CN116215292A - 一种充电桩及其充电稳压控制方法 - Google Patents

一种充电桩及其充电稳压控制方法 Download PDF

Info

Publication number
CN116215292A
CN116215292A CN202310355044.5A CN202310355044A CN116215292A CN 116215292 A CN116215292 A CN 116215292A CN 202310355044 A CN202310355044 A CN 202310355044A CN 116215292 A CN116215292 A CN 116215292A
Authority
CN
China
Prior art keywords
voltage
frequency domain
training
decoding
feature vector
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
CN202310355044.5A
Other languages
English (en)
Inventor
金辉
戴广翀
杨天普
翟睿
徐素萍
谢中炜
王昶
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.)
Zhejiang Yidian Technology Co ltd
Original Assignee
Zhejiang Yidian 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 Zhejiang Yidian Technology Co ltd filed Critical Zhejiang Yidian Technology Co ltd
Priority to CN202310355044.5A priority Critical patent/CN116215292A/zh
Publication of CN116215292A publication Critical patent/CN116215292A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • B60L53/30—Constructional details of charging stations
    • B60L53/31—Charging columns specially adapted for electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • 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)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种充电桩及其充电稳压控制方法，其获取充电桩在预定时间段的电压信号；用基于深度学习的人工智能技术，挖掘充电桩的电压信号在时间维度上的时序分布特征信息，基于此来准确地进行电压稳定性的检测评估，以进行功率参考值的精准确定，避免过载或欠载等问题，保证充电桩的电压稳定，提高充电效率。

Description

一种充电桩及其充电稳压控制方法
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种充电桩及其充电稳压控制方法。
背景技术
电动汽车作为一种可控负荷和移动储能设备，通过合理规划，在适当的控制策略下可以为电力系统提供调峰、调频、调压等辅助服务，减少了对系统备用容量的要求，一定程度上降低了系统的投资建设成本，同时还能够增加系统运行稳定性，其中稳定电压是保证电力系统安全性与稳定性的重要条件。
随着电动汽车的不断普及，电动汽车的灵活可控的充放电特性日益得到重视，特别是对电网企业而言，电动汽车具有移动储能特性，可有力支撑电网安全稳定运行，特别是对电压稳定性的支撑。但是，目前电动汽车对电网电压的贡献集中在稳态功率支撑层面，如果采用传统解决方法解决短时变动问题，即在电网中增加动态电压恢复器等治理设备，会增加投入资金，造成不必要的资源浪费。
因此，期望一种优化的充电桩的充电稳压控制方案。
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充电桩及其充电稳压控制方法，其获取充电桩在预定时间段的电压信号；用基于深度学习的人工智能技术，挖掘充电桩的电压信号在时间维度上的时序分布特征信息，基于此来准确地进行电压稳定性的检测评估，从而进行功率参考值的精准确定，避免过载或欠载等问题，保证充电桩的电压稳定，提高充电效率。
第一方面，提供了一种充电桩及其充电稳压控制方法，其包括：
获取充电桩在预定时间段的电压信号；
对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值；
将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量；
将所电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量；
融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；以及
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值。
在上述充电桩及其充电稳压控制方法中，将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量，包括：将所述多个电压频域统计值输入所述电压频域关联特征提取器的第一卷积层以得到第一尺度电压频域特征向量，其中，所述第一卷积层具有第一尺度的感受野；将所述多个电压频域统计值输入所述电压频域关联特征提取器的第二卷积层以得到第二尺度电压频域特征向量，其中，所述第二卷积层具有第二尺度的感受野，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度电压频域特征向量和所述第二尺度电压频域特征向量进行级联以得到所述多尺度电压频域关联特征向量。
在上述充电桩及其充电稳压控制方法中，将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述电压信号波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述电压信号的波形图。
在上述充电桩及其充电稳压控制方法中，融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量，包括：以如下融合公式融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；其中，所述融合公式为：
Figure BDA0004163031530000021
其中，V为所述解码特征向量，V1为所述多尺度电压频域关联特征向量，V2为所述电压信号波形特征向量，
Figure BDA0004163031530000022
表示按位置加法，λ和β为用于控制所述多尺度电压频域关联特征向量和所述电压信号波形特征向量之间的平衡的加权参数。
在上述充电桩及其充电稳压控制方法中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
Figure BDA0004163031530000023
其中，Vd表示所述解码特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>
Figure BDA0004163031530000024
表示矩阵乘。
在上述充电桩及其充电稳压控制方法中，还包括对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练；其中，对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练，包括：获取训练数据，所述训练数据包括充电桩在预定时间段的训练电压信号，以及，所述当前时间点的推荐的功率参考值的真实值；对所述训练电压信号进行基于傅里叶变换的频域分析以得到多个训练电压频域统计值；将所述多个训练电压频域统计值通过所述包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到训练多尺度电压频域关联特征向量；将所述训练电压信号的波形图通过所述作为过滤器的卷积神经网络模型以得到训练电压信号波形特征向量；融合所述训练多尺度电压频域关联特征向量和所述训练电压信号波形特征向量以得到训练解码特征向量；对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练。
在上述充电桩及其充电稳压控制方法中，对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量，包括：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；其中，所述优化公式为：
Figure BDA0004163031530000031
其中，vi表示所述训练解码特征向量的各个位置的特征值，μ和σ分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练解码特征向量的各个位置的特征值。
在上述充电桩及其充电稳压控制方法中，将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下训练解码公式对所述训练解码特征矩阵进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure BDA0004163031530000032
其中，X是所述优化训练解码特征向量，Y是所述训练解码值，W是权重矩阵，/>
Figure BDA0004163031530000033
表示矩阵乘；以及，计算所述训练解码值和所述训练数据中所述当前时间点的推荐的功率参考值的真实值之间的方差作为所述解码损失函数值。
与现有技术相比，本申请提供的充电桩及其充电稳压控制方法，其获取充电桩在预定时间段的电压信号；用基于深度学习的人工智能技术，挖掘充电桩的电压信号在时间维度上的时序分布特征信息，基于此来准确地进行电压稳定性的检测评估，从而进行功率参考值的精准确定，避免过载或欠载等问题，保证充电桩的电压稳定，提高充电效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的充电桩的充电稳压控制方法的场景示意图。
图2为根据本申请实施例的充电桩的充电稳压控制方法的流程图。
图3为根据本申请实施例的充电桩的充电稳压控制方法的架构示意图。
图4为根据本申请实施例的充电桩的充电稳压控制方法中步骤130的子步骤的流程图。
图5为根据本申请实施例的充电桩的充电稳压控制方法中步骤170的子步骤的流程图。
图6为根据本申请实施例的充电桩的充电稳压控制系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，电动汽车具有移动储能特性，可有力支撑电网安全稳定运行，特别是对电压稳定性的支撑。但是，目前电动汽车对电网电压的贡献集中在稳态功率支撑层面，如果采用传统解决方法解决短时变动问题，即在电网中增加动态电压恢复器等治理设备，会增加投入资金，造成不必要的资源浪费。因此，期望一种优化的充电桩的充电稳压控制方案。
具体地，在本申请的技术方案中，期望通过监测充电桩/充电站的电压信号，确定其电压稳定性，并在充电桩/充电站电压不稳定时，基于电压信号确定充电桩的功率参考值，从而控制充电桩/充电站的电压稳定。具体而言，当充电桩/充电站的电压不稳定时，可以根据电压信号计算出适当的功率参考值，使充电桩的输出功率能够适应当前的电网条件，避免过载或欠载等问题，保证充电桩/充电站的电压稳定并提高充电效率。相应地，考虑到由于充电桩/充电站的电压信号在实际监测的过程中，易受到噪声干扰，导致对于电压稳定性判断的精准度较低，影响充电桩功率参考值的确定，造成电网过载或欠载问题。因此，在此过程中，难点在于如何挖掘充电桩/充电站的电压信号在时间维度上的时序分布特征信息，以此来准确地进行电压稳定性的检测评估，从而进行功率参考值的精准确定，避免过载或欠载等问题，保证充电桩/充电站的电压稳定，提高充电效率。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述充电桩/充电站的电压信号在时间维度上的时序分布特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取充电桩在预定时间段的电压信号。然后，考虑到对于所述电压信号来说，由于所述电压信号是一种时域信号，所述时域信号虽然在时间关联中对于特征的显性更为直观，但是由于所述电压信号在采集的过程中易受到噪声的干扰，导致对于电压信号的特征提取准度较低，进而影响对于电压稳定性的判断。并且，还考虑到由于频域信号的特征却不同于时域信号，将所述电压信号转换到频域中，能够通过所述电压信号在频域中的隐含特征分布信息确定充电桩的电压是否稳定，从而确定功率参考值来使充电桩的输出功率能够适应当前的电网条件，但是其在所述电压信号的特征显性上并不直观，忽略了时间上的关联特征。因此，在本申请的技术方案中，采用所述电压信号在时域与频域上的隐含特征的结合的方式来进行电压的稳定性检测。
基于此，考虑到所述电压信号中具有较多的特征信息，并且这些特征信息之间具有着关联性，因此，在进行信号的频域特征提取时，为了能够充分地挖掘出所述电压信号在频域中的特征分布的关联特征信息，以此来提高电压稳定性检测的精准度，进一步对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值。
然后，在对所述电压信号进行频域分析的过程中，考虑到由于所述各个电压频域统计值之间具有着关联关系，并且这种关联关系在不同的电压频域统计特征值类型跨度下具有着不同的隐含关联特征信息。因此，在本申请的技术方案中，为了能够充分地进行所述电压信号的电压频域统计特征值的关联性特征表达，进一步将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的感受野来进行所述多个电压频域统计值的特征挖掘，以此来提取出所述各个电压频域统计值之间在不同的类型跨度下的多尺度电压频域关联特征信息。
进一步地，对于所述电压信号的时域信号来说，由于所述电压信号在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述电压信号的波形图的特征挖掘，以此来提取出所述电压信号的波形图中关于电压信号的时域高维隐含特征分布信息，从而得到电压信号波形特征向量。
接着，进一步再融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量，以融合所述充电桩的电压信号的波形图的时域高维隐含特征信息和所述多个电压频域统计值的多尺度关联特征信息，以此基于所述电压信号的时域分布特征信息和频域统计关联特征信息来综合进行所述电压信号的特征表达，以此来提高对于所述充电桩的电压信号的高维隐含特征的刻画充分性，并以此作为解码特征向量来通过解码器中进行解码回归，以得到用于表示当前时间点的推荐的功率参考值的解码值。也就是说，以所述电压信号的时域和频域融合特征信息来进行解码，从而对于电压的稳定性进行评估，以此来对于功率参考值进行确定，使充电桩的输出功率能够适应当前的电网条件，避免出现过载或欠载等问题。
特别地，在本申请的技术方案中，为了充分利用所述多尺度电压频域关联特征向量所表达的电压信号的频域统计特征的多尺度邻域关联特征和所述电压信号波形特征向量表达的所述电压信号的波形图的基于卷积核的图像局部邻域模式特征，优选地通过直接级联所述多尺度电压频域关联特征向量和所述电压信号波形特征向量来得到所述解码特征向量。但是，这样就会在所述多尺度电压频域关联特征向量和所述电压信号波形特征向量的级联位置引入分布间隙(distribution gap)。另一方面，由于所述多尺度电压频域关联特征向量是通过对多个电压频域统计值进行多尺度一维卷积编码得到，而所述电压信号波形特征向量是通过对所述电压信号的波形图进行深度卷积编码得到，因所述多个电压频域统计值为离散分布和所述电压信号的波形图为图像数据，即两者在数据源域存在明显异质性，且两者的特征编码方式也完全不同，因此，所述电压信号波形特征向量和所述多尺度电压频域关联特征向量的特征表达在高维数据特征空间中存在明显的特征分布不对齐。这两方面叠加就会导致所述解码特征向量的整体特征分布的连续性差，影响模型训练时的训练效果。
基于此，本申请的申请人对所述解码特征向量，例如记为V进行耿贝尔(Gumbel)正态周期性重参数化，以获得优化后的解码特征向量V′，具体表示为：
Figure BDA0004163031530000061
μ和σ分别是特征值集合vi∈V的均值和方差，且vi′∈V′。
这里，所述耿贝尔正态周期性重参数化通过将解码特征向量V的各个位置的特征值vi转换为其概率分布的角特征表达，来基于耿贝尔(Gumbel)分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高优化后的解码特征向量V′在训练时，损失函数的梯度在模型中反向传播的动态连续波动能力，以提高深度神经网络模型在训练过程中的动态应用性，从而补偿所述解码特征向量的特征分布的连续性差对训练效果，例如训练速度和收敛结果准确度的影响。这样，能够准确地进行充电桩的电压稳定性检测评估，从而进行功率参考值的精准确定，避免出现过载或欠载等问题，保证充电桩的电压稳定，提高充电效率。
图1为根据本申请实施例的充电桩的充电稳压控制方法的场景示意图。如图1所示，在该应用场景中，首先，获取充电桩(例如，如图1中所示意的M)在预定时间段的电压信号(例如，如图1中所示意的C)；然后，将获取的电压信号输入至部署有充电桩的充电稳压控制算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于充电桩的充电稳压控制算法对所述电压信号进行处理，以生成用于表示当前时间点的推荐的功率参考值的解码值。
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。
在本申请的一个实施例中，图2为根据本申请实施例的充电桩的充电稳压控制方法的流程图。如图2所示，根据本申请实施例的充电桩的充电稳压控制方法100，包括：110，获取充电桩在预定时间段的电压信号；120，对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值；130，将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量；140，将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量；150，融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；以及，160，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值。
图3为根据本申请实施例的充电桩的充电稳压控制方法的架构示意图。如图3所示，在该网络架构中，首先，获取充电桩在预定时间段的电压信号；然后，对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值；接着，将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量；然后，将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量；接着，融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；以及，最后，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值。
具体地，在步骤110中，获取充电桩在预定时间段的电压信号。如上所述，电动汽车具有移动储能特性，可有力支撑电网安全稳定运行，特别是对电压稳定性的支撑。但是，目前电动汽车对电网电压的贡献集中在稳态功率支撑层面，如果采用传统解决方法解决短时变动问题，即在电网中增加动态电压恢复器等治理设备，会增加投入资金，造成不必要的资源浪费。因此，期望一种优化的充电桩的充电稳压控制方案。
具体地，在本申请的技术方案中，期望通过监测充电桩/充电站的电压信号，确定其电压稳定性，并在充电桩/充电站电压不稳定时，基于电压信号确定充电桩的功率参考值，从而控制充电桩/充电站的电压稳定。具体而言，当充电桩/充电站的电压不稳定时，可以根据电压信号计算出适当的功率参考值，使充电桩的输出功率能够适应当前的电网条件，避免过载或欠载等问题，保证充电桩/充电站的电压稳定并提高充电效率。相应地，考虑到由于充电桩/充电站的电压信号在实际监测的过程中，易受到噪声干扰，导致对于电压稳定性判断的精准度较低，影响充电桩功率参考值的确定，造成电网过载或欠载问题。因此，在此过程中，难点在于如何挖掘充电桩/充电站的电压信号在时间维度上的时序分布特征信息，以此来准确地进行电压稳定性的检测评估，从而进行功率参考值的精准确定，避免过载或欠载等问题，保证充电桩/充电站的电压稳定，提高充电效率。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述充电桩/充电站的电压信号在时间维度上的时序分布特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取充电桩在预定时间段的电压信号。
具体地，在步骤120中，对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值。然后，考虑到对于所述电压信号来说，由于所述电压信号是一种时域信号，所述时域信号虽然在时间关联中对于特征的显性更为直观，但是由于所述电压信号在采集的过程中易受到噪声的干扰，导致对于电压信号的特征提取准度较低，进而影响对于电压稳定性的判断。并且，还考虑到由于频域信号的特征却不同于时域信号，将所述电压信号转换到频域中，能够通过所述电压信号在频域中的隐含特征分布信息确定充电桩的电压是否稳定，从而确定功率参考值来使充电桩的输出功率能够适应当前的电网条件，但是其在所述电压信号的特征显性上并不直观，忽略了时间上的关联特征。因此，在本申请的技术方案中，采用所述电压信号在时域与频域上的隐含特征的结合的方式来进行电压的稳定性检测。
基于此，考虑到所述电压信号中具有较多的特征信息，并且这些特征信息之间具有着关联性，因此，在进行信号的频域特征提取时，为了能够充分地挖掘出所述电压信号在频域中的特征分布的关联特征信息，以此来提高电压稳定性检测的精准度，进一步对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值。
具体地，在步骤130中，将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量。然后，在对所述电压信号进行频域分析的过程中，考虑到由于所述各个电压频域统计值之间具有着关联关系，并且这种关联关系在不同的电压频域统计特征值类型跨度下具有着不同的隐含关联特征信息。
因此，在本申请的技术方案中，为了能够充分地进行所述电压信号的电压频域统计特征值的关联性特征表达，进一步将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的感受野来进行所述多个电压频域统计值的特征挖掘，以此来提取出所述各个电压频域统计值之间在不同的类型跨度下的多尺度电压频域关联特征信息。
图4为根据本申请实施例的充电桩的充电稳压控制方法中步骤130的子步骤的流程图，如图4所示，将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量，包括：131，将所述多个电压频域统计值输入所述电压频域关联特征提取器的第一卷积层以得到第一尺度电压频域特征向量，其中，所述第一卷积层具有第一尺度的感受野；132，将所述多个电压频域统计值输入所述电压频域关联特征提取器的第二卷积层以得到第二尺度电压频域特征向量，其中，所述第二卷积层具有第二尺度的感受野，所述第一尺度不同于所述第二尺度；以及，133，将所述第一尺度电压频域特征向量和所述第二尺度电压频域特征向量进行级联以得到所述多尺度电压频域关联特征向量。
值得一提的是，相较于传统的特征工程，所述电压频域关联特征提取器本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述电压频域关联特征提取器包含多个并行的一维卷积层，其中，在所述电压频域关联特征提取器进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在步骤140中，将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量。进一步地，对于所述电压信号的时域信号来说，由于所述电压信号在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述电压信号的波形图的特征挖掘，以此来提取出所述电压信号的波形图中关于电压信号的时域高维隐含特征分布信息，从而得到电压信号波形特征向量。
其中，将所述电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述电压信号波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述电压信号的波形图。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤150中，融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量。接着，进一步再融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量，以融合所述充电桩的电压信号的波形图的时域高维隐含特征信息和所述多个电压频域统计值的多尺度关联特征信息，以此基于所述电压信号的时域分布特征信息和频域统计关联特征信息来综合进行所述电压信号的特征表达，以此来提高对于所述充电桩的电压信号的高维隐含特征的刻画充分性。
其中，以如下融合公式融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；其中，所述融合公式为：
Figure BDA0004163031530000101
其中，V为所述解码特征向量，V1为所述多尺度电压频域关联特征向量，V2为所述电压信号波形特征向量，
Figure BDA0004163031530000102
表示按位置加法，λ和β为用于控制所述多尺度电压频域关联特征向量和所述电压信号波形特征向量之间的平衡的加权参数。
具体地，在步骤160中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值。并以解码特征向量作为解码特征向量来通过解码器中进行解码回归，以得到用于表示当前时间点的推荐的功率参考值的解码值。也就是说，以所述电压信号的时域和频域融合特征信息来进行解码，从而对于电压的稳定性进行评估，以此来对于功率参考值进行确定，使充电桩的输出功率能够适应当前的电网条件，避免出现过载或欠载等问题。
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
Figure BDA0004163031530000103
其中，Vd表示所述解码特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>
Figure BDA0004163031530000104
表示矩阵乘。
进一步地，所述充电桩的充电稳压控制方法，还包括对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练；图5为根据本申请实施例的充电桩的充电稳压控制方法中步骤170的子步骤的流程图，如图5所示，其中，对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练，包括：171，获取训练数据，所述训练数据包括充电桩在预定时间段的训练电压信号，以及，所述当前时间点的推荐的功率参考值的真实值；172，对所述训练电压信号进行基于傅里叶变换的频域分析以得到多个训练电压频域统计值；173，将所述多个训练电压频域统计值通过所述包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到训练多尺度电压频域关联特征向量；174，将所述训练电压信号的波形图通过所述作为过滤器的卷积神经网络模型以得到训练电压信号波形特征向量；175，融合所述训练多尺度电压频域关联特征向量和所述训练电压信号波形特征向量以得到训练解码特征向量；176，对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；177，将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值；以及，178，基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练。
特别地，在本申请的技术方案中，为了充分利用所述多尺度电压频域关联特征向量所表达的电压信号的频域统计特征的多尺度邻域关联特征和所述电压信号波形特征向量表达的所述电压信号的波形图的基于卷积核的图像局部邻域模式特征，优选地通过直接级联所述多尺度电压频域关联特征向量和所述电压信号波形特征向量来得到所述解码特征向量。但是，这样就会在所述多尺度电压频域关联特征向量和所述电压信号波形特征向量的级联位置引入分布间隙(distribution gap)。另一方面，由于所述多尺度电压频域关联特征向量是通过对多个电压频域统计值进行多尺度一维卷积编码得到，而所述电压信号波形特征向量是通过对所述电压信号的波形图进行深度卷积编码得到，因所述多个电压频域统计值为离散分布和所述电压信号的波形图为图像数据，即两者在数据源域存在明显异质性，且两者的特征编码方式也完全不同，因此，所述电压信号波形特征向量和所述多尺度电压频域关联特征向量的特征表达在高维数据特征空间中存在明显的特征分布不对齐。这两方面叠加就会导致所述解码特征向量的整体特征分布的连续性差，影响模型训练时的训练效果。
基于此，本申请的申请人对所述解码特征向量，例如记为V进行耿贝尔(Gumbel)正态周期性重参数化，以获得优化后的解码特征向量V′，具体表示为：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；其中，所述优化公式为：
Figure BDA0004163031530000111
其中，vi表示所述训练解码特征向量的各个位置的特征值，μ和σ分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练解码特征向量的各个位置的特征值。
这里，所述耿贝尔正态周期性重参数化通过将解码特征向量V的各个位置的特征值vi转换为其概率分布的角特征表达，来基于耿贝尔(Gumbel)分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高优化后的解码特征向量V′在训练时，损失函数的梯度在模型中反向传播的动态连续波动能力，以提高深度神经网络模型在训练过程中的动态应用性，从而补偿所述解码特征向量的特征分布的连续性差对训练效果，例如训练速度和收敛结果准确度的影响。这样，能够准确地进行充电桩的电压稳定性检测评估，从而进行功率参考值的精准确定，避免出现过载或欠载等问题，保证充电桩的电压稳定，提高充电效率。
进一步地，将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下训练解码公式对所述训练解码特征矩阵进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure BDA0004163031530000121
其中，X是所述优化训练解码特征向量，Y是所述训练解码值，W是权重矩阵，/>
Figure BDA0004163031530000122
表示矩阵乘；以及，计算所述训练解码值和所述训练数据中所述当前时间点的推荐的功率参考值的真实值之间的方差作为所述解码损失函数值。
综上，基于本申请实施例的充电桩的充电稳压控制方法100被阐明，其获取充电桩在预定时间段的电压信号；用基于深度学习的人工智能技术，挖掘充电桩的电压信号在时间维度上的时序分布特征信息，基于此来准确地进行电压稳定性的检测评估，从而进行功率参考值的精准确定，避免过载或欠载等问题，保证充电桩的电压稳定，提高充电效率。
在本申请的一个实施例中，图6为根据本申请实施例的充电桩的充电稳压控制系统的框图。如图6所示，根据本申请实施例的充电桩的充电稳压控制系统200，包括：信号获取模块210，用于获取充电桩在预定时间段的电压信号；频域分析模块220，用于对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值；多尺度模块230，用于将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量；特征提取模块240，用于将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量；融合模块250，用于融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；以及，解码模块260，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，所述多尺度模块，包括：第一尺度单元，用于将所述多个电压频域统计值输入所述电压频域关联特征提取器的第一卷积层以得到第一尺度电压频域特征向量，其中，所述第一卷积层具有第一尺度的感受野；第二尺度单元，用于将所述多个电压频域统计值输入所述电压频域关联特征提取器的第二卷积层以得到第二尺度电压频域特征向量，其中，所述第二卷积层具有第二尺度的感受野，所述第一尺度不同于所述第二尺度；以及，级联单元，用于将所述第一尺度电压频域特征向量和所述第二尺度电压频域特征向量进行级联以得到所述多尺度电压频域关联特征向量。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述电压信号波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述电压信号的波形图。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，所述融合模块，用于：以如下融合公式融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；其中，所述融合公式为：
Figure BDA0004163031530000131
其中，V为所述解码特征向量，V1为所述多尺度电压频域关联特征向量，V2为所述电压信号波形特征向量，
Figure BDA0004163031530000132
表示按位置加法，λ和β为用于控制所述多尺度电压频域关联特征向量和所述电压信号波形特征向量之间的平衡的加权参数。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，所述解码模块，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
Figure BDA0004163031530000133
其中，Vd表示所述解码特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>
Figure BDA0004163031530000134
表示矩阵乘。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，还包括对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括充电桩在预定时间段的训练电压信号，以及，所述当前时间点的推荐的功率参考值的真实值；训练频域分析单元，用于对所述训练电压信号进行基于傅里叶变换的频域分析以得到多个训练电压频域统计值；训练多尺度单元，用于将所述多个训练电压频域统计值通过所述包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到训练多尺度电压频域关联特征向量；训练特征提取单元，用于将所述训练电压信号的波形图通过所述作为过滤器的卷积神经网络模型以得到训练电压信号波形特征向量；训练融合单元，用于融合所述训练多尺度电压频域关联特征向量和所述训练电压信号波形特征向量以得到训练解码特征向量；训练优化单元，用于对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；解码损失函数值单元，用于将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值；以及，训练单元，用于基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，所述训练优化单元，用于：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；其中，所述优化公式为：
Figure BDA0004163031530000135
其中，vi表示所述训练解码特征向量的各个位置的特征值，μ和σ分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练解码特征向量的各个位置的特征值。
在一个具体示例中，在上述充电桩的充电稳压控制系统中，所述解码损失函数值单元，包括：训练解码子单元，用于使用所述解码器以如下训练解码公式对所述训练解码特征矩阵进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure BDA0004163031530000141
其中，X是所述优化训练解码特征向量，Y是所述训练解码值，W是权重矩阵，/>
Figure BDA0004163031530000142
表示矩阵乘；以及，计算子单元，用于计算所述训练解码值和所述训练数据中所述当前时间点的推荐的功率参考值的真实值之间的方差作为所述解码损失函数值。
这里，本领域技术人员可以理解，上述充电桩的充电稳压控制系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的充电桩的充电稳压控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的充电桩的充电稳压控制系统200可以实现在各种终端设备中，例如用于充电桩的充电稳压控制系统的服务器等。在一个示例中，根据本申请实施例的充电桩的充电稳压控制系统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，该充电桩的充电稳压控制系统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，该充电桩的充电稳压控制系统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，该充电桩的充电稳压控制系统200与该终端设备也可以是分立的设备，并且充电桩的充电稳压控制系统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。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，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执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (8)

1.一种充电桩的充电稳压控制方法，其特征在于，包括：
获取充电桩在预定时间段的电压信号；
对所述电压信号进行基于傅里叶变换的频域分析以得到多个电压频域统计值；
将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量；
将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量；
融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；以及
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值。
2.根据权利要求1所述的充电桩的充电稳压控制方法，其特征在于，将所述多个电压频域统计值通过包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到多尺度电压频域关联特征向量，包括：
将所述多个电压频域统计值输入所述电压频域关联特征提取器的第一卷积层以得到第一尺度电压频域特征向量，其中，所述第一卷积层具有第一尺度的感受野；
将所述多个电压频域统计值输入所述电压频域关联特征提取器的第二卷积层以得到第二尺度电压频域特征向量，其中，所述第二卷积层具有第二尺度的感受野，所述第一尺度不同于所述第二尺度；以及
将所述第一尺度电压频域特征向量和所述第二尺度电压频域特征向量进行级联以得到所述多尺度电压频域关联特征向量。
3.根据权利要求2所述的充电桩的充电稳压控制方法，其特征在于，将电压信号的波形图通过作为过滤器的卷积神经网络模型以得到电压信号波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述电压信号波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述电压信号的波形图。
4.根据权利要求3所述的充电桩的充电稳压控制方法，其特征在于，融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量，包括：以如下融合公式融合所述多尺度电压频域关联特征向量和所述电压信号波形特征向量以得到解码特征向量；
其中，所述融合公式为：
Figure FDA0004163031520000021
其中，V为所述解码特征向量，V1为所述多尺度电压频域关联特征向量，V2为所述电压信号波形特征向量，
Figure FDA0004163031520000022
表示按位置加法，λ和β为用于控制所述多尺度电压频域关联特征向量和所述电压信号波形特征向量之间的平衡的加权参数。/>
5.根据权利要求4所述的充电桩的充电稳压控制方法，其特征在于，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐的功率参考值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；
其中，所述解码公式为：
Figure FDA0004163031520000023
其中，Vd表示所述解码特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>
Figure FDA0004163031520000024
表示矩阵乘。
6.根据权利要求5所述的充电桩的充电稳压控制方法，其特征在于，还包括对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练；
其中，对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练，包括：
获取训练数据，所述训练数据包括充电桩在预定时间段的训练电压信号，以及，所述当前时间点的推荐的功率参考值的真实值；
对所述训练电压信号进行基于傅里叶变换的频域分析以得到多个训练电压频域统计值；
将所述多个训练电压频域统计值通过所述包含第一卷积层和第二卷积层的电压频域关联特征提取器以得到训练多尺度电压频域关联特征向量；
将所述训练电压信号的波形图通过所述作为过滤器的卷积神经网络模型以得到训练电压信号波形特征向量；
融合所述训练多尺度电压频域关联特征向量和所述训练电压信号波形特征向量以得到训练解码特征向量；
对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；
将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值；以及
基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的电压频域关联特征提取器、所述作为过滤器的卷积神经网络模型和所述解码器进行训练。
7.根据权利要求6所述的充电桩的充电稳压控制方法，其特征在于，对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量，包括：
以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；
其中，所述优化公式为：
Figure FDA0004163031520000031
其中，vi表示所述训练解码特征向量的各个位置的特征值，μ和σ分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练解码特征向量的各个位置的特征值。
8.根据权利要求7所述的充电桩的充电稳压控制方法，其特征在于，将所述优化训练解码特征向量通过所述解码器以得到解码损失函数值，包括：
使用所述解码器以如下训练解码公式对所述训练解码特征矩阵进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure FDA0004163031520000032
其中，X是所述优化训练解码特征向量，Y是所述训练解码值，W是权重矩阵，/>
Figure FDA0004163031520000033
表示矩阵乘；以及
计算所述训练解码值和所述训练数据中所述当前时间点的推荐的功率参考值的真实值之间的方差作为所述解码损失函数值。
CN202310355044.5A 2023-04-06 2023-04-06 一种充电桩及其充电稳压控制方法 Pending CN116215292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310355044.5A CN116215292A (zh) 2023-04-06 2023-04-06 一种充电桩及其充电稳压控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310355044.5A CN116215292A (zh) 2023-04-06 2023-04-06 一种充电桩及其充电稳压控制方法

Publications (1)

Publication Number Publication Date
CN116215292A true CN116215292A (zh) 2023-06-06

Family

ID=86584550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310355044.5A Pending CN116215292A (zh) 2023-04-06 2023-04-06 一种充电桩及其充电稳压控制方法

Country Status (1)

Country Link
CN (1) CN116215292A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116639010A (zh) * 2023-07-24 2023-08-25 江西驴宝宝通卡科技有限公司 充电桩的智能控制系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116639010A (zh) * 2023-07-24 2023-08-25 江西驴宝宝通卡科技有限公司 充电桩的智能控制系统及其方法
CN116639010B (zh) * 2023-07-24 2023-10-20 江西驴宝宝通卡科技有限公司 充电桩的智能控制系统及其方法

Similar Documents

Publication Publication Date Title
Moreno et al. Wind speed forecasting approach based on singular spectrum analysis and adaptive neuro fuzzy inference system
Mahdi et al. Post-fault prediction of transient instabilities using stacked sparse autoencoder
Gu et al. Feature selection for transient stability assessment based on kernelized fuzzy rough sets and memetic algorithm
Li et al. Transient stability prediction based on apparent impedance trajectory recorded by PMUs
CN110889111A (zh) 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法
CN114239725B (zh) 一种面向数据投毒攻击的窃电检测方法
Liu et al. Non‐parametric statistics‐based predictor enabling online transient stability assessment
CN116215292A (zh) 一种充电桩及其充电稳压控制方法
CN112947672B (zh) 一种光伏电池最大功率点跟踪方法及装置
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN116086790A (zh) 氢燃料电池高压阀的性能检测方法及其系统
Andreassen et al. Parameter estimation using neural networks in the presence of detector effects
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
US20150331062A1 (en) Failure Detection Method and Detection Device for Inverter
CN111582630A (zh) 一种用于确定低压台区线损率评估值的方法及系统
CN104239689B (zh) 基于优化相关向量机的短期风速预测方法
CN105224954A (zh) 一种基于Single-pass去除小话题影响的话题发现方法
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
CN116204771A (zh) 电力系统暂态稳定关键特征选择方法、装置及产品
CN112016774A (zh) 一种基于数据增强技术的配网运行状态辨识方法及系统
CN111027879A (zh) 一种基于som-fat的电力系统连锁故障预测方法
CN113158134B (zh) 非侵入式负荷辨识模型的构建方法、装置和存储介质
CN113128130B (zh) 一种判断直流配电系统稳定性的实时监测方法及装置
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN116975742A (zh) 局部放电模式识别方法、装置、设备和存储介质

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