CN116245511A - 服务阶段确定方法、服务阶段确定装置、运维方法和介质 - Google Patents
服务阶段确定方法、服务阶段确定装置、运维方法和介质 Download PDFInfo
- Publication number
- CN116245511A CN116245511A CN202310226656.4A CN202310226656A CN116245511A CN 116245511 A CN116245511 A CN 116245511A CN 202310226656 A CN202310226656 A CN 202310226656A CN 116245511 A CN116245511 A CN 116245511A
- Authority
- CN
- China
- Prior art keywords
- service
- gun head
- data set
- phase
- preset threshold
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012423 maintenance Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000036541 health Effects 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims description 58
- 230000015556 catabolic process Effects 0.000 claims description 45
- 238000006731 degradation reaction Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010049119 Emotional distress Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种用于充电桩枪头的服务阶段确定方法、服务阶段确定装置、运维方法和计算机可读存储介质,其中,所述服务阶段包括健康阶段和异常阶段,所述服务阶段确定方法包括如下步骤:获取关于待测枪头的时序数据集;获取所述时序数据集的预设维度的时序表征矩阵以及所述时序表征矩阵相对于基准表征矩阵的中心距离,其中,所述基准表征矩阵预先基于处于健康阶段的枪头进行构建;基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段,其中,所述预设阈值基于处于异常阶段的枪头预先进行确定。该服务阶段确定方法可以较简单且较高效率地对枪头的运行状况进行判定,并且使得相关措施的提前介入成为可能。
Description
技术领域
本发明涉及一种用于充电桩枪头的服务阶段确定方法、服务阶段确定装置、用于充电桩枪头的运维方法以及用于执行这样的服务阶段确定方法的计算机可读存储介质。在此,该充电桩枪头可用于对电动汽车进行充电服务,并且可涉及到纯电动汽车和混合动力汽车。
背景技术
充电桩、尤其超充桩的出现缓解了或消除了电动汽车车主对续航里程的焦虑,其中,为了实现对动力电池的快充,市面上的超充桩可实现480kW的充电功率或高达800V的充电电压。随着超充桩的充电频次的增加,枪头的温升指数和磨损加剧,这可加速导致枪头失效的发生。一般情况下,在枪头达到失效点或服务时间达到规定阈值时,对枪头进行更换。这种一刀切的监管和维修方式,不仅是资源浪费的且是效率较低的,其中,在达到失效点时才召唤运维人员介入,存在滞后性。鉴于此,亟需提供一种完善的监管机制和监管方法,其能够较精准地并且可提前预知到充电桩枪头的失效,由此提高充电桩枪头的运维效率。
发明内容
根据不同的方面,本发明的目的在于提供一种用于充电桩枪头的服务阶段确定方法、装置、运维方法和计算机可读存储介质。
此外,本发明还旨在解决或者缓解现有技术中存在的其它技术问题。
本发明通过提供一种用于充电桩枪头的服务阶段来解决上述问题,具体而言,所述服务阶段包括健康阶段和异常阶段,所述服务阶段确定方法包括如下步骤:
获取关于待测枪头的时序数据集;
获取所述时序数据集的预设维度的时序表征矩阵以及所述时序表征矩阵相对于基准表征矩阵的中心距离,其中,所述基准表征矩阵预先基于处于健康阶段的枪头进行构建;
基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段,其中,所述预设阈值基于处于异常阶段的枪头预先进行确定。
根据本发明的一方面所提出的服务阶段确定方法,所述异常阶段包括限流阶段和劣化阶段,所述预设阈值相应地包括限流预设阈值和劣化预设阈值,其中,所述限流预设阈值基于处于限流阶段中的枪头预先确定,所述劣化预设阈值基于处于劣化阶段中的枪头预先确定。
根据本发明的一方面所提出的服务阶段确定方法,所述获取关于待测枪头的时序数据集包括如下子步骤:
获取待测枪头在固定时间步长上的关于充电服务的要素数据集,所述固定时间步长涵盖至少一次充电服务;
根据所配属的时间戳信息,将所述要素数据集整合成时序数据集;
其中,所述要素数据集关联用于表征枪头充电服务所维持的时间长度、用于表征充电服务期间的环境温度、在充电服务期间的枪头温度。
根据本发明的一方面所提出的服务阶段确定方法,借助于经训练的表征学习模型来获取所述时序表征矩阵和所述中心距离,所述表征学习模型包括储备池计算子模型、时序表征子模型和中心距离生成子模型。
根据本发明的一方面所提出的服务阶段确定方法,所述时序表征子模型以如下公式求解所述时序数据集的时序表征矩阵C:
其中,E(ti)表示损失函数;
x(ti)表示在ti时刻的储备池计算子模型的输出;
|| ||2表示求范数;
δ为控制参数且是固定的;
根据本发明的一方面所提出的服务阶段确定方法,利用谱聚类方法优化时序表征矩阵C的求解,所述时序表征矩阵C表示为:
C=R(R+δ2I)-1,
其中,R=E(ti)[x(ti)x(ti)T];
I为N*N的单位矩阵;
δ为控制参数且是固定的。
根据本发明的一方面所提出的服务阶段确定方法,基于无监督学习方法根据如下步骤来训练所述表征学习模型:
获取枪头的健康样本数据集、限流样本数据集和劣化样本数据集;
基于一部分限流样本数据集和一部分劣化样本数据集,对所述表征学习模型进行预训练和预测试,以得到所述限流预设阈值和所述劣化预设阈值;
基于另一部分限流样本数据集和另一部分劣化样本数据集,对所述表征学习模型进行融合再训练直至所述表征学习模型的损失函数收敛。
根据本发明的一方面所提出的服务阶段确定方法,所述获取枪头的健康样本数据集、限流样本数据集和劣化样本数据集包括如下子步骤:
获取多个枪头的全生命周期内的充电服务数据并将其分别划分成健康服务数据、限流服务数据和劣化服务数据;
以所述固定时间步长,对各枪头的健康服务数据、限流服务数据和劣化服务数据分别进行划分并且分别整合成所述健康样本数据集、限流样本数据集和劣化样本数据集。
根据本发明的一方面所提出的服务阶段确定方法,利用聚类方法或求平均值方法获取所述限流预设阈值和所述劣化预设阈值。
根据本发明的另一方面,还提出一种用于执行这样的服务阶段确定方法的服务阶段确定装置,其包括:
获取模块,其配置成获取关于待测枪头的时序数据集;
表征学习模块,其配置成获取所述时序数据集的预设维度的时序表征矩阵以及所述时序表征矩阵相对于基准表征矩阵的中心距离,其中,所述基准表征矩阵预先基于处于健康阶段的枪头进行构建;
确定模块,其配置成基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段,其中,所述预设阈值基于处于异常阶段的枪头预先进行确定。
根据本发明的再一方面,还提出一种用于充电桩枪头的运维方法,其包括如下步骤:
获取预设空间范围内的待测枪头的属性信息;
基于上面所阐述的服务阶段确定方法,确定各待测枪头的服务阶段;
将关于所确定的各待测枪头的服务阶段的信息进行整合和显示。
根据本发明的再一方面所提出的运维方法,所述异常阶段包括限流阶段和劣化阶段,其中,若确定所述待测枪头处于限流阶段,则降低所述待测枪头的最大充电电压或最大充电功率;若确定所述待测枪头处于劣化阶段,则对所述待测枪头进行更换。
最后,根据本发明的又一方面,还提出一种计算机可读存储介质,在所述计算机可读存储介质上存储有计算机程序,其中,所述计算机程序被处理器执行时实现上面所阐述的用于充电桩枪头的服务阶段确定方法。
通过连续的时序数据集以及时序表征矩阵的引入,这种服务阶段确定方法可以较简单且较高效率地对枪头的运行状况进行判定,并且使得相关措施的提前介入成为可能。
附图说明
参考附图,本发明的上述以及其它的特征将变得显而易见,其中,
图1和图2分别示出根据本发明的服务阶段确定方法的主要步骤;
图3示出根据本发明的服务阶段确定装置的结构简图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明实质精神下,本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的,它们是相对的概念,因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以,也不应当将这些或者其他的方位用语解释为限制性用语。此外,术语“第一”、“第二”、“第三”等或类似表述仅用于描述与区分目的,而不能理解为指示或暗示相应的构件的相对重要性。
下面结合图1和2来较详细地阐述根据本发明的方法,并且结合图3来详细地阐述用于执行这样的方法的装置,其中,该方法用于确定(充电桩的)待测枪头的服务阶段、尤其当前所处的服务阶段。在此,借助根据本发明的服务阶段确定装置以预先确定的时间间隔或实时对待测枪头进行检测。示例性地,该装置可集成在充电桩中、尤其可集成在充电桩的相关控制系统中,也即,该服务阶段确定装置配属于所负责的充电桩。在这种情况下,该装置能够以边缘推算设备的方式存在,并与待测枪头和相关传感器有线地有效连接。
代替于此地,该服务阶段确定装置能够布置成远离待测枪头、尤其远离整个充电桩,并且与待测枪头以及配属于该待测枪头的相关传感器进行通讯、尤其进行无线通讯。示例性地,该服务阶段确定装置能够以云端设备的形式存在或集成在云端服务器中,其中,其以云通讯的方式与待测枪头以及相关传感器进行通讯。以这种方式,使得该服务阶段确定装置同时负责多个待测枪头成为可能。
具体地,充电桩枪头的整个服务阶段被划分成健康阶段或异常阶段,其中,该健康阶段表示充电桩枪头的运行状态满足要求并且不需要对其进行维修或调整;与此相对地,异常阶段表示需要采取相关措施来保证枪头充电任务的完成,该相关措施不仅能够涉及到对枪头或其相关部件进行更换,而且能够涉及到对枪头的特征参数(例如最大充电电压、最大充电电流或最大充电功率)进行调整。
可选地,充电桩枪头的服务阶段还可如此进行划分,异常阶段进一步包括限流阶段和劣化阶段,其中,限流阶段表示枪头运行状态存在一定偏差(这例如可由枪头磨损而引起)并且为了安全起见需要对其最大充电电流/电压/功率进行限制;与此类似地,劣化阶段表示枪头不允许再继续服务并且需要进行更换,例如枪头发生严重磨损时。将异常阶段划分为限流阶段和劣化阶段,较贴近于枪头服务周期特性,并且相对于两阶段划分方法这能够在保证正常运行的情况下降低枪头运维成本。在下面,就这种三阶段划分方式而言,进一步阐述本发明。
整体上说,该服务阶段确定方法基于如下构思,即通过将所提取出的待测枪头在充电服务期间的历史数据的特性信息与预先确定的基准进行比较,从而得出其所处的服务阶段,其中,该预先确定的基准表征处于各服务阶段或某一服务阶段的通用特性。
基于此,根据本发明的服务阶段确定方法整体上包括如下按顺序执行的步骤S100、S200和S300,下面逐步进行阐述。
首先,关于步骤S100:获取关于待测枪头的时序数据集,这能够由根据本发明的服务阶段确定装置100的获取模块110来执行,其中,该获取模块为了调用相关数据而与待测枪头或其所配属的传感器进行通讯。在此优选地,为了保证数据接收的及时性,在该服务阶段确定装置布置在充电桩枪头处或邻近其进行布置的情况下,该获取模块110与待测枪头或相关传感器有线通讯连接。与此相对地,在该服务阶段确定装置远离待测枪头、例如布置在运维中心处的情况下,该获取模块110与待测枪头或其传感器无线通讯。
在此,时序数据集可涉及到枪头在充电服务期间的运行状态参数或在充电服务期间的环境参数或涉及到这两者的组合。该时序数据集为多特征数据集,可选地包括如下类型的数据:用于表征待测枪头充电服务所维持的时间长度的数据、用于表征充电服务期间的环境温度的数据、用于表征在充电服务期间的枪头温度的数据(其包括充电服务起始温度、充电服务终止温度以及各时刻的枪头实时温度)。这几类数据前期经过预处理操作,即可通过物理建模的方式获得允许输入到下面还将阐述的模型中的数据。例如,对原始数据进行拟合误差操作,以便降低所提取的特征与原始数据的差异性并且由此降低数据噪声。具体地,可将包括如下六类信息的多特征时序数据集输入到下面将描述的表征学习模型中:充电服务所维持的时间数据、环境温度数据、充电服务起始温度数据、充电服务终止温度、枪头温度数据以及拟合误差数据,其中,借助该拟合误差对上述其他数据进行预先处理。为简单起见,时间长度、环境温度和枪头温度能够以经标准化处理的且无量纲的数值来表示。
此外,该时序数据集还能够涉及到枪头在充电服务期间的电流参数、电压参数以及从中所求得的电阻参数等等,这些数据也可作为获取上述类型数据的基础。关于时序数据集中所包含的特征参数的类型能够根据具体需要进行相应地改型。
可选地,在对待测枪头进行检测时,该时序数据集的获取如此实施:获取待测枪头在固定时间步长上的关于充电服务的要素数据集;并且随后根据各要素数据本身所配属的时间戳信息,将所述要素数据集整合成时序数据集。所规定的固定时间步长应涵盖至少一次充电服务,例如该固定时间步长可设为一周。一般情况下,一周的固定时间步长能够同时涵盖充电高峰期和充电低峰期。
作为时序数据集的组成成分,要素数据集同样涉及到上面所提到的类型的数据,例如在之前的一周内的每类数据构成一个要素数据集,由此形成的多个要素数据集根据时间戳信息按顺序排列成可作为后续确定服务阶段的基础的时序数据集。多特征的时序数据集在矩阵的意义上定义为X∈RF×T,其中,F表示特征类型的个数;T表示上面所提到的固定时间步长(其也可被称为时间序列长度,例如上面所提到的一周)。由此可得出,其中,/>表示第i个特征在第j个时间点的时间戳数据。
相比于观察充电桩枪头的瞬时运行状态参数并基于这一时间点的参数判定服务状态,根据本发明以连续的数据以及多特征参量为基础能够排除外界干扰并且由此提高对枪头服务阶段的检测准确性。
此外,根据本发明的服务阶段确定方法还包括如下步骤S200:获取所述时序数据集的预设维度的时序表征矩阵以及所述时序表征矩阵相对于基准表征矩阵的中心距离,其中,所述基准表征矩阵预先基于处于健康阶段的枪头进行构建。在此,时序表征矩阵携带时序数据集中数据的动态信息以及特征信息(例如趋势、周期、波形),并且相对于基准表征矩阵的中心距离隐含了所观察的时序数据集的特征与基准表征矩阵的特征之间的差异程度,在实际意义上,该中心距离可用于表征待测枪头与参考用的健康枪头之间的差异。通过定量地评估该差异程度,能够由此获知待测枪头所处的服务阶段。
基于此,根据该中心距离的大小来评估待测枪头的运行状况,即,该服务阶段确定方法包括步骤S300:基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段,其中,所述预设阈值基于处于异常阶段的枪头预先进行确定。
具体地,在将服务阶段划分为健康阶段和异常阶段的情况下,若所求得的中心距离处于该设计为某一数值的预设阈值附近或落入该设计为某一数值范围的预设阈值中时,则可判定该待测枪头处于异常阶段中并且需要对其采取相应措施。与此相反地,若所求得的中心距离不是上述情况,则可判定该待测枪头处于健康阶段中。
进一步具体地,在将服务阶段划分为健康阶段、限流阶段和劣化阶段的情况下,能够分别存在有(预先基于处于限流阶段中的枪头而求得的)限流预设阈值和(预先基于处于劣化阶段中的枪头而求得的)劣化预设阈值并且在步骤S300中将所求得的中心距离分别与这两类预设阈值进行比较。通过确定所求得的中心距离处于限流预设阈值和劣化预设阈值中的哪一个的附近或尤其处于由这两者中的哪一个所限定的范围内,则可判定出该待测枪头所处的服务阶段。若所求得的中心距离均不处于这两个预设阈值附近或均不落入其所限定的范围内,则可判定出该待测枪头处于健康状态中。
相应地,该步骤S300能够借助于根据本发明的服务阶段确定装置的确定模块130来执行,其处于下面还将阐述的表征学习模块120的下游并且其输入端与该表征学习模块120的输出端通讯连接。该确定模块130设立成基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段。
在此优选地,关于中心距离所限定的预设阈值包含一数值范围,其在一定程度上赋予了该服务阶段确定方法一定的冗余度以及有利的提前遇见性。例如,在无量纲的意义上,该限流预设阈值设为0.3-0.5,劣化预设阈值可设为0.5-0.8。当所求得的中心距离接近0.3时,就判定待测枪头处于限流阶段,由此可超前地限制枪头的最大电流并且由此保证枪头的安全运行。此外,还可根据所求得的中心距离处于0.3-0.5中的具体哪个位置,来获知枪头异常程度或在将来较短的时间所处的服务阶段,这对于充电桩运维人员无疑是有利的。具体地,若所求得的中心距离为0.48,则运维人员可认知到该待测枪头虽处于限流阶段,然而很快进入劣化阶段,基于这种认知,在特定情况下可提前进行更换操作。
上面所应用到的时序表征矩阵和其相对于基准表征矩阵之间的中心距离能够根据神经网络模型或其它任意的深度学习模型来求得。在此可选地,给出一种基于无监督循环神经网络模型的方法,其中,步骤S200能够借助于经训练的表征学习模型来执行,其包括储备池计算子模型、时序表征子模型和中心距离生成子模型。也即,根据本发明的服务阶段确定装置100还能够具有表征学习模块120,其输入端与获取模块110的输出端通讯连接并且在其上部署有表征学习模型,其中,该表征学习模块120设立成用于获取上述时序数据集的预设维度的时序表征矩阵并且求得该时序表征矩阵相对于基准表征矩阵的中心距离。
首先,对该表征学习模型以及该表征学习模型的前期训练过程进行阐述。该模型训练步骤S400组要包括子步骤:
S410:获取枪头的健康样本数据集、限流样本数据集和劣化样本数据集;
S420:基于一部分限流样本数据集和一部分劣化样本数据集,对所述表征学习模型进行预训练和预测试,在此可得到所述限流预设阈值和所述劣化预设阈值;
S430:基于另一部分限流样本数据集和另一部分劣化样本数据集,对所述表征学习模型进行融合再训练直至所述表征学习模型的损失函数收敛。
该表征学习模型的训练过程分为预训练过程和再训练过程,其中,预训练过程主要用于获得上面所提出的预设阈值(例如,限流预设阈值和劣化预设阈值);再训练过程用于使该模型与所输入的时序数据集进行融合匹配。在得到该预设阈值之后,设计该表征学习模型的损失函数与再训练策略,训练至验证样本数据集的损失连续数轮不降低方停止训练(即损失函数收敛),保存此时储备池计算子模块中的最优权重参数的模型。在预训练过程和再训练过程中,分别按一定比例将训练用的样本数据集分为训练样本数据集和验证样本数据集,使用训练样本数据集多轮训练模型,训练至验证样本数据集的损失连续数轮不降低方停止训练(即损失函数收敛)。在此,为了保证训练初期的训练稳定性,训练学习率的设置使用了热身策略,并且训练学习率先增大后逐渐减小。
对于步骤S410,获取数据库中大量枪头的充电服务数据,并将每一枪头的充电服务数据按服务阶段进行划分。针对每一枪头,获得以上面所定义的时序数据集X的形式的样本数据集。
具体地,首先获取运维范围内的多个枪头的全生命周期内的充电服务数据并将其划分成健康服务数据、限流服务数据和劣化服务数据,即子步骤S411。接着,在随后的子步骤S412中,利用滑动时间窗口的方式,以所述固定时间步长,对各枪头的健康服务数据、限流服务数据和劣化服务数据分别进行划分以得到训练用的时间序列并且分别整合成所述健康样本数据集、限流样本数据集和劣化样本数据集。
配属于某一服务阶段的样本数据集(参见上面定义的时序数据集X)接下来被输入到储备池计算子模型中,其类似于大型稀疏的无监督循环神经网络,其中,每个神经元得到一个非线性相应信号时,神经元的连接性和权重参数是固定且随机进行分配。通过以这种形式处理权重参数,可实现灵活的学习。在此,该储备池计算子模型包括有输入层、储备池计算层以及输出层,其中,该储备池计算子模型可借助如下公式来描述:
x(ti)=f(Winu(ti)+Wx(ti-1)),
其中,x(ti)表示在ti时刻的当前计算状态;u(ti)表示在ti时刻的样本数据集的输入;x(ti-1)表述在ti-1时刻的计算状态;Win和W为学习参数矩阵并且在训练完成后为固定的。
接着,储备池计算子模型的当前计算状态x(ti)被输入给时序表征子模型,其能够基于可变长度的多特征样本数据集(或在借助训练好后的表征学习模型进行检测时,针对待测枪头的时序数据集)生成固定维度的时序表征矩阵C。在此,该时序表征子模型可被描述为储备池子模型的滤波器,其中,表征矩阵C可被定义为最小化储备池的当前计算状态:
在此,E(ti)表示损失函数;
x(ti)表示在ti时刻的储备池计算子模型的输出;
|| ||2表示求范数;
δ为控制参数且在训练后为固定的;
在此可选地,给出一种简化的表征矩阵求解方法,即利用谱聚类方法来求得时序表征矩阵C。该时序表征矩阵C为:
C=R(R+δ2I)-1,
其中,R=E(ti)[x(ti)x(ti)T];
I为N*N的单位矩阵;
δ为控制参数且是固定的。
在前期训练阶段中,针对健康样本数据集以上述方式可获得大量的时序表征矩阵,通过对其进行求均值来获得配属于健康阶段的基准表征矩阵。在此,还能够利用聚类方法、例如密度聚类或高斯聚类来获得该基准表征矩阵,其在后续作为计算限流预设阈值和劣化预设阈值以及在之后检测过程中的中心距离的基础。而对于利用经训练的服务阶段确定过程来说,针对所输入的时序数据集能够得到确定的时序表征矩阵。
在训练过程中,基于限流样本数据集和劣化样本数据集或得到多个时序表征矩阵Ci,并分别计算其与基准表征矩阵Cj的中心距离Disij,其中,该中心距离Disij,表示为:
Disij=||Ci-Cj||fro。
同样地,在训练过程中(包括预训练过程和再训练过程在内)能够以求平均值方法或聚类方法来研究与其相匹配的多个中心距离的分布情况,由此得出具有代表性的中心阈值并且基于此来设定限流预设阈值和劣化预设阈值。
在实际的服务阶段确定过程中,将所获取的待测枪头的时序数据集输入到该经训练的表征学习模型中,由此可算出配属于其的时序表征矩阵和中心距离,通过其与限流预设阈值和劣化预设阈值之间的关系能够判定出其所处的服务阶段。在此,该时序表征矩阵和中心距离的得出,能够参考上面的对模型的训练过程。
此外,本发明还涉及一种用于充电桩枪头的运维方法,其中,包括如下步骤:
获取预设空间范围内的待测枪头的属性信息;
基于上面所阐述的服务阶段确定方法,确定各待测枪头的服务阶段;
将关于所确定的各待测枪头的服务阶段的信息进行整合和显示。
在此,该属性信息涉及到充电桩枪头的空间位置、充电桩枪头的投入使用时间以及充电桩枪头的具体型号等等。以这种方式,可给予运维人员关于异常充电桩枪头的较直观的指导信息。
在一较具体的实施例中,能够以看板的方式或图表的方式将该预设空间范围内的所有待测枪头的服务阶段(例如借助人机交互装置)显示给相关运维人员,以便使运维人员获得对枪头的概况性的认知并且有利于对枪头的运行状态进行分析。
可选地,若确定待测枪头处于限流阶段,则降低该待测枪头的最大充电电压或最大充电功率;若确定所述待测枪头处于劣化阶段,则对所述待测枪头进行更换。
最后,本发明还涉及一种用于实现根据本发明的一个或多个实施例的用于充电桩枪头的服务阶段确定方法的计算机可读存储介质,在其上存储有计算机程序,其中,该计算机程序被处理器执行时实现上面所阐述的用于充电桩枪头的服务阶段确定方法。在此所提及的计算机可读存储介质包括各种类型的计算机存储介质,可以是通用或专用计算机能够存取的任何可用介质。举例而言,计算机可读存储介质可以包括RAM、ROM、EPROM、E2PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或特定用途计算机、或者通用或特定用途处理器进行存取的任何其他临时性或者非临时性介质。关于根据本发明的计算机可读存储介质的描述能够参考针对根据本发明的服务阶段确定方法的阐释,对此不再赘述。
应当理解的是,所有以上的优选实施例都是示例性而非限制性的,本领域技术人员在本发明的构思下对以上描述的具体实施例做出的各种改型或变形都应在本发明的法律保护范围内。
Claims (13)
1.一种用于充电桩枪头的服务阶段确定方法,其特征在于,所述服务阶段包括健康阶段和异常阶段,所述服务阶段确定方法包括如下步骤:
获取关于待测枪头的时序数据集;
获取所述时序数据集的预设维度的时序表征矩阵以及所述时序表征矩阵相对于基准表征矩阵的中心距离,其中,所述基准表征矩阵预先基于处于健康阶段的枪头进行构建;
基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段,其中,所述预设阈值基于处于异常阶段的枪头预先进行确定。
2.根据权利要求1所述的服务阶段确定方法,其特征在于,所述异常阶段包括限流阶段和劣化阶段,所述预设阈值相应地包括限流预设阈值和劣化预设阈值,其中,所述限流预设阈值基于处于限流阶段中的枪头预先确定,所述劣化预设阈值基于处于劣化阶段中的枪头预先确定。
3.根据权利要求2所述的服务阶段确定方法,其特征在于,所述获取关于待测枪头的时序数据集包括如下子步骤:
获取待测枪头在固定时间步长上的关于充电服务的要素数据集,所述固定时间步长涵盖至少一次充电服务;
根据所配属的时间戳信息,将所述要素数据集整合成时序数据集;
其中,所述要素数据集关联用于表征枪头充电服务所维持的时间长度、用于表征充电服务期间的环境温度、在充电服务期间的枪头温度。
4.根据权利要求2所述的服务阶段确定方法,其特征在于,借助于经训练的表征学习模型来获取所述时序表征矩阵和所述中心距离,所述表征学习模型包括储备池计算子模型、时序表征子模型和中心距离生成子模型。
6.根据权利要求5所述的服务阶段确定方法,其特征在于,利用谱聚类方法优化时序表征矩阵C的求解,所述时序表征矩阵C表示为:
C=R(R+δ2I)-1,
其中,R=E(ti)[x(ti)x(ti)T];
I为N*N的单位矩阵;
δ为控制参数且是固定的。
7.根据权利要求5所述的服务阶段确定方法,其特征在于,基于无监督学习方法根据如下步骤来训练所述表征学习模型:
获取枪头的健康样本数据集、限流样本数据集和劣化样本数据集;
基于一部分限流样本数据集和一部分劣化样本数据集,对所述表征学习模型进行预训练和预测试,以得到所述限流预设阈值和所述劣化预设阈值;
基于另一部分限流样本数据集和另一部分劣化样本数据集,对所述表征学习模型进行融合再训练直至所述表征学习模型的损失函数收敛。
8.根据权利要求7所述的服务阶段确定方法,其特征在于,所述获取枪头的健康样本数据集、限流样本数据集和劣化样本数据集包括如下子步骤:
获取多个枪头的全生命周期内的充电服务数据并将其分别划分成健康服务数据、限流服务数据和劣化服务数据;
以所述固定时间步长,对各枪头的健康服务数据、限流服务数据和劣化服务数据分别进行划分并且分别整合成所述健康样本数据集、限流样本数据集和劣化样本数据集。
9.根据权利要求8所述的服务阶段确定方法,其特征在于,利用聚类方法或求平均值方法获取所述限流预设阈值和所述劣化预设阈值。
10.一种用于充电桩枪头的服务阶段确定装置,其特征在于,其用于执行根据权利要求1至9中任一项所述的服务阶段确定方法并且包括:
获取模块,其配置成获取关于待测枪头的时序数据集;
表征学习模块,其配置成获取所述时序数据集的预设维度的时序表征矩阵以及所述时序表征矩阵相对于基准表征矩阵的中心距离,其中,所述基准表征矩阵预先基于处于健康阶段的枪头进行构建;
确定模块,其配置成基于所述中心距离与预设阈值的比较结果,确定待测枪头所处的服务阶段,其中,所述预设阈值基于处于异常阶段的枪头预先进行确定。
11.一种用于充电桩枪头的运维方法,其特征在于,包括如下步骤:获取预设空间范围内的待测枪头的属性信息;
基于根据权利要求1至9中任一项所述的服务阶段确定方法,确定各待测枪头的服务阶段;
将关于所确定的各待测枪头的服务阶段的信息进行整合和显示。
12.根据权利要求11所述的运维方法,其特征在于,所述异常阶段包括限流阶段和劣化阶段,其中,若确定所述待测枪头处于限流阶段,则降低所述待测枪头的最大充电电压或最大充电功率;若确定所述待测枪头处于劣化阶段,则对所述待测枪头进行更换。
13.一种计算机可读存储介质,在所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1至9中任一项所述的用于充电桩枪头的服务阶段确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310226656.4A CN116245511A (zh) | 2023-03-06 | 2023-03-06 | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310226656.4A CN116245511A (zh) | 2023-03-06 | 2023-03-06 | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116245511A true CN116245511A (zh) | 2023-06-09 |
Family
ID=86625902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310226656.4A Pending CN116245511A (zh) | 2023-03-06 | 2023-03-06 | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245511A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-03-06 CN CN202310226656.4A patent/CN116245511A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN108256738B (zh) | 道岔动作参考曲线选取方法及其应用 | |
CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN111898443B (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
CN116245511A (zh) | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 | |
CN114325395B (zh) | 一种电池状态的确定方法及装置 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
CN103649858A (zh) | 用于预测组件或系统状况的方法和设备及计算机程序产品 | |
CN112699793A (zh) | 一种基于随机森林的疲劳驾驶检测优化识别方法 | |
CN110619482A (zh) | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 | |
CN115792681A (zh) | 一种基于车联网大数据平台的单体电池一致性检测算法 | |
CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
CN109977923A (zh) | 基于脑电信号的驾驶员性别检测方法及系统 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN115598557A (zh) | 一种基于恒压充电电流的锂电池soh估计方法 | |
CN117200394A (zh) | 一种基于bim模型的bms电池管理方法及系统 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
US20230133120A1 (en) | Big-data-based battery diagnostic system and control method therefor | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
CN115684972A (zh) | 一种基于ssa-svr模型的锂离子电池soh估计方法 | |
CN113487149B (zh) | 基于Catboost K折交叉验证的焊点异常识别系统及方法 |
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 |