CN114118277A - 电动车充电监测方法、装置和终端设备 - Google Patents

电动车充电监测方法、装置和终端设备 Download PDF

Info

Publication number
CN114118277A
CN114118277A CN202111433121.1A CN202111433121A CN114118277A CN 114118277 A CN114118277 A CN 114118277A CN 202111433121 A CN202111433121 A CN 202111433121A CN 114118277 A CN114118277 A CN 114118277A
Authority
CN
China
Prior art keywords
electric vehicle
charging monitoring
model
utilization data
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111433121.1A
Other languages
English (en)
Inventor
夏静
刘雪飞
马国真
王云佳
徐晓彬
张泽亚
胡珀
庞凝
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111433121.1A priority Critical patent/CN114118277A/zh
Publication of CN114118277A publication Critical patent/CN114118277A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/219—Managing data history or versioning
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请适用于充电监测技术领域，公开了一种电动车充电监测方法、装置和终端设备。上述电动车充电监测方法包括：获取用户历史用电数据，所述用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据；根据所述用户历史用电数据建立历史用电数据样本集，基于所述历史用电数据样本集训练电动车充电监测模型；将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果；在所述充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。解决了现有技术中难以监测到电动车的不合规充电问题，实现了对电动车或电动车电瓶充电的实时监测和预警。

Description

电动车充电监测方法、装置和终端设备
技术领域
本申请属于充电监测技术领域，尤其涉及一种电动车充电监测方法、装置和终端设备。
背景技术
电动自行车在房间中充电存在诸多安全隐患。目前，不少居民住宅和写字楼电梯内都安装了监测电动自行车的示警摄像头，检测居民将电动车带入楼道和房间的情况，但是检测摄像头只能检测出电动自行车实体及类似物，如果居民将电动车电瓶拆卸下来带入楼道，检测摄像头无法识别，不能检测到用户私自将电动自行车电瓶带上楼充电的情况。
发明内容
有鉴于此，本发明实施例提供了一种电动车充电监测方法、装置和终端设备，以解决现有技术中难以监测到住宅内电动车或电动车电瓶充电的问题。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种电动车充电监测方法，包括：获取用户历史用电数据，用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据；根据用户历史用电数据建立历史用电数据样本集，基于历史用电数据样本集训练电动车充电监测模型；将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果；在充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。
本申请实施例中，基于用户历史用电数据建立电动车充电监测模型，使得训练后的电动车充电监测模型能够学习到家用电路对电动车或电动车电瓶充电时的信息。之后，通过该电动车充电监测模型对用户实时用电数据进行监测，能够监测到用户是否通过家用电路对电动车或电动车电瓶充电，实现了对电动车或电动车电瓶充电的实时监测和预警。
基于第一方面，在一些实施例中，历史用电数据样本集包括训练集和测试集，基于历史用电数据样本集训练电动车充电监测模型，包括：基于训练集，构建CNN-GRU神经网络分类模型；通过遗传算法优化CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型；电动车充电监测模型包含CNN-GRU神经网络分类模型。
基于第一方面，在一些实施例中，基于训练集，构建CNN-GRU神经网络分类模型，包括：通过CNN网络对训练集数据进行卷积操作，提取训练集数据的第一特征向量；对第一特征向量进行最大值池化操作，并通过全连接层输出，得到第二特征向量；将第二特征向量输入GRU网络进行模型训练，输出第三特征向量，构建CNN-GRU神经网络分类模型。
基于第一方面，在一些实施例中，GRU网络的运算公式为：
rt＝δ(Wrxt+Rrht-1+br)
zt＝δ(Wzxt+Rzht-1+bz)
Figure BDA0003380731080000021
Figure BDA0003380731080000022
其中，xt表示t时刻的输入，rt表示重置门，Wr为重置门的权值，Rr为t时刻的前一时刻隐藏层重置门的权值；zt表示更新门，Wz为更新门的权值，Rz为t时刻的前一个时间点隐藏层更新门的权值；
Figure BDA0003380731080000023
为候选隐藏层，Wh为候选隐藏层的权值，Rh为t时刻前一个时间点隐藏层的权重；ht表示隐藏层，即最终输出结果；b表示偏置矩阵，函数δ(·)和
Figure BDA0003380731080000024
分别表示sigmoid和tangent激活函数。
基于第一方面，在一些实施例中，通过遗传算法优化CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型，包括：初始化种群，种群中的个体表征CNN-GRU神经网络分类模型的模型参数；以CNN-GRU神经网络分类模型对训练集分类输出的准确率为适应度，评估种群个体的适应度值。以适应度值为依据，通过遗传算法进行迭代，得到最优模型参数，基于训练集对具有最优模型参数的CNN-GRU神经网络分类模型进行训练，得到电动车充电监测模型。
基于第一方面，在一些实施例中，通过遗传算法优化CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型，还包括：将测试集数据输入到电动车充电监测模型中，以电动车充电情况判断的误差率对电动车充电监测模型进行评估；若误差率超过预设数值，对电动车充电监测模型重新进行训练。
基于第一方面，在一些实施例中，CNN-GRU神经网络分类模型的模型参数包括最优网络结构参数、优化器类型及全连接层神经元数。
第二方面，本申请实施例提供了一种电动车充电监测装置，其特征在于，包括：数据获取模块，用于获取用户历史用电数据，用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据；训练模块，用于根据用户历史用电数据建立历史用电数据样本集，基于历史用电数据样本集训练电动车充电监测模型；充电监测模块，用于将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果；发送模块，用于在充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面中任一项电动车充电监测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项的电动车充电监测方法的步骤。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的电动车充电监测方法的应用场景示意图；
图2是本申请实施例提供的充电监测报警装置的模块结构图；
图3是本申请实施例提供的电动车充电监测方法流程图；
图4是本申请实施例提供的GRU网络数据结构图；
图5是本申请实施例提供的电动车充电监测装置的结构示意图；
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
基于背景技术中提到的技术问题，本申请实施例提供一种电动车充电监测方法，可以应用到如图1所示的示例性场景中。该场景包括电表10、充电监测报警装置20和服务器30。充电监测报警装置20安装在用户电表10上，和服务器30通信连接。在进行充电监测时，充电监测报警装置20对用户电表10的数据进行读取并发送给服务器30，服务器30采用电动车充电监测方法对数据进行评估，确定用户是否为电动车充电，并根据评估结果发送信号给充电监测报警装置20。
如图2所示，充电监测报警装置20包括指示灯210、数据读取模块220、数据存储模块230、5G信息发射模块240、5G信息接收模块250和处理器CPU260。数据读取模块220用于每隔预设时间获取用户电表上的用电数据。数据存储模块230用于对用电数据进行存储，并利用5G信息发射模块240将用电数据发送到服务器进行电动车充电监测。服务器30收集各个用户的用电数据，通过电动车充电监测模型对用户是否将电动自行车电瓶带入家中充电的情况进行监测，模型监测到用户对电动车充电行为存在时，生成示警信号，并通过5G信息接收模块250发送给充电监测报警装置20。充电监测报警装置20通过声光示警模块270控制指示灯210，当用户正常用电时，指示灯绿灯常亮，当充电监测报警装置20接收到示警信号时，通过声光示警模块270将指示灯切换为红灯常亮，并发出报警声。当用户拔掉电瓶充电器后，服务器30监测到用户用电情况恢复正常，将解除示警信号发送给充电监测报警装置20，报警解除，绿灯亮，装置正常工作。
若用户在预设时间内一直为电瓶进行充电，例如，示警后五分钟内不拔掉电瓶充电器，服务器30向相关部门发送用户违规充电信息。
图3是本申请一实施例提供的电动车充电监测方法的示意性流程图，对该电动车充电监测方法的详述如下：
步骤101：获取用户历史用电数据，用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据。
在步骤101中，用户历史用电数据包括预设时间段的负荷曲线、有功功率、无功功率、功率因数、电压、电流和谐波。
步骤102：根据用户历史用电数据建立历史用电数据样本集，基于历史用电数据样本集训练电动车充电监测模型。
获取用户历史用电数据后，对数据进行预处理。将数据进行归一化，并对数据样本进行去除离群点处理，将异常值滤除，使数据标准统一。将预处理后的数据划分为80％的训练数据和20％的测试数据。基于经预处理后的用电数据建立历史用电数据样本集，历史用电数据样本集包括训练集和测试集。
一些实施例中，步骤102的实现过程可以包括步骤1021和步骤1022。
步骤1021：基于训练集，构建CNN-GRU神经网络分类模型。
一些实施例中，步骤1021的实现过程可以包括步骤10211至步骤10213。
步骤10211：通过CNN网络对训练集数据进行卷积操作，提取训练集数据的第一特征向量。
具体的，将训练集数据输入到CNN网络中进行卷积操作，分别构建11×11、5×5和3×3的卷积层提取训练集数据中的样本特征，得到第一特征向量。
步骤10212：对第一特征向量进行最大值池化操作，并通过全连接层输出，得到第二特征向量。
对经卷积操作后的样本数据进行最大值池化操作，池化层使用ReLU作为激活函数，经过卷积操作和池化操作处理后的输入向量通过全连接层转换输出，提取得到第二特征向量。
步骤10213：将第二特征向量输入GRU网络进行模型训练，输出第三特征向量，构建CNN-GRU神经网络分类模型。
将全连接层输出的第二特征向量输入到GRU网络结构中进行模型训练。GRU网络具有调节单元，可以调制单元内的信息流，GRU网络的具体操作如图4所示，GRU网络的运算公式为：
rt＝δ(Wrxt+Rrht-1+br)
zt＝δ(Wzxt+Rzht-1+bz)
Figure BDA0003380731080000071
Figure BDA0003380731080000072
其中，xt表示t时刻的输入，rt表示重置门，Wr为重置门的权值，Rr为t时刻的前一时刻隐藏层重置门的权值；zt表示更新门，Wz为更新门的权值，Rz为t时刻的前一个时间点隐藏层更新门的权值；
Figure BDA0003380731080000073
为候选隐藏层，Wh为候选隐藏层的权值，Rh为t时刻前一个时间点隐藏层的权重；ht表示隐藏层，即最终输出结果；b表示偏置矩阵，函数δ(·)和
Figure BDA0003380731080000074
分别表示sigmoid和tangent激活函数。
步骤1022：通过遗传算法优化CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型；电动车充电监测模型包含CNN-GRU神经网络分类模型。
一些实施例中，步骤1022的实现过程可以包括步骤10221至步骤10223。
步骤10221：初始化种群，种群中的个体表征CNN-GRU神经网络分类模型的模型参数。
CNN-GRU神经网络分类模型的模型参数包括最优网络结构参数、优化器类型及全连接层神经元数。确定该分类模型的输入层、隐藏层、输出层节点个数M、H1、N。设定遗传的种群规模p(t)，并对种群中的个体进行二进制编码，则每条染色体的长度为N＝(M×H1+H1+N)×L，其中L为变量的编码位数，包含了一个网络的有权值和阈值信息。示例性的，GA算法的种群数、世代数和世代长度可以设定为5、8和14。
步骤10222：以CNN-GRU神经网络分类模型对训练集分类输出的准确率为适应度，评估种群个体的适应度值。
遗传算法的目标为输出使适应度函数最小的个体，然后对最优个体进行解码，得到最优模型参数。
具体的，将具有不同模型参数的CNN-GRU模型放入GA中进行适应度评估，将CNN-GRU神经网络分类模型的判断结果与原始数据进行比较，并将该分类模型的判断误差率R(i)作为适应度的判断准则，适应度函数的表达式为：
Figure BDA0003380731080000081
适应度函数值越大，表征该分类模型的判断准确率越高。
步骤10223：以适应度值为依据，通过遗传算法进行迭代，得到最优模型参数，基于训练集对具有最优模型参数的CNN-GRU神经网络分类模型进行训练，得到电动车充电监测模型。
遗传算法对种群进行选择、交叉与变异运算，可以产生新个体，搜索更大的解空间。选取适应度好的个体组成新的种群P(t)并随机进行配对，按照交叉概率pc＝0.8进行交叉运算，产生两个新的个体。对种群中的个体按照设定的变异概率pm＝0.009进行变异进化，产生新的个体。种群中的个体表征CNN-GRU神经网络分类模型的模型参数，计算新物种群中个体适应度实质为评估具有该组模型参数的分类模型的分类准确度。示例性的，在训练阶段采用Adam作为优化器，迭代次数设置为100轮，迭代结束时输出参数为最优模型参数。
可选的，可以根据分类准确度设置迭代结束条件，以适应度为依据对种群进行迭代，当达到迭代结束条件时输出最优模型参数，采用该参数的模型即为能满足电动车充电情况监测需求的电动车充电监测模型。
另外，通过训练集完成电动车充电监测模型的训练后，将测试集数据输入到电动车充电监测模型中，以电动车充电情况判断的误差率对电动车充电监测模型进行评估。若误差率超过预设数值，对电动车充电监测模型重新进行训练。
步骤103：将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果。
在进行充电监测时，充电监测报警装置实时读取用户电表数据并发送给服务器，服务器采用上述电动车充电监测方法进行评估，通过电动车充电监测模型对数据进行分类，判断用户是否通过家用线路为电动车或电动车电瓶充电。
步骤104：在充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。
根据步骤103得出评估结果后，根据评估结果发送信号给充电监测报警装置。若结果判断用户对电动车充电行为存在时，发送示警信号。当用户拔掉电瓶充电器后，模型监测到用户用电情况恢复正常，发送解除示警信号。
上述电动车充电监测方法，基于用户历史用电数据建立电动车充电监测模型，使得训练后的电动车充电监测模型能够学习到家用电路对电动车或电动车电瓶充电时的信息。之后，通过该电动车充电监测模型对用户实时用电数据进行监测，能够监测到用户是否通过家用电路对电动车或电动车电瓶充电。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的电动车充电监测方法，图5示出了本申请实施例提供的电动车充电监测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图5，本申请实施例中的电动车充电监测装置可以包括：数据获取模块310、训练模块320、充电监测模块330、发送模块340。
数据获取模块310，用于获取用户历史用电数据，用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据。
训练模块320，用于根据用户历史用电数据建立历史用电数据样本集，基于历史用电数据样本集训练电动车充电监测模型。
充电监测模块330，用于将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果。
发送模块340，用于在充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图6，该终端设备500可以包括：至少一个处理器510、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序，所述处理器510执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图3所示实施例中的步骤101至步骤104。或者，处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块310至340的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器520中，并由处理器510执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备500中的执行过程。
本领域技术人员可以理解，图6仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器520可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的电动车充电监测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、手机等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述电动车充电监测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述电动车充电监测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电动车充电监测方法，其特征在于，包括：
获取用户历史用电数据，所述用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据；
根据所述用户历史用电数据建立历史用电数据样本集，基于所述历史用电数据样本集训练电动车充电监测模型；
将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果；
在所述充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。
2.如权利要求1所述的电动车充电监测方法，其特征在于，所述历史用电数据样本集包括训练集和测试集，所述基于所述历史用电数据样本集训练电动车充电监测模型，包括：
基于所述训练集，构建CNN-GRU神经网络分类模型；通过遗传算法优化所述CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型；电动车充电监测模型包含CNN-GRU神经网络分类模型。
3.如权利要求2所述的电动车充电监测方法，其特征在于，所述基于所述训练集，构建CNN-GRU神经网络分类模型，包括：
通过CNN网络对训练集数据进行卷积操作，提取所述训练集数据的第一特征向量；
对所述第一特征向量进行最大值池化操作，并通过全连接层输出，得到第二特征向量；
将所述第二特征向量输入GRU网络进行模型训练，输出第三特征向量，构建所述CNN-GRU神经网络分类模型。
4.如权利要求3所述的电动车充电监测方法，其特征在于，所述GRU网络的运算公式为：
rt＝δ(Wrxt+Rrht-1+br)
zt＝δ(Wzxt+Rzht-1+bz)
Figure FDA0003380731070000021
Figure FDA0003380731070000022
其中，xt表示t时刻的输入，rt表示重置门，Wr为重置门的权值，Rr为t时刻的前一时刻隐藏层重置门的权值；zt表示更新门，Wz为更新门的权值，Rz为t时刻的前一个时间点隐藏层更新门的权值；
Figure FDA0003380731070000023
为候选隐藏层，Wh为候选隐藏层的权值，Rh为t时刻前一个时间点隐藏层的权重；ht表示隐藏层，即最终输出结果；b表示偏置矩阵，函数δ(·)和
Figure FDA0003380731070000024
分别表示sigmoid和tangent激活函数。
5.如权利要求2所述的电动车充电监测方法，其特征在于，所述通过遗传算法优化所述CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型，包括：
初始化种群，所述种群中的个体表征CNN-GRU神经网络分类模型的模型参数；
以CNN-GRU神经网络分类模型对所述训练集分类输出的准确率为适应度，评估种群个体的适应度值；
以所述适应度值为依据，通过所述遗传算法进行迭代，得到最优模型参数，基于所述训练集对具有最优模型参数的CNN-GRU神经网络分类模型进行训练，得到所述电动车充电监测模型。
6.如权利要求5所述的电动车充电监测方法，其特征在于，所述通过遗传算法优化所述CNN-GRU神经网络分类模型的模型参数，训练电动车充电监测模型，还包括：
将测试集数据输入到所述电动车充电监测模型中，以电动车充电情况判断的误差率对所述电动车充电监测模型进行评估；
若误差率超过预设数值，对所述电动车充电监测模型重新进行训练。
7.如权利要求5所述的电动车充电监测方法，其特征在于，所述CNN-GRU神经网络分类模型的模型参数包括最优网络结构参数、优化器类型及全连接层神经元数。
8.一种电动车充电监测装置，其特征在于，包括：
数据获取模块，用于获取用户历史用电数据，所述用户历史用电数据包括电动车充电时用户用电数据和日常用户用电数据；
训练模块，用于根据所述用户历史用电数据建立历史用电数据样本集，基于所述历史用电数据样本集训练电动车充电监测模型；
充电监测模块，用于将用户实时用电数据输入训练后的电动车充电监测模型，得到充电监测结果；
发送模块，用于在所述充电监测结果表征电动车充电时，向充电监测示警装置发送示警信号。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述电动车充电监测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述电动车充电监测方法的步骤。
CN202111433121.1A 2021-11-29 2021-11-29 电动车充电监测方法、装置和终端设备 Pending CN114118277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111433121.1A CN114118277A (zh) 2021-11-29 2021-11-29 电动车充电监测方法、装置和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111433121.1A CN114118277A (zh) 2021-11-29 2021-11-29 电动车充电监测方法、装置和终端设备

Publications (1)

Publication Number Publication Date
CN114118277A true CN114118277A (zh) 2022-03-01

Family

ID=80371851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111433121.1A Pending CN114118277A (zh) 2021-11-29 2021-11-29 电动车充电监测方法、装置和终端设备

Country Status (1)

Country Link
CN (1) CN114118277A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756638A (zh) * 2023-08-17 2023-09-15 广东电网有限责任公司汕头供电局 电动车用电负荷需求检测方法、装置、设备及存储介质
CN117081246A (zh) * 2023-08-16 2023-11-17 北京市计量检测科学研究院 一种室内电动自行车充电识别系统及计算机设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081246A (zh) * 2023-08-16 2023-11-17 北京市计量检测科学研究院 一种室内电动自行车充电识别系统及计算机设备
CN116756638A (zh) * 2023-08-17 2023-09-15 广东电网有限责任公司汕头供电局 电动车用电负荷需求检测方法、装置、设备及存储介质
CN116756638B (zh) * 2023-08-17 2023-11-14 广东电网有限责任公司汕头供电局 电动车用电负荷需求检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112858919B (zh) 一种基于聚类分析的电池系统在线故障诊断方法和系统
CN114118277A (zh) 电动车充电监测方法、装置和终端设备
CN109934955A (zh) 充电模式识别方法、装置、终端设备及存储介质
CN111833583B (zh) 电力数据异常检测模型的训练方法、装置、设备和介质
CN112559279A (zh) 不间断电源系统故障预测方法、设备和计算机可读存储介质
CN109934271B (zh) 充电行为识别方法、装置、终端设备及存储介质
CN115622203B (zh) 基于车载无线充电器充电数据的分析提醒方法及系统
CN111709790B (zh) 一种日前市场异常电价辨识方法、装置、设备和存储介质
CN113409166A (zh) 基于XGBoost模型的用户异常用电行为检测方法及装置
CN113538037A (zh) 监测电瓶车充电事件的方法及系统、设备、存储介质
CN110843596A (zh) 充电行为识别方法、装置、终端设备及存储介质
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN110579708B (zh) 电池容量识别方法、装置、计算设备及计算机存储介质
CN115828161A (zh) 一种基于循环神经网络的汽车故障类型预测方法及装置
CN115936926A (zh) 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质
CN115275975B (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN115856641A (zh) 一种电池剩余充电时间预测方法、装置及电子设备
CN113077630B (zh) 基于深度学习的红绿灯检测方法、装置、设备及存储介质
CN115511016A (zh) 一种基于增量主动学习的电费异常检测方法及其装置
CN115146715A (zh) 用电安全隐患诊断方法、装置、设备及存储介质
CN111186333B (zh) 电动车充电识别方法、装置、终端设备及存储介质
CN114066239A (zh) 一种用户用电量异常检测方法及装置
CN112801287A (zh) 神经网络性能评估方法及装置、电子设备及存储介质
CN114970648A (zh) 一种新能源设备识别方法、装置及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination