CN117141265A - 一种智能无线充电桩的运行监测系统及监测方法 - Google Patents
一种智能无线充电桩的运行监测系统及监测方法 Download PDFInfo
- Publication number
- CN117141265A CN117141265A CN202311342197.2A CN202311342197A CN117141265A CN 117141265 A CN117141265 A CN 117141265A CN 202311342197 A CN202311342197 A CN 202311342197A CN 117141265 A CN117141265 A CN 117141265A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- data set
- wireless charging
- early warning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 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
- B60L53/10—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 characterised by the energy transfer between the charging station and the vehicle
- B60L53/12—Inductive energy transfer
-
- 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)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种智能无线充电桩的运行监测系统及监测方法,属于无线充电技术领域,包括:服务器接收来自监测设备所采集的第一监测数据;对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集;建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;输出监测预警模型的分析结果,并发出预警;对预警结果进行验证。在本发明的技术方案实施时,通过对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,提高所采集到的数据之间的关联性,降低服务器的处理压力,并提高系统的响应时间和可靠性。
Description
技术领域
本申请涉及无线充电技术领域,具体为一种智能无线充电桩的运行监测系统及监测方法。
背景技术
随着新能源产业的快速发展,与之相匹配的充电技术也得到了迅猛提升,无线充电技术就是其中一种,其具有便捷性、美观性、高使用寿命、高兼容性等优点,得到了广泛应用,无线充电桩是无线充电技术的载体,在新能源汽车产业中,汽车无线充电桩是一种专门用于新能源骑车的无线充电设备,通常利用地面感应线圈和车辆底部感应线圈之间的电磁感应视线对新能源汽车的无线充电。
目前,市面上出现了一种智能无线充电桩,其不仅可以通过感应技术满足充电需求,还会内置充电调度管理系统,并能够对充电状态进行监控,提高无线充电的安全性和高效性,但是这种智能无线充电桩在运行时会涉及到数据传输,由于目前的新能源汽车充电依据的标准《GB/T27930-2015电动汽车非车载传导式充电机与电池管理系统之间的通信协议》并未涉及到信息安全问题,在运行过程中会涉及到网络安全风险,包括数据劫持、数据篡改、数据丢失等风险,虽然目前可以通过组件监测设备来对智能无线充电桩的运行状态进行监测,但是这种方法不仅需要额外布线,还需要对现有的智能无线充电桩进行改造,成本较高,不便于推广。
所以有必要提供一种智能无线充电桩的运行监测系统及监测方法来解决上述问题。
需要说明的是,本背景技术部分中公开的以上信息仅用于理解本申请构思的背景技术,并且因此,它可以包含不构成现有技术的信息。
发明内容
基于现有技术中存在的上述问题,本申请所要解决的问题是:提供一种智能无线充电桩的运行监测系统及监测方法,达到提高智能无线充电桩运行监测的效果,并能够进行预警,发出预警通知。
本申请解决其技术问题所采用的技术方案是:一种智能无线充电桩的运行监测方法,包括:
服务器接收来自监测设备所采集的第一监测数据,该第一监测数据表示智能无线充电桩运行过程中产生的运行数据,其中,监测设备用于采集目标区域的至少一个目标对象的运行数据;
对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,该第二数据集为运行数据经过量纲化处理和数据增维后产生的量纲化数据;
建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;
输出监测预警模型的分析结果,并发出预警;
对预警结果进行验证。
在本发明的技术方案实施时,通过对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,提高所采集到的数据之间的关联性,降低服务器的处理压力,并提高系统的响应时间和可靠性。
进一步的,对第一数据集进行数据增维进一步包括:
对第一数据集中的运行数据进行识别和分类,并按照分类结果进行初始排序,生成第一有序数据集;
对有序数据集中的数据进行特征提取,并将提取出的特征按照有序数据集中的位置进行排序;
对提取出的特征进行特征组合,生成第一特征集,并将第一特征集嵌入有序数据集中;
对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性。
进一步的,对提取出的特征进行特征组合包括特征交叉、算数组合、绝对值组合、差值组合其中至少一种方法。
进一步的,在提取出特征后,根据第一有序数据集中的位置排列,提取出的特征进行对应放置。
进一步的,特征提取采用无监督学习方法完成。
进一步的,所述无监督学习方法包括主成分分析方法、关联规则挖掘方法、聚类方法的至少其中一种。
进一步的,对预警结果进行验证采用哈希验证的方法实现。
一种智能无线充电桩的运行监测系统,该系统包括:
接收模块,用于服务器接收来自监测设备所采集的第一监测数据,该第一监测数据表示智能无线充电桩运行过程中产生的运行数据,其中,监测设备用于采集目标区域的至少一个目标对象的运行数据;
量纲化处理和数据增维模块,用于对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,该第二数据集为运行数据经过量纲化处理和数据增维后产生的量纲化数据;
模型建立模块,用于建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;
预警输出模块,用于输出监测预警模型的分析结果,并发出预警;
预警结果验证模块,用于对预警结果进行验证。
本申请的有益效果是:本申请提供的一种智能无线充电桩的运行监测系统及监测方法,通过对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,提高所采集到的数据之间的关联性,降低服务器的处理压力,并提高系统的响应时间和可靠性,并在服务器处理完成后发出预警,并在预警结果输出前进行完整性验证,确定所预警的信息为服务器直接分析所得的信息,提高决策预警的有效性。
除了上面所描述的目的、特征和优点之外,本申请还有其它的目的、特征和优点。下面将参照图,对本申请作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请中一种智能无线充电桩的运行监测方法的流程示意图;
图2为本申请中一种智能无线充电桩的运行监测系统的模块构成示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
实施例一:
图1示出了一种智能无线充电桩的运行监测方法流程图示,该方法通常应用于智能无线充电桩的运行监测系统中,用于对智能无线充电桩运行过程中的数据传输进行监测,并根据监测结果进行相应预警,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以使用不同于图1所示出或描述的步骤执行,如图1所示,该方法包括:
步骤101:服务器接收来自监测设备所采集的第一监测数据,该第一监测数据表示智能无线充电桩运行过程中产生的运行数据,其中,监测设备用于采集目标区域的至少一个目标对象的运行数据;
需要理解的是,在本实施例中,智能无线充电桩的运行监测系统中各个部分带有数据发送、接收、处理功能的设备都可以称为服务器,该服务器区别于现有的物理服务器,并且通常具有通信接口,以方便对其他设备进行数据交换、传输,该服务器可以通过有线或无线的通信方式与一个或多个核心网进行通信,其中有线通信包括传输线、光纤等线缆设备,无线可以为无线接入网、移动互联网等,在此不做限定;
其中监测设备可以是电能计量设备、温度传感器设备、状态监测设备(包括充电开始、充电结束、暂停充电等)、安全保护设备(电流保护、过压保护、过温保护等)、数据传输设备等等;目标区域可以为(包括但不限于)充电桩内部、电流输出端、电流输入端、数据输出端等;目标对象可以为(包括但不限于)无线充电桩自身、所涉及到的电网、充电桩周边环境、数据传输过程等;
步骤102:对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,该第二数据集为运行数据经过量纲化处理和数据增维后产生的量纲化数据;
在智能无线充电桩的运行过程中,服务器所接收到的数据是通过各个监测设备所采集的,由于监测设备的不同,导致所采集到的数据之间关联性较低,并且通常会具有不同的量纲,在后续的分析处理过程中会增加服务器的处理压力,进而提高了系统响应时间,而在智能无线充电桩的运行过程中,系统响应时间决定了系统的可靠性,虽然可以通过更新服务器中负责处理数据的硬件来提高系统响应时间,但是会导致成本增加,并且难以应用于已经投入使用的智能无线充电桩及其相应的监测系统中,因此需要从数据层面对提高系统的响应时间进行优化;
通过对第一数据集进行数据增维的方式可以使第一数据集中的每个数据的特征更明显,并且使不同的监测设备所采集的数据之间具有一定的关联性,避免数据之间的割裂和独立性,并且在处理的过程中,经过增维的数据中存在的非线性关系会更容易捕捉,从而提高从不同类别的数据中提取关键信息的有效性,并且减少各个数据之间的稀疏性,降低因部分数据缺失导致的服务器预警不精准的问题。
需要说明的是,步骤102中的归一化处理并非传统意义上的将数据按照一定的规则进行缩放,使其落入特定的范围之内,而是指对不同监测设备所采集到的数据进行统一处理,使其符合服务器的处理规则或适应相应的分析模型,防止数据之间的差异造成分析过程中产生额外冗余信息,影响最终结果。
具体的,对第一数据集进行数据增维进一步包括:
步骤201:对第一数据集中的运行数据进行识别和分类,并按照分类结果进行初始排序,生成第一有序数据集;
为了方便对智能无线充电桩运行数据进行分析和处理,需要先对运行数据进行识别,并根据识别结果进行分类,将相同类别的数据排列到一起,并基于各个数据的具体类别进行排序,使运行数据中的所有数据便于访问和查找,提供有序的数据检索和分析,降低在分析处理过程中,查找数据所花费的时间和算力资源,提高分析处理效率;
在本实施例中,对第一数据集中的运行数据进行识别和分类采用机器学习技术,并且在本领域中,通过机器学习对数据进行识别和分类为较为常用的现有技术,因此此处及下文都不再赘述;
需要说明的是,本步骤中对第一数据集中的运行数据进行分类并非传统意义上的根据直接采集到的数据类型进行分类,而是通过机器学习采用一定的算法,并根据算法中模型设计进行识别,例如支持向量机(SVM)算法,该算法是一种常用的机器学习算法,适用于线性和非线性数据的分类过程,在本实施例中通过调整SVM模型即可实现监测数据的分类识别,并且该算法可以应用于高维数据中;
步骤202:对第一有序数据集中的数据进行特征提取,并将提取出的特征按照第一有序数据集中的位置进行排序;
为了进行数据增维操作,需要先对第一有序数据集中的运行数据进行特征提取操作,因为原始数据中会存在大量冗余或无关信息,如果直接对原始数据即有序数据集中的运行数据进行增维操作,会导致数据群庞大,影响服务器的处理效率,并且还增加了出错的风险,因此在进行数据增维操作前,先对第一有序数据集中的运行数据进行特征提取,将提取出的特征作为监测数据的泛化表现,减少原始数据中的冗余信息;
在提取出特征后,还要根据第一有序数据集中的位置排列,对提取出的特征进行对应放置,防止乱序的特征表示无法与有序数据集对应,进而导致特征错位或特征表示异常;
在本实施例中,特征提取可以采用主成分分析(PCA)方法,对有序数据集中的运行数据进行线性变换,并将变换后的数据投影到新的坐标系中,使投影后的数据具有最大方差,从而完成特征提取;还可以通过关联规则挖掘(ARM)、聚类等无监督学习方法等完成特征提取,无监督学习方法无需标注训练样本,适合用于智能无线充电桩监测系统中,因为在监测的过程中会产生大量的运行数据,通过无监督学习方法可以省去训练样本的步骤,提高监测采集效率,在本发明中不做限制,主成分分析方法提取特征具体可参考公开号为CN107844795B的中国发明专利,此处及下文不再赘述。
步骤203:对提取出的特征进行特征组合,生成第一特征集,并将第一特征集嵌入有序数据集中;
对有序数据集中的运行数据进行特征提取后,所提取的特征与原始数据之间具有较低的关联性,因此提取出的特征还需要进行特征组合,并生成第一特征集,从而在特征层面上增加原始数据的维度,并且将第一特征集嵌入有序数据集中,完成有序数据集的增维操作;
在本实施例中,特征组合的方式可以有多种,例如特征交叉、算数组合、绝对值组合、差值组合等,并且在特征组合后,原始特征会被替换,从而实现特征的加密效果,提高有序数据集的安全性和保密性;
在将第一特征集嵌入有序数据集之前,还需要将第一特征集中的元素进行数值转化,以便能够将其表示为向量的形式,具体的,通过标签编码的方式对特征集中的元素进行编码,生成文本特征,并通过向量化模型(如词袋模型、TF-IDF模型等)对文本特征进行向量化表示,并根据有序数据集和特征集的排序进行一一对应,使有序数据集中的元素以特征向量的形式表示,从而实现将第一特征集嵌入到有序数据集中,这种方式不会改变有序数据集中的原始数据,并且不会在增维的过程中引入新的噪声,提高数据的完整性。
步骤204:对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性;
在数据增维的过程中,由于引入了新的特征,因此可能会导致原始数据发生变化,或者原始数据的特征表示发生变化,导致其并非原始表达,进而影响服务器的处理结果,因此还需要对其进行一致性验证,保证有序数据集在增维的过程中没有数据或特征丢失,具体的,在本实施例中,可以通过哈希验证的方法来验证增维前后的有序数据集的完整性,具体方法可参照现有技术中通过哈希函数验证数据完整性的方案,此处不再赘述。
步骤103:建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;
对第一数据集进行数据增维后,会生成具有额外特征的第二数据集,该第二数据集是经过优化后的智能无线充电桩运行过程中采集到的运行数据,并将该运行数据作为监测预警模型的输入,从而对智能无线充电桩的运行过程进行预警;
监测预警模型是一种用于监测和预测特定事件或系统运行状态的模型,根据接收和分析相关的运行数据,识别出潜在的异常或风险,并提供预警信息,以便采取相应的检修措施,在本实施例中,监测预警模型可以设置为多种类型,包括(但不限于):
a、基于一定规则的模型,通过设定一系列规则和阈值,对数据进行判断和预警;
b、统计模型,利用统计方法对数据进行建模和分析,识别异常和趋势,预测未来的发展趋势,常见的统计模型包括ARI MA模型、回归模型等;
c、机器学习模型,利用机器学习算法对数据进行训练和建模,从而进行异常检测和预测,常用的机器学习模型包括支持向量机(SVM)、决策树、随机森林、神经网络等;
d、时间序列模型,针对时间序列数据,利用时间的相关性进行建模和预测。常见的时间序列模型包括ARI MA、指数平滑法、季节分解法等;
e、深度学习模型,利用深度神经网络对大规模数据进行训练和建模,具有更强的自动学习和表达能力。常见的深度学习模型包括循环神经网络(RNN)、长短期记忆网络(LSTM)、卷积神经网络(CNN)等;
f、聚类模型,将数据进行聚类分析,识别出不同的群集和异常点,用于监测和预测,常用的聚类算法包括K-means、DBSCAN等;
g、异常检测模型,专门用于检测和识别异常数据点,包括基于统计方法的箱线图、3σ原则,以及基于机器学习的局部异常因子(LOF)、孤立森林等;
在本实施例中不对监测预警模型作进一步限定,在实施过程中可以根据实际情况进行选择。
步骤104:输出监测预警模型的分析结果,并发出预警。
根据巡检预测模型的分析结果进行输出,并针对异常监测数据进行全局或局部预警,方便巡检人员检修;
其中预警方式包括(但不限于)声音警报、灯光警示、远程移动端通知、数据报表或图表生成等,确保预警结果被及时有效接收;
步骤105:对预警结果进行验证。
为了提高预警动作的响应速度,防止服务器的分析结果传递延迟或丢失,还需要在预警通知前进行完整性验证,确定所预警的信息为服务器直接分析所得的信息,提高决策预警的有效性;
完整性验证可以采用哈希验证的方式,先对服务器的预警结果进行哈希计算,生成第一哈希值,计算方法可以采用MD5、SHA-1、SHA-256等,在此不做限定;
然后将生成的第一哈希值存储到存储介质中,如数据库、文件系统等,确保哈希值的安全性和完整性;
在需要进行预警时,获取服务器输出的预警数据,并对该数据进行哈希计算,生成第二哈希值,该第二哈希值表示需要进行预警的信息所生成的哈希值,接着将第一哈希值与第二哈希值进行比对,判断其是否一致,如果一致,说明预警结果是完整未发生改变的,可以进行输出,如果不一致,说明第二哈希值所代表的预警信息出现异常,不可以直接输出,而是发送检查信号至服务器端,并暂停预警,待工作人员检修完成后,重复上述步骤,直到第一哈希值与第二哈希值一致才可以进行预警输出。
通过以上的验证过程,可以验证预警结果的完整性和真实性,确保预警结果没有发生改变,提高系统的预警准确性。
实施例二:
如图2所示,本实施例提供了一种智能无线充电桩的运行监测系统,该系统运行如实施例一中的监测方法,该监测系统包括:
接收模块,用于服务器接收来自监测设备所采集的第一监测数据,该第一监测数据表示智能无线充电桩运行过程中产生的运行数据,其中,监测设备用于采集目标区域的至少一个目标对象的运行数据;
量纲化处理和数据增维模块,用于对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,该第二数据集为运行数据经过量纲化处理和数据增维后产生的量纲化数据;
模型建立模块,用于建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;
预警输出模块,用于输出监测预警模型的分析结果,并发出预警;
预警结果验证模块,用于对预警结果进行验证。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种智能无线充电桩的运行监测方法,其特征在于:包括:
服务器接收来自监测设备所采集的第一监测数据,该第一监测数据表示智能无线充电桩运行过程中产生的运行数据,其中,监测设备用于采集目标区域的至少一个目标对象的运行数据;
对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,该第二数据集为运行数据经过量纲化处理和数据增维后产生的量纲化数据;
建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;
输出监测预警模型的分析结果,并发出预警;
对预警结果进行验证。
2.根据权利要求1所述的一种智能无线充电桩的运行监测方法,其特征在于:对第一数据集进行数据增维进一步包括:
对第一数据集中的运行数据进行识别和分类,并按照分类结果进行初始排序,生成第一有序数据集;
对有序数据集中的数据进行特征提取,并将提取出的特征按照有序数据集中的位置进行排序;
对提取出的特征进行特征组合,生成第一特征集,并将第一特征集嵌入有序数据集中;
对增维操作后的有序数据集进行一致性验证,保证有序数据集在增维过程中的完整性。
3.根据权利要求2所述的一种智能无线充电桩的运行监测方法,其特征在于:对提取出的特征进行特征组合包括特征交叉、算数组合、绝对值组合、差值组合其中至少一种方法。
4.根据权利要求2所述的一种智能无线充电桩的运行监测方法,其特征在于:在提取出特征后,根据第一有序数据集中的位置排列,提取出的特征进行对应放置。
5.根据权利要求2所述的一种智能无线充电桩的运行监测方法,其特征在于:特征提取采用无监督学习方法完成。
6.根据权利要求5所述的一种智能无线充电桩的运行监测方法,其特征在于:所述无监督学习方法包括主成分分析方法、关联规则挖掘方法、聚类方法的至少其中一种。
7.根据权利要求1所述的一种智能无线充电桩的运行监测方法,其特征在于:对预警结果进行验证采用哈希验证的方法实现。
8.一种智能无线充电桩的运行监测系统,其特征在于:该系统包括:
接收模块,用于服务器接收来自监测设备所采集的第一监测数据,该第一监测数据表示智能无线充电桩运行过程中产生的运行数据,其中,监测设备用于采集目标区域的至少一个目标对象的运行数据;
量纲化处理和数据增维模块,用于对第一数据集进行量纲化处理,并对第一数据集进行数据增维,生成具有额外尺度的第二数据集,该第二数据集为运行数据经过量纲化处理和数据增维后产生的量纲化数据;
模型建立模块,用于建立监测预警模型,将第二数据集作为监测预警模型的输入,进行模型分析,并输出结果;
预警输出模块,用于输出监测预警模型的分析结果,并发出预警;
预警结果验证模块,用于对预警结果进行验证。
9.根据权利要求8所述的一种智能无线充电桩的运行监测系统,其特征在于:用于实施如权利要求1至7任一项所述的一种智能无线充电桩的运行监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311342197.2A CN117141265A (zh) | 2023-10-17 | 2023-10-17 | 一种智能无线充电桩的运行监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311342197.2A CN117141265A (zh) | 2023-10-17 | 2023-10-17 | 一种智能无线充电桩的运行监测系统及监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117141265A true CN117141265A (zh) | 2023-12-01 |
Family
ID=88887041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311342197.2A Pending CN117141265A (zh) | 2023-10-17 | 2023-10-17 | 一种智能无线充电桩的运行监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117141265A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849652A (zh) * | 2024-03-07 | 2024-04-09 | 华星动力(江苏)有限公司 | 一种充电桩的充放电检测方法及检测系统 |
-
2023
- 2023-10-17 CN CN202311342197.2A patent/CN117141265A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849652A (zh) * | 2024-03-07 | 2024-04-09 | 华星动力(江苏)有限公司 | 一种充电桩的充放电检测方法及检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
CN105376193A (zh) | 安全事件的智能关联分析方法与装置 | |
CN115395646B (zh) | 一种数字孪生式牵引变电所智慧运维系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN115814686B (zh) | 一种镭射气体混配生产系统的状态监控方法及系统 | |
CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
CN117439916A (zh) | 一种网络安全测试评估系统及方法 | |
CN117411703A (zh) | 一种面向Modbus协议的工业控制网络异常流量检测方法 | |
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN114070787B (zh) | 面向警务大数据的数据汇聚方法、装置、存储介质和电子设备 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN111080005B (zh) | 一种基于支持向量机的治安风险预警方法及系统 | |
CN113691390A (zh) | 一种云端协同的边缘节点报警系统及方法 | |
CN117172753A (zh) | 一种基于移动互联网的智慧水电站巡检系统及方法 | |
CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
CN116883952B (zh) | 基于人工智能算法的电力施工现场违章识别方法及系统 | |
CN115913769B (zh) | 基于人工智能的数据安全存储方法及系统 | |
CN117527859B (zh) | 基于工业互联网的设备监控方法及系统 | |
CN117347791B (zh) | 基于大数据的电力电网故障在线识别系统及方法 |
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 |