CN116394794B - 一种高安全性智能充电桩 - Google Patents

Abstract

本发明公开了一种高安全性智能充电桩，涉及充电桩领域；包括数据处理模块，将充电桩的实时电压和实时电流与输出电压标准值进行误差比对，并判断输出电流和输出电压的误差是否处于设定范围内；运行状态分析模块通过获取数据处理模块得到的异常日志信息进行运行状态分析，并建立数据映射关系模型，将多种数据进行关联，避免因单一数据逻辑判断造成的错判漏判风险，保证充电的安全性同时保证充电桩工作的延续性，且通过故障预警模块依据数据映射关系模型对温度曲线进行预测绘制分析，得到当前波动数据和波动时长情况下后续温度的表现情况，从而提前进行风险预警管控。

Description

一种高安全性智能充电桩

技术领域

本发明涉及充电桩领域，具体为一种高安全性智能充电桩。

背景技术

随着电动汽车的受众越来越多以及对于新能源技术的推广，对于稳定对电动汽车进行电量传输的充电桩的需求也越来越大；现有场景中充电桩的安装数量和速度还匹配不上电动汽车的增长量和速度。

充电桩在对电动汽车进行充电的过程中，充电桩一部分是安装于私家车位的私人桩，通常通过程序界面来实现充电控制功能；另一部分则是安装于公共停车场、小区停车场或充电站内的公共桩，可以为不同型号的电动汽车完成充电；

在公共区域安装的共享充电桩，由于安装环境一般在户外和使用频次较高的缘故，在充电过程中都可能存在电压电流不稳定或充电桩设备过热风险，由于这些风险有的是偶发现象不影响正常使用，有的是因为环境因素，所以不能采用简单的对比判断，那样会影响到客户的充电体验；为此，我们提供一种高安全性智能充电桩。

发明内容

本发明的目的在于提供了一种高安全性智能充电桩。

本发明所解决的技术问题为：

(1)如何通过运行状态分析模块对电压和电流的稳定性进行持续跟踪分析，并将其与温度过热现象进行关联，建立数据映射关系模型，从而解决现有的充电桩智能针对一个种类的数据进行逻辑判断并进行调控导致对充电故障错判造成充电体验差的问题；

(2)如何通过故障预警模块依据数据映射关系模型对温度曲线进行预测绘制分析，得到当前波动数据和波动时长情况下后续温度的表现情况，从而提前进行风险预警管控，解决现有技术中针对数据进行简单阈值比较无法提前建立预警管控机制的问题；

(3)如何通过对异常数据的出现时间和频次进行统计分析，解决现有技术中针对单个异常发生点进行维护无法通过确定异常类型和异常出现时间等规律来进行维护的问题。

本发明可以通过以下技术方案实现：一种高安全性智能充电桩，包括：

数据采集模块，用于对充电桩的外部图像数据以及充电工作时的实时电压、实时电流以及充电模块温度进行采集；

数据处理模块，将充电桩的实时电压和实时电流与输出电压标准值进行误差比对，并判断输出电流和输出电压的误差是否处于设定范围内；同时，数据处理模块对充电模块的实时温度是否处于安全温度进行判别；

运行状态分析模块，通过获取数据处理模块得到的电压波动日志、电流波动日志和温度异常日志进行运行状态分析，并建立数据映射关系模型；

故障预警模块依据数据映射关系模型对充电模块的温度进行预测分析，进而根据分析结果自动采取预警措施。

本发明的进一步技术改进在于：数据处理模块对充电桩的外部影响数据进行预处理，并进行颜色特征提取和纹理特征提取：

将当前的颜色色值与原色值进行比值运算得到色值迁移指数，当色值迁移指数超出设定值时，生成预警检查信号发送至故障预警模块；

采用Soble算法对纹理特征进行图像边缘检测，从而确定纹理突变奇点是否为裂缝，当确定为裂缝时，生成破损警报信号发送至故障预警模块。

本发明的进一步技术改进在于：数据处理模块在判断输出电流和输出电压的误差超出设定范围后，生成对应的输出电流波动信号、输出电压波动信号、电流波动日志和电压波动日志。

本发明的进一步技术改进在于：输出电压的允许误差范围区间为[-0.58％，+0.58]，输出电流的允许误差范围设定为误差范围区间为[-1.0％,+1.0％]。

本发明的进一步技术改进在于：数据处理模块在平面直角坐标系中建立环境温度和充电模块温度的温度曲线，并得出实时温度差关系函数，基于两种温度对比方式建立充电模块的温度安全表达式：

其中，T_max为充电模块温度的最高固定阈值，ΔT表示环境温度与充电模块的实时温度差，T₀表示环境温度，K表示散热系数,e表示数学中的自然常数，T为安全温度；

当实时温度不满足温度安全表达式时，生成过温警报信号和温度异常日志。

本发明的进一步技术改进在于：运行状态分析模块，对电压波动日志或电流波动日志进行设定时间长度的数据平移框移动选择，统计数据条目的出现频率和输出电压误差均值，并对波动数据条目出现频率超过设定值或输出电压误差均值超过设定值时的时间进行记录；

将温度异常日志与电压波动日志和电流波动日志进行关联，对比其异常发生时间的差异，从而得出大量温度变化滞后时间差，基于大数据，建立(输出电压/电流误差均值，波动时长)→(温度变化值，温升滞后时间)的数据映射关系模型。

本发明的进一步技术改进在于：故障预警模块在接收到破损警报信号对发生破损部位和破损面积进行分析计算，得到安全风险程度指数，当安全风险程度指数低于0.3时，则恢复之前对应充电桩切断的电源；当安全风险程度指数高于0.3时，则维持充电桩电源的切断状态。

本发明的进一步技术改进在于：故障预警模块按照充电桩的实时充电数据代入到数据映射关系模型，分析温度曲线在对应时刻邻域内的一阶导数和二阶导数，并根据其一阶导数和二阶导数的正负值表现预测出后续温度曲线，从而根据预测的后续温度曲线采取对应的管控措施。

本发明的进一步技术改进在于：故障预警模块还对历史数据中出现异常情况的时间的出现频次进行统计，得出异常频次表现最突出的时间区域，并发送至设备维护人员为其提供数据支撑。

与现有技术相比，本发明具备以下有益效果：

1、通过运行状态分析模块对电压和电流的稳定性进行持续跟踪分析，并将其与温度过热现象进行关联，建立数据映射关系模型，将多种数据进行关联，避免因单一数据逻辑判断造成的错判漏判风险，保证充电的安全性同时保证充电桩工作的延续性。

2、随后通过故障预警单元依据数据映射关系模型对温度曲线进行预测绘制分析，得到当前波动数据和波动时长情况下后续温度的表现情况，从而提前进行风险预警管控，根据现有的电流、电压实时数据即可预测出后续的风险程度并及时采取对应措施，保护了设备安全，提高了安全性能。

3、通过对异常数据的出现时间和频次进行统计分析，从而发现充电桩的异常情况类型和发生时间规律，避免只针对单一的异常情况进行处理导致异常情况得不到根本性解决而出现用户体验差的问题，为设备维护人员提供的指导性和数据支撑。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的系统框图。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。

请参阅图1所示，一种高安全性智能充电桩，包括数据采集模块、数据处理模块、运行状态分析模块、故障预警模块和通信模块。

其中，数据采集模块包括对暴露在空气中或视觉中的充电桩外部进行图像采集的高清摄像头以及对充电工作时的实时电压、实时电流以及温湿度这些多维度数据进行采集的电学监测装置和传感器；

首先，数据处理模块通过对高清摄像头获取的图像数据进行预处理，预处理包括增强处理和降噪处理，随后对其裸露部分尤其是人体频繁接触部分(如显示屏和充电枪)进行颜色特征提取和纹理特征提取；将当前色值与原色色值进行差值计算并将其与原色色值进行比值运算，得到色值迁移指数，当色值迁移指数大于设定值时，生成预警检查信号并发送至故障预警模块；对纹理特征与图像样本进行对比，当出现纹理突变奇点时，则通过Sobel算法对纹理特征进行图像边缘检测，从而确定纹理突变奇点出现位置是否为裂缝；当判定为裂缝时，生成破损警报信号并发送至故障预警模块，同时主动切断对应充电桩的电源；

需要说明的是，Sobe l算法是一种成熟的图像边缘检测算法，Sobe l算法可以通过计算图像中每个像素点的梯度大小和方向来判断图像中的裂缝。具体来说，Sobe l算法使用两个3×3的卷积核对图像进行卷积操作，分别计算图像在x和y方向上的梯度值，然后将两个梯度值进行平方和开方得到每个像素点的梯度大小，再计算每个像素点的梯度方向；如果图像中存在裂缝，则裂缝处的梯度值会比周围的像素点大，同时梯度方向也会有变化。

当电动车辆需要进行充电时，充电枪与电动车的充电插口完成连接，充电桩通过CAN总线协议对车辆的识别码进行读取，从而确定车辆类型以及电池状态信息，其中，车辆类型包括电动汽车和混动汽车，电池状态信息包括允许充电方式、额定充电电压和剩余电池容量；

数据处理模块根据车辆类型和电池状态信息设定对应充电桩的输出电压标准值并将其标记为U_s，并将充电工作时的实时电压数据与充电桩的输出电压标准值进行误差比对，输出电压允许误差设定在范围区间[-0.58％，+0.58]内，输出电压误差的表达式为判断计算得出的输出电压误差是否处于该设定的范围区间内，当输出电压误差ΔU∈[-0.58％,+0.58％]时，则认定充电桩的输出电压正常，当输出电压误差时，则认定充电桩的输出电压波动，此时生成电压波动信号和电压波动日志，电压波动信号发送至故障预警模块，电压波动日志包括波动发生时间和输出电压误差值；

同理，可以判断出输出电流是否超出误差范围区间，输出电流的对应误差范围区间为[-1.0％,+1.0％]，当输出电压误差ΔI∈[-1.0％,+1.0％]时，则认定充电桩的输出电流正常，当输出电压误差时，则认定充电桩的输出电流波动，此时生成电流波动信号和电流波动日志，电流波动日志包括波动发生时间和输出电流误差值；

另外，由于充电桩内部结构包括多种电子元器件模块，而每种电子元器件的工作温度阈值不同，我们对易发生安全事故且主要完成充电工作的充电模块温度进行监测；通过温度传感器获取环境温度和充电模块温度，数据处理模块以时间为横坐标、温度为纵坐标建立平面直角坐标系，并在平面直角坐标系内绘制两条分别代表环境温度和充电模块温度的曲线，拟合出对应曲线函数关系，从而作差得出实时温度差关系函数，由于环境温度越高，导致充电桩的散热效率越低，从而充电模块温度在正常工作时也会相对较高，所以在充电模块温度上采用两种对比方式：(1)设定充电模块温度的最高固定阈值；(2)设定充电模块温度的浮动阈值；

具体地，最高固定阈值表示充电模块在可安全工作范围内的最高温度限值；

浮动阈值表示在充电模块的可安全工作温度范围内，充电模块的温度限值随着环境温度与充电模块温度的差值上下浮动；

则充电模块的温度安全表达式为：

其中，T_max为充电模块温度的最高固定阈值，ΔT表示环境温度与充电模块的实时温度差，T₀表示环境温度，K表示散热系数,e表示数学中的自然常数，T为安全温度；

将实时获取的充电模块温度代入到上述温度安全表达式中，当满足上述温度安全表达式时，则认为温度正常，当不满足上述温度安全表达式，则生成过温警报信号并发送至故障预警模块，同时生成温度异常日志，温度异常日志包括异常发生时的实时温度值以及异常发生时间；

运行状态分析模块获取上述数据处理模块得到的电压波动日志、电流波动日志和温度异常日志进行运行状态分析；

针对电压波动日志，选取一设定时间长度的数据平移框并在电压波动日志的数据条目内进行平滑移动，在数据平移框选取的数据条目中计算所框选的数据条目出现频率以及输出电压误差均值，从而对电压波动出现的数据条目频率超过设定值或输出电压误差均值超过设定值时的时间进行记录，需要注意的是，此处的时间包括绝对时间和在充电周期内所处的第几分钟；选择数据条目的出现频率进行分析的意义在于，在一定时间长度区间，异常数据条目越多，说明电压波动频繁且持续发生，排除偶发电压不稳的现象；

针对电流波动日志同样进行上述数据处理和记录；一般来说，异常的电压和电流会导致温度的变化，所以温度的变化往往存在滞后性，但是当温度剧烈升高后会导致自燃现象的发生；将温度异常日志与电压波动日志和电流波动日志进行关联，对比其异常发生时间的差异，从而得出大量温度变化滞后时间差，基于大数据的分析计算，进而建立数据映射关系，即(输出电压/电流误差均值，波动时长)→(温度变化值，温升滞后时间)；

故障预警模块接收到破损警报信号，对发生破损的部位和破损面积进行分析计算，发生安全风险的程度与破损面积成正相关，按照破损部位与人体接触频率来计算接触概率，将接触概率直接转用为安全风险系数，则根据破损面积和安全风险系数可以得到安全风险程度指数，当安全风险程度指数低于0.3时，则恢复之前对应充电桩切断的电源；当安全风险程度指数高于0.3时，则维持充电桩电源的切断状态；不管是上述哪种情况，均通过通信模块自动发送维修信号至设备维护人员。

在充电过程中，故障预警单元在接收到电压波动信号或电流波动信号后，则从数据处理单元提取最新的电压波动日志或电流波动日志，并实时在当前波动时长内计算输出电压误差均值或输出电流误差均值，根据运行状态分析模块得出数据映射关系，得出在当前波动出现情况后的一段时间后的温度变化值，而该段时间则为温升滞后时间；

将当前时刻向后推移该段时间后的某一时刻设定为预警管控时刻，监控该预警管控时刻之前的温度变化值情况，即监测充电模块的温度曲线的变化趋势和温度实际变化值，当温度变化值-温度实际变化值＜预警偏移值，分析温度曲线在对应时刻的邻域(t-Δt,t+Δt)内的一阶导数和二阶导数，在一阶导数和二阶导数皆为正值时，则可以预见温度过高风险，则立即采取中止充电措施；在一阶导数为正值和二阶导数为负值时，则根据当前一阶导数和二阶导数值预测绘制出后续温度曲线，当后续温度曲线的低于安全温度或超出安全温度的时间小于一分钟时，则保持充电状态，反之，则采取中止充电措施；其余的一阶导数和二阶导数的正负值组合情况不予考虑。

故障预警单元还根据历史数据中的出现异常情况的时间的出现频次进行直方图统计分析，比如充电桩在充电第20-25钟时出现异常的频次，当充电某一时间内的异常频次高于其他时间段，且频次差距较大时，设备维护人员可以针对性的对充电桩的问题进行检测维修，为维修提供指向性和数据支撑。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种高安全性智能充电桩，其特征在于，包括：

数据采集模块，用于对充电桩的外部图像数据以及充电工作时的实时电压、实时电流以及充电模块温度进行采集；

数据处理模块，将充电桩的实时电压和实时电流与输出电压标准值进行误差比对，并判断输出电流和输出电压的误差是否处于设定范围内；

同时，数据处理模块对充电模块的实时温度是否处于安全温度进行判别，具体判别方式包括在平面直角坐标系中建立环境温度和充电模块温度的温度曲线，并得出实时温度差关系函数，基于两种温度对比方式建立充电模块的温度安全表达式：

；

其中，T_max为充电模块温度的最高固定阈值，△T表示环境温度与充电模块的实时温度差，T₀表示环境温度，K表示散热系数,e表示数学中的自然常数，T为安全温度；

当实时温度不满足温度安全表达式时，生成过温警报信号和温度异常日志；

运行状态分析模块，对电压波动日志或电流波动日志进行设定时间长度的数据平移框移动选择，统计数据条目的出现频率和输出电压误差均值，并对波动数据条目出现频率超过设定值或输出电压误差均值超过设定值时的时间进行记录；

将温度异常日志与电压波动日志和电流波动日志进行关联，对比其异常发生时间的差异，从而得出大量温度变化滞后时间差，基于大数据，建立（输出电压/电流误差均值，波动时长）→（温度变化值，温升滞后时间）的数据映射关系模型；

故障预警模块依据数据映射关系模型对充电模块的温度进行预测分析，进而根据分析结果自动采取预警措施。

2.根据权利要求1所述的一种高安全性智能充电桩，其特征在于，所述数据处理模块对充电桩的外部影响数据进行预处理，并进行颜色特征提取和纹理特征提取：

将当前的颜色色值与原色值进行比值运算得到色值迁移指数，当色值迁移指数超出设定值时，生成预警检查信号发送至故障预警模块；

采用Soble算法对纹理特征进行图像边缘检测，从而确定纹理突变奇点是否为裂缝，当确定为裂缝时，生成破损警报信号发送至故障预警模块。

3.根据权利要求1所述的一种高安全性智能充电桩，其特征在于，所述数据处理模块在判断输出电流和输出电压的误差超出设定范围后，生成对应的输出电流波动信号、输出电压波动信号、电流波动日志和电压波动日志。

4.根据权利要求3所述的一种高安全性智能充电桩，其特征在于，所述输出电压的允许误差范围区间为[-0.58%，+0.58]，输出电流的允许误差范围设定为误差范围区间为[-1.0%,+1.0%]。

5.根据权利要求1所述的一种高安全性智能充电桩，其特征在于，所述故障预警模块在接收到破损警报信号对发生破损部位和破损面积进行分析计算，得到安全风险程度指数，当安全风险程度指数低于0.3时，则恢复之前对应充电桩切断的电源；当安全风险程度指数高于0.3时，则维持充电桩电源的切断状态。

6.根据权利要求1所述的一种高安全性智能充电桩，其特征在于，所述故障预警模块按照充电桩的实时充电数据代入到数据映射关系模型，分析温度曲线在对应时刻邻域内的一阶导数和二阶导数，并根据其一阶导数和二阶导数的正负值表现预测出后续温度曲线，从而根据预测的后续温度曲线采取对应的管控措施。

7.根据权利要求1所述的一种高安全性智能充电桩，其特征在于，所述故障预警模块还对历史数据中出现异常情况的时间的出现频次进行统计，得出异常频次表现最突出的时间区域，并发送至设备维护人员为其提供数据支撑。