CN117250521B - 充电桩电池容量监测系统及方法 - Google Patents
充电桩电池容量监测系统及方法 Download PDFInfo
- Publication number
- CN117250521B CN117250521B CN202311533614.1A CN202311533614A CN117250521B CN 117250521 B CN117250521 B CN 117250521B CN 202311533614 A CN202311533614 A CN 202311533614A CN 117250521 B CN117250521 B CN 117250521B
- Authority
- CN
- China
- Prior art keywords
- vector
- feature
- capacity monitoring
- feature vector
- representing
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 219
- 238000007599 discharging Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000002596 correlated effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
Abstract
本申请涉及智能监测领域，其具体地公开了一种充电桩电池容量监测系统及方法，其基于放电电压和放电温度会影响电池容量的监测结果，首先通过对放电电压参数和放电温度参数关联后的矩阵进行特征提取以获得容量监测影响参数特征，同时对放电电流参数进行特征提取以得到放电电流特征，接着融合所述容量监测影响参数特征和所述放电电流特征，最后将融合后的特征通过解码器以得到用于表示电池容量的解码值。这样，可以有效提高电池容量监测的准确性。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种充电桩电池容量监测系统及方法。
背景技术
随着电动汽车市场的不断扩大，充电桩的需求量也在迅速增加。这种趋势为充电桩行业带来了巨大的商机，推动了充电桩市场的规模迅速扩大。在充电桩应用中，监测电池的容量是非常重要的，以确保电池的可靠性和性能。然而，电池的温度也是一个关键因素，它会影响电池的输出电压和容量。当电池温度升高时，电池的内部化学反应速率会增加，导致电池的容量下降。同时，温度升高也会导致电池的内阻增加，从而影响电池的输出电压。这意味着在高温环境下，电池的实际容量可能会降低，而输出电压也会有所变化。
然而，现有的电池电量监测方法通常只关注电压变化，而没有对温度进行监测。这可能导致监测结果不准确，因为电池在不同温度下的容量和电压特性是不同的。因此，如果电池的温度变化较大，监测结果就会出现误差，无法准确反映电池的实际容量和状态。
因此，需要一种优化的充电桩电池容量监测方案。
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充电桩电池容量监测系统及方法，其基于放电电压和放电温度会影响电池容量的监测结果，首先通过对放电电压参数和放电温度参数关联后的矩阵进行特征提取以获得容量监测影响参数特征，同时对放电电流参数进行特征提取以得到放电电流特征，接着融合所述容量监测影响参数特征和所述放电电流特征，最后将融合后的特征通过解码器以得到用于表示电池容量的解码值。这样，可以有效提高电池容量监测的准确性。
根据本申请的一个方面，提供了一种充电桩电池容量监测系统，其包括：
数据采集模块，用于获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值；
数据结构化模块，用于将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量；
影响参数关联模块，用于将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵；
影响参数特征提取模块，用于将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量；
电流特征提取模块，用于将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量；
解码特征生成模块，用于对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量；
电池容量结果生成模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量。
在上述充电桩电池容量监测系统中，所述影响参数关联模块，用于：以如下关联编码公式计算所述温度输入向量和所述电压输入向量之间的所述容量监测影响参数矩阵；其中，所述关联编码公式为：
其中表示所述温度输入向量，表示所述温度输入向量的转置向量，表示所述
电压输入向量，表示所述容量监测影响参数矩阵，表示向量相乘。
在上述充电桩电池容量监测系统中，所述影响参数特征提取模块，用于：所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述容量监测影响参数特征向量，所述卷积神经网络模型的第一层的输入为所述容量监测影响参数矩阵。
在上述充电桩电池容量监测系统中，所述电流特征提取模块，包括：第一尺度特征提取单元，用于将所述放电电流输入向量输入所述电流多尺度感知模块的第一卷积层以得到第一尺度放电电流特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元，用于将所述放电电流输入向量输入所述电流多尺度感知模块的第二卷积层以得到第二尺度放电电流特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；多尺度特征级联单元，用于将所述第一尺度放电电流特征向量和所述第二尺度放电电流特征向量进行级联以得到所述放电电流特征向量。
在上述充电桩电池容量监测系统中，所述解码特征生成模块，包括：特征工程匹配因子计算单元，用于计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；容量监测影响参数特征加权单元，用于以所述特征工程匹配因子作为权重，对所述容量监测影响参数特征向量进行加权以得到加权后容量监测影响参数特征向量；按位置加权和单元，用于以计算所述加权后容量监测影响参数特征向量和所述放电电流特征向量之间的按位置加权和以得到所述解码特征向量。
在上述充电桩电池容量监测系统中，所述特征工程匹配因子计算单元，用于：以如下计算公式计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；其中，所述计算公式为：
其中，表示所述容量监测影响参数特征向量，表示所述放电电流特征向量，
表示向量的转置，表示矩阵的Frobenius范数，表示矩阵的指数运算，表示以2为
底的对数函数值，表示矩阵的行列式，表示超参数，表示所述特征工程匹配因子。
在上述充电桩电池容量监测系统中，所述电池容量结果生成模块，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述解码公式为：
其中是所述解码特征向量，是所述解码值，是权重矩阵，表示矩阵乘。
根据本申请的另一方面，提供了一种充电桩电池容量监测方法，其包括：
获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值；
将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量；
将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵；
将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量；
将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量；
对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量；
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量。
与现有技术相比，本申请提供的充电桩电池容量监测系统及方法，其基于放电电压和放电温度会影响电池容量的监测结果，首先通过对放电电压参数和放电温度参数关联后的矩阵进行特征提取以获得容量监测影响参数特征，同时对放电电流参数进行特征提取以得到放电电流特征，接着融合所述容量监测影响参数特征和所述放电电流特征，最后将融合后的特征通过解码器以得到用于表示电池容量的解码值。这样，可以有效提高电池容量监测的准确性。
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。附图用于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充电桩电池容量监测系统的系统框图。
图2为根据本申请实施例的充电桩电池容量监测系统的架构图。
图3为根据本申请实施例的充电桩电池容量监测系统中电流特征提取模块的框图。
图4为根据本申请实施例的充电桩电池容量监测系统中解码特征生成模块的框图。
图5为根据本申请实施例的充电桩电池容量监测方法的流程图。
图6为根据本申请实施例的电子设备的框图。
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。
示例性系统
图1为根据本申请实施例的充电桩电池容量监测系统的系统框图。图2为根据本申请实施例的充电桩电池容量监测系统的架构图。如图1和图2所示，在充电桩电池容量监测系统100中，包括：数据采集模块110，用于获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值；数据结构化模块120，用于将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量；影响参数关联模块130，用于将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵；影响参数特征提取模块140，用于将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量；电流特征提取模块150，用于将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量；解码特征生成模块160，用于对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量；电池容量结果生成模块170，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量。
在充电桩电池容量监测系统100中，所述数据采集模块110，用于获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值。如上述背景技术所言，随着电动汽车的普及，充电桩的需求迅速增长，为充电桩行业带来了巨大的商机。在充电桩应用中，监测电池的容量非常重要，但电池的温度也会影响其性能和输出电压。现有的电池电量监测方法通常只关注电压变化，而忽略温度的影响，这可能导致监测结果不准确。因此，如果电池温度变化较大，监测结果就会出现误差，无法准确反映电池的实际容量和状态。因此，期待一种优化的充电桩电池容量监测方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为充电桩电池容量监测提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值。应可以理解，获取放电过程中的温度值是因为温度是一个重要的参数，会对电池的性能和寿命产生影响。电池在不同温度下的电压输出会有所变化，监测温度可以帮助更准确地评估电池的容量。电压值和电流值的获取是为了了解电池在放电过程中的工作状态。电压是电池容量的重要指标之一，通过监测电压的变化可以推测电池的容量变化。电流则是电池放电过程中的流动电荷量，也是评估电池容量的重要参考。充电桩放电过程中多个预定时间点的温度值可以通过温度传感器收集数据获得，充电桩放电过程中多个预定时间点的电压值可以通过电压传感器收集数据获得，充电桩放电过程中多个预定时间点的电流值可以通过电流传感器收集数据获得。
在充电桩电池容量监测系统100中，所述数据结构化模块120，用于将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量。应可以理解，通过将多个预定时间点的温度值、电压值按照时间维度排列可以保留时间序列的信息，进而捕捉到放电过程中温度和电压的变化趋势。时间序列数据在容量监测中非常重要，电池的容量和性能都是随时间变化而变化的。通过将温度和电压按照时间维度排列，可以将不同时间点的数据联系在一起，形成时间序列的特征。
在充电桩电池容量监测系统100中，所述影响参数关联模块130，用于将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵。当电池温度升高时，电池内部的化学反应速率会增加，导致电池容量的变化。同时，电池的输出电压也会受到温度的影响而发生变化。因此，为了准确监测电池的容量，需要考虑温度对电压的影响。通过将温度输入向量和电压输入向量进行关联，可以获取容量监测影响参数矩阵。这个矩阵可以包含温度和电压之间的相关性信息，用于进一步提取容量监测影响参数的特征向量。
具体地，在充电桩电池容量监测系统100中，所述影响参数关联模块130，用于：以如下关联编码公式计算所述温度输入向量和所述电压输入向量之间的所述容量监测影响参数矩阵；其中，所述关联编码公式为：
其中表示所述温度输入向量，表示所述温度输入向量的转置向量，表示所述
电压输入向量，表示所述容量监测影响参数矩阵，表示向量相乘。
在充电桩电池容量监测系统100中，所述影响参数特征提取模块140，用于将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。卷积层是卷积神经网络最重要的层之一，通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征，卷积操作通过滑动窗口的方式在输入数据上进行，生成一系列的特征图；池化层用于对特征图进行下采样，减少特征图维度的同时能保留主要特征；激活函数是卷积神经网络中的一个重要组成部分，通过引入非线性变换，增强网络的表达能力和拟合复杂函数的能力。通过将容量监测影响参数矩阵作为输入，卷积神经网络模型可以通过卷积操作和激活函数对输入数据进行处理。这样可以有效地提取容量监测影响参数的特征，捕捉温度和电压对电池容量的影响规律。
具体地，在充电桩电池容量监测系统100中，所述影响参数特征提取模块140，用于：所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述容量监测影响参数特征向量，所述卷积神经网络模型的第一层的输入为所述容量监测影响参数矩阵。
在充电桩电池容量监测系统100中，所述电流特征提取模块150，用于将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量。在充电桩的放电过程中，电流的变化可以提供关于电池内部化学反应和能量转化的重要信息。通过将电流值按照时间维度排列成输入向量，可以捕捉到电流的时间序列特征。然后，通过包含第一卷积层和第二卷积层的电流多尺度感知模块，可以在不同尺度上对电流进行特征提取。电流多尺度感知模块可以通过使用不同大小的一维卷积核来对电流信号进行多尺度的分析。这样可以捕捉到电流在不同时间尺度上的变化模式，从而提取出更全面和丰富的电流特征信息。通过获取放电电流的特征向量，可以更好地理解电池放电过程中电流的变化规律，进而提高对电池容量的准确监测。
图3为根据本申请实施例的充电桩电池容量监测系统中电流特征提取模块的框图。如图3所示，所述电流特征提取模块150，包括：第一尺度特征提取单元151，用于将所述放电电流输入向量输入所述电流多尺度感知模块的第一卷积层以得到第一尺度放电电流特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元152，用于将所述放电电流输入向量输入所述电流多尺度感知模块的第二卷积层以得到第二尺度放电电流特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；多尺度特征级联单元153，用于将所述第一尺度放电电流特征向量和所述第二尺度放电电流特征向量进行级联以得到所述放电电流特征向量。
特别地，在本申请技术方案中，考虑到容量监测影响参数特征向量和放电电流特征向量是基于不同的数据源和处理方式提取得到的。它们分别用于表示充电桩放电过程中的容量监测影响参数和放电电流特征。容量监测影响参数特征向量是通过获取充电桩放电过程中多个预定时间点的温度值和电压值，并将它们按照时间维度排列为温度输入向量和电压输入向量进行关联得到的容量监测影响参数矩阵。然后，容量监测影响参数矩阵通过卷积神经网络模型作为过滤器进行处理，得到容量监测影响参数特征向量。容量监测影响参数特征向量主要关注充电桩放电过程中的温度和电压对容量监测的影响。放电电流特征向量是通过获取充电桩放电过程中多个预定时间点的电流值，并按照时间维度排列成放电电流输入向量。然后，放电电流输入向量通过包含第一卷积层和第二卷积层的电流多尺度感知模块进行处理，得到放电电流特征向量。放电电流特征向量主要关注充电桩放电过程中的电流特征和变化。由于容量监测影响参数特征向量和放电电流特征向量是基于不同的数据处理方式提取得到的，它们具有不同的特征深度维数和过滤器分辨率。容量监测影响参数特征向量主要关注温度和电压的影响，通常具有较低的维数和较高的分辨率。而放电电流特征向量主要关注电流的特征和变化，通常具有较高的维数和较低的分辨率。这种差异导致了在进行特征向量融合时可能会出现远程关系模糊化。远程关系模糊化意味着容量监测影响参数特征向量和放电电流特征向量之间的语义关联可能无法准确地建立起来，导致解码特征向量的特征分布结构不一致。这种不一致性可能会影响解码特征向量通过解码器的解码判断的精准度。解码器通常依赖于特征向量的一致性和相关性来进行解码任务，如果解码特征向量的特征分布结构不均衡，那么解码器可能会受到干扰，导致解码判断的准确度下降。
在充电桩电池容量监测系统100中，所述解码特征生成模块160，用于对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量。
图4为根据本申请实施例的充电桩电池容量监测系统中解码特征生成模块的框图。如图4所示，所述解码特征生成模块160，包括：特征工程匹配因子计算单元161，用于计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；容量监测影响参数特征加权单元162，用于以所述特征工程匹配因子作为权重，对所述容量监测影响参数特征向量进行加权以得到加权后容量监测影响参数特征向量；按位置加权和单元163，用于以计算所述加权后容量监测影响参数特征向量和所述放电电流特征向量之间的按位置加权和以得到所述解码特征向量。
具体地，在充电桩电池容量监测系统100中，所述特征工程匹配因子计算单元161，用于：以如下计算公式计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；其中，所述计算公式为：
其中，表示所述容量监测影响参数特征向量，表示所述放电电流特征向量，
表示向量的转置，表示矩阵的Frobenius范数，表示矩阵的指数运算，表示以2为
底的对数函数值，表示矩阵的行列式，表示超参数，表示所述特征工程匹配因子。
应可以理解，在本申请的技术方案中，利用基于秩序性的特征工程匹配因子，将不同特征深度维数和过滤器分辨率的特征向量之间的相对位置嵌入问题转化为一个优化问题，从而采用一种优化技术，来提升特征向量之间的远程关系和概率分布一致性。具体地，首先根据所述不同特征深度维数和过滤器分辨率的特征向量的结构和属性，设计了一种基于秩序性的特征工程匹配因子策略，将不同类别和维度的特征值按照一定的秩序规则进行排序和分组，从而降低了迁移过程中的信息冗余和噪声干扰。进而，利用一种优化技术，通过具有不同特征深度维数和过滤器分辨率的特征向量间的相对位置嵌入来表示参数化模型的隐特征表达，以实现更加光滑的高维特征空间内的远程关系和概率分布一致性。进而，通过基于秩序性的特征工程匹配分析，将优化后的隐特征表达与语义标签进行匹配，从而实现了不同特征深度维数和过滤器分辨率的特征向量相对于语义标签的语义匹配性能，提高了基于优化后隐特征表达的语义匹配能力，以提高语义匹配效果。
在充电桩电池容量监测系统100中，所述电池容量结果生成模块170，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量。通过解码器的解码过程，解码特征向量会被转换为用于表示充电桩电池容量的解码值。这样，方便用户对电池的容量进行判断，它直接提供了一个直观的指标，用于评估电池的剩余容量和使用情况。
具体地，在充电桩电池容量监测系统100中，所述电池容量结果生成模块170，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述解码公式为：
其中是所述解码特征向量，是所述解码值，是权重矩阵，表示矩阵乘。
综上所述，基于本申请实施例的充电桩电池容量监测系统100被阐明，其基于放电电压和放电温度会影响电池容量的监测结果，首先通过对放电电压参数和放电温度参数关联后的矩阵进行特征提取以获得容量监测影响参数特征，同时对放电电流参数进行特征提取以得到放电电流特征，接着融合所述容量监测影响参数特征和所述放电电流特征，最后将融合后的特征通过解码器以得到用于表示电池容量的解码值。这样，可以有效提高电池容量监测的准确性。
如上所述，根据本申请实施例的充电桩电池容量监测系统100可以实现在各种终端设备中，例如用于充电桩电池容量监测的服务器等。在一个示例中，根据本申请实施例的充电桩电池容量监测系统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，该充电桩电池容量监测系统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，该充电桩电池容量监测系统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，该充电桩电池容量监测系统100与该终端设备也可以是分立的设备，并且该充电桩电池容量监测系统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。
示例性方法
图5为根据本申请实施例的充电桩电池容量监测方法的流程图。如图5所示，在充电桩电池容量监测方法中，包括：S110，获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值；S120，将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量；S130，将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵；S140，将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量；S150，将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量；S160，对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量；S170，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量。
这里，本领域技术人员可以理解，上述充电桩电池容量监测方法中的各个步骤的具体操作已经在上面参考图1到图4的充电桩电池容量监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的充电桩电池容量监测方法被阐明，其基于放电电压和放电温度会影响电池容量的监测结果，首先通过对放电电压参数和放电温度参数关联后的矩阵进行特征提取以获得容量监测影响参数特征，同时对放电电流参数进行特征提取以得到放电电流特征，接着融合所述容量监测影响参数特征和所述放电电流特征，最后将融合后的特征通过解码器以得到用于表示电池容量的解码值。这样，可以有效提高电池容量监测的准确性。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6为根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的充电桩电池容量监测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如充电桩放电过程中多个预定时间点的温度值、电压值以及电流值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括充电桩的电池容量的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的充电桩电池容量监测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的充电桩电池容量监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (8)
1.一种充电桩电池容量监测系统，其特征在于，包括：
数据采集模块，用于获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值；
数据结构化模块，用于将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量；
影响参数关联模块，用于将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵；
影响参数特征提取模块，用于将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量；
电流特征提取模块，用于将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量；
解码特征生成模块，用于对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量；
电池容量结果生成模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量；
其中，所述解码特征生成模块，包括：
特征工程匹配因子计算单元，用于计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；
容量监测影响参数特征加权单元，用于以所述特征工程匹配因子作为权重，对所述容量监测影响参数特征向量进行加权以得到加权后容量监测影响参数特征向量；
按位置加权和单元，用于计算所述加权后容量监测影响参数特征向量和所述放电电流特征向量之间的按位置加权和以得到所述解码特征向量；
其中，所述特征工程匹配因子计算单元，用于：以如下计算公式计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；
其中，所述计算公式为：
其中，V1表示所述容量监测影响参数特征向量，V2表示所述放电电流特征向量，T表示向量的转置，||·||F表示矩阵的Frobenius范数，exp(·)表示矩阵的指数运算，log表示以2为底的对数函数值，det表示矩阵的行列式，α表示超参数，w1表示所述特征工程匹配因子。
2.根据权利要求1所述的充电桩电池容量监测系统，其特征在于，所述影响参数关联模块，用于：以如下关联编码公式计算所述温度输入向量和所述电压输入向量之间的所述容量监测影响参数矩阵；
其中，所述关联编码公式为：
其中Va表示所述温度输入向量，表示所述温度输入向量的转置向量，Vb表示所述电压输入向量，M表示所述容量监测影响参数矩阵，/>表示向量相乘。
3.根据权利要求2所述的充电桩电池容量监测系统，其特征在于，所述影响参数特征提取模块，用于：所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述卷积神经网络模型的最后一层的输出为所述容量监测影响参数特征向量，所述卷积神经网络模型的第一层的输入为所述容量监测影响参数矩阵。
4.根据权利要求3所述的充电桩电池容量监测系统，其特征在于，所述电流特征提取模块，包括：
第一尺度特征提取单元，用于将所述放电电流输入向量输入所述电流多尺度感知模块的第一卷积层以得到第一尺度放电电流特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度特征提取单元，用于将所述放电电流输入向量输入所述电流多尺度感知模块的第二卷积层以得到第二尺度放电电流特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；
多尺度特征级联单元，用于将所述第一尺度放电电流特征向量和所述第二尺度放电电流特征向量进行级联以得到所述放电电流特征向量。
5.根据权利要求4所述的充电桩电池容量监测系统，其特征在于，所述电池容量结果生成模块，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值；
其中，所述解码公式为：
其中X是所述解码特征向量，Y是所述解码值，w是权重矩阵，表示矩阵乘。
6.一种充电桩电池容量监测方法，其特征在于，包括：
获取充电桩放电过程中多个预定时间点的温度值、电压值以及电流值；
将所述放电过程中多个预定时间点的温度值、电压值分别按照时间维度排列为温度输入向量和电压输入向量；
将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵；
将所述容量监测影响参数矩阵通过作为过滤器的卷积神经网络模型以得到容量监测影响参数特征向量；
将所述放电过程中多个预定时间点的电流值按照时间维度排列成放电电流输入向量后通过包含第一卷积层和第二卷积层的电流多尺度感知模块以得到放电电流特征向量；
对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量；
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量；
其中，对所述容量监测影响参数特征向量和所述放电电流特征向量进行基于秩序性的特征工程匹配以得到解码特征向量，包括：
计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；
以所述特征工程匹配因子作为权重，对所述容量监测影响参数特征向量进行加权以得到加权后容量监测影响参数特征向量；
计算所述加权后容量监测影响参数特征向量和所述放电电流特征向量之间的按位置加权和以得到所述解码特征向量；
其中，计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子，包括：以如下计算公式计算所述容量监测影响参数特征向量相对于所述放电电流特征向量之间的基于秩序性的特征工程匹配因子；
其中，所述计算公式为：
其中，V1表示所述容量监测影响参数特征向量，V2表示所述放电电流特征向量，T表示向量的转置，||·||F表示矩阵的Frobenius范数，exp(·)表示矩阵的指数运算，log表示以2为底的对数函数值，det表示矩阵的行列式，α表示超参数，w1表示所述特征工程匹配因子。
7.根据权利要求6所述的充电桩电池容量监测方法，其特征在于，将所述温度输入向量和所述电压输入向量进行关联以得到容量监测影响参数矩阵，包括：以如下关联编码公式计算所述温度输入向量和所述电压输入向量之间的所述容量监测影响参数矩阵；
其中，所述关联编码公式为：
其中Va表示所述温度输入向量，表示所述温度输入向量的转置向量，Vb表示所述电压输入向量，M表示所述容量监测影响参数矩阵，/>表示向量相乘。
8.根据权利要求7所述的充电桩电池容量监测方法，其特征在于，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示所述充电桩的电池容量，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值；
其中，所述解码公式为：
其中X是所述解码特征向量，Y是所述解码值，W是权重矩阵，表示矩阵乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533614.1A CN117250521B (zh) | 2023-11-17 | 2023-11-17 | 充电桩电池容量监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533614.1A CN117250521B (zh) | 2023-11-17 | 2023-11-17 | 充电桩电池容量监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117250521A CN117250521A (zh) | 2023-12-19 |
| CN117250521B true CN117250521B (zh) | 2024-02-20 |
Family
ID=89131736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311533614.1A Active CN117250521B (zh) | 2023-11-17 | 2023-11-17 | 充电桩电池容量监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250521B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506798A (zh) * | 2020-03-04 | 2020-08-07 | 平安科技（深圳）有限公司 | 用户筛选方法、装置、设备及存储介质 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN114900126A (zh) * | 2022-07-13 | 2022-08-12 | 江苏福明太阳能有限公司 | 太阳能电池组件的接地测试设备及其接地测试方法 |
| CN115049461A (zh) * | 2022-06-29 | 2022-09-13 | 杭州卓壹网络技术有限公司 | 基于多平台全域信息的电子商务信用评估方法及其系统 |
| CN116125133A (zh) * | 2023-02-16 | 2023-05-16 | 南京博纳威电子科技有限公司 | 非接触式电流电压一体化测量在线监测方法及系统 |
| CN116189807A (zh) * | 2023-04-28 | 2023-05-30 | 福建天甫电子材料有限公司 | 硝酸盐制备过程的氮含量智能监测系统 |
| CN116494816A (zh) * | 2023-06-30 | 2023-07-28 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
| CN116577464A (zh) * | 2023-04-28 | 2023-08-11 | 湖南省三联环保科技有限公司 | 用于大气污染的智能监测系统及其方法 |
| CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
-
2023
- 2023-11-17 CN CN202311533614.1A patent/CN117250521B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111506798A (zh) * | 2020-03-04 | 2020-08-07 | 平安科技（深圳）有限公司 | 用户筛选方法、装置、设备及存储介质 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115049461A (zh) * | 2022-06-29 | 2022-09-13 | 杭州卓壹网络技术有限公司 | 基于多平台全域信息的电子商务信用评估方法及其系统 |
| CN114900126A (zh) * | 2022-07-13 | 2022-08-12 | 江苏福明太阳能有限公司 | 太阳能电池组件的接地测试设备及其接地测试方法 |
| CN116125133A (zh) * | 2023-02-16 | 2023-05-16 | 南京博纳威电子科技有限公司 | 非接触式电流电压一体化测量在线监测方法及系统 |
| CN116189807A (zh) * | 2023-04-28 | 2023-05-30 | 福建天甫电子材料有限公司 | 硝酸盐制备过程的氮含量智能监测系统 |
| CN116577464A (zh) * | 2023-04-28 | 2023-08-11 | 湖南省三联环保科技有限公司 | 用于大气污染的智能监测系统及其方法 |
| CN116494816A (zh) * | 2023-06-30 | 2023-07-28 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
| CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| An encoder-decoder fusion battery life prediction method based on Gaussian process regression and improvement;Wei Dang等;《Journal of Energy Storage》;第59卷;第1-12页 * |
| 基于深度学习的储能锂离子电池健康状态估计;赵显赫等;《能源工程》;第42卷(第4期);第28-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117250521A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
| CN115796173A (zh) | 针对监管报送需求的数据处理方法和系统 | |
| CN112800774A (zh) | 基于注意力机制的实体关系抽取方法、装置、介质和设备 | |
| CN111428513A (zh) | 一种基于卷积神经网络的虚假评论分析方法 | |
| 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 | |
| CN116309580A (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
| CN115878330A (zh) | 线程的运行控制方法及其系统 | |
| EP4273754A1 (en) | Neural network training method and related device | |
| CN114943034A (zh) | 基于细粒度方面特征的智能新闻推荐方法和系统 | |
| CN114463587A (zh) | 一种异常数据检测方法、装置、设备及存储介质 | |
| CN117250521B (zh) | 充电桩电池容量监测系统及方法 | |
| CN116858789A (zh) | 食品安全检测系统及其方法 | |
| CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
| CN114398228A (zh) | 一种设备资源使用情况的预测方法、装置及电子设备 | |
| CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
| Zhao et al. | Refined probability distribution module for fine-grained visual categorization | |
| CN117371824B (zh) | 一种基于光伏数据的异常检测方法及装置 | |
| CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| WO2024098653A1 (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
| US20240152578A1 (en) | Systems, methods, and non-transitory computer-readable storage devices for detecting and analyzing data clones in tabular datasets | |
| CN116894831A (zh) | 聚氨酯材料的检测方法及其系统 | |
| Hao et al. | Real-time detection algorithm for digital meters based on multi-scale feature fusion and GCS | |
| CN117018858A (zh) | 工业废气净化设备及其控制方法 | |
| Shen et al. | Detection of Weak Pulse Signal in Chaotic Noise-Based on Att-CNN-LSTM model | |
| Zhou et al. | Identification of industrial control devices based on CNN-PCA hybrid feature extraction |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 341000 Building A, No. 2 Industrial Avenue, Digital Economy Industrial Park, High tech Zone, Zhanggong District, Ganzhou, Jiangxi Province Applicant after: Jiangxi Lv Chongchong IoT Technology Co.,Ltd. Address before: 341000 Building A, No. 2 Industrial Avenue, Digital Economy Industrial Park, High tech Zone, Zhanggong District, Ganzhou, Jiangxi Province Applicant before: JIANGXI LVBAOBAO TONGKA TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: R&D Building, No. 8 Qinglongyan Street, High tech Industrial Park, Zhanggong District, Ganzhou City, Jiangxi Province, 341000 Applicant after: Jiangxi Lv Chongchong IoT Technology Co.,Ltd. Address before: 341000 Building A, No. 2 Industrial Avenue, Digital Economy Industrial Park, High tech Zone, Zhanggong District, Ganzhou, Jiangxi Province Applicant before: Jiangxi Lv Chongchong IoT Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |