CN114475350A - 智能充电系统及其工作方法 - Google Patents
智能充电系统及其工作方法 Download PDFInfo
- Publication number
- CN114475350A CN114475350A CN202210134243.9A CN202210134243A CN114475350A CN 114475350 A CN114475350 A CN 114475350A CN 202210134243 A CN202210134243 A CN 202210134243A CN 114475350 A CN114475350 A CN 114475350A
- Authority
- CN
- China
- Prior art keywords
- charging
- vector
- feature
- feature vector
- classification
- 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.)
- Withdrawn
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- 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
- Y02T90/14—Plug-in electric 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及智能充电的领域，其具体地公开了一种智能充电系统及其工作方法，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。这样，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。
Description
技术领域
本发明涉及智能充电的领域，且更为具体地，涉及一种智能充电系统及其工作方法。
背景技术
由于经济发展和社会需要，电动自行车得到了快速的发展，从而成为了主要的代步工具。电动自行车充电器是实现为电动自行车蓄电池充电的装置，它实现了把市电转换为给蓄电池充电的直流电，其设计的好坏直接关系到蓄电池的使用寿命。一般而言，电动自行车充电装置是电动自行车最关键且最重要的部件。
目前电动自行车使用的铅酸蓄电池几乎都是阀控式密封铅酸蓄电池。VRLA蓄电池是铅酸蓄电池向前发展的一种，它克服了传统的开口铅酸蓄电池的定期加水和维护麻烦的缺点。但是在实际情况中，会伴有水的电解反应，特别是在充电过程的后期，当蓄电池中的硫酸铅反应快结束时，如果再继续充电的话，水就会发生电解，正极析出氧气，负极析出氢气，发生冒泡现象。
也就是，充电电流在充电过程中是随着时间符合指数呈下降规律的。即以一额定的电流给蓄电池充电，会达到一个极限值，到达这个极限值后，再继续给蓄电池充电也没用，只会对水进行分解。要继续充电，就必须减小充电电流。因此，为了更为准确地确定充电电流的控制类型，期望一种智能充电系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能充电系统及其工作方法，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。通过这样的方式，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。
根据本申请的一个方面，提供了一种智能充电系统，其包括：
充电数据单元，用于获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；
向量构造单元，用于将所述电池单体的充电数据按照预定顺序转化为充电输入向量；
特征提取单元，用于使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；
图像数据单元，用于获取摄像头所采集的电解液表面的图像；
卷积处理单元，用于将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；
高斯密度图构造单元，用于在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；
高斯混合模型构造单元，用于基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
模型分解单元，用于将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；
离散化单元，用于对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；
分类特征图构造单元，用于将所述多个分类特征向量进行二维排列以获得分类特征图；以及
充电控制结果生成单元，用于将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
在上述智能充电系统中，所述特征提取单元，包括：全连接编码子单元，用于使用所述特征编码器的全连接层提取所述充电输入向量中各个位置的特征值的高维隐含特征；以及，关联编码子单元，用于使用所述特征编码器的一维卷积层提取所述充电输入向量中相邻位置的特征值之间的关联的高维隐含特征以获得所述充电特征向量。
在上述智能充电系统中，所述卷积神经网络的每层均包含池化层用于对输出进行池化处理。
在上述智能充电系统中，所述高斯密度图构造单元，进一步用于：计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值以获得所述均值向量；以及，计算所述充电特征向量和所述表面特征向量的各个位置的特征值之间的方差以获得所述协方差矩阵。
在上述智能充电系统中，所述离散化单元，进一步用于对每个所述高斯分布进行随机采样以获得相应的所述分类特征向量。
在上述智能充电系统中，所述充电控制结果生成单元，包括：编码子单元，用于使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；软最大值计算单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值；以及，控制结果确定子单元，用于基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。
根据本申请的另一方面，一种智能充电系统的工作方法，其包括：
获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；
将所述电池单体的充电数据按照预定顺序转化为充电输入向量；
使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；
获取摄像头所采集的电解液表面的图像；
将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；
在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；
基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；
对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；
将所述多个分类特征向量进行二维排列以获得分类特征图；以及
将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
在上述智能充电系统的工作方法中，使用特征编码器对所述充电输入向量进行编码以获得充电特征向量，包括：使用所述特征编码器的全连接层提取所述充电输入向量中各个位置的特征值的高维隐含特征；以及，使用所述特征编码器的一维卷积层提取所述充电输入向量中相邻位置的特征值之间的关联的高维隐含特征以获得所述充电特征向量。
在上述智能充电系统的工作方法中，所述卷积神经网络的每层均包含池化层用于对输出进行池化处理。
在上述智能充电系统的工作方法中，在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，包括：计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值以获得所述均值向量；以及，计算所述充电特征向量和所述表面特征向量的各个位置的特征值之间的方差以获得所述协方差矩阵。
在上述智能充电系统的工作方法中，对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量，包括：对每个所述高斯分布进行随机采样以获得相应的所述分类特征向量。
在上述智能充电系统的工作方法中，将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果，包括：使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值；以及，基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。
与现有技术相比，本申请提供的智能充电系统及其工作方法，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。通过这样的方式，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智能充电系统的应用场景图。
图2为根据本申请实施例的智能充电系统的框图。
图3为根据本申请实施例的智能充电系统中充电控制结果生成单元的框图。
图4为根据本申请实施例的智能充电系统的工作方法的流程图。
图5为根据本申请实施例的智能充电系统的工作方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，目前电动自行车使用的铅酸蓄电池几乎都是阀控式密封铅酸蓄电池。VRLA蓄电池是铅酸蓄电池向前发展的一种，它克服了传统的开口铅酸蓄电池的定期加水和维护麻烦的缺点。但是在实际情况中，会伴有水的电解反应，特别是在充电过程的后期，当蓄电池中的硫酸铅反应快结束时，如果再继续充电的话，水就会发生电解，正极析出氧气，负极析出氢气，发生冒泡现象。
也就是，充电电流在充电过程中是随着时间符合指数呈下降规律的。即以一额定的电流给蓄电池充电，会达到一个极限值，到达这个极限值后，再继续给蓄电池充电也没用，只会对水进行分解。要继续充电，就必须减小充电电流。因此，为了更为准确地确定充电电流的控制类型，期望一种智能充电系统。
具体地，在本申请的技术方案中，首先获取在对蓄电池进行充电的过程中实时采集的电池单体的电压、电流、温度、压力等充电数据，并将其转换为输入向量。这里，考虑到除了考虑各项充电数据本身的权重之外，还需要进一步考虑各项数据之间的关联，因此，将输入向量输入包含全连接层和一维卷积层的特征编码器，以得到充电特征向量。
然后，获取摄像头所采集的电解液表面的图像，并将其通过卷积神经网络，这里，卷积神经网络在每层均包含池化层，且在最后一层对输出进行全局均值池化，以获得通道长度的表面特征向量。
为了融合充电特征向量和表面特征向量，在本申请的技术方案中，考虑到在上述卷积神经网络中，实际上是在通道维度上来得到卷积神经网络的基于过滤器的输出向量，而高斯密度图广泛地用作基于卷积神经网络的方法的学习目标，因此通过高斯密度图来融合两个特征向量。
具体地，首先将充电特征向量和表面特征向量转换为相同长度，例如通过线性插值将充电特征向量转换到表面特征向量的长度，然后基于两个特征向量之间的均值向量和协方差矩阵构造高斯密度图：
其中μ是充电特征向量和表面特征向量的均值向量，通过对其对应位置的特征值求均值而获得，而∑是充电特征向量和表面特征向量的协方差矩阵，通过计算其每两个特征值之间的方差而获得。
然后，进一步基于该高斯密度图得到高斯混合模型，即：
这是因为由于对充电特征向量进行尺度变换，因此引入高斯混合模型以改进响应位置间的一致性，也就是，实现响应范围与目标尺度之间的一定程度的匹配。
然后，针对高斯混合模型，将其分解为多个高斯分布
其中σi是对协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值。接下来，对每个高斯分布进行高斯离散化以得到相应的分类特征向量，并将M个分类特征向量进行二维排列以得到分类特征图，再将分类特征图输入分类器，以得到用于反映充电电流的控制类型的分类结果。
基于此，本申请提出了一种智能充电系统，其包括：充电数据单元，用于获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；向量构造单元，用于将所述电池单体的充电数据按照预定顺序转化为充电输入向量；特征提取单元，用于使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；图像数据单元，用于获取摄像头所采集的电解液表面的图像；卷积处理单元，用于将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；高斯密度图构造单元，用于在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；高斯混合模型构造单元，用于基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
模型分解单元，用于将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；离散化单元，用于对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；分类特征图构造单元，用于将所述多个分类特征向量进行二维排列以获得分类特征图；以及，充电控制结果生成单元，用于将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
图1图示了根据本申请实施例的智能充电系统的应用场景图。如图1所示，在该应用场景中，首先，通过传感器(例如，如图1中所示意的T)实时的采集在对蓄电池(例如，如图1中所示意的B)进行充电的过程中电池单体(例如，如图1中所示意的P)的充电数据，其中，所述充电数据包括电压、电流、温度和压力等数据，并且通过部署在蓄电池内部固定位置的与电解液(例如，如图1中所示意的E)相对应的摄像头(例如，如图1中所示意的C)来采集电解液表面的图像。然后，将获得的所述电池单体的充电数据和所述电解液表面的图像输入至部署有智能充电算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以智能充电算法对所述电池单体的充电数据和所述电解液表面的图像进行处理，以生成用于反映充电电流的控制类型的分类结果。进而，基于所述分类结果来判断充电电流应增大、减小，还是维持，这样就可以使得充电的效果更好。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的智能充电系统的框图。如图2所示，根据本申请实施例的智能充电系统200，包括：充电数据单元210，用于获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；向量构造单元220，用于将所述电池单体的充电数据按照预定顺序转化为充电输入向量；特征提取单元230，用于使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；图像数据单元240，用于获取摄像头所采集的电解液表面的图像；卷积处理单元250，用于将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；高斯密度图构造单元260，用于在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；高斯混合模型构造单元270，用于基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
模型分解单元280，用于将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；离散化单元290，用于对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；分类特征图构造单元300，用于将所述多个分类特征向量进行二维排列以获得分类特征图；以及，充电控制结果生成单元310，用于将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
具体地，在本申请实施例中，所述充电数据单元210和所述向量构造单元220，用于获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力，并将所述电池单体的充电数据按照预定顺序转化为充电输入向量。如前所述，充电电流在充电过程中是随着时间符合指数呈下降规律的，也就是，以一额定的电流给蓄电池充电，会达到一个极限值，到达这个极限值后，再继续给所述蓄电池充电只会对水进行分解，如果要想继续充电，就必须减小充电电流。因此，为了更为准确地确定充电电流的控制类型，在本申请的技术方案中，首先，需要通过传感器实时的采集在对蓄电池进行充电的过程中的电池单体的电压、电流、温度、压力等充电数据。然后，将所述电池单体的充电数据按照预定顺序转换为充电输入向量，以便于后续的编码处理。
具体地，在本申请实施例中，所述特征提取单元230，用于使用特征编码器对所述充电输入向量进行编码以获得充电特征向量。应可以理解，除了考虑到各项充电数据本身的权重之外，还需要进一步考虑所述各项数据之间的关联。因此，在本申请的技术方案中，将所述充电输入向量通过包含全连接层和一维卷积层的特征编码器进行编码，以挖掘出所述电池单体的各项充电数据之间的隐含关联特征，从而得到充电特征向量。
更具体地，在本申请实施例中，所述特征提取单元，包括：全连接编码子单元，用于使用所述特征编码器的全连接层提取所述充电输入向量中各个位置的特征值的高维隐含特征；以及，关联编码子单元，用于使用所述特征编码器的一维卷积层提取所述充电输入向量中相邻位置的特征值之间的关联的高维隐含特征以获得所述充电特征向量。
具体地，在本申请实施例中，所述图像数据单元240和所述卷积处理单元250，用于获取摄像头所采集的电解液表面的图像，并将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量。应可以理解，在本申请的技术方案中，在对所述蓄电池进行充电的过程中实时地采集电池单体的电压、电流、温度、压力等信号，以对充电电流进行准确地控制，并且在此过程中，还结合了摄像头所采集的电解液表面的图像，来判断所述电解液表面的波动情况，例如，监控其是否出现了气泡。通过对所述信号和所述图像信息的融合，来最终判断充电电流应增大、减小，还是维持原状，这样可以使得分类的结果更为准确。
也就是，首先，通过部署在蓄电池内部固定位置的与电解液相对应的摄像头来采集电解液表面的图像。然后，将所述电解液表面的图像通过卷积神经网络中进行处理，以提取出所述电解液图像的局部特征在高维空间中的特征分布表示，从而得到表面特征向量。值得一提的是，这里，所述卷积神经网络在每层均包含池化层以对输出进行池化处理，并且所述卷积神经网络的最后一层对输出进行全局平均值池化，以获得长度等于所述卷积神经网络的通道长度的表面特征向量。
具体地，在本申请实施例中，所述高斯密度图构造单元260，用于在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图。应可以理解，为了融合所述充电特征向量和所述表面特征向量，在本申请的技术方案中，考虑到在所述卷积神经网络中，实际上是在通道维度上来得到所述卷积神经网络的基于过滤器的输出向量，并且还考虑到高斯密度图广泛地用作基于卷积神经网络的方法的学习目标，因此，在本申请的技术方案中，可以通过高斯密度图来融合两个特征向量。
也就是，首先，将所述充电特征向量和所述表面特征向量转换为相同长度，在一个具体示例中，可以通过线性插值将所述充电特征向量转换到所述表面特征向量的长度。然后，再基于两个特征向量之间的均值向量和协方差矩阵构造高斯密度图，在一个具体示例中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成。
更具体地，在本申请的实施例中，所述高斯密度图构造单元，进一步用于：计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值以获得所述均值向量；以及，计算所述充电特征向量和所述表面特征向量的各个位置的特征值之间的方差以获得所述协方差矩阵。
具体地，在本申请实施例中，所述高斯混合模型构造单元270，用于基于所述高斯密度图构建高斯混合模型。应可以理解，在本申请的技术方案中，由于对所述充电特征向量进行了尺度变换，因此，引入高斯混合模型以改进响应位置间的一致性，也就是，实现响应范围与目标尺度之间的一定程度的匹配。在一个具体示例中，基于该高斯密度图得到高斯混合模型，即：
具体地，在本申请实施例中，所述模型分解单元280和所述离散化单元290，用于将所述高斯混合模型分解为多个高斯分布，并对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量。也就是，首先，针对高斯混合模型，将其分解为多个高斯分布
其中，σi是对协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值。然后，对每个所述高斯分布进行高斯离散化，以便于后续对其进行处理，从而获得相应的分类特征向量。在一个具体示例中，可以对每个所述高斯分布进行随机采样以获得相应的所述分类特征向量。
具体地，在本申请实施例中，所述分类特征图构造单元300和所述充电控制结果生成单元310，用于将所述多个分类特征向量进行二维排列以获得分类特征图，并将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。也就是，在本申请的技术方案中，在得到离散化的所述分类特征向量后，首先，将得到的所述M个分类特征向量进行二维排列，从而获得分类特征图。接着，再将所述分类特征图通过分类器，以获得分类结果，所述分类结果用于反映充电电流的控制类型。
更具体地，在本申请实施例中，所述充电控制结果生成单元，包括：编码子单元，用于使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量。软最大值计算单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值。控制结果确定子单元，用于基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。具体地，确定概率值的最大者所对应的分类标签为反映充电电流的控制类型的分类结果。
图3图示了根据本申请实施例的智能充电系统中充电控制结果生成单元的框图。如图3所示，所述充电控制结果生成单元310，包括：编码子单元311，用于使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；软最大值计算单元312，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值；以及，控制结果确定子单元313，用于基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。
综上，基于本申请实施例的所述智能充电系统200被阐明，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。通过这样的方式，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。
如上所述，根据本申请实施例的智能充电系统200可以实现在各种终端设备中，例如智能充电算法的服务器等。在一个示例中，根据本申请实施例的智能充电系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能充电系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能充电系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能充电系统200与该终端设备也可以是分立的设备，并且该智能充电系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了智能充电系统的工作方法的流程图。如图4所示，根据本申请实施例的智能充电系统的工作方法，包括步骤：S110，获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；S120，将所述电池单体的充电数据按照预定顺序转化为充电输入向量；S130，使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；S140，获取摄像头所采集的电解液表面的图像；S150，将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；S160，在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；S170，基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
S180，将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；S190，对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；S200，将所述多个分类特征向量进行二维排列以获得分类特征图；以及，S210，将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
图5图示了根据本申请实施例的智能充电系统的工作方法的架构示意图。如图5所示，在所述智能充电系统的工作方法的网络架构中，首先，将获得的所述电池单体的充电数据(例如，如图5中所示意的IN1)按照预定顺序转化为充电输入向量(例如，如图5中所示意的V1)；接着，使用特征编码器(例如，如图5中所示意的E)对所述充电输入向量进行编码以获得充电特征向量(例如，如图5中所示意的VF1)；然后，将获取的所述电解液表面的图像(例如，如图5中所示意的IN2)通过卷积神经网络(例如，如图5中所示意的CNN)以获得长度等于所述卷积神经网络的通道长度的表面特征向量(例如，如图5中所示意的VF2)；接着，在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图(例如，如图5中所示意的GD)；然后，基于所述高斯密度图构建高斯混合模型(例如，如图5中所示意的GMM)；接着，将所述高斯混合模型分解为多个高斯分布(例如，如图5中所示意的G)；S190，对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量(例如，如图5中所示意的VF)；然后，将所述多个分类特征向量进行二维排列以获得分类特征图(例如，如图5中所示意的F)；以及，最后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)以获得用于反映充电电流的控制类型的分类结果。
更具体地，在步骤S110和S120中，获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力，并将所述电池单体的充电数据按照预定顺序转化为充电输入向量。应可以理解，充电电流在充电过程中是随着时间符合指数呈下降规律的，也就是，以一额定的电流给蓄电池充电，会达到一个极限值，到达这个极限值后，再继续给所述蓄电池充电只会对水进行分解，如果要想继续充电，就必须减小充电电流。因此，为了更为准确地确定充电电流的控制类型，在本申请的技术方案中，首先，需要通过传感器实时的采集在对蓄电池进行充电的过程中的电池单体的电压、电流、温度、压力等充电数据。然后，将所述电池单体的充电数据按照预定顺序转换为充电输入向量，以便于后续的编码处理。
更具体地，在步骤S130中，使用特征编码器对所述充电输入向量进行编码以获得充电特征向量。也就是，将所述充电输入向量通过包含全连接层和一维卷积层的特征编码器进行编码，以挖掘出所述电池单体的各项充电数据之间的隐含关联特征，从而得到充电特征向量。在一个具体示例中，首先，使用所述特征编码器的全连接层提取所述充电输入向量中各个位置的特征值的高维隐含特征；然后，使用所述特征编码器的一维卷积层提取所述充电输入向量中相邻位置的特征值之间的关联的高维隐含特征以获得所述充电特征向量。
更具体地，在步骤S140和步骤S150中，获取摄像头所采集的电解液表面的图像，并将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量。也就是，首先，通过部署在蓄电池内部固定位置的与电解液相对应的摄像头来采集电解液表面的图像。然后，将所述电解液表面的图像通过卷积神经网络中进行处理，以提取出所述电解液图像的局部特征在高维空间中的特征分布表示，从而得到表面特征向量。值得一提的是，这里，所述卷积神经网络在每层均包含池化层以对输出进行池化处理，并且所述卷积神经网络的最后一层对输出进行全局平均值池化，以获得长度等于所述卷积神经网络的通道长度的表面特征向量。
更具体地，在步骤S160中，在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图。也就是，首先，将所述充电特征向量和所述表面特征向量转换为相同长度，在一个具体示例中，可以通过线性插值将所述充电特征向量转换到所述表面特征向量的长度。然后，再基于两个特征向量之间的均值向量和协方差矩阵构造高斯密度图，在一个具体示例中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成。
更具体地，在步骤S170中，基于所述高斯密度图构建高斯混合模型。也就是，应可以理解，在本申请的技术方案中，由于对所述充电特征向量进行了尺度变换，因此，引入高斯混合模型以改进响应位置间的一致性，也就是，实现响应范围与目标尺度之间的一定程度的匹配。在一个具体示例中，基于该高斯密度图得到高斯混合模型，即：
更具体地，在步骤S180和步骤S190中，将所述高斯混合模型分解为多个高斯分布，并对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量。也就是，首先，针对高斯混合模型，将其分解为多个高斯分布
其中，σi是对协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值。然后，对每个所述高斯分布进行高斯离散化，以便于后续对其进行处理，从而获得相应的分类特征向量。在一个具体示例中，可以对每个所述高斯分布进行随机采样以获得相应的所述分类特征向量。
更具体地，在步骤S200和步骤S210中，将所述多个分类特征向量进行二维排列以获得分类特征图，并将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。也就是，在本申请的技术方案中，在得到离散化的所述分类特征向量后，首先，将得到的所述M个分类特征向量进行二维排列，从而获得分类特征图。接着，再将所述分类特征图通过分类器，以获得分类结果，所述分类结果用于反映充电电流的控制类型。
在一个具体示例中，首先，使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量。然后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值。最后，基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。具体地，确定概率值的最大者所对应的分类标签为反映充电电流的控制类型的分类结果。
综上，基于本申请实施例的所述智能充电系统的工作方法被阐明，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。通过这样的方式，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种智能充电系统，其特征在于，包括：
充电数据单元，用于获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；
向量构造单元，用于将所述电池单体的充电数据按照预定顺序转化为充电输入向量；
特征提取单元，用于使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；
图像数据单元，用于获取摄像头所采集的电解液表面的图像；
卷积处理单元，用于将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；
高斯密度图构造单元，用于在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；
高斯混合模型构造单元，用于基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
模型分解单元，用于将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；
离散化单元，用于对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；
分类特征图构造单元，用于将所述多个分类特征向量进行二维排列以获得分类特征图；以及
充电控制结果生成单元，用于将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
2.根据权利要求1所述的智能充电系统，其中，所述特征提取单元，包括：
全连接编码子单元，用于使用所述特征编码器的全连接层提取所述充电输入向量中各个位置的特征值的高维隐含特征；以及
关联编码子单元，用于使用所述特征编码器的一维卷积层提取所述充电输入向量中相邻位置的特征值之间的关联的高维隐含特征以获得所述充电特征向量。
3.根据权利要求2所述的智能充电系统，其中，所述卷积神经网络的每层均包含池化层用于对输出进行池化处理。
4.根据权利要求3所述的智能充电系统，其中，所述高斯密度图构造单元，进一步用于：计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值以获得所述均值向量；以及，计算所述充电特征向量和所述表面特征向量的各个位置的特征值之间的方差以获得所述协方差矩阵。
5.根据权利要求4所述的智能充电系统，其中，所述离散化单元，进一步用于对每个所述高斯分布进行随机采样以获得相应的所述分类特征向量。
6.根据权利要求1所述的智能充电系统，其中，所述充电控制结果生成单元，包括：
编码子单元，用于使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；
软最大值计算单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值；以及
控制结果确定子单元，用于基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。
7.一种智能充电系统的工作方法，其特征在于，包括：
获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；
将所述电池单体的充电数据按照预定顺序转化为充电输入向量；
使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；
获取摄像头所采集的电解液表面的图像；
将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；
在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：
其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；
基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：
将所述高斯混合模型分解为多个高斯分布
其中，σi是对所述协方差矩阵∑进行特征值分解所得到的对角特征值矩阵中的相应对角位置的特征值；
对每个所述高斯分布进行高斯离散化以获得相应的分类特征向量；
将所述多个分类特征向量进行二维排列以获得分类特征图；以及
将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果。
8.根据权利要求7所述的智能充电系统的工作方法，其中，使用特征编码器对所述充电输入向量进行编码以获得充电特征向量，包括：
使用所述特征编码器的全连接层提取所述充电输入向量中各个位置的特征值的高维隐含特征；以及
使用所述特征编码器的一维卷积层提取所述充电输入向量中相邻位置的特征值之间的关联的高维隐含特征以获得所述充电特征向量。
9.根据权利要求7所述的智能充电系统的工作方法，其中，在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，包括：
计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值以获得所述均值向量；以及，计算所述充电特征向量和所述表面特征向量的各个位置的特征值之间的方差以获得所述协方差矩阵。
10.根据权利要求7所述的智能充电系统的工作方法，其中，将所述分类特征图通过分类器以获得用于反映充电电流的控制类型的分类结果，包括：
使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；
将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于各个反应充电电流的控制类型的分类标签的概率值；以及
基于所述概率值之间的比较确定所述用于反映充电电流的控制类型的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210134243.9A CN114475350A (zh) | 2022-02-14 | 2022-02-14 | 智能充电系统及其工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210134243.9A CN114475350A (zh) | 2022-02-14 | 2022-02-14 | 智能充电系统及其工作方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114475350A true CN114475350A (zh) | 2022-05-13 |
Family
ID=81479516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210134243.9A Withdrawn CN114475350A (zh) | 2022-02-14 | 2022-02-14 | 智能充电系统及其工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114475350A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114871486A (zh) * | 2022-06-21 | 2022-08-09 | 大畏机床(江苏)有限公司 | 龙门刨床及其加工控制方法 |
| CN115091725A (zh) * | 2022-07-04 | 2022-09-23 | 浙江同发塑机有限公司 | 用于生产农药包装桶的智能吹塑机及其控制方法 |
| CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
| CN115294639A (zh) * | 2022-07-11 | 2022-11-04 | 惠州市慧昊光电有限公司 | 色温可调灯带及其控制方法 |
| CN115437416A (zh) * | 2022-10-17 | 2022-12-06 | 杭州市燃气集团有限公司 | 一种天然气透平膨胀发电系统压力控制方法 |
| CN115562029A (zh) * | 2022-10-17 | 2023-01-03 | 杭州天然气有限公司 | 一种天然气透平膨胀发电机组的智能控制方法及其系统 |
| CN116026528A (zh) * | 2023-01-14 | 2023-04-28 | 慈溪市远辉照明电器有限公司 | 一种高防水安全型三防灯 |
| CN116404212A (zh) * | 2023-05-22 | 2023-07-07 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
| CN116494816A (zh) * | 2023-06-30 | 2023-07-28 | 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 |
| CN116552306A (zh) * | 2023-07-12 | 2023-08-08 | 江西驴充充充电技术有限公司 | 直流桩的监控系统及其方法 |
| CN116865400A (zh) * | 2023-07-17 | 2023-10-10 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制系统 |
| WO2024000800A1 (zh) * | 2022-06-30 | 2024-01-04 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
| CN117498262A (zh) * | 2023-10-31 | 2024-02-02 | 神州技测(深圳)科技有限公司 | 一种高压直流电子负载开关保护电路 |
-
2022
- 2022-02-14 CN CN202210134243.9A patent/CN114475350A/zh not_active Withdrawn
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114871486B (zh) * | 2022-06-21 | 2023-05-05 | 大畏机床(江苏)有限公司 | 龙门刨床及其加工控制方法 |
| CN114871486A (zh) * | 2022-06-21 | 2022-08-09 | 大畏机床(江苏)有限公司 | 龙门刨床及其加工控制方法 |
| WO2024000800A1 (zh) * | 2022-06-30 | 2024-01-04 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
| CN115091725A (zh) * | 2022-07-04 | 2022-09-23 | 浙江同发塑机有限公司 | 用于生产农药包装桶的智能吹塑机及其控制方法 |
| CN115294639A (zh) * | 2022-07-11 | 2022-11-04 | 惠州市慧昊光电有限公司 | 色温可调灯带及其控制方法 |
| CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
| CN115437416A (zh) * | 2022-10-17 | 2022-12-06 | 杭州市燃气集团有限公司 | 一种天然气透平膨胀发电系统压力控制方法 |
| CN115562029A (zh) * | 2022-10-17 | 2023-01-03 | 杭州天然气有限公司 | 一种天然气透平膨胀发电机组的智能控制方法及其系统 |
| CN116026528A (zh) * | 2023-01-14 | 2023-04-28 | 慈溪市远辉照明电器有限公司 | 一种高防水安全型三防灯 |
| CN116404212A (zh) * | 2023-05-22 | 2023-07-07 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
| CN116404212B (zh) * | 2023-05-22 | 2024-02-27 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
| 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 |
| CN116494816A (zh) * | 2023-06-30 | 2023-07-28 | 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 |
| CN116552306A (zh) * | 2023-07-12 | 2023-08-08 | 江西驴充充充电技术有限公司 | 直流桩的监控系统及其方法 |
| CN116552306B (zh) * | 2023-07-12 | 2023-09-22 | 江西驴充充充电技术有限公司 | 直流桩的监控系统及其方法 |
| CN116865400A (zh) * | 2023-07-17 | 2023-10-10 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制系统 |
| CN116865400B (zh) * | 2023-07-17 | 2024-05-24 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制系统 |
| CN117498262A (zh) * | 2023-10-31 | 2024-02-02 | 神州技测(深圳)科技有限公司 | 一种高压直流电子负载开关保护电路 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114475350A (zh) | 智能充电系统及其工作方法 | |
| Ren et al. | A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life | |
| CN115079572B (zh) | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 | |
| CN115235612B (zh) | 伺服电机的故障智能诊断系统及其诊断方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN116699297B (zh) | 充电桩检测系统及其方法 | |
| CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
| CN114202740A (zh) | 一种基于多尺度特征融合的行人重识别方法 | |
| CN115514343B (zh) | 电网波形滤波系统及其滤波方法 | |
| CN115100709B (zh) | 一种特征分离的图像人脸识别与年龄估计方法 | |
| CN114580520A (zh) | 电力系统二次设备的监测系统及其监测方法 | |
| CN111829688A (zh) | 一种锂离子电池工作过程中的温度场分布预测方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN115081332A (zh) | 用于参数识别的工况敏感度分析和数据处理方法、装置 | |
| CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
| CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
| CN117284145B (zh) | 一种高压充电设备安全监控方法 | |
| CN112364195B (zh) | 一种基于属性引导对抗哈希网络的零样本图像检索方法 | |
| WO2024020994A1 (zh) | 用于电芯的缺陷检测模型的训练方法和训练装置 | |
| CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
| CN115841149A (zh) | 基于置信度估计的卫星故障预测模型训练及故障预测方法 | |
| CN111600051B (zh) | 一种基于图像处理的质子交换膜燃料电池故障诊断方法 | |
| CN116027874A (zh) | 笔记本电脑功耗控制方法及其系统 | |
| CN115630311A (zh) | 一种考虑不确定因素相关性的风光电氢场景缩减方法 | |
| CN115122927A (zh) | 基于内外因素关联的锂电池预警系统及其预警方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220513 |