CN114977162A - 一种电动汽车充电监测方法及系统 - Google Patents

一种电动汽车充电监测方法及系统 Download PDF

Info

Publication number
CN114977162A
CN114977162A CN202210620528.3A CN202210620528A CN114977162A CN 114977162 A CN114977162 A CN 114977162A CN 202210620528 A CN202210620528 A CN 202210620528A CN 114977162 A CN114977162 A CN 114977162A
Authority
CN
China
Prior art keywords
electric vehicle
model
vehicle charging
charging monitoring
energy consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210620528.3A
Other languages
English (en)
Inventor
武洋静
王旭东
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.)
Chip City Times Shenzhen Technology Co ltd
Original Assignee
Chip City Times Shenzhen 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 Chip City Times Shenzhen Technology Co ltd filed Critical Chip City Times Shenzhen Technology Co ltd
Priority to CN202210620528.3A priority Critical patent/CN114977162A/zh
Publication of CN114977162A publication Critical patent/CN114977162A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种电动汽车充电监测方法及系统，所述方法包括：云端服务器获取数据对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；云端服务器对训练完成的电动汽车充电监测模型进行压缩，得到压缩后的电动汽车充电监测模型；将压缩后的电动汽车充电监测模型在联邦迁移学习框架下以无监督的方式迁移和部署到多个用户边缘端；多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并进行滤波处理，最终输出充电监测结果。本发明将模型部署在低算力的边缘设备中，并实现准确且低时延的检测，在保护用户数据隐私的条件下进行大规模部署。

Description

一种电动汽车充电监测方法及系统
技术领域
本发明涉及充电监测技术领域，尤其涉及一种电动汽车充电监测方法及系统。
背景技术
近年来，随着对碳排放关注的增加、电池储能技术的发展以及政策方面的扶持，电动汽车(Electric Vehicles，EV)的数量快速增长。预计到2027年，全社会电动汽车的数量将达到2.33亿辆，复合年均增长率超过20％。有利的一方面是，智能化、网联化的电动汽车正发展为能源互联网的储能终端，以V2G(Vehicle-to-grid，车辆到电网，当电动汽车不使用时，车载电池的电能销售给电网的系统，如果车载电池需要充电，电流则由电网流向车辆)的模式帮助电网调峰调频，促进新能源消纳等辅助服务，成为能源综合利用的重要方式。不利的一方面是，大规模电动汽车充电带来的高度动态能源需求将极大影响电网的稳定性(如电动汽车充电过程会将谐波引入电网)。作为电网的运营者，如果能以快速、经济的方式检测电网中的电动汽车充电事件，并由此做出相应的负荷调整，将能更好地支持电网的规划与运营。
相较于现有的充电站，未来的家用电动汽车充电桩数量规模将更大，用户使用家用充电桩进行充电时，由于存在用户隐私保护、数据收集复杂以及车联网接口差异等问题，很难直接得到家用充电桩的充电事件信息。目前，对于部署有智能电表的住宅，非侵入式负载监控(Non-intrusive load monitoring，NILM)可以从用户的总负载曲线中识别或者分解出单独某个电器的负载，因此该方法可应用于家用电动汽车充电的充电检测。由于电动汽车特有的“恒流-恒压”充电模式(充电负载曲线波动较小)，直接从用户的负载曲线中识别出电动汽车充电事件是经济可行的。
现有的非侵入式电动汽车充电监测方法主要可以分为基于规则和基于学习两种。
(1)基于规则的方法：例如，通过对电动汽车恒流-恒压模式的分析提出了稳态的负载曲线匹配方法进行电动汽车充电的检测，然而，该方法中的状态模式匹配过程计算成本较高，且需要积累较长时间的数据进行封闭运算，在高采样率计算耗时很长，有较大的检测时间延迟。例如通过对总负载曲线进行阈值处理以及对其中尖峰/噪声过滤的模型，检测分解家用电动汽车充电的负载曲线，该模型在低采样率(1/60Hz)下表现出良好的性能，并在某些含有高功率负载电器(如空调)的情况下保持了较好的准确率，然而，该模型的稳健性还没有在出现更多高功率电器的真实用电数据中得到充分验证；同时，该模型以天为时间单位进行迭代滤波计算，检测延迟较高。此外，上述方法都没考虑在实际大规模部署场景下的可扩展性和用户数据隐私保护。
(2)基于学习的方法：目前已有基于深度神经网络(Deep Neural Network，DNN)的电动车充电检测方法，例如自动编码器模型来识别电动车充电曲线，该模型由一个一维卷积层和一个自动编码器块组成，并通过过滤总功率信号来优化充电检测结果。例如还有采用了一个内嵌HMM模型(Hidden Markov Model，隐马尔可夫模型)的深度生成模型，并应用神经网络来近似估计HMM模型隐藏单元的后验分布，进而进行电动汽车充电负载的识别，该生成模型的成功训练极大依赖于数据的预处理，且预处理的成本很高。此外，上述两种方法在模型设计中，均没有考虑模型的扩展性、检测延迟和隐私保护等因素。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种电动汽车充电监测方法及系统，旨在解决现有技术中电动汽车充电监测方法无法大规模部署、未进行用户数据隐私保护和检测不准确的问题。
为实现上述目的，本发明提供一种电动汽车充电监测方法，所述电动汽车充电监测方法包括如下步骤：
云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；
云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；
多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；
多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果。
可选地，所述的电动汽车充电监测方法，其中，所述云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数，具体包括：
云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，使用Doane频率分类法对单独的电动汽车充电能耗数据进行标注，得到事件标签；
将聚合的家庭能耗数据和事件标签输入到预先设计的电动汽车充电检测模型，对电动汽车充电检测模型进行监督训练；
即：将聚合能耗读数序列输入到电动汽车充电检测模型，输出预测的电动汽车充电状态标签序列，与真实的充电状态标签序列对比并计算模型损失，获得梯度信息进行模型参数的更新，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数。
可选地，所述的电动汽车充电监测方法，其中，所述使用Doane频率分类法对单独的电动汽车充电能耗数据进行标注，得到事件标签，具体包括：
云端服务器在标注单独的电动汽车充电能耗数据时，使用Doane频率分类法对电动汽车充电的负载进行统计学特征提取；
使用负载曲线的|均值-四分位距|值作为标注充电事件的标准阈值，若单独的电动汽车充电能耗数据的值大于标准阈值，则标记为充电事件，得到事件标签。
可选地，所述的电动汽车充电监测方法，其中，真实的充电状态标签序列为对单独的电动汽车充电能耗数据进行标注获得的序列。
可选地，所述的电动汽车充电监测方法，其中，所述云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型，具体包括：
云端服务器对训练完成的电动汽车充电检测模型中的每一层参数，使用L1范数对参数向量的L1范数值进行升序排序；
在给定剪枝压缩的比例下，按比例将排在前面的模型参数设置为0，以压缩电动汽车充电检测模型，得到压缩后的电动汽车充电监测模型。
可选地，所述的电动汽车充电监测方法，其中，所述预先设计的电动汽车充电检测模型为深度神经网络模型，所述电动汽车充电检测模型包括5个一维卷积层、2个双向的LSTM层、2个全连接层、2个Relu函数和1个Sigmoid函数，除最后一层全连接层外，各层之间均包含标准化Normalization操作。
可选地，所述的电动汽车充电监测方法，其中，所述电动汽车充电检测模型的输入为聚合能耗读数序列，输出为对应输入长度的电动汽车充电状态标签序列；
其中，所述聚合能耗读数序列为聚合的家庭能耗数据，所述电动汽车充电状态标签序列为对所述聚合的家庭能耗数据进行预测的预测值。
可选地，所述的电动汽车充电监测方法，其中，所述多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端，具体包括：
多个用户边缘端接收云端服务器发送全局初始状态以及部分带有标签的数据；
多个用户边缘端使用迁移学习更新模型的参数以适应本地的数据分布，并将更新后的模型参数上传到云端服务器。
可选地，所述的电动汽车充电监测方法，其中，所述多个用户边缘端使用迁移学习更新模型的参数以适应本地的数据分布，并将更新后的模型参数上传到云端服务器，之后还包括：
云端服务器，将接收到的本地模型进行联邦平均聚合，得到新的模型全局状态，该更新后的全局状态(即全局模型参数)又可以无监督的方式迁移部署到新加入的用户边缘端，用于其电动汽车充电监测。
此外，为实现上述目的，本发明还提供一种电动汽车充电监测系统，其中，所述电动汽车充电监测系统包括：云端服务器和多个用户边缘端，所述云端服务分别和多个用户边缘端通信连接；
所述云端服务器用于获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；
所述云端服务器还用于对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；
多个用户边缘端用于接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；
多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果。
本发明中，云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果。本发明可以将电动汽车充电监测模型部署在低算力的边缘设备中，并实现准确且低时延的检测，可以在保护用户数据隐私的条件下进行大规模部署。
附图说明
图1是本发明电动汽车充电监测方法的较佳实施例的流程图；
图2是本发明电动汽车充电监测方法的较佳实施例中电动汽车充电监测模型的网络结构示意图；
图3是本发明电动汽车充电监测方法的较佳实施例中层标准化(Layernormalization)与批标准化(Batch normalization)对比示意图；
图4是本发明电动汽车充电监测方法的较佳实施例中非侵入式EV充电检测方法框架与流程示意图；
图5是本发明电动汽车充电监测方法的较佳实施例中输出滤波器过滤掉持续时间较短的(错误)预测的算法过程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有非侵入式EV充电监测方法在鲁棒性、可扩展性、隐私保护等方面存在的不足，本发明提出一种基于联邦学习框架的非侵入式EV充电检测方法(即电动汽车充电监测方法)，该方法中的模型可以部署在低算力的边缘设备中，并实现准确且低时延的检测，且具有良好的扩展性，可以在保护用户数据隐私的条件下进行大规模部署。
本发明较佳实施例所述的电动汽车充电监测方法，如图1所示，所述电动汽车充电监测方法包括以下步骤：
步骤S10、云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数。
具体地，本发明模型的训练和压缩都在云端服务器上完成，首先云端服务器获取聚合的家庭能耗数据(例如使用D1表示)和单独的电动汽车充电能耗数据(即单独的EV充电能耗数据，例如使用D2表示)，D1和D2数据可以通过公开的数据集获得，也可以通过安装电表记录功耗读数获得(例如总电表获取D1，分电表获取D2)，需要说明的是云端服务器使用的这两个数据集来自公开数据集或进行了脱敏处理，不包含任何用户隐私信息，便于保护用户的隐私。
需要使用Doane频率分类法对单独的电动汽车充电能耗数据(D2)进行标注，得到事件标签；再将聚合的家庭能耗数据(D1)和事件标签输入到电动汽车充电监测模型(EVSense模型)，对电动汽车充电监测模型进行监督训练，获取电动汽车充电监测模型的模型参数(模型参数是5个一维卷积层、2个双向的LSTM层和2个全连接层的参数)，即预先设计好了一个电动汽车充电监测模型(EVSense模型)，但此模型的模型参数并未确定，这里就是确定模型参数的过程。
对于获取到的D2数据，使用Doane频率分类法对电动汽车充电的负载进行统计学特征提取，并使用负载曲线的|均值-四分位距|值作为标注充电事件的标准阈值，标注单独的电动汽车充电能耗数据时，若单独的电动汽车充电能耗数据的值大于标准阈值，则标记为充电事件(例如数值为1，反之为0)，得到事件标签。相较于传统方法使用“0”作为标注阈值的做法，本发明的标注方法不仅能消除电表读数噪声的影响，也能提取出更加完整的电动汽车充电的事件，因此使得对D2数据的标注更加准确。
进一步地，如图2所示，所述预先设计的电动汽车充电监测模型为深度神经网络模型(Deep Neural Network)，所述电动汽车充电监测模型包括5个一维卷积层、2个双向的LSTM层、2个全连接层、2个Relu函数和1个Sigmoid函数；最后输出层的激活函数使用Sigmoid，其余的激活函数都使用Relu，此外，除最后一层全连接层外，各层之间均包含标准化Normalization操作。
所有的层之间使用层标准化(Layer normalization)操作。所述电动汽车充电监测模型的输入为聚合能耗读数序列，输出为对应输入长度的电动汽车充电状态标签序列；其中，所述聚合能耗读数序列为聚合的家庭能耗数据，所述电动汽车充电状态标签序列为对所述聚合的家庭能耗数据进行预测的预测值。即所述电动汽车充电监测模型的输入是长度为20或10的聚合能耗读数序列；输出为对应输入长度的EV充电状态标签序列，数值为“1”或“0”(“1”代表充电状态，“0”代表未充电状态)。
相较于其他深度神经网络模型常使用的批次标准化(Batch normalization)方法，本发明中提出的EVSense模型使用层标准化(Layer normalization)的方法，如图3所示，这使得标准化操作仅在序列内进行，模型训练(中的标准化过程)不受批次样本数量的影响。
将聚合能耗读数序列输入到电动汽车充电监测模型，输出预测的电动汽车充电状态标签序列，与真实的充电状态标签序列对比并计算模型损失，获得梯度信息进行模型参数的更新，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数。
通过批量样本学习以及梯度下降的方法，来更新模型的参数，具体通过输入数据到电动汽车充电监测模型(EVSense模型)中，获得EVSense模型输出的预测EV充电状态标签序列，通过与真实的充电状态标签序列(真实的充电状态标签序列为对单独的电动汽车充电能耗数据D2进行标注获得的序列)对比计算模型损失，由此获得梯度信息进行模型参数的更新(反向传播)，直到模型参数收敛或到达最大训练循环次数终止。
进一步地，因为家用电动汽车充电事件的持续时间在整个电表的时间序列记录中占相对较少的部分，属于样本不平衡的稀疏事件，因此本发明中使用二分类的Dice损失来衡量模型训练中的误差，即在模型参数训练过程中，利用损失函数(Loss function)计算当前参数下的模型预测误差，通过所述模型预测误差获得梯度信息，根据所述梯度信息通过反向传播算法优化模型参数(进一步减小预测误差)。
步骤S20、云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型。
具体地，云端服务器对步骤S10训练完成的电动汽车充电监测模型中的每一层参数，使用L1范数(模型的参数可以用向量表示，一个向量的L1范数定义为其各元素的绝对值之和)对参数向量的L1范数值进行升序排序，在给定剪枝压缩的比例下，按比例将排在前面的模型参数设置为0，设置为0的参数在模型推理过程中将不起作用，相当于将参数从模型中删除了(所以形象地称为“剪枝”)，删除这些参数后，整个模型就变小了，所以本质上是进行了模型压缩，压缩后的模型便于部署到多个用户边缘端。
步骤S30、多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端。
具体地，如图4所示，EVSense模型可以在联邦迁移学习框架下以无监督的方式迁移部署到不同用户的边缘设备上；具体流程如下：
第一步，在云端服务器，使用目前已有的标注数据训练电动汽车充电监测模型(EVSense模型)并压缩，作为初始的全局初始状态(初始状态即初始模型，在最开始的时候，这个初始模型将从云端服务器分发给各边缘终端(即多个用户边缘端)，所以称为全局初始模型或全局初始状态)，分发全局初始状态以及部分带有标签的数据(即部分D1、D2数据)到用户边缘侧(用户边缘端)，用户边缘侧(用户边缘端)即用户侧，“边缘”是相对于云端服务器(中心点)而言的。
第二步，在用户边缘侧，使用迁移学习更新模型的参数以适应本地的数据分布，并将更新后的模型参数上传到云端服务器；全局初始模型部署到某一用户侧之后，还要根据该用户的用电负载特型进行个性化的微调(因为全局模型是从公开数据集上学习出来的，不一定适用该特定用户)，这个模型参数微调的过程称为迁移学习，即对原来的全局初始模型参数更新，然后再使用更新后的模型在本地做EV的充电检测。
迁移学习使用一种相关性对齐的方法，将源域(Source domain，云端服务器相当于源域)的模型迁移到目标域(Target domain，用户边缘端相当于目标域)，首先，分别计算源域和目标域模型参数的协方差，记为C1和C2，然后使用下面的公式计算C1和C2的差异
Figure BDA0003676459260000131
Figure BDA0003676459260000141
其中||A||F为矩阵A的Frobenius范数，定义为矩阵A各项元素的绝对值平方的总和开根号；然后使用下面的公式作为损失函数对用户侧的本地模型参数进行再次训练更新：LUser＝LSupv+LCoral，其中LSupv为由部分代标签数据计算的损失值，使得模型在源域和目标域的输出信号分布一致化。
第三步，在云端服务器，将接收到的本地模型进行联邦平均聚合，得到新的模型全局状态，该更新后的全局状态(即全局模型参数)又可以无监督的方式迁移部署到新加入的用户边缘端，用于其电动汽车充电监测。
上述过程中，第一步以及第二步可以看作是整个模型迁移过程的启动阶段，第三步需要重复迭代运行，在本地达到相应性能或给定最大循环次数时终止，使用上述联邦学习框架的另一好处是，用户侧的数据无需上传到云端服务器进行模型训练，即可获得来自云端服务器的公共模型并在本地进行迁移更新，从而即保护了用户数据隐私，又保证了预测模型的准确性。
步骤S40、多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果。
具体地，多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，每个用户边缘端会将各自对应的已部署的电动汽车充电监测模型进行自适应的参数微调后再对各自的电动汽车进行充电监测，就可以直接得出电动汽车充电事件，可以在保护用户数据隐私的条件下进行大规模部署。
进一步地，还会通过输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果，具体为：对电动汽车充电状态标签序列，设定滑动窗口值以及阈值，基于输出滤波器过滤掉错误预测，消除电动汽车充电状态标签序列中的状态频繁跳动。
具体地，电动汽车充电事件一般是连续的，短到十几分钟，长到几个小时。对于模型输出的预测充电事件(即EV充电状态标签序列)，本发明设计输出滤波器进一步提升模型预测结果的准确性。对于输入给定长度的模型预测序列，通过给定滑动窗口值以及阈值，输出滤波器可以过滤掉持续时间较短的(错误)预测，消除预测充电事件序列中的状态频繁跳动，该输出滤波方法的时间复杂度为O(N)，N为输入序列长度，不需要任何事先训练与学习。
电动汽车充电监测模型在用户边缘端完成迁移和部署之后，使用该电动汽车充电监测模型进行EV充电检测；对于电动汽车充电监测模型输出的结果可能存在一些假阳性结果(如短时间内频繁的开关跳变)，因此这里设计了一种输出滤波器，对结果进行平滑处理。滤波的具体操作如图5所示。
本发明的整个过程为：全局模型训练与压缩(云端服务器)-用户侧模型迁移与部署(边缘终端设备)-用户侧模型推理(即充电监测与滤波)；其中用户侧模型通过迁移学习更新后，可以将更新后的模型上传到云端服务器，对原来的全局初始模型进行修正更新。
本发明中，EVSense模型的训练与压缩在云端服务器(计算存储能力强)上完成，模型的迁移和部署在边缘端设备(计算存储能力弱)上完成。
EVSense模型本身特有的结构设计决定其具有鲁棒性；轻量级模型(即压缩模型)的迁移部署使得该方法具有良好的可扩展性。在该框架下，用户不需要上传本地数据而直接使用压缩(和迁移)后的云端模型进行推理，具备隐私保护功能。EVSense模型支持较短长度(分钟级)的时间序列输入，可以有效提升电动汽车充电监测的实时性。
本发明的EVSense特有的模型设计(即5个一维卷积层、2个双向的LSTM层和2个全连接层)在先前的方法中没有提出和使用过；EVSense使用Dice损失函数进行训练，训练数据标注方法使用统计特征进行计算确定；EVSense模型的神经网络中间层之间使用层标准化的技术来增强训练的稳定性。
本发明使用了联邦学习的框架，并嵌入了模型压缩和迁移学习的特殊操作。可以达到的效果是既保护了用户的隐私和数据安全，同时很好地解决了EVSense模型在大规模、低算力终端上的部署和迁移问题。
有益效果：
(1)快速、准确地从电表总负载信号中检测出电动汽车充电事件。
(2)检测算法或者模型可以在用户端低算力的边缘设备上运行，且可以进行大规模部署。
(3)具备用户隐私保护属性，用户数据完全保存在本地，不同用户之间不进行数据共享。
进一步地，本发明提出的这种非侵入式电动汽车充电监测方法存在多种其他方式，例如，在主体EVSense模型中可以增加中间隐藏层的数量、宽度等；除了使用Dice损失，其他可解决不平衡样本场景训练的损失函数，也可以应用到模型的训练中。本发明所提出的针对于模型压缩、模型迁移的方法也是存在其他方式，例如，在模型压缩方面，存在有结构化剪枝，使用Frobenius范数作为参数修剪的指标等实现途径；针对模型迁移，除了本发明中所使用CORAL特征对齐方法，无监督学习中的其他域适应方法也可以应用到模型迁移的框架中。
进一步地，如图1所示，基于上述电动汽车充电监测方法，本发明还相应提供了一种电动汽车充电监测系统，所述电动汽车充电监测系统包括：云端服务器和多个用户边缘端，所述云端服务分别和多个用户边缘端通信连接；所述云端服务器用于获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；所述云端服务器还用于对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；多个用户边缘端用于接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终得到充电监测结果。
综上所述，本发明提供一种电动汽车充电监测方法及系统，所述方法包括：云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；多个用户边缘端根据各自本地数据特征对模型参数进行微调，再使用微调后的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终得到充电监测结果。本发明可以将电动汽车充电监测模型部署在低算力的边缘设备中，并实现准确且低时延的检测，可以在保护用户数据隐私的条件下进行大规模部署。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种电动汽车充电监测方法，其特征在于，所述电动汽车充电监测方法包括：
云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；
云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；
多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；
多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果。
2.根据权利要求1所述的电动汽车充电监测方法，其特征在于，所述云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数，具体包括：
云端服务器获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，使用Doane频率分类法对单独的电动汽车充电能耗数据进行标注，得到事件标签；
将聚合的家庭能耗数据和事件标签输入到预先设计的电动汽车充电检测模型，对电动汽车充电检测模型进行监督训练；
将聚合能耗读数序列输入到电动汽车充电检测模型，输出预测的电动汽车充电状态标签序列，与真实的充电状态标签序列对比并计算模型损失，获得梯度信息进行模型参数的更新，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数。
3.根据权利要求2所述的电动汽车充电监测方法，其特征在于，所述使用Doane频率分类法对单独的电动汽车充电能耗数据进行标注，得到事件标签，具体包括：
云端服务器在标注单独的电动汽车充电能耗数据时，使用Doane频率分类法对电动汽车充电的负载进行统计学特征提取；
使用负载曲线的|均值-四分位距|值作为标注充电事件的标准阈值，若单独的电动汽车充电能耗数据的值大于标准阈值，则标记为充电事件，得到事件标签。
4.根据权利要求2所述的电动汽车充电监测方法，其特征在于，真实的充电状态标签序列为对单独的电动汽车充电能耗数据进行标注获得的序列。
5.根据权利要求3所述的电动汽车充电监测方法，其特征在于，所述云端服务器对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型，具体包括：
云端服务器对训练完成的电动汽车充电检测模型中的每一层参数，使用L1范数对参数向量的L1范数值进行升序排序；
在给定剪枝压缩的比例下，按比例将排在前面的模型参数设置为0，以压缩电动汽车充电检测模型，得到压缩后的电动汽车充电监测模型。
6.根据权利要求5所述的电动汽车充电监测方法，其特征在于，所述预先设计的电动汽车充电检测模型为深度神经网络模型，所述电动汽车充电检测模型包括5个一维卷积层、2个双向的LSTM层、2个全连接层、2个Relu函数和1个Sigmoid函数，除最后一层全连接层外，各层之间均包含标准化Normalization操作。
7.根据权利要求5所述的电动汽车充电监测方法，其特征在于，所述电动汽车充电检测模型的输入为聚合能耗读数序列，输出为对应输入长度的电动汽车充电状态标签序列；
其中，所述聚合能耗读数序列为聚合的家庭能耗数据，所述电动汽车充电状态标签序列为对所述聚合的家庭能耗数据进行预测的预测值。
8.根据权利要求5所述的电动汽车充电监测方法，其特征在于，所述多个用户边缘端接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端，具体包括：
多个用户边缘端接收云端服务器发送全局初始状态以及部分带有标签的数据；
多个用户边缘端使用迁移学习更新模型的参数以适应本地的数据分布，并将更新后的模型参数上传到云端服务器。
9.根据权利要求8所述的电动汽车充电监测方法，其特征在于，所述多个用户边缘端使用迁移学习更新模型的参数以适应本地的数据分布，并将更新后的模型参数上传到云端服务器，之后还包括：
云端服务器，将接收到的本地模型进行联邦平均聚合，得到新的模型全局状态，该更新后的全局状态以无监督的方式迁移部署到新加入的用户边缘端，用于其电动汽车充电监测。
10.一种电动汽车充电监测系统，其特征在于，所述电动汽车充电监测系统包括：云端服务器和多个用户边缘端，所述云端服务分别和多个用户边缘端通信连接；
所述云端服务器用于获取聚合的家庭能耗数据和单独的电动汽车充电能耗数据，对单独的电动汽车充电能耗数据进行标注，得到事件标签，基于聚合的家庭能耗数据和事件标签对电动汽车充电监测模型进行训练，直到模型参数收敛或到达最大训练循环次数终止，最终得到所述电动汽车充电监测模型的模型参数；
所述云端服务器还用于对训练完成的所述电动汽车充电监测模型中的每一层参数，按照给定的剪枝压缩比例进行压缩，得到压缩后的电动汽车充电监测模型；
多个用户边缘端用于接收云端服务器发送的压缩后的电动汽车充电监测模型，在联邦迁移学习框架下以无监督的方式对电动汽车充电监测模型进行迁移和部署到各自用户边缘端；
多个用户边缘端使用迁移和部署的电动汽车充电监测模型对各自的电动汽车进行充电监测，并基于输出滤波器对模型输出结果进行滤波处理，最终输出充电监测结果。
CN202210620528.3A 2022-06-02 2022-06-02 一种电动汽车充电监测方法及系统 Pending CN114977162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210620528.3A CN114977162A (zh) 2022-06-02 2022-06-02 一种电动汽车充电监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210620528.3A CN114977162A (zh) 2022-06-02 2022-06-02 一种电动汽车充电监测方法及系统

Publications (1)

Publication Number Publication Date
CN114977162A true CN114977162A (zh) 2022-08-30

Family

ID=82959838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210620528.3A Pending CN114977162A (zh) 2022-06-02 2022-06-02 一种电动汽车充电监测方法及系统

Country Status (1)

Country Link
CN (1) CN114977162A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116278903A (zh) * 2023-05-24 2023-06-23 湘江实验室 基于联邦学习的电动汽车动态充电控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116278903A (zh) * 2023-05-24 2023-06-23 湘江实验室 基于联邦学习的电动汽车动态充电控制方法及系统
CN116278903B (zh) * 2023-05-24 2023-07-18 湘江实验室 基于联邦学习的电动汽车动态充电控制方法及系统

Similar Documents

Publication Publication Date Title
CN111381170A (zh) 基于大数据的电动汽车电池包健康状态预测方法及系统
CN109376772B (zh) 一种基于神经网络模型的电力负荷组合预测方法
CN112699605B (zh) 一种充电桩故障元件预测方法及系统
WO2023045790A1 (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
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
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN104951846A (zh) 微电网短期功率和负荷预测系统及误差分类动态修正方法
CN108415885A (zh) 基于近邻回归的实时公交客流预测方法
CN114977162A (zh) 一种电动汽车充电监测方法及系统
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN115859099A (zh) 样本生成方法、装置、电子设备和存储介质
CN115730635A (zh) 一种电动汽车负荷预测方法
CN108846505B (zh) 可再生能源并网消纳信息多维度校核方法及设备
Shuai et al. Intelligent diagnosis of abnormal charging for electric bicycles based on improved dynamic time warping
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
CN116298935B (zh) 一种基于对抗编码器网络的锂离子电池健康状态估计方法
CN116340753A (zh) 一种考虑非电气特征量的分布式能源区域的能源监测方法
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
CN116542148A (zh) 一种超级电容器剩余寿命的预测方法及系统
CN114912545A (zh) 基于优化vmd算法和dbn网络的电力负荷分类方法
CN115222018A (zh) 非侵入式负荷分解方法及装置
CN110298603B (zh) 分布式光伏系统容量估计方法

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