CN114091979B - 基于人工智能的配电设备风险检测方法 - Google Patents

基于人工智能的配电设备风险检测方法 Download PDF

Info

Publication number
CN114091979B
CN114091979B CN202210018982.1A CN202210018982A CN114091979B CN 114091979 B CN114091979 B CN 114091979B CN 202210018982 A CN202210018982 A CN 202210018982A CN 114091979 B CN114091979 B CN 114091979B
Authority
CN
China
Prior art keywords
charging
similarity
charging piles
charging pile
piles
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
Application number
CN202210018982.1A
Other languages
English (en)
Other versions
CN114091979A (zh
Inventor
张长元
杜锋
马彦兵
石广保
王伟
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.)
Windsun Science and Technology Co Ltd
Original Assignee
Windsun Science and 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 Windsun Science and Technology Co Ltd filed Critical Windsun Science and Technology Co Ltd
Priority to CN202210018982.1A priority Critical patent/CN114091979B/zh
Publication of CN114091979A publication Critical patent/CN114091979A/zh
Application granted granted Critical
Publication of CN114091979B publication Critical patent/CN114091979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的配电设备风险检测方法，该方法包括：获取充电桩的历史运行数据，基于历史运行数据计算每个充电桩的健康度评分；根据充电桩的历史运行数据、历史运行时长和健康度评分计算充电区域内任意两个充电桩的匹配度；基于所述匹配度获取充电桩匹配对；基于实时的充电桩的运行数据和健康度评分计算所述充电桩匹配对中两充电桩的运行状态相似度；监测每个充电桩匹配对的所述运行状态相似度，进行配电设备风险的检测。本发明可对充电桩的状态进行准确的监测。

Description

基于人工智能的配电设备风险检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能的配电设备风险检测方法。
背景技术
随着新能源汽车行业的蓬勃发展，电动汽车数量迅速增多，而与电动汽车续航配套的充电桩却频频出现安全问题，电动汽车充电需要大功率电量输入，市场上充电桩缺少一套配电风险监控方案。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的配电设备风险检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于人工智能的配电设备风险检测方法，该方法包括以下具体步骤：
获取充电桩的历史运行数据，基于历史运行数据计算每个充电桩的健康度评分；
根据充电桩的历史运行数据、历史运行时长和健康度评分计算充电区域内任意两个充电桩的匹配度；
基于所述匹配度获取充电桩匹配对；基于实时的充电桩的运行数据和健康度评分计算所述充电桩匹配对中两充电桩的运行状态相似度；
监测每个充电桩匹配对的所述运行状态相似度，进行配电设备风险的检测。
进一步地：根据充电桩的历史运行数据、历史运行时长和健康度评分计算充电区域内任意两个充电桩的匹配度，具体为：
Figure DEST_PATH_IMAGE001
Figure 862915DEST_PATH_IMAGE002
表示
Figure 926817DEST_PATH_IMAGE003
和
Figure 174258DEST_PATH_IMAGE004
两个充电桩的匹配度，
Figure 776141DEST_PATH_IMAGE005
和
Figure 501652DEST_PATH_IMAGE006
分别为
Figure 747956DEST_PATH_IMAGE003
和
Figure 25354DEST_PATH_IMAGE004
两个充电桩的历史运行数据序列，
Figure 989899DEST_PATH_IMAGE007
表示
Figure 519100DEST_PATH_IMAGE005
和
Figure 10124DEST_PATH_IMAGE006
两个序列的相似度，
Figure 68210DEST_PATH_IMAGE008
和
Figure 379106DEST_PATH_IMAGE009
分别为
Figure 915261DEST_PATH_IMAGE003
和
Figure 260791DEST_PATH_IMAGE004
两个充电桩的历史运行时长，
Figure 489778DEST_PATH_IMAGE010
和
Figure 287970DEST_PATH_IMAGE011
分别为
Figure 893395DEST_PATH_IMAGE003
和
Figure 93432DEST_PATH_IMAGE004
两个充电桩的健康度评分。
进一步地：基于所述匹配度，利用KM算法，获取充电桩匹配对。
进一步地：基于实时的充电桩的运行数据和健康度评分计算所述充电桩匹配对中两充电桩的运行状态相似度，具体为：
Figure 493321DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
表示充电桩匹配对中
Figure 185333DEST_PATH_IMAGE014
和
Figure 719083DEST_PATH_IMAGE015
两个充电桩的运行状态相似度，
Figure 648992DEST_PATH_IMAGE016
和
Figure 344416DEST_PATH_IMAGE017
分别为
Figure 851621DEST_PATH_IMAGE014
和
Figure 798848DEST_PATH_IMAGE015
两个充电桩的实时健康度评分，
Figure 707898DEST_PATH_IMAGE018
和
Figure 715169DEST_PATH_IMAGE019
分别为
Figure 709669DEST_PATH_IMAGE014
和
Figure 460588DEST_PATH_IMAGE015
两个充电桩的实时运行数据序列，
Figure 224144DEST_PATH_IMAGE020
表示
Figure 402316DEST_PATH_IMAGE018
和
Figure 884113DEST_PATH_IMAGE019
两个序列的相似度。
进一步地：所述运行数据包括多个一级运行数据，每个一级运行数据包括多个二级运行数据，利用层次分析法获取一级运行数据的一级权重，利用熵权法获取二级运行数据的二级权重，结合一级权重和二级权重获取每个二级运行数据的综合权重，基于所有充电桩的二级运行数据和综合权重，利用Topsis算法，计算每个充电桩的健康度评分。
进一步地：监测每个充电桩匹配对的所述运行状态相似度，进行配电设备风险的检测，具体为：
对于每个充电桩匹配对，根据当前获取的运行状态相似度与历史运行状态相似度的差值，进行配电设备风险的检测。
进一步地：对于孤立的充电桩，基于运行数据和健康度评分，计算孤立充电桩与充电区域内其他充电桩的运行状态相似度；
根据当前获取的孤立充电桩对应的运行状态相似度与历史运行状态相似度的差值，进行配电设备风险的检测。
本发明实施例至少具有如下有益效果：本发明基于充电桩的历史运行数据、历史运行时长和健康度评分，对充电桩进行两两匹配，匹配完成后，基于充电桩匹配对进行充电桩的状态监测，当充电桩匹配对中两个充电桩的运行状态不相似时，说明其中一个充电桩出现故障；基于此方法可高效准确的对充电桩的状态进行监测，且相对于现有的基于实时运行数据对充电桩状态进行监测的方法，本发明大大减少了数据的计算量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的配电设备风险检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的配电设备风险检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的配电设备风险检测方法的步骤流程图，该方法包括以下步骤：
获取充电桩的历史运行数据，基于历史运行数据计算每个充电桩的健康度评分；
根据充电桩的历史运行数据、历史运行时长和健康度评分计算充电区域内任意两个充电桩的匹配度；
基于所述匹配度获取充电桩匹配对；基于实时的充电桩的运行数据和健康度评分计算所述充电桩匹配对中两充电桩的运行状态相似度；
监测每个充电桩匹配对的所述运行状态相似度，进行配电设备风险的检测。
下面对上述各个步骤进行详细展开：
步骤S1，获取充电桩的历史运行数据，基于历史运行数据计算每个充电桩的健康度评分。
具体地，所述运行数据包括多个一级运行数据，每个一级运行数据包括多个二级运行数据，利用层次分析法获取一级运行数据的一级权重，利用熵权法获取二级运行数据的二级权重，结合一级权重和二级权重获取每个二级运行数据的综合权重，基于所有充电桩的二级运行数据和综合权重，利用Topsis算法，计算每个充电桩的健康度评分。
具体地，根据运行数据获取充电桩健康度评分的方法是公知的，具体见申请号为201811416439.7的发明专利申请。
至此，可得到充电区域内每个充电桩的健康度评分。需要说明，需要对充电桩的健康度评分进行归一化处理，得到归一化后的健康度评分
Figure 173143DEST_PATH_IMAGE021
。
步骤S2，根据充电桩的历史运行数据、历史运行时长和健康度评分计算充电区域内任意两个充电桩的匹配度。
优选地，实施例中充电区域内任意两个充电桩的匹配度，具体为：
Figure 56785DEST_PATH_IMAGE001
Figure 405858DEST_PATH_IMAGE002
表示
Figure 374951DEST_PATH_IMAGE003
和
Figure 467672DEST_PATH_IMAGE004
两个充电桩的匹配度；
Figure 205821DEST_PATH_IMAGE005
和
Figure 725795DEST_PATH_IMAGE006
分别为
Figure 588709DEST_PATH_IMAGE003
和
Figure 344175DEST_PATH_IMAGE004
两个充电桩的历史运行数据序列，即二级运行数据序列，
Figure 77776DEST_PATH_IMAGE007
表示
Figure 627706DEST_PATH_IMAGE005
和
Figure 446758DEST_PATH_IMAGE006
两个序列的相似度，优选地，实施例中为余弦相似度；
Figure 5915DEST_PATH_IMAGE008
和
Figure 594022DEST_PATH_IMAGE009
分别为
Figure 580433DEST_PATH_IMAGE003
和
Figure 621201DEST_PATH_IMAGE004
两个充电桩的历史运行时长，
Figure 718470DEST_PATH_IMAGE010
和
Figure 426663DEST_PATH_IMAGE011
分别为
Figure 583975DEST_PATH_IMAGE003
和
Figure 100321DEST_PATH_IMAGE004
两个充电桩的健康度评分。
Figure 1281DEST_PATH_IMAGE003
和
Figure 563980DEST_PATH_IMAGE004
两个充电桩的历史运行数据序列越相似(越一致)，余弦相似度值越大，历史运行时长差值越小，健康度评分差值越小，
Figure 892193DEST_PATH_IMAGE002
值越大，
Figure 907554DEST_PATH_IMAGE003
和
Figure 346625DEST_PATH_IMAGE004
两个充电桩越相匹配即运行状况越一样。
优选地，实施例中获取历史一周内充电桩的运行数据、运行时长以及根据运行数据计算的健康度评分。
至此，可以得到充电区域内任意两个充电桩对应的匹配度。
基于所述匹配度，利用KM算法，获取互相参照的充电桩匹配对。互相参照的充电桩匹配对中的两个充电桩在运行时长相近的情况下，健康状况应该是相似的，当该匹配对产生了较大变动，意味着其中一个充电桩出现了异常。
步骤S3，基于所述匹配度获取充电桩匹配对；基于实时的充电桩的运行数据和健康度评分计算所述充电桩匹配对中两充电桩的运行状态相似度。
优选地，充电桩匹配对中两充电桩的运行状态相似度的计算具体为：
Figure 29411DEST_PATH_IMAGE012
Figure 403891DEST_PATH_IMAGE013
表示充电桩匹配对中
Figure 31182DEST_PATH_IMAGE014
和
Figure 149310DEST_PATH_IMAGE015
两个充电桩的运行状态相似度，
Figure 545657DEST_PATH_IMAGE016
和
Figure 91039DEST_PATH_IMAGE017
分别为
Figure 205625DEST_PATH_IMAGE014
和
Figure 127445DEST_PATH_IMAGE015
两个充电桩的实时健康度评分，
Figure 643877DEST_PATH_IMAGE018
和
Figure 625739DEST_PATH_IMAGE019
分别为
Figure 102988DEST_PATH_IMAGE014
和
Figure 687553DEST_PATH_IMAGE015
两个充电桩的实时运行数据序列，
Figure 465016DEST_PATH_IMAGE020
表示
Figure 617780DEST_PATH_IMAGE018
和
Figure 706959DEST_PATH_IMAGE019
两个序列的相似度。
Figure 705002DEST_PATH_IMAGE013
值越小，说明
Figure 930447DEST_PATH_IMAGE014
和
Figure 988533DEST_PATH_IMAGE015
两个充电桩的运行状态越相似，
Figure 565008DEST_PATH_IMAGE014
和
Figure 101162DEST_PATH_IMAGE015
两个充电桩越没有出现异常，即
Figure 446693DEST_PATH_IMAGE014
和
Figure 675680DEST_PATH_IMAGE015
两个充电桩运行状态越正常；
Figure 473872DEST_PATH_IMAGE013
值越大，说明
Figure 344876DEST_PATH_IMAGE014
和
Figure 544913DEST_PATH_IMAGE015
两个充电桩的运行状态越不相似，
Figure 679222DEST_PATH_IMAGE014
和
Figure 964710DEST_PATH_IMAGE015
两个充电桩中越存在一个充电桩可能出现故障。
对于孤立的充电桩，基于运行数据和健康度评分，计算孤立充电桩与充电区域内其他充电桩的运行状态相似度，具体地：
Figure 108247DEST_PATH_IMAGE022
Figure 162790DEST_PATH_IMAGE023
表示孤立的充电桩
Figure 999159DEST_PATH_IMAGE024
与充电区域内其他
Figure 771943DEST_PATH_IMAGE025
个充电桩的运行状态相似度；
Figure 453591DEST_PATH_IMAGE026
和
Figure 362642DEST_PATH_IMAGE027
分别为充电桩
Figure 228966DEST_PATH_IMAGE024
和充电区域内其他第
Figure 629992DEST_PATH_IMAGE028
个充电桩的实时健康度评分；
Figure 115331DEST_PATH_IMAGE029
和
Figure 144467DEST_PATH_IMAGE030
分别为充电桩
Figure 181693DEST_PATH_IMAGE024
和充电区域内其他第
Figure 804435DEST_PATH_IMAGE028
个充电桩的实时运行数据序列，
Figure 93465DEST_PATH_IMAGE031
表示
Figure 977108DEST_PATH_IMAGE029
和
Figure 326181DEST_PATH_IMAGE030
两个序列的相似度。
Figure 295274DEST_PATH_IMAGE023
值越小，孤立的充电桩
Figure 653574DEST_PATH_IMAGE024
与充电区域内其他
Figure 532668DEST_PATH_IMAGE025
个充电桩的运行状态越相似。
步骤S4，监测每个充电桩匹配对的所述运行状态相似度，进行配电设备风险的检测。
优选地，监测每个充电桩匹配对的所述运行状态相似度，进行配电设备风险的检测，具体为：对于每个充电桩匹配对，根据当前获取的运行状态相似度与历史运行状态相似度的差值，进行配电设备风险的检测。对于孤立的充电桩，根据当前获取的孤立充电桩对应的运行状态相似度与历史运行状态相似度的差值，进行配电设备风险的检测；具体地，计算当前获取的运行状态相似度与历史运行状态相似度的差值，根据所述差值和历史运行状态相似度的比值，进行配电设备风险的检测。
实施例中获取匹配对后，以周为单位计算匹配对的运行状态相似度和孤立充电桩的运行状态相似度，优选地，对于每个匹配对或每个孤立的充电桩，进行配电设备风险的检测为：
Figure 177276DEST_PATH_IMAGE032
Figure 509031DEST_PATH_IMAGE033
为异常指标，
Figure 264498DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
分别为当前第
Figure 263678DEST_PATH_IMAGE036
周和当前周前一周即第
Figure 954553DEST_PATH_IMAGE037
周某个匹配对或某个孤立的充电桩对应的运行状态相似度。当
Figure 898238DEST_PATH_IMAGE033
值大于预设阈值时，说明匹配对中某个充电桩出现异常情况，或孤立充电桩出现异常情况，需要对充电桩进行检修；优选地，实施例中预设阈值取值为0.2。其中，计算异常指标
Figure 332762DEST_PATH_IMAGE033
时，也可以天为单位计算匹配对的运行状态相似度和孤立充电桩的运行状态相似度，即以天为单位计算异常指标
Figure 311082DEST_PATH_IMAGE033
。
需要注意，为了更精确的对充电桩进行状态监测，实施例中需要定时计算充电区域内任意两个充电桩的匹配度，进而定时进行充电桩匹配对的获取。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于人工智能的配电设备风险检测方法，其特征在于，该方法包括：
获取充电桩的历史运行数据，基于历史运行数据计算每个充电桩的健康度评分；
根据充电桩的历史运行数据、历史运行时长和健康度评分计算充电区域内任意两个充电桩的匹配度：
Figure 956319DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
表示
Figure 313351DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
两个充电桩的匹配度，
Figure 881736DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别为
Figure 488166DEST_PATH_IMAGE004
和
Figure 839513DEST_PATH_IMAGE005
两个充电桩的历史运行数据序列，
Figure 985805DEST_PATH_IMAGE008
表示
Figure 787408DEST_PATH_IMAGE006
和
Figure 22080DEST_PATH_IMAGE007
两个序列的相似度，
Figure DEST_PATH_IMAGE009
和
Figure 973856DEST_PATH_IMAGE010
分别为
Figure 305480DEST_PATH_IMAGE004
和
Figure 215667DEST_PATH_IMAGE005
两个充电桩的历史运行时长，
Figure DEST_PATH_IMAGE011
和
Figure 937635DEST_PATH_IMAGE012
分别为
Figure 958681DEST_PATH_IMAGE004
和
Figure 882162DEST_PATH_IMAGE005
两个充电桩的健康度评分；
基于所述匹配度获取充电桩匹配对；基于实时的充电桩的运行数据和健康度评分计算所述充电桩匹配对中两充电桩的运行状态相似度：
Figure 963251DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
表示充电桩匹配对中
Figure 906936DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
两个充电桩的运行状态相似度，
Figure 856306DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
分别为
Figure 569047DEST_PATH_IMAGE016
和
Figure 555458DEST_PATH_IMAGE017
两个充电桩的实时健康度评分，
Figure 517598DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
分别为
Figure 432112DEST_PATH_IMAGE016
和
Figure 530518DEST_PATH_IMAGE017
两个充电桩的实时运行数据序列，
Figure 953409DEST_PATH_IMAGE022
表示
Figure 402845DEST_PATH_IMAGE020
和
Figure 366122DEST_PATH_IMAGE021
两个序列的相似度；
基于运行数据和健康度评分，计算孤立充电桩与充电区域内其他充电桩的运行状态相似度：
Figure 319035DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
表示孤立的充电桩
Figure 647248DEST_PATH_IMAGE026
与充电区域内其他
Figure DEST_PATH_IMAGE027
个充电桩的运行状态相似度；
Figure 180385DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
分别为充电桩
Figure 885036DEST_PATH_IMAGE026
和充电区域内其他第
Figure 692455DEST_PATH_IMAGE030
个充电桩的实时健康度评分；
Figure DEST_PATH_IMAGE031
和
Figure 581782DEST_PATH_IMAGE032
分别为充电桩
Figure 146756DEST_PATH_IMAGE026
和充电区域内其他第
Figure 655097DEST_PATH_IMAGE030
个充电桩的实时运行数据序列，
Figure DEST_PATH_IMAGE033
表示
Figure 441657DEST_PATH_IMAGE031
和
Figure 49355DEST_PATH_IMAGE032
两个序列的相似度；
对于每个充电桩匹配对，根据当前获取的运行状态相似度与历史运行状态相似度的差值，进行配电设备风险的检测；根据当前获取的孤立充电桩对应的运行状态相似度与历史运行状态相似度的差值，进行配电设备风险的检测。
2.如权利要求1所述的方法，其特征在于，基于所述匹配度，利用KM算法，获取充电桩匹配对。
3.如权利要求2所述的方法，其特征在于，所述运行数据包括多个一级运行数据，每个一级运行数据包括多个二级运行数据，利用层次分析法获取一级运行数据的一级权重，利用熵权法获取二级运行数据的二级权重，结合一级权重和二级权重获取每个二级运行数据的综合权重，基于所有充电桩的二级运行数据和综合权重，利用Topsis算法，计算每个充电桩的健康度评分。
CN202210018982.1A 2022-01-10 2022-01-10 基于人工智能的配电设备风险检测方法 Active CN114091979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210018982.1A CN114091979B (zh) 2022-01-10 2022-01-10 基于人工智能的配电设备风险检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210018982.1A CN114091979B (zh) 2022-01-10 2022-01-10 基于人工智能的配电设备风险检测方法

Publications (2)

Publication Number Publication Date
CN114091979A CN114091979A (zh) 2022-02-25
CN114091979B true CN114091979B (zh) 2022-05-10

Family

ID=80308403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210018982.1A Active CN114091979B (zh) 2022-01-10 2022-01-10 基于人工智能的配电设备风险检测方法

Country Status (1)

Country Link
CN (1) CN114091979B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615119A (zh) * 2018-05-09 2018-10-02 平安普惠企业管理有限公司 一种异常用户的识别方法及设备
CN109670675A (zh) * 2018-11-26 2019-04-23 国网冀北电力有限公司 充电桩运行状态评价方法及装置
CN110348652A (zh) * 2018-04-03 2019-10-18 普华讯光（北京）科技有限公司 配电室运行健康度的量化评估方法
CN113626607A (zh) * 2021-09-17 2021-11-09 平安银行股份有限公司 异常工单识别方法、装置、电子设备及可读存储介质
CN113791300A (zh) * 2021-11-15 2021-12-14 广东电网有限责任公司东莞供电局 一种充电站的充电枪状态监测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270271B (zh) * 2011-05-03 2014-03-19 北京中瑞泰科技有限公司 基于相似度曲线的设备故障早期预警及优化的方法和系统
CN103001328B (zh) * 2012-11-19 2014-06-18 山东大学 一种智能变电站的故障诊断与评估方法
CN110728458B (zh) * 2019-10-18 2022-07-29 支付宝(杭州)信息技术有限公司 一种目标对象的风险监测方法、装置及电子设备
CN111046942A (zh) * 2019-12-09 2020-04-21 交控科技股份有限公司 一种道岔故障判断方法及装置
CN113515399A (zh) * 2021-04-26 2021-10-19 中国工商银行股份有限公司 数据异常检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348652A (zh) * 2018-04-03 2019-10-18 普华讯光（北京）科技有限公司 配电室运行健康度的量化评估方法
CN108615119A (zh) * 2018-05-09 2018-10-02 平安普惠企业管理有限公司 一种异常用户的识别方法及设备
CN109670675A (zh) * 2018-11-26 2019-04-23 国网冀北电力有限公司 充电桩运行状态评价方法及装置
CN113626607A (zh) * 2021-09-17 2021-11-09 平安银行股份有限公司 异常工单识别方法、装置、电子设备及可读存储介质
CN113791300A (zh) * 2021-11-15 2021-12-14 广东电网有限责任公司东莞供电局 一种充电站的充电枪状态监测方法及系统

Also Published As

Publication number Publication date
CN114091979A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
US11959973B2 (en) Multi-fault diagnosis method and system for battery packs based on corrected sample entropy
CN104614630B (zh) 一种电池微短路的识别方法
CN108287317B (zh) 电池功率预测模型生成方法及系统、功率预测方法及系统
CN110376530A (zh) 电池内短路检测装置及方法
CN104614632B (zh) 一种电池微短路的识别方法
CN116154900B (zh) 一种电池储能电站的主动安全三级防控系统及方法
CN110388315B (zh) 基于多源信息融合的输油泵故障识别方法、装置及系统
CN115048591A (zh) 一种基于人工智能的配电网全息数据可视化智能展示分析系统
CN115097319B (zh) 一种动力电池组故障在线诊断方法及系统
CN111651505A (zh) 一种基于数据驱动的设备运行态势分析预警方法及系统
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN113591985B (zh) 基于数据融合的特高压gis运行状态综合诊断方法和系统
CN112487031A (zh) 单体电池故障检测方法、装置、可读存储介质及电子设备
CN114444734A (zh) 一种基于边缘计算的变压器多模态故障诊断方法
CN115372830A (zh) 一种动力电池热失控风险评估方法
CN113533910A (zh) 一种适用于换流变压器局部放电预警的方法及系统
CN114091979B (zh) 基于人工智能的配电设备风险检测方法
CN105005644A (zh) 一种检测三相异步电动机故障的方法
CN116956639B (zh) 一种基于数据分析的高散热性蓄电池评估方法及系统
WO2022016862A1 (zh) 用于监控电池组健康状况的方法和系统
CN113313032A (zh) 一种输电线路外力破坏异常目标的检测算法及相关装置
CN116923188A (zh) 一种新能源车的充电保护系统
CN116699407A (zh) 一种基于安全熵的动力电池安全风险预警方法
US20220216700A1 (en) Methods and systems for detecting faulty behavior in a battery
CN114035056A (zh) 一种动力电池性能检测方法、装置和设备

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