A1 (de) * | 2014-11-25 | 2016-05-25 | Robert Bosch Gmbh | Lade-/Entladestation insbesondere für ein batteriebetriebenes Fahrzeug |
CN104766406A (zh) * | 2015-03-30 | 2015-07-08 | 戴国峰 | 一种智能化的电动车充电电站 |
CN211349555U (zh) * | 2019-07-25 | 2020-08-25 | 重庆捷旭科技有限公司 | 基于车形及车牌号组合式识别车辆信息引导管理系统 |
KR20190096303A (ko) * | 2019-07-29 | 2019-08-19 | 엘지전자 주식회사 | 전기차량 충전 시스템 및 그 작동방법 |
CN111369329B (zh) * | 2020-03-31 | 2021-08-31 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理系统、租赁及运维方法 |
CN111784026B (zh) * | 2020-05-28 | 2022-08-23 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
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 |
-
2020
- 2020-12-28 CN CN202011580473.5A patent/CN112776650B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106274534A (zh) * | 2016-08-31 | 2017-01-04 | 苏州迈力电器有限公司 | 智能电动车充电桩控制系统 |
CN108777074A (zh) * | 2018-05-23 | 2018-11-09 | 南京理工大学 | 一种基于图像处理技术的车位管理系统及其管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112776650A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112776650B (zh) | 一种多元融合感知智能充电系统及方法 | |
CN111985608B (zh) | 训练生成对抗网络的方法及生成图像的方法 | |
KR20190119548A (ko) | 이미지 노이즈 처리방법 및 처리장치 | |
CN110850861A (zh) | 基于注意的分层变道深度强化学习 | |
KR20210053052A (ko) | 컬러 복원방법 및 장치 | |
CN110232082B (zh) | 面向连续时空加油数据的异常检测方法 | |
Cai et al. | Environment-attention network for vehicle trajectory prediction | |
CN110738309B (zh) | Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统 | |
CN105590099B (zh) | 一种基于改进卷积神经网络的多人行为识别方法 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN113297972B (zh) | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 | |
CN114418298A (zh) | 基于非侵入式检测的充电负荷概率预测系统及方法 | |
Khosravi et al. | Crowd emotion prediction for human-vehicle interaction through modified transfer learning and fuzzy logic ranking | |
Pan et al. | Driver activity recognition using spatial‐temporal graph convolutional LSTM networks with attention mechanism | |
Xu | Forecasting electric vehicle arrival & departure time on UCSD campus using support vector machines | |
CN113702837A (zh) | 用于动力电池的自放电异常检测方法及设备 | |
CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
Ng et al. | Mobile outdoor parking space detection application | |
Ye et al. | Neural network‐based semantic segmentation model for robot perception of driverless vision | |
CN116486524A (zh) | 基于场景识别的交流充电电子锁控制方法 | |
CN116152750A (zh) | 一种基于监控图像的车辆特征识别方法 | |
Hou et al. | A vehicle alarm network for high-temperature fault diagnosis of electric vehicles | |
CN115496175A (zh) | 新建边缘节点接入评估方法、装置、终端设备及产品 | |
Liu et al. | MultiVTrain: collaborative Multi-View active learning for segmentation in connected vehicles | |
Sudo et al. | Predicting indoor crowd density using column-structured deep neural network |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province, 250101 Applicant after: Shandong luruan Digital Technology Co.,Ltd. smart energy branch Address before: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province, 250101 Applicant before: Shandong Luneng Software Technology Co.,Ltd. intelligent electrical branch |
|
GR01 | Patent grant | ||
GR01 | Patent grant |