CN117214637A - 充电枪耐压测试方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及充电枪测试技术领域，公开了一种充电枪耐压测试方法、装置、设备及存储介质，用于提高直流充电枪的耐压测试精度和测试准确率。方法包括：计算多个梯度测试电压；进行耐电压测试和工作状态数据采集，得到充电枪工作状态数据；进行数据分类和时序关联处理，得到多个时序状态数据；进行曲线拟合，得到多个时序状态曲线并进行特征提取，得到多个时序状态特征；进行归一化处理，得到多个目标状态特征，并进行特征编码，得到状态特征向量；将状态特征向量输入充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；根据目标耐压性能分析结果，对目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

Description

充电枪耐压测试方法、装置、设备及存储介质

技术领域

本发明涉及充电枪测试技术领域，尤其涉及一种充电枪耐压测试方法、装置、设备及存储介质。

背景技术

随着电动汽车的广泛普及，电动车充电设备的可靠性和安全性变得至关重要。充电枪是电动车充电过程中的关键组件之一，它必须在各种电压条件下工作，以确保电动车的安全和高效充电。充电枪作为连接电动汽车和充电桩的关键部件，必须具备高度的安全性和可靠性。在使用过程中，充电枪会受到各种电压和电流的影响，因此必须经过严格的耐压测试，以确保其在不同电压条件下的稳定性和安全性。此外，充电枪的性能评估也是必要的，以确保其能够满足电动汽车快速充电和高效能量传输的要求。

在实际使用中，充电枪面临来自不同电源的电压波动、瞬态电压波动以及其他电气干扰，因此需要进行耐压测试来验证其稳定性和安全性。

发明内容

本发明提供了一种充电枪耐压测试方法、装置、设备及存储介质，用于提高直流充电枪的耐压测试精度和测试准确率。

本发明第一方面提供了一种充电枪耐压测试方法，所述充电枪耐压测试方法包括：

获取目标充电枪的额定电压数据，并根据所述额定电压数据计算多个梯度测试电压；

根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据；

根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据；

对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征；

对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量；

将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；

根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

结合第一方面，在本发明第一方面的第一种实现方式中，所述根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据，包括：

按照从小到大的顺序，对所述多个梯度测试电压进行排序，得到测试电压顺序；

获取预置的耐压测试标准，并根据所述耐压测试标准设置所述测试电压顺序中每两个梯度测试电压之间的电压测试时段；

根据所述电压测试时段以及对应的梯度测试电压，并按照所述测试电压序列依次对所述目标充电枪进行耐电压测试；

通过预置的多个状态监控传感器，对所述目标充电枪进行工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据。

结合第一方面，在本发明第一方面的第二种实现方式中，所述根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据，包括：

获取温度特征标签、电流特征标签以及功率特征标签，并将所述温度特征标签、所述电流特征标签以及所述功率特征标签输入预置的标签聚类模型；

通过所述标签聚类模型确定初始温度聚类中心、初始电流聚类中心以及初始功率聚类中心；

根据所述初始温度聚类中心对所述充电枪工作状态数据进行距离计算，得到多个温度距离值，并对所述多个温度距离值进行均值运算，得到温度距离均值，以及根据所述温度距离均值对所述初始温度聚类中心进行校正，得到目标温度聚类中心；根据所述初始电流聚类中心对所述充电枪工作状态数据进行距离计算，得到多个电流距离值，并对所述多个电流距离值进行均值运算，得到电流距离均值，以及根据所述电流距离均值对所述初始电流聚类中心进行校正，得到目标电流聚类中心；根据所述初始功率聚类中心对所述充电枪工作状态数据进行距离计算，得到多个功率距离值，并对所述多个功率距离值进行均值运算，得到功率距离均值，以及根据所述功率距离均值对所述初始功率聚类中心进行校正，得到目标功率聚类中心；

根据所述目标温度聚类中心、所述目标电流聚类中心以及所述目标功率聚类中心，对所述充电枪工作状态数据进行数据分类，得到温度状态数据、电流状态数据以及功率状态数据；根据所述电压测试时段确定所述温度状态数据中每个温度数据点的第一时间戳，并对所述第一时间戳和所述温度数据点进行关联处理，得到时序温度数据；根据所述电压测试时段确定所述电流状态数据中每个电流数据点的第二时间戳，并对所述第二时间戳和所述电流数据点进行关联处理，得到时序电流数据；

根据所述电压测试时段确定所述功率状态数据中每个功率数据点的第三时间戳，并对所述第三时间戳和所述功率数据点进行关联处理，得到时序功率数据；

将所述时序温度数据、所述时序电流数据以及所述时序功率数据作为每个梯度测试电压对应的多个时序状态数据。

结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征，包括：

基于预置的最小二乘法，对所述时序温度数据进行曲线拟合，得到初始温度曲线，并对所述初始温度曲线进行拟合参数调整，得到温度状态曲线；基于所述最小二乘法，对所述时序电流数据进行曲线拟合，得到初始电流曲线，并对所述初始电流曲线进行拟合参数调整，得到电流状态曲线；基于所述最小二乘法，对所述时序功率数据进行曲线拟合，得到初始功率曲线，并对所述初始功率曲线进行拟合参数调整，得到功率状态曲线；

将所述温度状态曲线、所述电流状态曲线及所述功率状态曲线作为多个时序状态曲线；

分别计算所述温度状态曲线、所述电流状态曲线及所述功率状态曲线的方差，得到温度方差、电流方差以及功率方差；

对所述温度状态曲线中的多个温度数据点和所述温度方差进行比较，得到多个第一比较结果，并根据所述多个第一比较结果确定多个温度状态特征；对所述电流状态曲线中的多个电流数据点和所述电流方差进行比较，得到多个第二比较结果，并根据所述多个第二比较结果确定多个电流状态特征；对所述功率状态曲线中的多个功率数据点和所述功率方差进行比较，得到多个第三比较结果，并根据所述多个第三比较结果确定多个功率状态特征；

将所述多个温度状态特征、所述多个电流状态特征以及所述多个功率状态特征作为每个梯度测试电压对应的多个时序状态特征。

结合第一方面，在本发明第一方面的第四种实现方式中，所述对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量，包括：

分别计算所述多个温度状态特征、所述多个电流状态特征以及所述多个功率状态特征的均值和标准差，得到温度状态均值和温度状态标准差、电流状态均值和电流状态标准差以及功率状态均值和功率状态标准差；

根据所述温度状态均值和所述温度状态标准差，对所述多个温度状态特征进行特征归一化处理，并根据所述电流状态均值和所述电流状态标准差，对所述多个电流状态特征进行特征归一化处理，以及根据所述功率状态均值和所述功率状态标准差，对所述多个功率状态特征进行特征归一化处理，得到多个目标状态特征；

分别对所述多个目标状态特征进行特征编码，得到多个特征编码元素，并对所述多个特征编码元素进行向量映射，得到状态特征向量。

结合第一方面，在本发明第一方面的第五种实现方式中，所述将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果，包括：

将所述状态特征向量输入预置的充电枪耐压性能分析模型，其中，所述充电枪耐压性能分析模型包括：LSTM层、第一全连接层、注意力机制层、第二全连接层及反归一化层；

通过所述LSTM层中的多个LSTM单元分别对所述状态特征向量进行隐藏状态特征提取，得到每个LSTM单元的隐藏状态输出值，并对每个LSTM单元的隐藏状态输出值进行融合，生成隐藏状态向量；

将所述隐藏状态向量输入所述第一全连接层进行时序转换，得到第一时序向量；

将所述第一时序向量输入所述注意力机制层，通过所述注意力机制层中的多个注意力模块进行注意力分析，得到每个注意力模块的输出向量，并对每个注意力模块的输出向量进行组合，得到第二时序向量；

将所述第二时序向量输入所述第二全连接层进行向量处理，得到全连接向量；

将所述全连接向量输入所述反归一化层进行充电枪耐压性能预测，得到目标耐压性能分析结果。

结合第一方面，在本发明第一方面的第六种实现方式中，所述根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合，包括：

根据所述目标耐压性能分析结果，创建所述目标充电枪的多个初始工作参数集合，并将所述多个初始工作参数集合作为多个初始群体；

分别计算每个初始工作参数集合的性能评价指标，并根据所述性能评价指标对所述多个初始群体进行群体分割，得到已感染子群、易感染子群及未感染子群；

对所述已感染子群、所述易感染子群及所述未感染子群进行群体更新，生成最优工作参数集合。

本发明第二方面提供了一种充电枪耐压测试装置，所述充电枪耐压测试装置包括：

获取模块，用于获取目标充电枪的额定电压数据，并根据所述额定电压数据计算多个梯度测试电压；

测试模块，用于根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据；

处理模块，用于根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据；

拟合模块，用于对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征；

编码模块，用于对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量；

分析模块，用于将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；

输出模块，用于根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

本发明第三方面提供了一种充电枪耐压测试设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述充电枪耐压测试设备执行上述的充电枪耐压测试方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的充电枪耐压测试方法。

本发明提供的技术方案中，计算多个梯度测试电压；进行耐电压测试和工作状态数据采集，得到充电枪工作状态数据；进行数据分类和时序关联处理，得到多个时序状态数据；进行曲线拟合，得到多个时序状态曲线并进行特征提取，得到多个时序状态特征；进行归一化处理，得到多个目标状态特征，并进行特征编码，得到状态特征向量；将状态特征向量输入充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；根据目标耐压性能分析结果，对目标充电枪进行工作参数最优化分析，得到最优工作参数集合，本发明通过对充电枪进行耐电压测试，可以检测充电枪在各种电压条件下的性能，有助于识别潜在的电气故障和风险。这可以提高充电设备的安全性。通过测试和分析充电枪在不同电压下的工作状态，可以识别潜在的性能问题和故障模式。通过分析不同电压条件下的充电枪性能，可以确定最佳的工作参数集合，进而提高直流充电枪的耐压测试精度和测试准确率。

附图说明

图1为本发明实施例中充电枪耐压测试方法的一个实施例示意图；

图2为本发明实施例中特征编码的流程图；

图3为本发明实施例中充电枪耐压性能分析的流程图；

图4为本发明实施例中工作参数最优化分析的流程图；

图5为本发明实施例中充电枪耐压测试装置的一个实施例示意图；

图6为本发明实施例中充电枪耐压测试设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种充电枪耐压测试方法、装置、设备及存储介质，用于提高直流充电枪的耐压测试精度和测试准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中充电枪耐压测试方法的一个实施例包括：

S101、获取目标充电枪的额定电压数据，并根据额定电压数据计算多个梯度测试电压；

可以理解的是，本发明的执行主体可以为充电枪耐压测试装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器获取目标充电枪的额定电压数据。这个数据通常由充电枪的制造商提供，也可以通过实际测试得到。额定电压是指充电枪在正常工作条件下所需的电压，它是充电枪能够安全运行的最低电压。例如，假设服务器有一款名为"电动车充电枪A"的充电枪，制造商提供了以下额定电压数据：额定电压是220V，最低工作电压为200V，最高工作电压为250V。一旦获取了额定电压数据，接下来就需要计算多个梯度测试电压。这些测试电压将用于后续的耐电压测试，以评估充电枪在不同电压条件下的性能。梯度测试电压是在额定电压的基础上逐渐增加或减少的，以覆盖一定范围内的电压情况。为了计算多个梯度测试电压，服务器选择在额定电压的基础上以5V为步长逐渐增加电压，同时保证不超过最高工作电压。计算出的梯度测试电压如下：220V(额定电压)、225V、230V、235V、240V、245V、250V(最高工作电压)。获取目标充电枪的额定电压数据并计算多个梯度测试电压是充电枪耐压测试方法中的关键步骤。这些数据和电压值将用于后续的性能评估和耐压测试，以确保充电枪在各种电压条件下都能正常工作，并保持安全性。

S102、根据预置的电压测试时段和多个梯度测试电压，对目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据；

具体的，服务器根据预设的电压测试时段和充电枪的额定电压数据，计算出多个梯度测试电压。这些测试电压通常以一定的步长从额定电压开始逐渐增加或减少，以涵盖一定范围的电压条件。然后，将这些梯度测试电压按照从小到大的顺序进行排序，以得到测试电压的顺序。这个排序过程确保了在测试中依次应用不同的电压条件。根据预设的耐压测试标准，确定在测试电压顺序中每两个梯度测试电压之间的电压测试时段。耐压测试标准通常规定了在不同电压下应该进行测试的时间段，以确保充电枪在各种电压条件下都能正常工作和安全运行。一旦确定了电压测试时段，就可以开始对目标充电枪进行耐电压测试。根据所述电压测试时段和对应的梯度测试电压，按照测试电压的顺序依次对充电枪进行测试。在每个电压测试时段内，将充电枪连接到相应的电源，然后应用相应的测试电压。在这个过程中，记录充电枪的性能表现和任何的问题或异常。在耐电压测试期间，通过预设的多个状态监控传感器对目标充电枪进行工作状态数据采集。这些传感器可以监测充电枪的各种参数，如电流、电压、温度等。通过采集工作状态数据，可以了解充电枪在不同电压条件下的性能情况，以及是否存在任何潜在的问题或风险。例如，假设服务器要对一款电动车充电枪进行耐压测试，其额定电压为220V。根据测试要求，服务器计算出了以下梯度测试电压：215V、220V、225V、230V、235V。根据耐压测试标准，服务器确定了在相邻两个梯度测试电压之间的电压测试时段，每个时段为10秒。开始测试时，首先将充电枪连接到测试设备，并根据测试电压的顺序逐个应用这些电压。例如，首先应用215V的电压，持续10秒，然后记录充电枪的性能数据。应用220V电压，再次记录性能数据，以此类推，直到测试完成。同时，使用状态监控传感器监测充电枪的工作状态，如电流、电压和温度。本实施例中，服务器得到每个梯度测试电压下充电枪的工作状态数据，包括性能参数和传感器数据。这些数据将被用于后续的性能分析和安全性评估，以确保充电枪在不同电压条件下都能安全可靠地工作。

S103、根据电压测试时段，对充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据；

需要说明的是，根据测试需要，获取温度、电流和功率等特征标签。这些标签描述了充电枪在不同电压条件下的工作状态特征。将这些特征标签输入预设的标签聚类模型。标签聚类模型是一种机器学习模型，用于将相似的数据点分组在一起。通过模型的学习和训练，可以确定初始的温度、电流和功率聚类中心。根据初始聚类中心，对充电枪工作状态数据进行距离计算。将每个数据点与各个聚类中心进行比较，以计算其与每个中心的距离。对于温度、电流和功率数据，分别计算多个距离值，并对这些值进行均值运算。得到温度距离均值、电流距离均值和功率距离均值。然后，根据这些均值值对初始聚类中心进行校正，得到目标温度、电流和功率聚类中心。有了目标聚类中心之后，可以进行数据分类和时序关联处理。将工作状态数据根据目标温度、电流和功率聚类中心进行分类。将数据点分配到与其特征最相似的聚类中心所对应的状态标签下，得到温度状态数据、电流状态数据和功率状态数据。根据电压测试时段确定每个状态数据中每个数据点的时间戳。对于温度状态数据，可以确定每个温度数据点的第一时间戳；对于电流状态数据，可以确定每个电流数据点的第二时间戳；对于功率状态数据，可以确定每个功率数据点的第三时间戳。这些时间戳表示了每个数据点在时间轴上的位置。最后，进行时序关联处理。将时间戳和相应的数据点进行关联，以得到时序温度数据、时序电流数据和时序功率数据。这些时序数据将反映充电枪在不同电压条件下的工作状态变化情况，包括温度、电流和功率的时序变化。例如，假设服务器对一款电动车充电枪进行了耐压测试，测试电压为220V、225V和230V。服务器已经获取了温度、电流和功率等特征标签，并使用标签聚类模型确定了初始的聚类中心。服务器对工作状态数据进行处理。在220V测试电压下，服务器采集了一组工作状态数据，包括温度、电流和功率。根据初始聚类中心，计算了每个数据点与目标温度、电流和功率聚类中心的距离。然后，根据距离计算的结果，将数据点分为不同的状态，如低温度状态、高电流状态和中功率状态。对于这些状态数据，服务器确定了每个数据点的时间戳。例如，在低温度状态数据中，服务器确定了每个温度数据点的第一时间戳。然后，通过将时间戳和相应的数据点关联起来，得到了时序温度数据。类似地，服务器根据电压测试时段确定了电流状态数据和功率状态数据中每个数据点的时间戳，并进行了时序关联处理，得到了时序电流数据和时序功率数据。这些时序数据反映了充电枪在不同电压条件下的工作状态变化情况，为后续的性能分析和安全性评估提供了有价值的信息。

S104、对多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对多个时序状态曲线进行特征提取，得到多个时序状态特征；

具体的，对时序温度数据、时序电流数据和时序功率数据分别进行曲线拟合。使用预置的最小二乘法，它是一种常用的拟合方法，可用于找到最适合数据的曲线。通过最小二乘法，服务器得到初始温度曲线、初始电流曲线和初始功率曲线。对于温度数据，通过最小二乘法拟合得到初始温度曲线。这个曲线将最好地拟合温度数据点，以反映温度随时间的变化趋势。同样，对电流数据和功率数据也进行相似的曲线拟合，分别得到初始电流曲线和初始功率曲线。一旦得到了初始曲线，接下来进行拟合参数的调整。这个过程的目的是进一步优化拟合曲线，以使其尽准确地反映原始数据的特征。参数调整可以根据曲线与实际数据的拟合度来进行，通常使用迭代算法来找到最佳参数。通过拟合参数的调整，得到了温度状态曲线、电流状态曲线和功率状态曲线。这些状态曲线代表了在不同电压条件下充电枪的温度、电流和功率随时间的变化。计算每个状态曲线的方差。方差是数据分散程度的度量，它可以告诉服务器数据点在曲线周围的分布情况。对于温度状态曲线、电流状态曲线和功率状态曲线，分别计算其方差。有了方差值之后，可以进行特征提取。特征提取是从曲线的性质中提取有用信息的过程。温度状态特征：通过比较温度数据点与温度方差，可以得到多个第一比较结果。这些结果包括温度上升速度、温度稳定性等特征；电流状态特征：通过比较电流数据点与电流方差，可以得到多个第二比较结果。这些结果包括电流波动程度、电流峰值等特征；功率状态特征：通过比较功率数据点与功率方差，可以得到多个第三比较结果。这些结果包括功率变化率、功率平均值等特征。最后，将提取的多个温度状态特征、电流状态特征和功率状态特征作为每个梯度测试电压对应的多个时序状态特征。这些特征将用于后续的性能分析和耐压性能评估。例如，假设服务器对一款电动车充电枪进行耐压测试，测试电压分别为220V、225V和230V。在测试中，服务器采集了时序温度、电流和功率数据，并进行了曲线拟合和特征提取。对于温度数据，服务器使用最小二乘法拟合出初始温度曲线，并通过参数调整进一步优化曲线。然后，计算出温度曲线的方差，例如，方差为0.5。对于电流数据和功率数据，服务器采用相同的方法得到初始电流曲线和初始功率曲线，然后计算出它们的方差，例如，电流方差为0.3，功率方差为0.8。根据方差值进行比较，例如，比较温度数据点与温度方差，得到多个第一比较结果，如温度上升速度和稳定性。对于电流和功率，也分别得到了多个第二和第三比较结果。最后，将这些提取的特征作为每个测试电压的多个时序状态特征，以用于后续的性能分析和安全性评估。

S105、对多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对多个目标状态特征进行特征编码，得到状态特征向量；

具体的，服务器分别计算多个温度状态特征、电流状态特征和功率状态特征的均值和标准差。均值表示特征数据的平均值，标准差则表示数据的分散程度。这些统计量将用于后续的特征归一化处理。对于温度状态特征，计算所有特征的均值和标准差。同样，对电流状态特征和功率状态特征也进行相同的计算。有了均值和标准差之后，接下来进行特征归一化处理。特征归一化的目的是将不同特征的数据统一到相同的尺度上，以便后续的分析。常用的归一化方法之一是Z-Score归一化，对于温度状态特征，使用温度状态的均值和标准差进行Z-Score归一化。同样，对电流状态特征和功率状态特征也进行相同的处理。完成特征归一化后，接下来进行特征编码。特征编码是将特征数据转化为一种更适合分析的形式的过程。常见的编码方法包括独热编码（One-Hot Encoding）、标签编码（LabelEncoding）等。对于每个目标状态特征，可以使用合适的编码方法将其转化为编码元素，以便后续的向量映射。最后，将多个特征编码元素组合成状态特征向量。这个向量将包含所有目标状态特征的信息，以便进一步的分析和建模。例如，假设服务器对一款充电枪进行耐压测试，并已计算出多个温度状态特征、电流状态特征和功率状态特征。对于温度状态特征：计算均值μ=25°C，标准差σ=5°C。使用Z-Score归一化处理温度状态特征数据，得到归一化后的特征值。对于电流状态特征：计算均值μ=10A，标准差σ=2A。使用Z-Score归一化处理电流状态特征数据，得到归一化后的特征值。对于功率状态特征：计算均值μ=200W，标准差σ=50W。使用Z-Score归一化处理功率状态特征数据，得到归一化后的特征值。然后，将归一化后的特征值分别编码为编码元素，例如，使用独热编码将温度状态特征编码为[1,0,0]、电流状态特征编码为[0,1,0]、功率状态特征编码为[0,0,1]。最后，将这些编码元素组合成状态特征向量，得到一个包含所有目标状态特征的向量，例如，[1,0,0,0,1,0,0,0,1]。这个状态特征向量可以用于后续的分析、建模或者机器学习任务，以帮助评估充电枪在不同电压条件下的性能和安全性。通过归一化处理和特征编码，服务器更好地理解和利用数据，为决策提供支持。

S106、将状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；

具体的，将状态特征向量输入LSTM（长短时记忆）层。LSTM是一种递归神经网络（RNN）的变体，用于处理时序数据。在这一步骤中，LSTM层中的多个LSTM单元将逐步处理状态特征向量的各个时间步。每个LSTM单元将状态特征向量作为输入，并生成一个隐藏状态输出值。这些输出值将代表每个LSTM单元对状态特征的理解。通过多个LSTM单元的处理，服务器得到多个隐藏状态输出值，形成一个隐藏状态向量。将隐藏状态向量输入第一全连接层。全连接层是一种深度神经网络层，用于将输入数据进行线性变换和时序转换。第一全连接层将隐藏状态向量进行时序转换，得到第一时序向量。这个向量将包含隐藏状态向量的信息，经过了一次非线性变换。第一时序向量将输入到注意力机制层。注意力机制是一种机器学习技术，用于在时序数据中寻找重要的部分，并分配不同的权重。注意力机制层中包含多个注意力模块，每个模块可以独立分析输入数据。这些模块将对第一时序向量进行注意力分析，得到每个注意力模块的输出向量。这些输出向量将包含每个模块对输入的关注程度。将注意力机制层的输出向量输入第二全连接层。第二全连接层将进一步处理这些向量，进行非线性变换和特征提取，得到全连接向量。全连接向量将包含从注意力机制层提取出的特征信息，它是一个高级的时序表示。最后，将全连接向量输入反归一化层，这个层用于性能预测。反归一化层将根据模型的训练情况将全连接向量映射回原始的性能数据尺度，以得到目标充电枪的耐压性能分析结果。反归一化层的输出将是一个包含性能分析结果的数值，可以用于评估充电枪的性能和安全性。例如，假设服务器使用上述模型对一款充电枪在220V电压下的性能进行分析。服务器已经得到了状态特征向量，并按照上述步骤将其输入到模型中。模型首先通过LSTM层对状态特征向量进行处理，提取了隐藏状态特征。然后，通过第一全连接层进行时序转换，生成了第一时序向量。注意力机制层对第一时序向量进行了注意力分析，得到了多个注意力模块的输出向量。这些输出向量包含了不同部分的关注程度信息。随后，第二全连接层对注意力模块的输出向量进行了处理，提取了更高级的特征。最后，反归一化层将全连接向量映射回原始的性能数据尺度，得到了充电枪在220V电压下的耐压性能分析结果，例如，通过模型分析，得到耐压性能评分为85分，表示充电枪在这个电压下的性能良好。这个分析结果可以帮助服务器了解充电枪的性能特点，并作出相应的决策，例如是否需要进一步改进产品或维护设备。

S107、根据目标耐压性能分析结果，对目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

具体的，服务器根据目标耐压性能分析结果，可以创建多个初始工作参数集合。这些集合代表不同的工作参数组合，用于进一步的性能评估和优化。这些初始工作参数集合可以基于已有的经验知识或者使用随机生成的方法获得。针对每个初始工作参数集合，计算性能评价指标。性能评价指标是用来衡量充电枪在不同参数配置下的性能和安全性的度量标准。这些指标可以包括充电枪的耐压能力、效率、稳定性等。性能评价指标需要根据充电枪的具体特性和测试要求来选择和定义。这些指标应该与目标耐压性能分析结果相关联，以确保评估的准确性和实用性。一旦计算出每个初始工作参数集合的性能评价指标，接下来进行群体分割。群体分割是将初始工作参数集合划分为不同的子群体的过程，通常包括已感染子群、易感染子群和未感染子群。已感染子群包含那些性能评价指标较好的工作参数集合。这些参数配置已经达到了预期的性能要求，并且可以被认为是潜在的最优解。易感染子群包含性能评价指标位于中间水平的工作参数集合。它们的性能表现不太稳定，需要进一步优化以满足要求。未感染子群包含性能评价指标较差的工作参数集合。它们的性能明显低于预期，需要进行显著改进。最后，对已感染子群、易感染子群和未感染子群进行群体更新。对每个子群中的工作参数集合进行调整和优化，以生成最优工作参数集合。已感染子群的工作参数集合需要进行微调以进一步提高性能。易感染子群中的参数配置需要进行更全面的优化，以使它们能够达到目标性能要求。未感染子群中的工作参数集合需要重新设计或者深度优化，以满足性能标准。通过多次迭代群体更新过程，可以逐渐收敛到最优工作参数集合。最终，根据性能评价指标和更新后的参数配置，可以确定最优的工作参数集合，以用于充电枪的实际生产和使用。例如，假设服务器对一款充电枪进行耐压测试，并根据目标耐压性能分析结果得出了多个初始工作参数集合。服务器选择了三个性能评价指标：耐压能力、效率和稳定性。在计算性能评价指标后，服务器得到以下结果：初始工作参数集合1：耐压能力=90%，效率=85%，稳定性=88%；初始工作参数集合2：耐压能力=88%，效率=80%，稳定性=90%；初始工作参数集合3：耐压能力=92%，效率=88%，稳定性=86%；初始工作参数集合4：耐压能力=82%，效率=78%，稳定性=82%。服务器将这些工作参数集合划分为已感染子群、易感染子群和未感染子群：已感染子群：集合1和集合3、易感染子群：集合2、未感染子群：集合4。服务器对已感染子群、易感染子群和未感染子群中的工作参数集合进行群体更新。例如，对易感染子群中的集合2进行参数优化，以提高性能评价指标。经过多轮更新，最终确定了最优的工作参数集合，例如：最优工作参数集合：耐压能力=95%，效率=92%，稳定性=91%。这个最优工作参数集合将被用于生产和使用充电枪，以确保其在不同电压条件下具有卓越的性能和安全性。

本发明实施例中，计算多个梯度测试电压；进行耐电压测试和工作状态数据采集，得到充电枪工作状态数据；进行数据分类和时序关联处理，得到多个时序状态数据；进行曲线拟合，得到多个时序状态曲线并进行特征提取，得到多个时序状态特征；进行归一化处理，得到多个目标状态特征，并进行特征编码，得到状态特征向量；将状态特征向量输入充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；根据目标耐压性能分析结果，对目标充电枪进行工作参数最优化分析，得到最优工作参数集合，本发明通过对充电枪进行耐电压测试，可以检测充电枪在各种电压条件下的性能，有助于识别潜在的电气故障和风险。这可以提高充电设备的安全性。通过测试和分析充电枪在不同电压下的工作状态，可以识别潜在的性能问题和故障模式。通过分析不同电压条件下的充电枪性能，可以确定最佳的工作参数集合，进而提高直流充电枪的耐压测试精度和测试准确率。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）按照从小到大的顺序，对多个梯度测试电压进行排序，得到测试电压顺序；

（2）获取预置的耐压测试标准，并根据耐压测试标准设置测试电压顺序中每两个梯度测试电压之间的电压测试时段；

（3）根据电压测试时段以及对应的梯度测试电压，并按照测试电压序列依次对目标充电枪进行耐电压测试；

（4）通过预置的多个状态监控传感器，对目标充电枪进行工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据。

具体的，服务器将多个梯度测试电压按照从小到大的顺序进行排序。这确保了测试按照逐渐增加的电压进行，有助于评估充电枪的性能在不同电压下的表现。例如，假设服务器有以下梯度测试电压：10V、20V、15V、30V、25V。将它们排序为：10V、15V、20V、25V、30V。根据预设的耐压测试标准，需要确定在每两个梯度测试电压之间的电压测试时段。这些时段用于确保测试在不同电压条件下进行，以验证充电枪的性能和安全性。例如，对于排序后的电压，的电压测试时段是（10V-15V）、（15V-20V）、（20V-25V）、（25V-30V）等。根据设置的电压测试时段和对应的梯度测试电压，开始进行充电枪的耐电压测试和工作状态数据采集。这通常需要将充电枪连接到测试设备，并按照预定电压顺序逐一进行测试。例如，以（10V-15V）电压测试时段为例，首先将充电枪电压设置为10V，然后执行耐电压测试。在测试过程中，使用预设的状态监控传感器实时采集充电枪的工作状态数据。然后，逐一完成每个电压测试时段下的测试和数据采集。通过以上步骤，可以确保充电枪在不同电压条件下的性能和安全性得到全面评估。这些测试数据对于后续的性能分析和参数优化非常重要，以确保充电枪在实际使用中表现出色并符合安全标准。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）获取温度特征标签、电流特征标签以及功率特征标签，并将温度特征标签、电流特征标签以及功率特征标签输入预置的标签聚类模型；

（2）通过标签聚类模型确定初始温度聚类中心、初始电流聚类中心以及初始功率聚类中心；

（3）根据初始温度聚类中心对充电枪工作状态数据进行距离计算，得到多个温度距离值，并对多个温度距离值进行均值运算，得到温度距离均值，以及根据温度距离均值对初始温度聚类中心进行校正，得到目标温度聚类中心；根据初始电流聚类中心对充电枪工作状态数据进行距离计算，得到多个电流距离值，并对多个电流距离值进行均值运算，得到电流距离均值，以及根据电流距离均值对初始电流聚类中心进行校正，得到目标电流聚类中心；根据初始功率聚类中心对充电枪工作状态数据进行距离计算，得到多个功率距离值，并对多个功率距离值进行均值运算，得到功率距离均值，以及根据功率距离均值对初始功率聚类中心进行校正，得到目标功率聚类中心；

（4）根据目标温度聚类中心、目标电流聚类中心以及目标功率聚类中心，对充电枪工作状态数据进行数据分类，得到温度状态数据、电流状态数据以及功率状态数据；根据电压测试时段确定温度状态数据中每个温度数据点的第一时间戳，并对第一时间戳和温度数据点进行关联处理，得到时序温度数据；根据电压测试时段确定电流状态数据中每个电流数据点的第二时间戳，并对第二时间戳和电流数据点进行关联处理，得到时序电流数据；

（5）根据电压测试时段确定功率状态数据中每个功率数据点的第三时间戳，并对第三时间戳和功率数据点进行关联处理，得到时序功率数据；

（6）将时序温度数据、时序电流数据以及时序功率数据作为每个梯度测试电压对应的多个时序状态数据。

具体的，服务器确定哪些特征标签是需要的。在充电枪耐压测试中，通常需要温度、电流和功率等标签。这些标签用于描述充电枪在不同电压下的工作状态。例如，假设服务器有温度、电流和功率三种特征标签。将这些特征标签输入到预置的标签聚类模型中。这个模型可以是机器学习模型，例如K均值聚类，用于将工作状态数据划分为不同的簇。一旦特征标签输入到标签聚类模型中，模型将为每个特征标签确定初始聚类中心。这些初始聚类中心是聚类过程的起点，用于将工作状态数据分组。例如，假设标签聚类模型为K均值聚类，已确定以下初始聚类中心：温度初始聚类中心（T1）、电流初始聚类中心（I1）和功率初始聚类中心（P1）。对工作状态数据进行距离计算，以确定每个数据点与初始聚类中心之间的距离。这些距离值是根据不同特征标签（如温度、电流和功率）计算的。例如，对于温度特征标签，计算每个数据点与温度初始聚类中心（T1）之间的距离。同样，对于电流和功率特征标签，也分别计算与对应初始聚类中心（I1和P1）的距离。然后，对这些距离值进行均值运算，得到温度、电流和功率的距离均值。这些均值值将用于校正初始聚类中心。使用距离均值值来校正初始聚类中心。通过将距离均值添加到初始聚类中心，得到目标聚类中心。例如，根据温度距离均值，将其添加到温度初始聚类中心（T1）上，得到目标温度聚类中心（T2）。同样，使用电流和功率的距离均值来分别校正电流初始聚类中心（I2）和功率初始聚类中心（P2）。最后，使用目标聚类中心将工作状态数据进行分类。根据电压测试时段，确定每个温度、电流和功率数据点的时间戳，以生成时序温度、电流和功率数据。例如，使用目标温度聚类中心（T2）对工作状态数据进行分类，得到温度状态数据。然后，确定每个温度数据点的第一时间戳，并将其与温度数据点关联，生成时序温度数据。对于电流和功率也是类似的过程。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）基于预置的最小二乘法，对时序温度数据进行曲线拟合，得到初始温度曲线，并对初始温度曲线进行拟合参数调整，得到温度状态曲线；基于最小二乘法，对时序电流数据进行曲线拟合，得到初始电流曲线，并对初始电流曲线进行拟合参数调整，得到电流状态曲线；基于最小二乘法，对时序功率数据进行曲线拟合，得到初始功率曲线，并对初始功率曲线进行拟合参数调整，得到功率状态曲线；

（2）将温度状态曲线、电流状态曲线及功率状态曲线作为多个时序状态曲线；

（3）分别计算温度状态曲线、电流状态曲线及功率状态曲线的方差，得到温度方差、电流方差以及功率方差；

（4）对温度状态曲线中的多个温度数据点和温度方差进行比较，得到多个第一比较结果，并根据多个第一比较结果确定多个温度状态特征；对电流状态曲线中的多个电流数据点和电流方差进行比较，得到多个第二比较结果，并根据多个第二比较结果确定多个电流状态特征；对功率状态曲线中的多个功率数据点和功率方差进行比较，得到多个第三比较结果，并根据多个第三比较结果确定多个功率状态特征；

（5）将多个温度状态特征、多个电流状态特征以及多个功率状态特征作为每个梯度测试电压对应的多个时序状态特征。

具体的，服务器对温度、电流和功率的时序数据分别应用最小二乘法进行曲线拟合。最小二乘法是一种常用的数学方法，用于找到最适合数据的曲线模型。对于温度数据，可以选择一个适当的函数形式（如多项式、指数函数等），并通过最小二乘法拟合数据以获得初始温度曲线。同样地，对电流和功率数据也进行类似的拟合过程，得到初始电流和功率曲线。拟合得到的初始曲线通常不会完美匹配原始数据，因此需要进行参数调整以改进拟合质量。这可以通过最小二乘法的优化算法来实现，该算法会尝试不断调整曲线的参数，以最小化拟合残差，即原始数据点与拟合曲线之间的垂直距离。这一步骤将生成参数调整后的温度、电流和功率状态曲线。计算每个时序状态曲线的方差是为了量化状态曲线的变化程度。方差是一种用于衡量数据分散度的统计指标，它反映了数据点在曲线周围的分布情况。对于每个状态曲线（温度、电流、功率），计算每个数据点与曲线的拟合值之间的残差，即垂直距离。将每个残差的平方值相加，然后除以数据点的数量，得到方差。这一步骤将得到温度方差、电流方差和功率方差，用于描述各状态曲线的数据分散情况。基于方差计算结果，可以进行多个比较，以确定每个状态曲线的特征。这些比较通常基于方差的大小，方差较大的部分被认为是具有显著变化的特征。温度状态特征：根据温度方差的比较结果，可以确定哪些温度数据点具有显著变化，例如温度的峰值或波动；电流状态特征：通过电流方差的比较，可以确定电流数据中存在的变化模式，例如电流的快速上升或下降；功率状态特征：通过功率方差的比较，可以识别功率数据中的特殊模式，如功率的不稳定性或特定频率的波动。最终，这些特征将用作每个梯度测试电压对应的时序状态特征，用于进一步的性能分析和优化。例如，假设服务器正在测试一款电动汽车充电枪的性能。服务器收集了该充电枪在不同电压条件下的温度、电流和功率数据。服务器使用最小二乘法拟合这些数据以获得初始温度、电流和功率曲线。然后，通过不断调整拟合参数，使曲线与原始数据更好地匹配。计算每个状态曲线的方差，以评估数据的分散情况。然后，通过比较方差大小，确定哪些部分具有显著变化，例如温度曲线上的峰值温度。最后，将这些特征用于进一步的性能分析，例如确定充电枪在不同电压下的最佳工作范围。

在一具体实施例中，如图2所示，执行步骤S105的过程可以具体包括如下步骤：

S201、分别计算多个温度状态特征、多个电流状态特征以及多个功率状态特征的均值和标准差，得到温度状态均值和温度状态标准差、电流状态均值和电流状态标准差以及功率状态均值和功率状态标准差；

S202、根据温度状态均值和温度状态标准差，对多个温度状态特征进行特征归一化处理，并根据电流状态均值和电流状态标准差，对多个电流状态特征进行特征归一化处理，以及根据功率状态均值和功率状态标准差，对多个功率状态特征进行特征归一化处理，得到多个目标状态特征；

S203、分别对多个目标状态特征进行特征编码，得到多个特征编码元素，并对多个特征编码元素进行向量映射，得到状态特征向量。

具体的，服务器计算多个温度状态特征、电流状态特征和功率状态特征的均值和标准差。均值表示了数据的中心位置，而标准差则衡量了数据的分散程度。使用计算得到的均值和标准差对这些状态特征进行特征归一化处理，以使它们具有相似的尺度。最后，对每个特征进行编码，将其转换为状态特征向量，以供后续的分析和应用使用。特征均值和标准差的计算是为了更好地理解数据的中心趋势和离散度。通过计算这些统计量，服务器对数据的整体性质有更清晰的认识。对于温度状态特征，计算其均值和标准差；对于电流状态特征，计算其均值和标准差；对于功率状态特征，计算其均值和标准差。特征归一化是为了确保不同特征具有相似的尺度，以避免某些特征在分析中占据主导地位。常用的归一化方法是使用均值和标准差进行z-score标准化，将数据转换为均值为0、标准差为1的分布。使用特征的均值和标准差，将每个特征的值转换为z-score。特征编码是将特征转换为可供机器学习模型使用的格式的过程。不同类型的特征可以使用不同的编码方法。分类特征会被独热编码或标签编码，而数值特征则可以直接使用。编码后的特征将更适合输入到模型中进行分析和预测。最后，向量映射是将编码后的特征转换为更高维度的向量，以捕获特征之间的复杂关系。这可以通过神经网络中的嵌入层或其他映射技术来实现。映射后的向量可以用于机器学习模型的训练和分析。

在一具体实施例中，如图3所示，执行步骤S106的过程可以具体包括如下步骤：

S301、将状态特征向量输入预置的充电枪耐压性能分析模型，其中，充电枪耐压性能分析模型包括：LSTM层、第一全连接层、注意力机制层、第二全连接层及反归一化层；

S302、通过LSTM层中的多个LSTM单元分别对状态特征向量进行隐藏状态特征提取，得到每个LSTM单元的隐藏状态输出值，并对每个LSTM单元的隐藏状态输出值进行融合，生成隐藏状态向量；

S303、将隐藏状态向量输入第一全连接层进行时序转换，得到第一时序向量；

S304、将第一时序向量输入注意力机制层，通过注意力机制层中的多个注意力模块进行注意力分析，得到每个注意力模块的输出向量，并对每个注意力模块的输出向量进行组合，得到第二时序向量；

S305、将第二时序向量输入第二全连接层进行向量处理，得到全连接向量；

S306、将全连接向量输入反归一化层进行充电枪耐压性能预测，得到目标耐压性能分析结果。

具体的，服务器状态特征向量将被输入到LSTM（长短时记忆网络）层中。LSTM层包括多个LSTM单元，每个LSTM单元负责提取隐藏状态特征。通过LSTM单元，模型能够捕获状态特征的时序信息。每个LSTM单元将生成一个隐藏状态输出值。随后，从每个LSTM单元获得的隐藏状态输出值将被融合，以生成一个更高级别的隐藏状态向量。这个向量将包含来自不同LSTM单元的信息，以更好地表示状态特征的时序模式。生成的隐藏状态向量将被输入到第一全连接层中，进行时序转换。这一层的目标是进一步提取和转换特征，以便后续的分析。第一时序向量将进一步输入到注意力机制层。在这个层级中，多个注意力模块将被用于对第一时序向量进行注意力分析。注意力机制可以强调或减弱序列中的不同部分，以更好地捕获关键信息。在注意力机制层中，每个注意力模块将产生一个输出向量。这些输出向量将被组合，以生成第二时序向量。这个向量将包含了注意力分析后的重要时序特征。第二时序向量将被输入到第二全连接层中，进行进一步的向量处理。这一步骤有助于将时序信息转换为更具表现力的全连接向量。最后，全连接向量将输入到反归一化层中，用于充电枪耐压性能的预测。反归一化层包括逆标准化操作，以将模型的输出转换回原始性能指标的范围。最终，得到的目标耐压性能分析结果可用于评估充电枪的性能。例如，考虑充电枪耐压性能分析，其中输入状态特征向量包括温度、电流和功率等信息。LSTM层将处理这些特征，并捕获它们之间的时序关系。注意力机制层可以帮助模型集中关注充电枪的关键时刻。最终，模型的输出将包括对充电枪耐压性能的预测，例如是否符合标准或是否需要维修。这个预测结果可以用于维护和改进充电枪的性能。

在一具体实施例中，如图4所示，执行步骤S107的过程可以具体包括如下步骤：

S401、根据目标耐压性能分析结果，创建目标充电枪的多个初始工作参数集合，并将多个初始工作参数集合作为多个初始群体；

S402、分别计算每个初始工作参数集合的性能评价指标，并根据性能评价指标对多个初始群体进行群体分割，得到已感染子群、易感染子群及未感染子群；

S403、对已感染子群、易感染子群及未感染子群进行群体更新，生成最优工作参数集合。

具体的，服务器根据目标耐压性能分析结果，首先创建多个不同的初始工作参数集合。这些参数集合包括充电电压、充电电流、充电时间、充电功率等充电枪的工作参数。这些参数集合是多样化的，用于探索不同的工作条件。对于每个初始工作参数集合，进行性能评价。性能评价指标包括充电枪的耐压性能、充电速度、效率、温度控制等。这些指标将根据实际测试或仿真结果计算。根据性能评价指标，将多个初始工作参数集合划分为不同的群体。通常有三种群体：已感染子群：包含性能表现最差的工作参数集合。这些参数无法满足耐压性能标准或其他性能指标；易感染子群：包含性能表现一般的工作参数集合。这些参数需要进一步改进，以满足标准；未感染子群：包含性能表现最佳的工作参数集合。这些参数已经满足标准或非常接近满足标准。对于已感染子群、易感染子群和未感染子群，进行群体更新操作。这包括对工作参数集合进行微调、参数替代或随机搜索等方法。目标是逐渐改进工作参数，使其性能逐渐接近或满足要求。上述步骤需要多次迭代。在每次迭代中，性能评价指标将重新计算，工作参数集合将根据当前性能评价指标进行更新。迭代可以继续，直到满足性能要求或达到预定的迭代次数。例如，假设服务器正在优化一款充电枪的工作参数，以确保其耐压性能达到标准。服务器创建了10个不同的初始工作参数集合，包括电压、电流和充电时间的不同组合。然后，通过模拟或实验测试，计算每个参数集合的性能评价指标，例如耐压性能得分。根据这些评价指标，服务器将参数集合分为已感染子群、易感染子群和未感染子群。已感染子群中的参数集合性能最差，易感染子群中的参数性能一般，未感染子群中的参数性能最佳。服务器对已感染子群和易感染子群中的参数进行微调和优化。在多次迭代后，服务器最终获得了一组工作参数，其性能接近或满足了耐压性能标准，这就是最优工作参数集合。这些参数可以用于生产和维护充电枪，以确保其性能达到要求。

上面对本发明实施例中充电枪耐压测试方法进行了描述，下面对本发明实施例中充电枪耐压测试装置进行描述，请参阅图5，本发明实施例中充电枪耐压测试装置一个实施例包括：

获取模块501，用于获取目标充电枪的额定电压数据，并根据所述额定电压数据计算多个梯度测试电压；

测试模块502，用于根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据；

处理模块503，用于根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据；

拟合模块504，用于对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征；

编码模块505，用于对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量；

分析模块506，用于将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；

输出模块507，用于根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

通过上述各个组成部分的协同合作，计算多个梯度测试电压；进行耐电压测试和工作状态数据采集，得到充电枪工作状态数据；进行数据分类和时序关联处理，得到多个时序状态数据；进行曲线拟合，得到多个时序状态曲线并进行特征提取，得到多个时序状态特征；进行归一化处理，得到多个目标状态特征，并进行特征编码，得到状态特征向量；将状态特征向量输入充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；根据目标耐压性能分析结果，对目标充电枪进行工作参数最优化分析，得到最优工作参数集合，本发明通过对充电枪进行耐电压测试，可以检测充电枪在各种电压条件下的性能，有助于识别潜在的电气故障和风险。这可以提高充电设备的安全性。通过测试和分析充电枪在不同电压下的工作状态，可以识别潜在的性能问题和故障模式。通过分析不同电压条件下的充电枪性能，可以确定最佳的工作参数集合，进而提高直流充电枪的耐压测试精度和测试准确率。

上面图5从模块化功能实体的角度对本发明实施例中的充电枪耐压测试装置进行详细描述，下面从硬件处理的角度对本发明实施例中充电枪耐压测试设备进行详细描述。

图6是本发明实施例提供的一种充电枪耐压测试设备的结构示意图，该充电枪耐压测试设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对充电枪耐压测试设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在充电枪耐压测试设备600上执行存储介质630中的一系列指令操作。

充电枪耐压测试设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的充电枪耐压测试设备结构并不构成对充电枪耐压测试设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种充电枪耐压测试设备，所述充电枪耐压测试设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述充电枪耐压测试方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述充电枪耐压测试方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种充电枪耐压测试方法，其特征在于，所述充电枪耐压测试方法包括：

获取目标充电枪的额定电压数据，并根据所述额定电压数据计算多个梯度测试电压；

根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据；

根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据；

对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征；

对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量；

将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；

根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

2.根据权利要求1所述的充电枪耐压测试方法，其特征在于，所述根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据，包括：

按照从小到大的顺序，对所述多个梯度测试电压进行排序，得到测试电压顺序；

获取预置的耐压测试标准，并根据所述耐压测试标准设置所述测试电压顺序中每两个梯度测试电压之间的电压测试时段；

根据所述电压测试时段以及对应的梯度测试电压，并按照所述测试电压序列依次对所述目标充电枪进行耐电压测试；

通过预置的多个状态监控传感器，对所述目标充电枪进行工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据。

3.根据权利要求1所述的充电枪耐压测试方法，其特征在于，所述根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据，包括：

获取温度特征标签、电流特征标签以及功率特征标签，并将所述温度特征标签、所述电流特征标签以及所述功率特征标签输入预置的标签聚类模型；

通过所述标签聚类模型确定初始温度聚类中心、初始电流聚类中心以及初始功率聚类中心；

根据所述初始温度聚类中心对所述充电枪工作状态数据进行距离计算，得到多个温度距离值，并对所述多个温度距离值进行均值运算，得到温度距离均值，以及根据所述温度距离均值对所述初始温度聚类中心进行校正，得到目标温度聚类中心；根据所述初始电流聚类中心对所述充电枪工作状态数据进行距离计算，得到多个电流距离值，并对所述多个电流距离值进行均值运算，得到电流距离均值，以及根据所述电流距离均值对所述初始电流聚类中心进行校正，得到目标电流聚类中心；根据所述初始功率聚类中心对所述充电枪工作状态数据进行距离计算，得到多个功率距离值，并对所述多个功率距离值进行均值运算，得到功率距离均值，以及根据所述功率距离均值对所述初始功率聚类中心进行校正，得到目标功率聚类中心；

根据所述目标温度聚类中心、所述目标电流聚类中心以及所述目标功率聚类中心，对所述充电枪工作状态数据进行数据分类，得到温度状态数据、电流状态数据以及功率状态数据；根据所述电压测试时段确定所述温度状态数据中每个温度数据点的第一时间戳，并对所述第一时间戳和所述温度数据点进行关联处理，得到时序温度数据；根据所述电压测试时段确定所述电流状态数据中每个电流数据点的第二时间戳，并对所述第二时间戳和所述电流数据点进行关联处理，得到时序电流数据；

根据所述电压测试时段确定所述功率状态数据中每个功率数据点的第三时间戳，并对所述第三时间戳和所述功率数据点进行关联处理，得到时序功率数据；

将所述时序温度数据、所述时序电流数据以及所述时序功率数据作为每个梯度测试电压对应的多个时序状态数据。

4.根据权利要求3所述的充电枪耐压测试方法，其特征在于，所述对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征，包括：

基于预置的最小二乘法，对所述时序温度数据进行曲线拟合，得到初始温度曲线，并对所述初始温度曲线进行拟合参数调整，得到温度状态曲线；基于所述最小二乘法，对所述时序电流数据进行曲线拟合，得到初始电流曲线，并对所述初始电流曲线进行拟合参数调整，得到电流状态曲线；基于所述最小二乘法，对所述时序功率数据进行曲线拟合，得到初始功率曲线，并对所述初始功率曲线进行拟合参数调整，得到功率状态曲线；

将所述温度状态曲线、所述电流状态曲线及所述功率状态曲线作为多个时序状态曲线；

分别计算所述温度状态曲线、所述电流状态曲线及所述功率状态曲线的方差，得到温度方差、电流方差以及功率方差；

对所述温度状态曲线中的多个温度数据点和所述温度方差进行比较，得到多个第一比较结果，并根据所述多个第一比较结果确定多个温度状态特征；对所述电流状态曲线中的多个电流数据点和所述电流方差进行比较，得到多个第二比较结果，并根据所述多个第二比较结果确定多个电流状态特征；对所述功率状态曲线中的多个功率数据点和所述功率方差进行比较，得到多个第三比较结果，并根据所述多个第三比较结果确定多个功率状态特征；

将所述多个温度状态特征、所述多个电流状态特征以及所述多个功率状态特征作为每个梯度测试电压对应的多个时序状态特征。

5.根据权利要求4所述的充电枪耐压测试方法，其特征在于，所述对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量，包括：

分别计算所述多个温度状态特征、所述多个电流状态特征以及所述多个功率状态特征的均值和标准差，得到温度状态均值和温度状态标准差、电流状态均值和电流状态标准差以及功率状态均值和功率状态标准差；

根据所述温度状态均值和所述温度状态标准差，对所述多个温度状态特征进行特征归一化处理，并根据所述电流状态均值和所述电流状态标准差，对所述多个电流状态特征进行特征归一化处理，以及根据所述功率状态均值和所述功率状态标准差，对所述多个功率状态特征进行特征归一化处理，得到多个目标状态特征；

分别对所述多个目标状态特征进行特征编码，得到多个特征编码元素，并对所述多个特征编码元素进行向量映射，得到状态特征向量。

6.根据权利要求1所述的充电枪耐压测试方法，其特征在于，所述将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果，包括：

将所述状态特征向量输入预置的充电枪耐压性能分析模型，其中，所述充电枪耐压性能分析模型包括：LSTM层、第一全连接层、注意力机制层、第二全连接层及反归一化层；

通过所述LSTM层中的多个LSTM单元分别对所述状态特征向量进行隐藏状态特征提取，得到每个LSTM单元的隐藏状态输出值，并对每个LSTM单元的隐藏状态输出值进行融合，生成隐藏状态向量；

将所述隐藏状态向量输入所述第一全连接层进行时序转换，得到第一时序向量；

将所述第一时序向量输入所述注意力机制层，通过所述注意力机制层中的多个注意力模块进行注意力分析，得到每个注意力模块的输出向量，并对每个注意力模块的输出向量进行组合，得到第二时序向量；

将所述第二时序向量输入所述第二全连接层进行向量处理，得到全连接向量；

将所述全连接向量输入所述反归一化层进行充电枪耐压性能预测，得到目标耐压性能分析结果。

7.根据权利要求1所述的充电枪耐压测试方法，其特征在于，所述根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合，包括：

根据所述目标耐压性能分析结果，创建所述目标充电枪的多个初始工作参数集合，并将所述多个初始工作参数集合作为多个初始群体；

分别计算每个初始工作参数集合的性能评价指标，并根据所述性能评价指标对所述多个初始群体进行群体分割，得到已感染子群、易感染子群及未感染子群；

对所述已感染子群、所述易感染子群及所述未感染子群进行群体更新，生成最优工作参数集合。

8.一种充电枪耐压测试装置，其特征在于，所述充电枪耐压测试装置包括：

获取模块，用于获取目标充电枪的额定电压数据，并根据所述额定电压数据计算多个梯度测试电压；

测试模块，用于根据预置的电压测试时段和所述多个梯度测试电压，对所述目标充电枪进行耐电压测试和工作状态数据采集，得到每个梯度测试电压的充电枪工作状态数据；

处理模块，用于根据所述电压测试时段，对所述充电枪工作状态数据进行数据分类和时序关联处理，得到每个梯度测试电压对应的多个时序状态数据；

拟合模块，用于对所述多个时序状态数据进行曲线拟合，得到多个时序状态曲线，并对所述多个时序状态曲线进行特征提取，得到多个时序状态特征；

编码模块，用于对所述多个时序状态特征进行归一化处理，得到多个目标状态特征，并分别对所述多个目标状态特征进行特征编码，得到状态特征向量；

分析模块，用于将所述状态特征向量输入预置的充电枪耐压性能分析模型进行充电枪耐压性能分析，得到目标耐压性能分析结果；

输出模块，用于根据所述目标耐压性能分析结果，对所述目标充电枪进行工作参数最优化分析，得到最优工作参数集合。

9.一种充电枪耐压测试设备，其特征在于，所述充电枪耐压测试设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述充电枪耐压测试设备执行如权利要求1-7中任一项所述的充电枪耐压测试方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的充电枪耐压测试方法。