CN116552306B - 直流桩的监控系统及其方法 - Google Patents
直流桩的监控系统及其方法 Download PDFInfo
- Publication number
- CN116552306B CN116552306B CN202310849350.4A CN202310849350A CN116552306B CN 116552306 B CN116552306 B CN 116552306B CN 202310849350 A CN202310849350 A CN 202310849350A CN 116552306 B CN116552306 B CN 116552306B
- Authority
- CN
- China
- Prior art keywords
- output voltage
- current
- time sequence
- output
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims description 155
- 239000011159 matrix material Substances 0.000 claims description 83
- 238000009826 distribution Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 239000004020 conductor Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- 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
-
- 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
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本申请涉及智能监控领域，其具体地公开了一种直流桩的监控系统及其方法，其通过综合利用直流充电桩的输出电流信号和输出电压信号，并结合深度学习和人工智能技术来自动化的检测充电桩是否出现异常情况，以保障充电桩的安全稳定运行，提高用户体验。
Description
技术领域
本申请涉及智能监控领域，且更为具体地，涉及一种直流桩的监控系统及其方法。
背景技术
随着电动汽车的使用越来越多，其相应的配套充电设施也得到不断的发展。但是现有的直流充电桩仍然存在问题，如充电效果差等缺点。异常问题的出现不仅会影响用户体验，还可能对充电桩和车辆造成损害。
因此，建立高效可靠的直流充电桩监控方案，对于确保充电桩的安全稳定运行、提高用户体验、保障电动汽车行业的健康发展具有重要意义。
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直流桩的监控系统及其方法，其通过综合利用直流充电桩的输出电流信号和输出电压信号，并结合深度学习和人工智能技术来自动化的检测充电桩是否出现异常情况，以保障充电桩的安全稳定运行，提高用户体验。
根据本申请的一个方面，提供了一种直流桩的监控方法，其包括：
获取直流充电桩在预定时间段的输出电流信号和输出电压信号；
基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵；以及
基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常。
根据本申请的另一方面，提供了一种直流桩的监控系统，其包括：
信号采集模块，用于获取直流充电桩在预定时间段的输出电流信号和输出电压信号；
电压-电流关联特征提取模块，用于基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵；以及
监控结果生成模块，用于基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常。
与现有技术相比，本申请提供的一种直流桩的监控系统及其方法，其通过综合利用直流充电桩的输出电流信号和输出电压信号，并结合深度学习和人工智能技术来自动化的检测充电桩是否出现异常情况，以保障充电桩的安全稳定运行，提高用户体验。
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直流桩的监控方法的流程图；
图2为根据本申请实施例的直流桩的监控方法的系统架构图；
图3为根据本申请实施例的直流桩的监控方法的子步骤S2的流程图；
图4为根据本申请实施例的直流桩的监控方法的子步骤S21的流程图；
图5为根据本申请实施例的直流桩的监控方法的子步骤S23的流程图；
图6为根据本申请实施例的直流桩的监控系统的框图；
图7为根据本申请实施例的直流桩的监控方法的场景示意图。
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。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
随着电动汽车的使用越来越多，其相应的配套充电设施也得到不断的发展。但是现有的直流充电桩仍然存在问题，如充电效果差等缺点。异常问题的出现不仅会影响用户体验，还可能对充电桩和车辆造成损害。因此，期望一种直流桩的监控方案。
在本申请的技术方案中，提出了一种直流桩的监控方法。图1为根据本申请实施例的直流桩的监控方法的流程图。图2为根据本申请实施例的直流桩的监控方法的系统架构图。如图1和图2所示，根据本申请的实施例的直流桩的监控方法，包括步骤：S1，获取直流充电桩在预定时间段的输出电流信号和输出电压信号；S2，基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵；以及，S3，基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常。
具体地，在步骤S1中，获取直流充电桩在预定时间段的输出电流信号和输出电压信号。应可以理解，获取直流充电桩在预定时间段的输出电流信号和输出电压信号，可以对正在进行充电的电动汽车和充电桩进行实时监测。若充电桩出现异常情况，则在所述输出电流信号和所述输出电压信号中应当有所表现。
根据本申请的实施例，可通过电流传感器和电压传感器来获取所述直流充电桩在预定时间段的输出电流信号和输出电压信号。电流传感器是一种用于测量电路中电流值的传感器。其原理是基于安培定律，即通过一个导体的电流与该导体周围的磁场强度成正比。电流传感器通常分为非接触式电流传感器和接触式电流传感器两种类型，非接触式电流传感器适用于高电压、高电流的场合，而接触式电流传感器则适用于低电流的场合。电压传感器是一种测量电压大小的传感器。其原理是基于电场感应的法拉第电磁感应定律，即当一个导体运动于磁场中时，会在导体两端产生电势差。常见的电压传感器有电容式电压传感器、电势式电压传感器、电磁式电压传感器等。
相应地，在一种可能的实现方式中，可通过以下步骤来获取直流充电桩在预定时间段的输出电流信号和输出电压信号，例如：确定预定时间段的起始时间和结束时间；连接直流充电桩的电流传感器和电压传感器，确保传感器的安装位置和连接方式正确；使用数据采集设备（如数据采集卡）连接传感器，确保采集设备与传感器的连接正确；使用数据采集软件（如LabVIEW或MATLAB）编写程序，设置采集参数，包括采样率、采样时间、采样通道等；在程序中设置数据存储路径和文件名，以便将采集到的数据保存到指定的文件中；在程序中设置采集时间段，确保采集时间段与预定时间段一致；启动数据采集程序，等待采集结束；打开数据存储文件，读取电流信号和电压信号数据；对数据进行处理和分析，如计算平均电流和平均电压、绘制波形图等；根据需要，将处理和分析结果保存到文件或输出到其他设备。
具体地，在步骤S2中，基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵。特别地，在本申请的一个具体示例中，如图3所示，所述S2，包括：S21，对所述输出电流信号和所述输出电压信号进行数据预处理以得到输出电流时序输入向量和输出电压时序输入向量；S22，对所述输出电流时序输入向量和所述输出电压时序输入向量进行时序关联特征提取以得到输出电流时序特征向量和输出电压时序特征向量；S23，融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到所述优化后输出电压-电流关联特征矩阵。
相应地，所述S21，对所述输出电流信号和所述输出电压信号进行数据预处理以得到输出电流时序输入向量和输出电压时序输入向量。特别地，在本申请的一个具体示例中，如图4所示，所述S21，包括：S211，对所述输出电流信号和所述输出电压信号进行数字化离散采样以得到多个输出电流离散值和多个输出电压离散值；以及，S212，分别对所述多个输出电流离散值和所述多个输出电压离散值进行数据结构化处理以得到所述输出电流时序输入向量和所述输出电压时序输入向量。
所述S211，对所述输出电流信号和所述输出电压信号进行数字化离散采样以得到多个输出电流离散值和多个输出电压离散值。考虑到所述输出电流信号和所述输出电压信号无法直接被计算机模型识别和处理，因此，在本申请的技术方案中，对所述输出电流信号和所述输出电压信号进行数字化离散采样以得到多个输出电流离散值和多个输出电压离散值。
数字化离散采样还可以在一定程度上去除噪声，减弱无关的背景信号的影响。通过这样的方式，能够将连续的信号转化为一系列离散的采样值序列。更具体地，数字化离散采样是指将连续时间的信号在时间轴上离散化，即把时间上连续的信号转换为时间上离散的信号。这个过程中，我们需要以一定的时间间隔对连续信号进行采样，将采样到的信号值转换为数字信号，即将连续信号转换为离散信号。这样得到的离散信号可以用数字信号处理技术进行处理和分析。在数字信号处理中，采样频率是非常重要的一个参数，它决定了采样后的信号的频率范围和抽样定理的有效性。
相应地，在一种可能的实现方式中，可通过以下步骤来对所述输出电流信号和所述输出电压信号进行数字化离散采样以得到多个输出电流离散值和多个输出电压离散值，例如：首先需要一个模数转换器（ADC）来将模拟信号转换成数字信号。将输出电流信号和输出电压信号输入到ADC中进行模拟到数字的转换；设置采样频率，即采样率。采样率是指每秒钟采集的样本数，通常以赫兹（Hz）为单位。采样率的选择需要根据被测信号的最高频率来确定，一般要满足奈奎斯特采样定理；进行离散化处理，将模拟信号转换成离散信号。离散化处理是指将连续的模拟信号转换为离散的数字信号，通常采用脉冲编码调制（PCM）或脉冲幅度调制（PAM）等方式；根据采样率对离散化后的信号进行采样，得到多个输出电流离散值和多个输出电压离散值。采样后的离散值可以存储在内存中或通过通信接口传输给其他设备进行处理和分析；对离散值进行处理和分析，例如进行数字滤波、数据压缩、数据编码等操作，以便后续的数据处理和分析。
所述S212，分别对所述多个输出电流离散值和所述多个输出电压离散值进行数据结构化处理以得到所述输出电流时序输入向量和所述输出电压时序输入向量。特别地，在本申请的一个具体示例中，将所述多个输出电流离散值和所述多个输出电压离散值分别按照时间维度排列为输出电流时序输入向量和输出电压时序输入向量。在这里，由于充电桩在一段时间内的电流和电压是变化的，将输出电流离散值和输出电压离散值按照时间维度排列后得到的向量中每一个位置的值表示某一时刻的电流或电压值。这样可以直观反映充电桩的电流和电压变化。与此同时，向量化的表示可以用于作为后续模型的输入。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式分别对所述多个输出电流离散值和所述多个输出电压离散值进行数据结构化处理以得到所述输出电流时序输入向量和所述输出电压时序输入向量，例如：收集输出电流和输出电压的离散值数据：首先，需要收集输出电流和输出电压的离散值数据，这些数据可以通过传感器或其他设备进行采集；对收集到的数据进行预处理，包括去除异常值、缺失值填充等操作，以确保数据的准确性和完整性；对输出电流和输出电压的离散值进行归一化处理，将其转换为0到1之间的值，以便于后续的处理；将归一化后的数据按照时间段进行分段，每个时间段的长度可以根据具体的需求进行设定；对每个时间段的数据进行特征提取，提取出有代表性的特征，例如均值、方差等；将每个时间段提取出的特征组合成一个特征向量，作为该时间段的输入向量；将所有时间段的输入向量组合成一个输入向量序列，作为输出电流时序输入向量或输出电压时序输入向量。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述输出电流信号和所述输出电压信号进行数据预处理以得到输出电流时序输入向量和输出电压时序输入向量，例如：采集输出电流信号和输出电压信号的原始数据。可以使用一些专业的测试仪器，如示波器、数字万用表等，对输出电流和输出电压进行实时采集；对采集到的原始数据进行清洗，去除噪声、异常值等。可以使用一些常见的滤波器，如中值滤波器、均值滤波器等，对数据进行平滑处理，以得到干净且规范化的数据；将清洗后的输出电流信号和输出电压信号进行处理，得到输出电流时序输入向量和输出电压时序输入向量。可以使用一些常见的数据处理方法，如均值、峰值、最大值、标准差等，对数据进行处理，以得到不同的特征向量；将输出电流时序输入向量和输出电压时序输入向量进行特征提取，得到更高层次的特征表示。可以使用一些经典的时序特征提取算法，如小波变换、时频分析、自回归模型等，对数据进行处理，以得到更加丰富和有意义的特征向量；对输出电流时序输入向量和输出电压时序输入向量进行归一化处理。可以使用一些常见的归一化方法，如最大值归一化、Z-score标准化等，将数据映射到相同的尺度上，以便于后续的模型训练和预测。
相应地，所述S22，对所述输出电流时序输入向量和所述输出电压时序输入向量进行时序关联特征提取以得到输出电流时序特征向量和输出电压时序特征向量。特别地，在本申请的一个具体示例中，将所述输出电流时序输入向量和所述输出电压时序输入向量分别通过基于一维卷积神经网络模型的时序关联特征提取器以得到输出电流时序特征向量和输出电压时序特征向量。具体地，将所述输出电流时序输入向量通过所述基于一维卷积神经网络模型的时序关联特征提取器以得到所述输出电流时序特征向量；以及，将所述输出电压时序输入向量通过所述基于一维卷积神经网络模型的时序关联特征提取器以得到所述输出电压时序特征向量。其中，一维卷积神经网络模型是一种利用卷积层和池化层进行时序数据处理和特征提取的深度学习模型。通过对输出电流时序输入向量和输出电压时序输入向量进行卷积和池化操作，可以将序列数据转化为更具有代表性的特征向量。时序关联特征提取器用于分别提取输出电流时序输入向量和输出电压时序输入向量的隐含时序特征分布信息，以充分分析充电桩的运行状态。
一维卷积神经网络模型的网络结构为Input->Conv1D->Batch Normalization->Activation->MaxPooling1D。也就是，所述一维卷积神经网络模型包括输入层、一维卷积层、批标准化层、激活层和池化层。其中，一维卷积层用于提取输出电流时序和输出电压时序的邻域关联特征。在本申请的一维卷积层采用64个大小为3的卷积核进行卷积编码操作。批标准化层可以加速训练过程，防止过拟合。激活层用于引入非线性，常见的激活函数有Sigmoid函数、ReLU函数、Leaky ReLU函数和Tanh函数等。在本申请的激活层中使用ReLU函数作为激活函数，ReLU函数在输入值为正时输出该值，否则输出0，它的导数是连续的。由于其计算速度快，具有较好的效果。且在本申请的池化层中，采用最大值池化操作来进行下采样，用于减少参数，加快模型的运算效率。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述输出电流时序输入向量和所述输出电压时序输入向量进行时序关联特征提取以得到输出电流时序特征向量和输出电压时序特征向量，例如：获取输出电流时序输入向量和输出电压时序输入向量，这两个向量的长度应该相等；对输出电流时序输入向量和输出电压时序输入向量进行时序对齐，即对两个向量的时间戳进行匹配，使得它们的时间戳一一对应；对时序对齐后的输出电流时序输入向量和输出电压时序输入向量进行时序关联特征提取，可以采用一些常见的方法，如自相关函数、互相关函数、小波变换等；对时序关联特征进行归一化处理，以便后续的特征提取和分类任务；对归一化后的时序关联特征进行特征提取，可以采用一些经典的方法，如主成分分析、线性判别分析、非线性核方法等；对特征提取后得到的输出电流时序特征向量和输出电压时序特征向量进行聚类、分类、回归等任务，以实现对输出电流和输出电压的状态监测和分析。
相应地，所述S23，融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到所述优化后输出电压-电流关联特征矩阵。特别地，在本申请的一个具体示例中，如图5所示，所述S23，包括：S231，使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到输出电压-电流关联特征矩阵；以及，S232，对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵。
所述S231，使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到输出电压-电流关联特征矩阵。考虑到在本申请的技术方案中，所述输出电流时序特征向量和所述输出电压时序特征向量分别用于表示直流充电桩在运行过程中的电流时序特征和电压时序特征。由于直流充电桩在运行过程中电流特征分布和电压特征分布并不是独立存在，而是相互影响、相互作用的。为此，在本申请的技术方案中，期待构建两者之间的关联性关系来增强信息表征能力。特别地，在本申请的技术方案中，考虑到所述输出电流时序特征向量和所述输出电压时序特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述输出电流时序特征向量和所述输出电压时序特征向量进行级联，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。基于此，本申请的申请人考虑到高斯密度图可以用于修正数据分布，从而实现上述目的。具体地，在本申请的技术方案中，使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到输出电压-电流关联特征矩阵。具体地，首先构造所述输出电流时序特征向量和所述输出电压时序特征向量的融合高斯密度图，其中，所述融合高斯密度图的均值向量为所述输出电流时序特征向量和所述输出电压时序特征向量之间的按位置均值向量，所述融合高斯密度图的协方差矩阵中各个位置的值为所述输出电流时序特征向量和所述输出电压时序特征向量之间相应位置的特征值之间的方差。进而，对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到输出电压-电流关联特征矩阵，用于表示输出电压与输出电流之间的关联特征。
高斯密度图是一种用于可视化二维数据分布的图形，也称为热力图或密度图。它通过在二维平面上绘制一组点的密度分布来展示数据的分布情况。在高斯密度图中，每个数据点都被视为一个高斯分布，然后将所有的高斯分布叠加在一起，形成一个平滑的密度分布曲面。这个曲面上的每个点的颜色深浅表示该点周围数据点的密度值，颜色越深表示密度越大，颜色越浅表示密度越小。高斯密度图通常用于可视化大规模数据集中的分布情况，帮助人们更好地理解数据的结构和趋势。
相应地，在一种可能的实现方式中，可通过以下步骤来使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到输出电压-电流关联特征矩阵，例如：将输出电流时序特征向量和输出电压时序特征向量分别进行标准化处理，使其在数值上具有可比性和可融合性；将标准化后的输出电流时序特征向量和输出电压时序特征向量分别转换为高斯密度图，即在二维平面上绘制出以时间为横轴、特征值为纵轴的高斯分布曲线；将输出电流时序特征向量的高斯密度图和输出电压时序特征向量的高斯密度图进行逐点相乘，得到输出电压-电流高斯密度图；对输出电压-电流高斯密度图进行归一化处理，使其在数值上具有可比性和可视化性；将输出电压-电流高斯密度图转换为输出电压-电流关联特征矩阵，即将高斯密度图上每个点的数值作为矩阵中对应位置的特征值，得到一个以输出电流时序特征向量和输出电压时序特征向量为输入、以输出电压-电流关联特征矩阵为输出的关联特征提取模型；使用该关联特征提取模型对新的输出电流时序特征向量和输出电压时序特征向量进行特征提取和关联，得到对应的输出电压-电流关联特征矩阵。
所述S232，对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多
源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵。应可以理解，在
使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量得到所
述输出电压-电流关联特征矩阵时，是对所述输出电流时序特征向量和所述输出电压时序
特征向量的均值特征向量进行基于所述输出电流时序特征向量和所述输出电压时序特征
向量的逐位置方差所得到的方差特征矩阵的各个行方差分布的概率密度展开以得到所述
输出电压-电流关联特征矩阵，因此，所述输出电压-电流关联特征矩阵可以看作为其各个
行特征向量的局部特征分布的组合特征分布。并且，考虑到所述输出电流时序特征向量和
所述输出电压时序特征向量的均值特征向量的各个位置的特征值也符合时序关联特征分
布，因此所述输出电压-电流关联特征矩阵的各个行特征向量除了具有相互关联的邻域分
布关系外，还具有对应于所述输出电流离散值和所述输出电压离散值的时序关联特征分布
信息的多源信息关联关系。因此，为了提升所述输出电压-电流关联特征矩阵对于时序方向
上的输出电流特征和输出电压特征的关联融合表达效果，本申请的申请人对所述输出电
压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化，以获
得优化后的特征值，具体表示为：
其中是所述输出电压-电流关联特征矩阵的第行第列的特征值，且当或者
小于等于零或者大于所述输出电压-电流关联特征矩阵的宽度或者高度时，特征值可以
设置为零或者一，是均值特征矩阵，表示以2为底的对数函数值，和为邻域设置超
参数，是所述优化后输出电压-电流关联特征矩阵的第行第列的特征值。这里，所述
空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来
将所述输出电压-电流关联特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合
组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折
合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关
联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述输出电压-电流关联
特征矩阵基于多源信息空间分布关联融合的表达效果，也就提升了所述输出电压-电流关
联特征矩阵对于时序方向上的输出电流特征和输出电压特征的关联融合表达效果，从而提
升了所述输出电压-电流关联特征矩阵通过分类器得到的分类结果的准确性。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式来基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵，例如：数据预处理：对输出电流信号和输出电压信号进行预处理，包括去除噪声、采样处理等，以得到干净且规范化的数据；使用深度卷积神经网络模型从输出电流信号和输出电压信号中提取特征。具体来说，可以使用一些经典的深度卷积神经网络模型，如VGG、ResNet、Inception等，将输出电流信号和输出电压信号分别输入到网络中，经过多层卷积、池化等操作，提取出高层次的特征表示；将输出电流信号和输出电压信号的特征进行融合，得到输出电压-电流关联特征矩阵。常见的融合方式有加权平均、串联、并联等，可以根据实际需求选择合适的融合方式；对输出电压-电流关联特征矩阵进行优化，包括特征选择、特征降维、特征归一化等。可以使用一些常见的优化方法，如主成分分析（PCA）、线性判别分析（LDA）、最大值归一化等，以提高特征矩阵的表达效果和泛化能力；使用优化后的输出电压-电流关联特征矩阵作为输入，训练一个分类或回归模型，以实现对输出电压和输出电流之间关系的建模和预测。常用的模型包括支持向量机（SVM）、随机森林（RandomForest）、神经网络等。
具体地，在步骤S3中，基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常。特别地，在本申请的一个具体示例中，将所述输出电压-电流关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示直流充电桩是否出现异常。也就是，将所述优化后输出电压-电流关联特征矩阵作为分类特征矩阵通过分类器以得到用于表示直流充电桩是否出现异常的分类结果，其中，所述分类器在训练过程中会学习到区分正常和异常数据的特殊规律，因此在输入测试数据（即所述输出电压-电流关联特征矩阵）时，它能够准确地对其进行分析并判定是否存在异常。如果分类器输出的结果为正常，说明直流充电桩的输出电流和输出电压信号处于正常状态，没有任何问题。如果分类器输出异常，说明直流充电桩的输出电流和输出电压信号异常，需要及时进行维护和修复。值得一提的是，异常情况可能包含多种情况，如充电电流过大和充电电压异常等。通过这样的方式来实时监测充电桩的运行情况，并及时识别异常情况以采取措施，降低因出现异常情况造成的损失，提高充电桩的安全稳定运行，同时也提升了用户对电动汽车的信任和使用体验，推动电动汽车行业的健康发展。
分类器是一种机器学习算法，用于将输入数据分成不同的类别。分类器的目标是学习一个从输入到输出的映射函数，使得输入数据可以被正确分类到已知的类别中。常见的分类器包括决策树、朴素贝叶斯、支持向量机、逻辑回归等。这些分类器都有自己的优点和适用范围，可以根据具体的问题选择合适的分类器。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式来基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常，例如：收集直流充电桩的电压和电流数据，并进行预处理，包括数据清洗、去噪和数据对齐等；对预处理后的数据进行特征提取，将电压和电流数据转换为电压-电流关联特征矩阵。这个过程可以使用多种特征提取方法，比如小波变换、时频分析等方法；对所提取的特征矩阵进行优化，包括特征选择、特征缩放、特征降维等方法，以提高特征矩阵的表达能力和泛化能力；基于优化后的特征矩阵，使用机器学习算法或深度学习算法进行异常检测，以确定直流充电桩是否出现异常；如果检测到异常，可以采取相应的措施，比如重新校准直流充电桩、修理或更换设备等。
进一步地，还提供一种直流桩的监控系统。
图6为根据本申请实施例的直流桩的监控系统的框图。如图6所示，根据本申请实施例的直流桩的监控系统300，包括：信号采集模块310，用于获取直流充电桩在预定时间段的输出电流信号和输出电压信号；电压-电流关联特征提取模块320，用于基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵；以及，监控结果生成模块330，用于基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常。
如上所述，根据本申请实施例的直流桩的监控系统300可以实现在各种无线终端中，例如具有直流桩的监控算法的服务器等。在一种可能的实现方式中，根据本申请实施例的直流桩的监控系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该直流桩的监控系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该直流桩的监控系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该直流桩的监控系统300与该无线终端也可以是分立的设备，并且该直流桩的监控系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的直流桩的监控方法的场景示意图。如图7所示，在该应用场景中，通过电流传感器（例如，如图7中所示意的V1）获取直流充电桩在预定时间段的输出电流信号；以及，通过电压传感器（例如，如图7中所示意的V2）获取直流充电桩在预定时间段输出电压信号。接着，将上述数据输入至部署有用于直流桩的监控算法的服务器（例如，图7中的S）中，其中，所述服务器能够以所述直流桩的监控算法对上述输入的数据进行处理，以生成用于表示直流充电桩是否出现异常的分类结果。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种直流桩的监控方法，其特征在于，包括：
获取直流充电桩在预定时间段的输出电流信号和输出电压信号；
基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵；以及
基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常；
其中，基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵，包括：
对所述输出电流信号和所述输出电压信号进行数据预处理以得到输出电流时序输入向量和输出电压时序输入向量；
对所述所述输出电流时序输入向量和所述输出电压时序输入向量进行时序关联特征提取以得到输出电流时序特征向量和输出电压时序特征向量；
融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到所述优化后输出电压-电流关联特征矩阵；
其中，融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到所述优化后输出电压-电流关联特征矩阵，包括：
使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到输出电压-电流关联特征矩阵；以及
对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵；
其中，对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵，包括：以如下优化公式对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵；
其中，所述公式为：
其中mi,j是所述输出电压-电流关联特征矩阵的每个位置的特征值，是均值特征矩阵，log表示以2为底的对数函数值，m和n为邻域设置超参数，mi,j′是所述优化后输出电压-电流关联特征矩阵的每个位置的特征值。
2.根据权利要求1所述的直流桩的监控方法，其特征在于，对所述输出电流信号和所述输出电压信号进行数据预处理以得到输出电流时序输入向量和输出电压时序输入向量，包括：
对所述输出电流信号和所述输出电压信号进行数字化离散采样以得到多个输出电流离散值和多个输出电压离散值；以及
分别对所述多个输出电流离散值和所述多个输出电压离散值进行数据结构化处理以得到所述输出电流时序输入向量和所述输出电压时序输入向量。
3.根据权利要求2所述的直流桩的监控方法，其特征在于，分别对所述多个输出电流离散值和所述多个输出电压离散值进行数据结构化处理以得到所述输出电流时序输入向量和所述输出电压时序输入向量，包括：
将所述多个输出电流离散值和所述多个输出电压离散值分别按照时间维度排列为输出电流时序输入向量和输出电压时序输入向量。
4.根据权利要求3所述的直流桩的监控方法，其特征在于，对所述所述输出电流时序输入向量和所述输出电压时序输入向量进行时序关联特征提取以得到输出电流时序特征向量和输出电压时序特征向量，包括：
将所述输出电流时序输入向量和所述输出电压时序输入向量分别通过基于一维卷积神经网络模型的时序关联特征提取器以得到输出电流时序特征向量和输出电压时序特征向量。
5.根据权利要求4所述的直流桩的监控方法，其特征在于，将所述输出电流时序输入向量和所述输出电压时序输入向量分别通过基于一维卷积神经网络模型的时序关联特征提取器以得到输出电流时序特征向量和输出电压时序特征向量，包括：
将所述输出电流时序输入向量通过所述基于一维卷积神经网络模型的时序关联特征提取器以得到所述输出电流时序特征向量；以及
将所述输出电压时序输入向量通过所述基于一维卷积神经网络模型的时序关联特征提取器以得到所述输出电压时序特征向量。
6.根据权利要求5所述的直流桩的监控方法，其特征在于，基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常，包括：
将所述输出电压-电流关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示直流充电桩是否出现异常。
7.一种直流桩的监控系统，其特征在于，包括：
信号采集模块，用于获取直流充电桩在预定时间段的输出电流信号和输出电压信号；
电压-电流关联特征提取模块，用于基于深度卷积神经网络模型从所述输出电流信号和所述输出电压信号中提取优化后输出电压-电流关联特征矩阵；以及
监控结果生成模块，用于基于所述优化后输出电压-电流关联特征矩阵，确定所述直流充电桩是否出现异常；
其中，所述电压-电流关联特征提取模块，包括：
对所述输出电流信号和所述输出电压信号进行数据预处理以得到输出电流时序输入向量和输出电压时序输入向量；
对所述所述输出电流时序输入向量和所述输出电压时序输入向量进行时序关联特征提取以得到输出电流时序特征向量和输出电压时序特征向量；
融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到所述优化后输出电压-电流关联特征矩阵；
其中，融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到所述优化后输出电压-电流关联特征矩阵，包括：
使用高斯密度图来融合所述输出电流时序特征向量和所述输出电压时序特征向量以得到输出电压-电流关联特征矩阵；以及
对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵；
其中，对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵，包括：以如下优化公式对所述输出电压-电流关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述优化后输出电压-电流关联特征矩阵；
其中，所述公式为：
其中mi,j是所述输出电压-电流关联特征矩阵的每个位置的特征值，是均值特征矩阵，log表示以2为底的对数函数值，m和n为邻域设置超参数，mi,j′是所述优化后输出电压-电流关联特征矩阵的每个位置的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310849350.4A CN116552306B (zh) | 2023-07-12 | 2023-07-12 | 直流桩的监控系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310849350.4A CN116552306B (zh) | 2023-07-12 | 2023-07-12 | 直流桩的监控系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116552306A CN116552306A (zh) | 2023-08-08 |
| CN116552306B true CN116552306B (zh) | 2023-09-22 |
Family
ID=87493310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310849350.4A Active CN116552306B (zh) | 2023-07-12 | 2023-07-12 | 直流桩的监控系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116552306B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117124910A (zh) * | 2023-09-20 | 2023-11-28 | 漳州建源电力工程有限公司 | 智慧城市充电桩节点故障报警系统及方法 |
| CN118003961A (zh) * | 2024-01-16 | 2024-05-10 | 江西驴充充充电技术有限公司 | 智能充电桩集群控制系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
| CN107579650A (zh) * | 2017-08-21 | 2018-01-12 | 上海空间电源研究所 | 多源融合功率变换拓扑电路及其变换拓扑方法 |
| CN109471381A (zh) * | 2018-09-12 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 基于大数据融合的设备能效综合控制方法 |
| CN110019173A (zh) * | 2018-09-12 | 2019-07-16 | 国网浙江省电力有限公司嘉兴供电公司 | 大数据的设备能效控制方法 |
| CN114094599A (zh) * | 2021-10-18 | 2022-02-25 | 国网江苏省电力有限公司南京供电分公司 | 一种多站融合参与调峰调频调压潜力评估方法及装置 |
| CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电系统及其工作方法 |
| CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
| CN115871511A (zh) * | 2022-12-07 | 2023-03-31 | 国网智慧车联网技术有限公司 | 基于大数据和算法模型的汽车充电安全系统及充电方法 |
| CN116245511A (zh) * | 2023-03-06 | 2023-06-09 | 蔚来汽车科技(安徽)有限公司 | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 |
-
2023
- 2023-07-12 CN CN202310849350.4A patent/CN116552306B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107579650A (zh) * | 2017-08-21 | 2018-01-12 | 上海空间电源研究所 | 多源融合功率变换拓扑电路及其变换拓扑方法 |
| CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
| CN109471381A (zh) * | 2018-09-12 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 基于大数据融合的设备能效综合控制方法 |
| CN110019173A (zh) * | 2018-09-12 | 2019-07-16 | 国网浙江省电力有限公司嘉兴供电公司 | 大数据的设备能效控制方法 |
| CN114094599A (zh) * | 2021-10-18 | 2022-02-25 | 国网江苏省电力有限公司南京供电分公司 | 一种多站融合参与调峰调频调压潜力评估方法及装置 |
| CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电系统及其工作方法 |
| CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
| CN115871511A (zh) * | 2022-12-07 | 2023-03-31 | 国网智慧车联网技术有限公司 | 基于大数据和算法模型的汽车充电安全系统及充电方法 |
| CN116245511A (zh) * | 2023-03-06 | 2023-06-09 | 蔚来汽车科技(安徽)有限公司 | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 |
Non-Patent Citations (3)
| Title |
|---|
| 变电站蓄电池状态监测及火灾防控技术研究;杜旭浩;李秉宇;苗俊杰;贾伯岩;李青松;;电源技术(第03期);全文 * |
| 基于多模态堆叠自动编码器的感应电机故障诊断;蒋爱国;符培伦;谷明;王金江;;电子测量与仪器学报(第08期);全文 * |
| 基于深度学习的数据级多源融合定位增强算法;丛迅超;;电子质量(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116552306A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116552306B (zh) | 直流桩的监控系统及其方法 | |
| KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
| CN116639010B (zh) | 充电桩的智能控制系统及其方法 | |
| CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN111967338B (zh) | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 | |
| CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
| CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
| Jiang et al. | Literature review of power disaggregation | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
| CN117104377B (zh) | 电动自行车的智能管理系统及其方法 | |
| Liu et al. | Spatio-temporal generative adversarial network based power distribution network state estimation with multiple time-scale measurements | |
| CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
| CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
| CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
| CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
| CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240428 Address after: R&D Building, No. 8 Qinglongyan Street, High tech Industrial Park, Zhanggong District, Ganzhou City, Jiangxi Province, 341000 Patentee after: Jiangxi Lv Chongchong IoT Technology Co.,Ltd. Country or region after: China Address before: Building B, No.2, Industrial Avenue, digital economy industrial park, high tech Zone, Zhanggong District, Ganzhou City, Jiangxi Province Patentee before: Jiangxi Lvchong Charging Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |