CN116699297B - 充电桩检测系统及其方法 - Google Patents

充电桩检测系统及其方法 Download PDF

Info

Publication number
CN116699297B
CN116699297B CN202310989387.7A CN202310989387A CN116699297B CN 116699297 B CN116699297 B CN 116699297B CN 202310989387 A CN202310989387 A CN 202310989387A CN 116699297 B CN116699297 B CN 116699297B
Authority
CN
China
Prior art keywords
training
battery charging
charging voltage
voltage
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.)
Active
Application number
CN202310989387.7A
Other languages
English (en)
Other versions
CN116699297A (zh
Inventor
刘旺
刘发荣
徐鑫
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.)
Jiangxi Lv Chongchong Iot Technology Co ltd
Original Assignee
Jiangxi Lvchong Charging 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 Jiangxi Lvchong Charging Technology Co ltd filed Critical Jiangxi Lvchong Charging Technology Co ltd
Priority to CN202310989387.7A priority Critical patent/CN116699297B/zh
Publication of CN116699297A publication Critical patent/CN116699297A/zh
Application granted granted Critical
Publication of CN116699297B publication Critical patent/CN116699297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种充电桩检测系统及其方法，其获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压‑温度关联特征向量；以及，基于所述电压‑温度关联特征向量，确定修正最大充电电流值。这样，可以基于深度学习的人工智能检测技术来对于环境温度和电池电压信号进行时序关联分析，从而来修正最大充电电流值，以确保充电过程更加安全可靠，并提高充电效率。

Description

充电桩检测系统及其方法
技术领域
本发明涉及智能化检测技术领域，尤其涉及一种充电桩检测系统及其方法。
背景技术
充电桩的功能类似于加油站里面的加油机，可以固定在地面或墙壁，安装在公共建筑例如公共楼宇、商场、公共停车场等和居民小区停车场或充电站内，能够根据不同的电压等级为各种型号的电动汽车充电。充电桩的输入端与交流电网直接连接，输出端都安装有充电插头用于为电动汽车充电。
目前，电动车辆充电过程中，起火的事故屡屡发生，该类问题出现的主要原因在于：车辆电池充满电后未能及时与充电桩分离，导致电池过充。随着电动车的普及和充电桩的建设，充电桩的安全性和充电效率成为了重要的关注点。在充电过程中，环境温度和电池电压的变化会对充电电流产生影响，因此需要一个充电桩检测系统来实时修正最大充电电流值，以确保充电的安全性和效率。
然而，传统的充电桩系统往往只考虑了静态的充电电流值，而没有考虑到环境温度和电池电压之间的综合动态变化。具体来说，环境温度的升高会导致充电桩的散热能力下降，从而影响充电电流的稳定性。另外，电池电压的变化也会对充电电流的控制产生影响，因为电池电压过高或过低都会影响充电的安全性和效率。
因此，期望一种优化的充电桩检测系统。
发明内容
本发明实施例提供一种充电桩检测系统及其方法，其获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及，基于所述电压-温度关联特征向量，确定修正最大充电电流值。这样，可以基于深度学习的人工智能检测技术来对于环境温度和电池电压信号进行时序关联分析，从而来修正最大充电电流值，以确保充电过程更加安全可靠，并提高充电效率。
本发明实施例还提供了一种充电桩检测方法，其包括：
获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；
对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及，基于所述电压-温度关联特征向量，确定修正最大充电电流值。
在上述充电桩检测方法中，对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量，包括：
对所述电池充电电压信号进行特征提取以得到电池充电电压波形特征向量；
对所述多个预定时间点的环境温度值进行特征提取以得到环境温度时序特征向量；以及，融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量。
在上述充电桩检测方法中，对所述电池充电电压信号进行特征提取以得到电池充电电压波形特征向量，包括：
对所述电池充电电压信号进行基于采样窗的滑窗采样以得到多个电池充电电压采样窗信号；
将所述多个电池充电电压采样窗信号分别通过基于卷积神经网络模型的充电电压波形特征提取器以得到多个电池充电电压采样窗波形特征向量；以及，对所述多个电池充电电压采样窗波形特征向量进行全局关联分析以得到所述电池充电电压波形特征向量。
在上述充电桩检测方法中，对所述多个电池充电电压采样窗波形特征向量进行全局关联分析以得到所述电池充电电压波形特征向量，包括：通过基于转换器模型的电压信号全局特征提取器对所述多个电池充电电压采样窗波形特征向量进行全局关联特征提取以得到所述电池充电电压波形特征向量。
在上述充电桩检测方法中，对所述多个预定时间点的环境温度值进行特征提取以得到环境温度时序特征向量，包括：将所述多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量后通过基于一维卷积神经网络模型的环境温度时序特征提取器以得到所述环境温度时序特征向量。
在上述充电桩检测方法中，融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量，包括：使用级联函数来融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量。
在上述充电桩检测方法中，基于所述电压-温度关联特征向量，确定修正最大充电电流值，包括：将所述电压-温度关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示修正最大充电电流值。
在上述充电桩检测方法中，还包括训练步骤：用于对所述基于卷积神经网络模型的充电电压波形特征提取器、所述基于转换器模型的电压信号全局特征提取器、所述基于一维卷积神经网络模型的环境温度时序特征提取器和所述解码器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练环境温度值，所述预定时间段的训练电池充电电压信号，以及，所述修正最大充电电流值的真实值；
对所述训练电池充电电压信号进行基于采样窗的滑窗采样以得到多个训练电池充电电压采样窗信号；
将所述多个训练电池充电电压采样窗信号分别通过所述基于卷积神经网络模型的充电电压波形特征提取器以得到多个训练电池充电电压采样窗波形特征向量；
将所述多个训练电池充电电压采样窗波形特征向量通过所述基于转换器模型的电压信号全局特征提取器以得到训练电池充电电压波形特征向量；
将所述多个预定时间点的训练环境温度值按照时间维度排列为训练环境温度时序输入向量后通过所述基于一维卷积神经网络模型的环境温度时序特征提取器以得到训练环境温度时序特征向量；
使用级联函数来融合所述训练电池充电电压波形特征向量和所述训练环境温度时序特征向量以得到训练电压-温度关联特征向量；
将所述训练电压-温度关联特征向量通过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方向传播来对所述基于卷积神经网络模型的充电电压波形特征提取器、所述基于转换器模型的电压信号全局特征提取器、所述基于一维卷积神经网络模型的环境温度时序特征提取器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代。
在上述充电桩检测方法中，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代；
其中，所述优化公式为：
其中，是所述训练电压-温度关联特征向量，是所述解码器的权重矩阵，是 矩阵的本征值组成的本征集合向量，表示向量的转置向量，和分别表示矩阵 乘法和加法，表示迭代后的所述解码器的权重矩阵。
本发明实施例还提供了一种充电桩检测系统，其包括：
数据获取模块，用于获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；
特征分析模块，用于对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及，电流值修正模块，用于基于所述电压-温度关联特征向量，确定修正最大充电电流值。
与现有技术相比，本发明实施例提供一种充电桩检测系统及其方法，其可以基于深度学习的人工智能检测技术来对于环境温度和电池电压信号进行时序关联分析，从而来修正最大充电电流值，以确保充电过程更加安全可靠，并提高充电效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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。在附图中：
图1为本发明实施例中提供的一种充电桩检测方法的流程图。
图2为本发明实施例中提供的一种充电桩检测方法的系统架构的示意图。
图3为本发明实施例中提供的一种充电桩检测方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种充电桩检测方法中步骤140的子步骤的流程图。
图5为本发明实施例中提供的一种充电桩检测系统的框图。
图6为本发明实施例中提供的一种充电桩检测方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
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。
传统的充电桩系统往往只考虑了静态的充电电流值，而没有考虑到环境温度和电池电压之间的综合动态变化。具体来说，环境温度的升高会导致充电桩的散热能力下降，从而影响充电电流的稳定性。另外，电池电压的变化也会对充电电流的控制产生影响，因为电池电压过高或过低都会影响充电的安全性和效率。因此，期望一种优化的充电桩检测系统。
在本发明的一个实施例中，图1为本发明实施例中提供的一种充电桩检测方法的流程图。图2为本发明实施例中提供的一种充电桩检测方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的充电桩检测方法100，包括：110，获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；120，对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及，130，基于所述电压-温度关联特征向量，确定修正最大充电电流值。
在所述110步骤中，收集并记录预定时间段内的环境温度值和电池充电电压信号，这些数据将用于后续的分析和处理。采集环境温度和电池充电电压的准确性和实时性，可以使用传感器等设备进行数据采集，并确保数据的可靠性和准确性。通过获取环境温度和电池充电电压的数据，系统可以了解充电过程中的环境条件和电池状态，为后续的分析和决策提供基础。
在所述120步骤中，对环境温度值和电池充电电压信号进行分析，提取它们之间的时序变化特征，并表示为电压-温度关联特征向量。对环境温度和电池充电电压的时序变化进行准确的分析和特征提取，可以使用时间序列分析、机器学习等方法来实现。通过对环境温度和电池充电电压的时序变化进行分析，系统可以了解关联规律，为后续的最大充电电流值修正提供依据。
在所述130步骤中，根据电压-温度关联特征向量，进行决策并确定修正后的最大充电电流值。根据电压-温度关联特征向量进行准确的决策和修正，可以使用机器学习、深度学习等方法来进行决策和预测。通过基于电压-温度关联特征向量进行决策，系统可以根据实时的环境温度和电池充电电压情况，动态调整最大充电电流值，以确保充电过程更加安全可靠，并提高充电效率。这将提升用户的充电体验，并延长电池的使用寿命。
具体地，在所述步骤110中，获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号。相应地，考虑到在实际充电桩的工作过程中，环境温度和电池电压是影响充电过程的重要因素。在高温环境下，充电会导致电池过热，可能引发安全问题，例如电池爆炸或起火。另外，当电池电压较低时，充电电流可以适当提高以加快充电速度。而当电池电压较高时，充电电流应适当降低以避免过充，延长电池寿命。基于此，在本申请的技术方案中，期望采用基于深度学习的人工智能检测技术来对于环境温度和电池电压信号进行时序关联分析，从而来修正最大充电电流值，以确保充电过程更加安全可靠，并提高充电效率。
具体地，在本申请的技术方案中，获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号。应可以理解，当环境温度升高时，电池的内部电阻会增加，导致电池的电压下降。这是因为在高温下，电池内部的化学反应速率增加，导致更多的电能转化为热能，从而降低了可用的电能。另外，环境温度的变化也会影响电池的容量。通常情况下，电池的容量会随着温度的升高而减少，因为高温会加速电池内部的化学反应，导致电池的容量损失。
可以通过监测环境温度值来间接推断电池充电电压的变化。当环境温度升高时，可以预期电池的充电电压会下降，而在较低的环境温度下，电池的充电电压可能会相对较高。因此，可以利用环境温度值来对电池的充电电压进行修正，以确保充电过程的安全性和可靠性，通过实时监测环境温度和电池充电电压的变化，并进行动态调整充电电流值，可以更好地管理电池的充电过程。
更具体地，在本申请的一个实施例中，在预定时间段内，使用传感器设备或其他测量设备实时采集环境温度和电池充电电压信号，可以安装温度传感器来测量环境温度，并连接到充电桩系统以获取电池充电电压信号。将采集到的环境温度和电池充电电压信号数据存储在数据库或其他数据存储系统中，以备后续处理和分析使用。
通过上述步骤，可以实时监测环境温度和电池充电电压的变化，并根据预测结果进行动态调整充电电流值，以确保充电过程更加安全可靠，并提高充电效率。这种基于深度学习的充电桩检测方法可以提高充电系统的智能化程度，减少充电事故的发生，并优化充电体验。
具体地，在所述步骤120中，对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量。图3为本发明实施例中提供的一种充电桩检测方法中步骤120的子步骤的流程图，如图3所示，对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量，包括：121，对所述电池充电电压信号进行特征提取以得到电池充电电压波形特征向量；122，对所述多个预定时间点的环境温度值进行特征提取以得到环境温度时序特征向量；以及，123，融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量。
应可以理解，首先，通过对电池充电电压信号进行特征提取，可以获取电池充电电压波形特征向量，电池充电电压波形特征向量可以反映电池的充电状态和性能，有助于判断电池的健康状况和充电效率。其次，通过对多个预定时间点的环境温度值进行特征提取，可以得到环境温度的时序特征向量，环境温度对电池的充电过程有很大的影响，高温会导致电池过热，低温则会影响充电速度。因此，了解环境温度的时序变化可以更好地控制充电过程。最后，将电池充电电压波形特征向量和环境温度时序特征向量进行融合，可以得到电压-温度关联特征向量，电压-温度关联特征向量可以提供更全面的信息，更准确地判断充电过程中的安全性和效率，并根据需要进行动态调整充电电流值。
这种基于时序变化特征分析的方法可以提高充电系统的智能化程度，减少充电事故的发生，并优化充电体验。
首先，对于步骤121，其包括：对所述电池充电电压信号进行基于采样窗的滑窗采样以得到多个电池充电电压采样窗信号；将所述多个电池充电电压采样窗信号分别通过基于卷积神经网络模型的充电电压波形特征提取器以得到多个电池充电电压采样窗波形特征向量；以及，对所述多个电池充电电压采样窗波形特征向量进行全局关联分析以得到所述电池充电电压波形特征向量。
其中，对所述电池充电电压信号进行基于采样窗的滑窗采样以得到多个电池充电电压采样窗信号。考虑到由于在充电过程中，电池充电电压会随着时间的推移而变化，而这种时序的变化特征可能较为微弱，难以充分捕捉到其中的细节特征信息。因此，为了更准确地捕捉有关于电池充电过程中电池充电电压的变化趋势，在本申请的技术方案中，需要对所述电池充电电压信号进行基于采样窗的滑窗采样以得到多个电池充电电压采样窗信号。通过采样窗的滑动采样，可以将所述电池充电电压信号分成多个窗口，每个窗口包含一定数量的连续采样点。这样可以充分观察到所述电池充电电压的变化情况，例如充电电压的上升或下降趋势，以及，捕捉到所述电池充电电压信号中的细节特征信息，例如充电过程中的异常变化和异常起伏情况。
滑窗采样是一种常用的信号处理技术，用于对连续信号进行离散采样。在电池充电电压信号的情况下，基于采样窗的滑窗采样可以将连续的电压信号分割成多个固定长度的采样窗，以获取离散的电压采样窗信号。其包括步骤：1.定义采样窗的长度，确定每个采样窗的长度，通常以时间为单位，这个长度可以根据具体的应用需求进行选择，例如，可以选择1秒、10秒或者更长的时间窗。2.设置滑动步长，确定采样窗之间的滑动步长，即每次滑动的距离，这个步长可以根据需要进行调整，通常可以选择与采样窗长度相等，以保证采样窗之间没有重叠。3.进行滑窗采样，从连续的电压信号中选择一个起始点，然后按照采样窗长度进行采样，截取对应长度的电压信号作为一个采样窗，接着，将采样窗向后滑动一个步长，再次进行采样，得到下一个采样窗。如此重复，直到覆盖整个电压信号。
通过基于采样窗的滑窗采样，可以将连续的电压信号离散化为多个采样窗信号，每个采样窗信号代表了特定时间段内的电压情况。这样就可以对电压信号进行分析和特征提取，以获取更多关于电池充电状态的信息。
在本申请中，连续的电压信号经过采样窗的滑窗采样后，可以将信号离散化为一系列固定长度的采样窗信号，这样可以简化信号处理和分析的复杂度，使得算法更易实现和优化。采样窗的滑窗采样可以捕捉到电压信号的时序变化特征，通过分析不同采样窗之间的电压变化趋势，可以获取电压信号的时序特征，例如电压上升或下降的速率、波动性等。采样窗的滑窗采样还可以用于分析电压信号与其他参数（如环境温度）之间的关联特征。通过将采样窗信号与环境温度进行关联分析，可以发现相关性，从而更好地理解电压信号的变化规律，并作出相应的调整和预测。基于采样窗的滑窗采样可以实时监测电压信号的变化，并根据预测结果进行动态调整充电电流值，这样可以确保充电过程更加安全可靠，并提高充电效率。通过不断更新采样窗信号和分析结果，可以实现对充电桩状态的实时监测和调整。
然后，将所述多个电池充电电压采样窗信号分别通过基于卷积神经网络模型的充电电压波形特征提取器以得到多个电池充电电压采样窗波形特征向量。然后，由于所述各个电池充电电压采样窗信号在时域中的表现形式为波形图，因此，使用在图像隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的充电电压波形特征提取器来分别对于所述各个电池充电电压采样窗信号进行特征挖掘，以提取出所述各个电池充电电压采样窗信号中有关于电池充电电压的时序局部隐含特征分布信息，从而得到多个电池充电电压采样窗波形特征向量。
具体地，首先，将多个电池充电电压采样窗信号分别作为输入数据，每个采样窗信号通常由一系列连续的电池充电电压值组成。然后，基于卷积神经网络模型设计一个充电电压波形特征提取器，该模型通常由多个卷积层、池化层和非线性激活函数组成。接着，在卷积层中，通过应用卷积操作，提取输入采样窗信号的局部特征，卷积操作可以捕捉到不同时间尺度下的特征。然后，在池化层中，通过应用池化操作，对卷积输出进行下采样，减少特征的维度，并保留最重要的特征，用的池化操作包括最大池化和平均池化。接着，在卷积和池化之后，通常会应用非线性激活函数，如ReLU（Rectified Linear Unit），来引入非线性变换，增加模型的表达能力。最后，经过卷积层、池化层和非线性激活函数之后，将得到的特征图展平为多个电池充电电压采样窗波形特征向量，多个电池充电电压采样窗波形特征向量包含了输入采样窗信号的波形特征。
通过卷积操作，充电电压波形特征提取器能够从每个采样窗信号中提取出局部特征，这些局部特征可以捕捉到电池充电过程中的细微变化，提供更详细的信息。由于卷积神经网络模型具有一定的时序建模能力，充电电压波形特征提取器可以分析采样窗信号中的时序特征，这些时序特征可以反映出电池充电的动态变化，有助于检测充电桩的存在。通过将每个采样窗信号转换为特征向量，充电电压波形特征提取器将波形数据转化为可计算的数值表示，这种表示形式便于后续的分类、聚类或其他机器学习任务的处理。通过提取更丰富的波形特征，充电电压波形特征提取器可以提高充电桩检测方法的准确性和可靠性，能够更好地区分正常充电桩和异常情况，提高检测的精度和鲁棒性。
应可以理解，基于卷积神经网络（Convolutional Neural Network，CNN）模型的充电电压波形特征提取器是一种用于提取电池充电电压波形特征的深度学习模型。CNN模型在图像处理领域表现出色，因此可以应用于电池充电电压信号的波形特征提取。CNN模型的基本结构包括卷积层、池化层和全连接层。卷积层通过卷积操作提取输入信号的局部特征，可以捕捉到电池充电电压信号中的时序局部隐含特征分布信息。池化层则用于降低特征维度，减少参数数量，并保留主要特征。全连接层通过连接所有特征图中的神经元，将提取到的特征映射到最终的特征向量空间。
进一步地，对所述多个电池充电电压采样窗波形特征向量进行全局关联分析以得到所述电池充电电压波形特征向量，包括：通过基于转换器模型的电压信号全局特征提取器对所述多个电池充电电压采样窗波形特征向量进行全局关联特征提取以得到所述电池充电电压波形特征向量。
考虑到所述各个电池充电电压采样窗信号中的电压信号局部特征分布信息之间具有着整体的时序关联关系，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，在本申请的技术方案中，进一步将所述多个电池充电电压采样窗波形特征向量通过基于转换器模型的电压信号全局特征提取器中进行处理，以提取出所述电池充电电压信号中的各个局部电压特征基于全局的关联性特征分布信息，从而得到电池充电电压波形特征向量。
基于转换器模型的电压信号全局特征提取器是一种基于注意力机制的模型，用于提取电池充电电压信号中的全局关联特征，转换器模型是一种序列到序列的模型，最初用于自然语言处理任务，但也可以应用于其他序列数据的处理，如时间序列数据。
在电池充电电压信号的处理中，转换器模型可以将每个采样窗波形特征向量作为输入序列，并通过自注意力机制来学习每个采样窗之间的全局关联。自注意力机制可以计算每个采样窗与其他采样窗之间的注意力权重，从而捕捉它们之间的关联程度，这样，转换器模型可以通过全局关联特征提取器来提取每个采样窗波形特征向量之间的全局关联特征。
具体而言，转换器模型由多个编码器层和多个解码器层组成。编码器层用于将输入序列（即采样窗波形特征向量）转换为一系列隐藏表示，解码器层用于根据编码器层的隐藏表示生成输出序列（即电池充电电压波形特征向量）。在每个编码器层和解码器层中，都包含了自注意力机制和前馈神经网络。
通过使用转换器模型的电压信号全局特征提取器，可以将电池充电电压采样窗波形特征向量之间的全局关联性特征分布信息提取出来，从而得到电池充电电压波形特征向量。这样可以更全面地描述电池充电电压信号的特征，提高充电桩检测方法的准确性和可靠性。
然后，对于步骤122，其包括：将所述多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量后通过基于一维卷积神经网络模型的环境温度时序特征提取器以得到所述环境温度时序特征向量。
继而，对于所述多个预定时间点的环境温度值来说，由于所述环境温度值在时间维度上有着动态性的变化规律，也就是说，所述环境温度值在时序上的各个预定时间点之间具有着时序关联关系。因此，需要将所述多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量后通过基于一维卷积神经网络模型的环境温度时序特征提取器中进行编码，以此来提取出所述环境温度值在时间维度上的时序关联特征信息，以得到环境温度时序特征向量。
一维卷积神经网络模型是一种用于处理序列数据的神经网络模型。与传统的二维卷积神经网络用于图像处理不同，一维卷积神经网络模型专门设计用于处理具有时间维度的序列数据，如时间序列、语音信号、文本等。
一维卷积神经网络模型通过使用卷积操作来捕捉序列数据中的局部特征，基本构建块是一维卷积层，其中包含了多个卷积核（也称为滤波器），每个卷积核在输入序列上进行滑动窗口的卷积操作，从而提取出局部特征。通过对不同位置的局部特征进行汇总和整合，一维卷积神经网络模型可以学习到更高层次的抽象特征。
在环境温度时序特征提取中，多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量。这个时序输入向量作为一维卷积神经网络模型的输入，经过一系列的卷积层、池化层和非线性激活函数的操作，可以提取出环境温度时序数据中的特征。卷积层用于捕捉局部特征，池化层用于降低特征的维度并保留关键信息，非线性激活函数引入非线性变换，增强模型的表达能力。接着，对于步骤123，其包括：使用级联函数来融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量。接着，为了融合电池充电过程中有关于所述充电电压时序关联特征分布信息和所述环境温度的时序变化特征信息，以更全面地描述电池充电过程中电压和温度之间的关系，包括它们的相互影响和变化趋势，从而进行最大充电电流值的修正，在本申请的技术方案中，进一步使用级联函数来融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到电压-温度关联特征向量。
具体地，在所述步骤130中，基于所述电压-温度关联特征向量，确定修正最大充电电流值。其包括：将所述电压-温度关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示修正最大充电电流值。
进而，将所述电压-温度关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示修正最大充电电流值。也就是，以所述充电电压的时序全局关联特征信息和所述环境温度值的时序变化特征信息的融合关联特征来综合进行解码回归，以得到最大充电电流值的修正结果，以使得充电过程更加安全且高效。
进一步地，所述充电桩检测方法，还包括训练步骤：用于对所述基于卷积神经网络模型的充电电压波形特征提取器、所述基于转换器模型的电压信号全局特征提取器、所述基于一维卷积神经网络模型的环境温度时序特征提取器和所述解码器进行训练；图4为本发明实施例中提供的一种充电桩检测方法中步骤140的子步骤的流程图，如图4所示，所述训练步骤140，包括：141，获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练环境温度值，所述预定时间段的训练电池充电电压信号，以及，所述修正最大充电电流值的真实值；142，对所述训练电池充电电压信号进行基于采样窗的滑窗采样以得到多个训练电池充电电压采样窗信号；143，将所述多个训练电池充电电压采样窗信号分别通过所述基于卷积神经网络模型的充电电压波形特征提取器以得到多个训练电池充电电压采样窗波形特征向量；144，将所述多个训练电池充电电压采样窗波形特征向量通过所述基于转换器模型的电压信号全局特征提取器以得到训练电池充电电压波形特征向量；145，将所述多个预定时间点的训练环境温度值按照时间维度排列为训练环境温度时序输入向量后通过所述基于一维卷积神经网络模型的环境温度时序特征提取器以得到训练环境温度时序特征向量；146，使用级联函数来融合所述训练电池充电电压波形特征向量和所述训练环境温度时序特征向量以得到训练电压-温度关联特征向量；147，将所述训练电压-温度关联特征向量通过解码器以得到解码损失函数值；以及，148，基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的充电电压波形特征提取器、所述基于转换器模型的电压信号全局特征提取器、所述基于一维卷积神经网络模型的环境温度时序特征提取器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代。
特别地，在本申请的技术方案中，所述电池充电电压波形特征向量表达每个电池充电电压采样窗信号波形的图像语义特征在时序下的上下文关联表示，而所述环境温度时序特征向量表达环境温度值的局部时序关联特征表示，除了源数据模态的差异导致的时序分布上的不对齐以外，在时序方向上的单个时间点单位上，所述电池充电电压波形特征向量表达的是单个电池充电电压采样窗信号波形的上下文关联的图像语义特征，而所述环境温度时序特征向量表达的是单个温度数值的时序关联特征，其在特征表达分布也具有较大差异。
由此，在使用级联函数来融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到电压-温度关联特征向量时，其特征分布的差异会使得所述级联函数的点卷积和激活操作具有不同的特征拟合方向，例如过拟合和欠拟合。这样，当级联得到的所述电压-温度关联特征向量通过解码器进行解码时，所述电压-温度关联特征向量的分别对应于所述电池充电电压波形特征向量和所述环境温度时序特征向量的部分特征分布相对于解码器的权重矩阵对应的部分也会具有不同的权重拟合方向，这样，所述电压-温度关联特征向量的整体特征分布相对于解码器的权重矩阵就会具有收敛性差的问题，从而影响所述解码器的训练速度。
基于此，本申请的申请人在所述训练电压-温度关联特征向量，例如记为的训练 过程中，在每次解码器的权重矩阵，例如记为的迭代过程中，对权重矩阵进行权重本征 支持的半空间结构化约束，具体表示为：在所述训练的每一轮迭代中，以如下优化公式对所 述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代；其中，所述优化公式为：
其中，是所述训练电压-温度关联特征向量，是所述解码器的权重矩阵，是 矩阵的本征值组成的本征集合向量，表示向量的转置向量，和分别表示矩阵 乘法和加法，表示迭代后的所述解码器的权重矩阵。
这里，所述权重本征支持的半空间结构化约束以所述解码器的权重矩阵的结构 化矩阵的本征值集合与待解码的所述训练电压-温度关联特征向量的关联性集成作为支 持，来对所述权重矩阵表示的用于与所述训练电压-温度关联特征向量的高维流形相耦 合的半空间（half-space）进行作为决策边界的超平面的结构化支持约束，以使得所述训练 电压-温度关联特征向量的高维流形能够在所述权重矩阵表示的半空间开放域内相对 于超平面有效收敛，从而改进所述解码器的训练速度。这样，能够基于实际情况对于最大充 电电流值进行修正，从而确保充电过程更加安全可靠，并提高充电效率。
综上，基于本发明实施例的充电桩检测方法100被阐明，其这样，可以基于深度学习的人工智能检测技术来对于环境温度和电池电压信号进行时序关联分析，从而来修正最大充电电流值，以确保充电过程更加安全可靠，并提高充电效率。
图5为本发明实施例中提供的一种充电桩检测系统的框图。如图5所示，所述充电桩检测系统，包括：数据获取模块210，用于获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；特征分析模块220，用于对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及，电流值修正模块230，用于基于所述电压-温度关联特征向量，确定修正最大充电电流值。
本领域技术人员可以理解，上述充电桩检测系统中的各个步骤的具体操作已经在上面参考图1到图4的充电桩检测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，根据本发明实施例的充电桩检测系统100可以实现在各种终端设备中，例如用于充电桩检测的服务器等。在一个示例中，根据本发明实施例的充电桩检测系统100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，该充电桩检测系统100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，该充电桩检测系统100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，该充电桩检测系统100与该终端设备也可以是分立的设备，并且该充电桩检测系统100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。
图6为本发明实施例中提供的一种充电桩检测方法的应用场景图。如图6所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的环境温度值（例如，如图6中所示意的C1），以及，所述预定时间段的电池充电电压信号（例如，如图6中所示意的C2）；然后，将获取的环境温度值和电池充电电压信号输入至部署有充电桩检测算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于充电桩检测算法对所述环境温度值和所述电池充电电压信号进行处理，以确定修正最大充电电流值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种充电桩检测方法，其特征在于，包括：
获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；
对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及
基于所述电压-温度关联特征向量，确定修正最大充电电流值；
所述充电桩检测方法还包括训练步骤：用于对基于卷积神经网络模型的充电电压波形特征提取器、基于转换器模型的电压信号全局特征提取器、基于一维卷积神经网络模型的环境温度时序特征提取器和解码器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练环境温度值，所述预定时间段的训练电池充电电压信号，以及，所述修正最大充电电流值的真实值；
对所述训练电池充电电压信号进行基于采样窗的滑窗采样以得到多个训练电池充电电压采样窗信号；
将所述多个训练电池充电电压采样窗信号分别通过所述基于卷积神经网络模型的充电电压波形特征提取器以得到多个训练电池充电电压采样窗波形特征向量；
将所述多个训练电池充电电压采样窗波形特征向量通过所述基于转换器模型的电压信号全局特征提取器以得到训练电池充电电压波形特征向量；
将所述多个预定时间点的训练环境温度值按照时间维度排列为训练环境温度时序输入向量后通过所述基于一维卷积神经网络模型的环境温度时序特征提取器以得到训练环境温度时序特征向量；
使用级联函数来融合所述训练电池充电电压波形特征向量和所述训练环境温度时序特征向量以得到训练电压-温度关联特征向量；
将所述训练电压-温度关联特征向量通过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方向传播来对所述基于卷积神经网络模型的充电电压波形特征提取器、所述基于转换器模型的电压信号全局特征提取器、所述基于一维卷积神经网络模型的环境温度时序特征提取器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代；
其中，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代；
其中，所述优化公式为：
其中，V是所述训练电压-温度关联特征向量，M是所述解码器的权重矩阵，Ve是矩阵MTM的本征值组成的本征集合向量，(·)T表示向量的转置向量，和/>分别表示矩阵乘法和加法，M′表示迭代后的所述解码器的权重矩阵。
2.根据权利要求1所述的充电桩检测方法，其特征在于，对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量，包括：
对所述电池充电电压信号进行特征提取以得到电池充电电压波形特征向量；
对所述多个预定时间点的环境温度值进行特征提取以得到环境温度时序特征向量；以及
融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量。
3.根据权利要求2所述的充电桩检测方法，其特征在于，对所述电池充电电压信号进行特征提取以得到电池充电电压波形特征向量，包括：
对所述电池充电电压信号进行基于采样窗的滑窗采样以得到多个电池充电电压采样窗信号；
将所述多个电池充电电压采样窗信号分别通过基于卷积神经网络模型的充电电压波形特征提取器以得到多个电池充电电压采样窗波形特征向量；以及
对所述多个电池充电电压采样窗波形特征向量进行全局关联分析以得到所述电池充电电压波形特征向量。
4.根据权利要求3所述的充电桩检测方法，其特征在于，对所述多个电池充电电压采样窗波形特征向量进行全局关联分析以得到所述电池充电电压波形特征向量，包括：通过基于转换器模型的电压信号全局特征提取器对所述多个电池充电电压采样窗波形特征向量进行全局关联特征提取以得到所述电池充电电压波形特征向量。
5.根据权利要求4所述的充电桩检测方法，其特征在于，对所述多个预定时间点的环境温度值进行特征提取以得到环境温度时序特征向量，包括：将所述多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量后通过基于一维卷积神经网络模型的环境温度时序特征提取器以得到所述环境温度时序特征向量。
6.根据权利要求5所述的充电桩检测方法，其特征在于，融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量，包括：使用级联函数来融合所述电池充电电压波形特征向量和所述环境温度时序特征向量以得到所述电压-温度关联特征向量。
7.根据权利要求6所述的充电桩检测方法，其特征在于，基于所述电压-温度关联特征向量，确定修正最大充电电流值，包括：将所述电压-温度关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示修正最大充电电流值。
8.一种充电桩检测系统，其特征在于，包括：
数据获取模块，用于获取预定时间段内多个预定时间点的环境温度值，以及，所述预定时间段的电池充电电压信号；
特征分析模块，用于对所述多个预定时间点的环境温度值和所述电池充电电压信号进行时序变化特征分析以得到电压-温度关联特征向量；以及
电流值修正模块，用于基于所述电压-温度关联特征向量，确定修正最大充电电流值；
所述充电桩检测系统还包括训练模块：用于对基于卷积神经网络模型的充电电压波形特征提取器、基于转换器模型的电压信号全局特征提取器、基于一维卷积神经网络模型的环境温度时序特征提取器和解码器进行训练；
其中，所述训练模块，包括：
获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练环境温度值，所述预定时间段的训练电池充电电压信号，以及，所述修正最大充电电流值的真实值；
对所述训练电池充电电压信号进行基于采样窗的滑窗采样以得到多个训练电池充电电压采样窗信号；
将所述多个训练电池充电电压采样窗信号分别通过所述基于卷积神经网络模型的充电电压波形特征提取器以得到多个训练电池充电电压采样窗波形特征向量；
将所述多个训练电池充电电压采样窗波形特征向量通过所述基于转换器模型的电压信号全局特征提取器以得到训练电池充电电压波形特征向量；
将所述多个预定时间点的训练环境温度值按照时间维度排列为训练环境温度时序输入向量后通过所述基于一维卷积神经网络模型的环境温度时序特征提取器以得到训练环境温度时序特征向量；
使用级联函数来融合所述训练电池充电电压波形特征向量和所述训练环境温度时序特征向量以得到训练电压-温度关联特征向量；
将所述训练电压-温度关联特征向量通过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方向传播来对所述基于卷积神经网络模型的充电电压波形特征提取器、所述基于转换器模型的电压信号全局特征提取器、所述基于一维卷积神经网络模型的环境温度时序特征提取器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代；
其中，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代；
其中，所述优化公式为：
其中，V是所述训练电压-温度关联特征向量，M是所述解码器的权重矩阵，Ve是矩阵MTM的本征值组成的本征集合向量，(·)T表示向量的转置向量，和/>分别表示矩阵乘法和加法，M′表示迭代后的所述解码器的权重矩阵。
CN202310989387.7A 2023-08-08 2023-08-08 充电桩检测系统及其方法 Active CN116699297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310989387.7A CN116699297B (zh) 2023-08-08 2023-08-08 充电桩检测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310989387.7A CN116699297B (zh) 2023-08-08 2023-08-08 充电桩检测系统及其方法

Publications (2)

Publication Number Publication Date
CN116699297A CN116699297A (zh) 2023-09-05
CN116699297B true CN116699297B (zh) 2023-10-27

Family

ID=87826183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310989387.7A Active CN116699297B (zh) 2023-08-08 2023-08-08 充电桩检测系统及其方法

Country Status (1)

Country Link
CN (1) CN116699297B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148165B (zh) * 2023-09-15 2024-04-12 东莞市言科新能源有限公司 聚合物锂离子电池的测试分析方法及其系统
CN117061322A (zh) * 2023-09-27 2023-11-14 广东云百科技有限公司 物联网流量池管理方法及系统
CN117222069B (zh) * 2023-10-12 2024-04-30 深圳市诺文博科技有限公司 照明驱动电源的智能控制方法
CN117375237B (zh) * 2023-10-20 2024-05-24 浙江日新电气有限公司 基于数字孪生技术变电站运维方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283580A (zh) * 2021-04-30 2021-08-20 太原理工大学 一种太阳能电池板故障自动检测方法
JP7004364B1 (ja) * 2020-12-31 2022-01-21 ▲広▼州大学 グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体
CN115238752A (zh) * 2022-08-15 2022-10-25 福州亿力卓越管理顾问有限公司 一种基于人工智能的充电桩故障预测系统
CN115632179A (zh) * 2022-12-20 2023-01-20 国网天津市电力公司电力科学研究院 一种锂离子电池智能快速充电方法及系统
CN116520182A (zh) * 2023-05-11 2023-08-01 珠海中瑞电力科技有限公司 一种dcs装置电源模块异常早期诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816612A (zh) * 2019-02-18 2019-05-28 京东方科技集团股份有限公司 图像增强方法和装置、计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7004364B1 (ja) * 2020-12-31 2022-01-21 ▲広▼州大学 グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体
CN113283580A (zh) * 2021-04-30 2021-08-20 太原理工大学 一种太阳能电池板故障自动检测方法
CN115238752A (zh) * 2022-08-15 2022-10-25 福州亿力卓越管理顾问有限公司 一种基于人工智能的充电桩故障预测系统
CN115632179A (zh) * 2022-12-20 2023-01-20 国网天津市电力公司电力科学研究院 一种锂离子电池智能快速充电方法及系统
CN116520182A (zh) * 2023-05-11 2023-08-01 珠海中瑞电力科技有限公司 一种dcs装置电源模块异常早期诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
含光伏电源的电动汽车充电站充电优化策略研究;郭江震;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第7期);第11-20页 *

Also Published As

Publication number Publication date
CN116699297A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN116699297B (zh) 充电桩检测系统及其方法
CN108647716B (zh) 一种基于复合信息的光伏阵列故障诊断方法
CN116639010B (zh) 充电桩的智能控制系统及其方法
Wang et al. A deep generative model for non-intrusive identification of EV charging profiles
WO2023045790A1 (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN111343650B (zh) 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法
CN116614177B (zh) 一种光纤状态多维度参量监测系统
KR102615145B1 (ko) 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체
CN116552306B (zh) 直流桩的监控系统及其方法
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
CN115221233A (zh) 基于深度学习的变电站多类带电检测数据异常检测方法
CN113687610B (zh) 一种gan-cnn电力监测系统终端信息防护法方法
CN117409529B (zh) 一种多场景电气火灾在线监测方法及系统
CN115828161A (zh) 一种基于循环神经网络的汽车故障类型预测方法及装置
CN115879030A (zh) 一种针对配电网的网络攻击分类方法和系统
CN116311739A (zh) 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法
CN113905405A (zh) 一种电力无线接入专网异常流量检测方法
CN113516028A (zh) 一种基于混合注意力机制的人体异常行为识别方法及系统
CN112398862A (zh) 一种基于gru模型的充电桩攻击聚类检测方法
CN117621875B (zh) 基于低温补偿的电动汽车充电管理系统及方法
CN117371824B (zh) 一种基于光伏数据的异常检测方法及装置
CN118133144B (zh) 基于图神经网络的车辆故障诊断方法、装置、设备及介质
CN116994041A (zh) 一种基于滑窗处理与注意力机制的故障诊断方法及装置
CN117621875A (zh) 基于低温补偿的电动汽车充电管理系统及方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240423

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