CN117353751B - 基于大数据的无人充电桩交易数据智能管理系统 - Google Patents
基于大数据的无人充电桩交易数据智能管理系统 Download PDFInfo
- Publication number
- CN117353751B CN117353751B CN202311657596.8A CN202311657596A CN117353751B CN 117353751 B CN117353751 B CN 117353751B CN 202311657596 A CN202311657596 A CN 202311657596A CN 117353751 B CN117353751 B CN 117353751B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- target
- value
- electric quantity
- 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
- 238000007906 compression Methods 0.000 claims abstract description 39
- 230000006835 compression Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 57
- 230000005856 abnormality Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 35
- 238000007726 management method Methods 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013144 data compression Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及基于大数据的无人充电桩交易数据智能管理系统，该系统采集充电数据，获取目标序列、目标电量区间、参考序列、参考电量区间，从而得到目标序列的异常程度，将目标序列划分为若干个序列段，根据所有序列段中的数据数量、数据值、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数，从而得到目标序列对应的误差限制，由此使用斜率编码对目标序列进行压缩处理，得到压缩数据，将压缩数据存储到无人充电桩交易数据智能管理系统中。本发明通过自适应误差限制，保护重要数据，并提高数据的压缩效率，从而提高智能管理系统进行数据传输分析时的速度和准确性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于大数据的无人充电桩交易数据智能管理系统。
背景技术
基于大数据的无人充电桩交易数据智能管理系统是一种利用大数据技术，对无人充电桩交易数据进行分析和管理的系统。该系统可以通过采集、存储和分析无人充电桩的交易数据，实现对充电桩的实时监控、故障预警、运营分析等功能。而无人充电桩交易数据主要为充电时间、充电量和交易金额等，其都需要根据每次充电过程中的电流时序数据获取，为了数据的可溯源查询，智能管理系统需要存储大量的充电桩在充电时的电流时序数据。
现有的问题：大量的电流时序数据需要较大的存储空间，且数据传输效率较低，当前通常使用斜率编码进行数据压缩，但当斜率编码的误差限制选取不合适，会造成压缩效率较低，或者数据损失较大，由此会降低无人充电桩交易数据智能管理系统进行数据分析时的速度和准确性。
发明内容
本发明提供基于大数据的无人充电桩交易数据智能管理系统，以解决现有的问题。
本发明的基于大数据的无人充电桩交易数据智能管理系统采用如下技术方案：
本发明一个实施例提供了基于大数据的无人充电桩交易数据智能管理系统，该系统包括以下模块：
数据采集模块：用于采集同类型充电桩对同类型车辆的充电数据，根据所述充电数据，得到一个目标序列和目标电量区间、若干个参考序列和参考电量区间；
数据异常分析模块：用于根据目标电量区间与每个参考电量区间的交集，得到目标电量区间与每个参考电量区间的相交值；根据目标序列分别与所有参考序列之间的差异、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度；
压缩系数分析模块：用于使用密度聚类算法，将目标序列划分为若干个序列段；根据所有序列段中的数据数量、数据值，得到每个序列段的数值差异和长度差异；根据所有序列段的数值差异、长度差异、数据数量、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数；
数据压缩存储模块：用于根据目标序列的压缩系数、数据值，得到目标序列对应的误差限制；根据目标序列对应的误差限制，使用斜率编码对目标序列进行压缩处理，得到压缩数据；将压缩数据存储到无人充电桩交易数据智能管理系统中。
进一步地，所述根据所述充电数据，得到一个目标序列和目标电量区间、若干个参考序列和参考电量区间包括：
所述充电数据包括：若干次充电过程中的电流时序数据序列、车辆开始充电时的电量、车辆结束充电时的电量；
将任意一次充电过程，记为目标充电过程；将目标充电过程中的电流时序数据序列，记为目标序列；
在目标充电过程中，将车辆开始充电时的电量到车辆结束充电时的电量构成的电量区间，记为目标电量区间；
将不是目标充电过程的其它次充电过程，记为参考充电过程；将每次参考充电过程中的电流时序数据序列，记为参考序列；
在每次参考充电过程中，将车辆开始充电时的电量到车辆结束充电时的电量构成的电量区间，记为参考电量区间。
进一步地，所述根据目标电量区间与每个参考电量区间的交集，得到目标电量区间与每个参考电量区间的相交值包括：
统计目标电量区间与每个参考电量区间的交集，将所述交集中的最大值减去所述交集中的最小值，记为目标电量区间与每个参考电量区间的相交值。
进一步地，所述根据目标序列分别与所有参考序列之间的差异、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度包括：
使用一阶导数法，分别得到目标序列与所有参考序列中的局部极值点；
在目标序列中，将局部极值点数量除以数据数量，记为目标序列中的数据波动频率；
在每个参考序列中，将局部极值点数量除以数据数量，记为每个参考序列中的数据波动频率；
根据目标序列与所有参考序列中的数据波动频率、数据值、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度。
进一步地，所述根据目标序列与所有参考序列中的数据波动频率、数据值、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度对应的具体计算公式为：
其中A为目标序列的异常程度，n为参考序列的数量，n也为参考电量区间的数量，为目标电量区间与第i个参考电量区间的相交值，/>为目标电量区间与第i个参考电量区间中的最大值，/>为目标电量区间与第i个参考电量区间中的最小值，D为目标序列中的数据数量，/>为目标序列中的局部极值点数量，/>为第i个参考序列中的数据数量，/>为第i个参考序列中的局部极值点数量，/>为目标序列中的数据均值，/>为第i个参考序列中的数据均值，| |为绝对值函数。
进一步地，所述根据所有序列段中的数据数量、数据值，得到每个序列段的数值差异和长度差异包括：
依次计算目标序列中每个序列段中的数据均值，得到均值序列；
在均值序列中，计算每个数据分别与其所有相邻数据的差值的绝对值，将所述绝对值中的最大值，记为每个数据对应的数值差异；
将均值序列中每个数据对应的数值差异，记为每个数据对应的序列段的数值差异；
依次统计目标序列中每个序列段中的数据数量，得到数量序列；
在数量序列中，计算每个数据分别与其所有相邻数据的差异值，将所述差异值中的最大值，记为每个数据对应的长度差异；
将数量序列中每个数据对应的长度差异，记为每个数据对应的序列段的长度差异。
进一步地，所述根据所有序列段的数值差异、长度差异、数据数量、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数包括：
使用最小最大规范法，分别对所有序列段的数值差异、所有序列段的长度差异进行归一化处理，得到每个序列段的数值差异的归一化值、每个序列段的长度差异的归一化值；
根据每个序列段的数值差异和长度差异的归一化值、数据数量，得到每个序列段的权重；
根据所有序列段的权重与数据数量、序列段的数量、目标序列的异常程度、目标电量区间中的最大值和最小值，得到目标序列的压缩系数。
进一步地，所述根据每个序列段的数值差异和长度差异的归一化值、数据数量，得到每个序列段的权重对应的具体计算公式为：
其中为第j个序列段的权重，/>为第j个序列段的数值差异的归一化值，/>为第j个序列段的长度差异的归一化值，/>为第j个序列段中的数据数量，/>为以自然常数为底的指数函数，k为预设的指数函数的调整值。
进一步地，所述根据所有序列段的权重与数据数量、序列段的数量、目标序列的异常程度、目标电量区间中的最大值和最小值，得到目标序列的压缩系数对应的具体计算公式为：
其中P为目标序列的压缩系数，A为目标序列的异常程度，为目标电量区间中的最小值，/>为目标电量区间中的最大值，/>为第j个序列段的权重，/>为所有序列段的权重之和，/>为第j个序列段中的数据数量，S为序列段的数量，/>为预设的常数，/>为以自然常数为底的指数函数，k为预设的指数函数的调整值，/>为线性归一化函数。
进一步地，所述根据目标序列的压缩系数、数据值，得到目标序列对应的误差限制包括：
在目标序列中，计算所有相邻数据的差值的绝对值，将所述绝对值的均值，记为基础值；
将目标序列的压缩系数与基础值的乘积，记为目标序列对应的误差限制。
本发明的技术方案的有益效果是：
本发明实施例中，采集充电数据，获取一个目标序列和目标电量区间、若干个参考序列和参考电量区间，从而得到目标序列的异常程度。其通过同类型充电桩对同类型车辆的充电数据之间的对比分析，确定充电异常的数据，从而保护这些重要的异常数据，提高智能管理系统进行数据分析的准确性。将目标序列划分为若干个序列段，根据所有序列段中的数据数量、数据值、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数。根据目标序列的压缩系数、数据值，得到目标序列对应的误差限制，从而使用斜率编码对目标序列进行压缩处理，得到压缩数据，将压缩数据存储到无人充电桩交易数据智能管理系统中。其赋予重要数据较小的误差限制，保护重要数据，赋予不重要数据较大的误差限制，提高压缩效率。至此本发明通过自适应误差限制，保护重要数据，并提高数据的压缩效率，从而提高无人充电桩交易数据智能管理系统进行数据传输分析时的速度和准确性。
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。
图1为本发明基于大数据的无人充电桩交易数据智能管理系统的模块流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据的无人充电桩交易数据智能管理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于大数据的无人充电桩交易数据智能管理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于大数据的无人充电桩交易数据智能管理系统的模块流程图，该系统包括以下模块：
模块101：数据采集模块。
已知无人充电桩交易数据主要为充电时间、充电量和交易金额等，其中充电时间是根据充电开始和结束的时间戳来确定，充电时的电量是电流和时间的乘积，交易金额是按时间和电量来确定的。因此本实施例对充电过程中的电流数据进行采集和高效存储，保障智能管理系统中的无人充电桩交易数据的准确性以及可以溯源查询。
使用传感器，采集同类型充电桩对同类型车辆的充电数据。充电数据包括：若干次充电过程中的电流时序数据序列、车辆开始充电时的电量、车辆结束充电时的电量。
所需说明的是：无人充电桩交易数据通常包括充电桩标识、车辆信息，在无人充电桩交易数据智能管理系统上，对数据进行分析的过程中，其通常对同类型充电桩和车辆的充电数据进行分析，来判断充电状态，这是由于不同类型的充电桩和车辆的充电数据存在较大的差异，无对比分析的必要性。因此本实施例通过对同类型充电桩和车辆的充电数据进行分析，实现数据的高效存储。且车辆的电量用百分比的方式呈现，如50%、100%。
将任意一次充电过程，记为目标充电过程。将目标充电过程中的电流时序数据序列，记为目标序列。
在目标充电过程中，将车辆开始充电时的电量到车辆结束充电时的电量构成的电量区间，记为目标电量区间。
将不是目标充电过程的其它次充电过程，记为参考充电过程。将每次参考充电过程中的电流时序数据序列，记为参考序列。
在每次参考充电过程中，将车辆开始充电时的电量到车辆结束充电时的电量构成的电量区间，记为参考电量区间。
模块102：数据异常分析模块。
已知充电过程中，当车辆电量较低时，需要快速充电，即电流较高。随着电量逐渐增加，充电速度会逐渐减慢，即电流也会相应地减小，以保持充电过程中的安全性和稳定性，防止出现电池过热等问题。当电池接近充满状态时，电流会进一步降低，直至充电结束。
因此当目标电量区间与参考电量区间的重合程度越高时，目标序列与参考序列中的数据应越相似，当其相似性较低时，说明目标序列存在异常数据的可能性越高，而异常数据会影响充电量和交易金额等数据的准确性，因此需要重点保护。
统计目标电量区间与每个参考电量区间的交集，将所述交集中的最大值减去所述交集中的最小值，记为目标电量区间与每个参考电量区间的相交值。
使用一阶导数法，分别得到目标序列与所有参考序列中的局部极值点。其中，一阶导数法为公知技术，具体方法在此不做介绍。
由此可知目标序列的异常程度A的计算公式为：
其中A为目标序列的异常程度，n为参考序列的数量，n也为参考电量区间的数量，为目标电量区间与第i个参考电量区间的相交值，/>为目标电量区间与第i个参考电量区间中的最大值，/>为目标电量区间与第i个参考电量区间中的最小值，D为目标序列中的数据数量，/>为目标序列中的局部极值点数量，/>为第i个参考序列中的数据数量，/>为第i个参考序列中的局部极值点数量，/>为目标序列中的数据均值，/>为第i个参考序列中的数据均值。| |为绝对值函数。
所需说明的是：表示目标电量区间与第i个参考电量区间的范围值，故用/>表示目标电量区间与第i个参考电量区间的重合程度，重合程度越大，说明目标序列与第i个参考序列之间的数据相似性更可信。/>和/>分别表示目标序列与第i个参考序列中的数据波动频率，/>越小，说明两序列的数据波动频率越相似，当越小，说明两序列的数据值越相似，因此用/>表示目标序列与第i个参考序列的相似性。由此可知目标序列与第i个参考序列的加权相似性为。则用目标序列分别与所有参考序列的加权相似性的均值/>表示目标序列的异常程度，A越大，目标序列中的数据越重要。
模块103：压缩系数分析模块。
通过上述分析可知目标序列相较于其它参考序列的异常程度，由此需要根据目标序列中的数据之间的变化，进一步分析目标序列的异常。
使用密度聚类算法，将目标序列划分为若干个序列段。
所需说明的是：本实施例使用的密度聚类算法是DBSCAN算法，DBSCAN算法为公知技术，具体方法在此不做介绍。已知半径和最小点数为DBSCAN算法的主要参数，本实施例设定的半径为3，最小点数为4，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。DBSCAN算法会将目标序列划分为若干个聚类簇，每个聚类簇中的数据值应相似。由于目标序列为一维数据序列，因此聚类簇为一个数据序列段，即将目标序列划分为若干个序列段。
在目标序列中，依次计算每个序列段中的数据均值，得到均值序列。在均值序列中，计算每个数据分别与其所有相邻数据的差值的绝对值，将所述绝对值中的最大值，记为每个数据对应的数值差异。将均值序列中每个数据对应的数值差异，记为每个数据对应的序列段的数值差异。
在目标序列中，依次统计每个序列段中的数据数量，得到数量序列。在数量序列中，计算每个数据分别与其所有相邻数据的差异值，将所述差异值中的最大值，记为每个数据对应的长度差异。将数量序列中每个数据对应的长度差异，记为每个数据对应的序列段的长度差异。其中所述差异值，就是每个数据分别与其所有相邻数据的差值的绝对值。
由此得到目标序列中每个序列段的数值差异和长度差异。
使用最小最大规范法，分别对所有序列段的数值差异和长度差异进行归一化处理至[0,1]区间内，得到每个序列段的数值差异的归一化值、长度差异的归一化值。其中，最小最大规范法为公知技术，具体方法在此不做介绍。
所需说明的是：充电桩在正常工作状态下，充电时的电流数据通常是相对稳定的，且通常会呈现周期性的特征。因此目标序列中各相邻序列段的长度和数据值应相似，故当序列段的数值差异和长度差异较大时，对应的序列段越异常。
由此可知目标序列的压缩系数P的计算公式为：
其中P为目标序列的压缩系数，A为目标序列的异常程度，为目标电量区间中的最小值，/>为目标电量区间中的最大值，/>为第j个序列段的权重，/>为所有序列段的权重之和，/>为第j个序列段中的数据数量，S为序列段的数量，/>为第j个序列段的数值差异的归一化值，/>为第j个序列段的长度差异的归一化值，/>为常数，/>为以自然常数为底的指数函数，本实施例以/>来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数，k为指数函数的调整值，避免指数函数过早趋于0。为线性归一化函数，将数据值归一化至[0,1]区间内。本实施例设定的/>，为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
所需说明的是：正常情况下，充电桩在充电时的电流数据是相对稳定的，因此当目标序列划分的序列段的数量S越多，且序列段的长度越短时，目标序列中的数据越异常。由此以和/>的均值，作为/>的调整值，/>越大，第j个序列段越异常，故第j个序列段的权重/>越大。由此用归一化的权重/>对/>加权，加权求和得到/>，表示所有序列段的加权平均长度。故用与S的乘积，表示目标序列的波动异常，波动异常越大，说明目标序列中的数据波动越剧烈。已知开始充电时，电量越小，需要快速充电以提供足够的能量，电流较高，充电结束时，电量越大，电流会较大的降低，此时的电流数据的波动应较大，因此当/>较小时，需要对目标序列的波动异常进行向小调整，当较大时，目标序列的数据应趋于平稳，则需要对目标序列的波动异常进行向大调整。由于车辆电量的取值范围为0%到100%，即0到1之间，因此/>和/>的取值范围为0到1。至此用/>表示目标序列的精准异常程度，其值越大，目标序列越重要，需要越小的压缩系数，保护重要数据，故用a减去归一化的目标序列的精准异常程度，为目标序列的压缩系数，则P的取值范围为0.3到1.3。
模块104：数据压缩存储模块。
已知斜率编码通过计算相邻数据点之间的斜率来进行压缩。对于连续递增或递减的数据点，可以用一个斜率值来表示一段连续的数据，从而减少数据的存储空间。斜率编码的主要参数通常是误差限制，误差限制是指允许的数据点与斜率表示之间的最大误差。较小的误差限制可以提供更高的数据精度，但可能导致较低的压缩比。较大的误差限制可以实现更高的压缩比，但可能会引入更大的数据损失。
在目标序列中，计算所有相邻数据的差值的绝对值，将所述绝对值的均值，记为基础值。
所需说明的是：斜率编码一般通过数据序列中相邻数据的差异，来设置误差限制，因此本实施例取所有相邻数据的差异的均值，作为设置误差限制的基础值。
由此将目标序列的压缩系数与基础值的乘积，记为目标序列对应的误差限制。
所需说明的时：当目标序列的压缩系数越小时，说明目标序列中的数据越重要，即得到较小的误差限制，保护重要数据。当目标序列的压缩系数越大时，说明目标序列中的数据越不重要，即得到较大的误差限制，提高压缩效率。
根据目标序列对应的误差限制，使用斜率编码对目标序列进行压缩处理，得到压缩数据。
将压缩数据存储到无人充电桩交易数据智能管理系统中。
所需说明的是：按照上述方式，可得到每个参考序列对应的压缩数据，以及其它相同类型的充电桩和车辆在每次充电过程中的电流时序数据序列对应的压缩数据，可将得到所有压缩数据存储到无人充电桩交易数据智能管理系统中，以便后续的分析和查询。由此通过现有的大数据分析技术，对智能管理系统中的数据进行处理和分析，提取出有价值的信息，如充电桩的使用率、故障率、用户偏好等。最后基于数据分析结果，对充电桩进行运营管理，如优化充电桩的布局、调整充电价格、提高服务质量等。至此完成无人充电桩交易数据的智能管理。
至此，本发明完成。
综上所述，在本发明实施例中，采集充电数据，获取一个目标序列和目标电量区间、若干个参考序列和参考电量区间，从而得到目标序列的异常程度。将目标序列划分为若干个序列段，根据所有序列段中的数据数量、数据值、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数。根据目标序列的压缩系数、数据值，得到目标序列对应的误差限制，从而使用斜率编码对目标序列进行压缩处理，得到压缩数据，将压缩数据存储到无人充电桩交易数据智能管理系统中。本发明通过自适应误差限制，保护重要数据，并提高数据的压缩效率，从而提高无人充电桩交易数据智能管理系统进行数据传输分析时的速度和准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.基于大数据的无人充电桩交易数据智能管理系统，其特征在于，该系统包括以下模块：
数据采集模块：用于采集同类型充电桩对同类型车辆的充电数据，根据所述充电数据，得到一个目标序列和目标电量区间、若干个参考序列和参考电量区间；
数据异常分析模块：用于根据目标电量区间与每个参考电量区间的交集，得到目标电量区间与每个参考电量区间的相交值；根据目标序列分别与所有参考序列之间的差异、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度；
压缩系数分析模块：用于使用密度聚类算法，将目标序列划分为若干个序列段；根据所有序列段中的数据数量、数据值，得到每个序列段的数值差异和长度差异；根据所有序列段的数值差异、长度差异、数据数量、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数；
数据压缩存储模块：用于根据目标序列的压缩系数、数据值，得到目标序列对应的误差限制；根据目标序列对应的误差限制，使用斜率编码对目标序列进行压缩处理，得到压缩数据；将压缩数据存储到无人充电桩交易数据智能管理系统中；
所述根据所述充电数据，得到一个目标序列和目标电量区间、若干个参考序列和参考电量区间包括：
所述充电数据包括：若干次充电过程中的电流时序数据序列、车辆开始充电时的电量、车辆结束充电时的电量；
将任意一次充电过程，记为目标充电过程；将目标充电过程中的电流时序数据序列，记为目标序列；
在目标充电过程中，将车辆开始充电时的电量到车辆结束充电时的电量构成的电量区间，记为目标电量区间；
将不是目标充电过程的其它次充电过程，记为参考充电过程；将每次参考充电过程中的电流时序数据序列，记为参考序列；
在每次参考充电过程中，将车辆开始充电时的电量到车辆结束充电时的电量构成的电量区间，记为参考电量区间；
所述根据目标序列分别与所有参考序列之间的差异、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度包括：
使用一阶导数法，分别得到目标序列与所有参考序列中的局部极值点；
在目标序列中，将局部极值点数量除以数据数量，记为目标序列中的数据波动频率；
在每个参考序列中，将局部极值点数量除以数据数量，记为每个参考序列中的数据波动频率；
根据目标序列与所有参考序列中的数据波动频率、数据值、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度；
所述根据目标序列与所有参考序列中的数据波动频率、数据值、目标电量区间分别与所有参考电量区间的相交值，得到目标序列的异常程度对应的具体计算公式为：
其中A为目标序列的异常程度，n为参考序列的数量，n也为参考电量区间的数量，为目标电量区间与第i个参考电量区间的相交值，/>为目标电量区间与第i个参考电量区间中的最大值，/>为目标电量区间与第i个参考电量区间中的最小值，D为目标序列中的数据数量，/>为目标序列中的局部极值点数量，/>为第i个参考序列中的数据数量，/>为第i个参考序列中的局部极值点数量，/>为目标序列中的数据均值，/>为第i个参考序列中的数据均值，| |为绝对值函数。
2.根据权利要求1所述基于大数据的无人充电桩交易数据智能管理系统，其特征在于，所述根据目标电量区间与每个参考电量区间的交集，得到目标电量区间与每个参考电量区间的相交值包括：
统计目标电量区间与每个参考电量区间的交集，将所述交集中的最大值减去所述交集中的最小值，记为目标电量区间与每个参考电量区间的相交值。
3.根据权利要求1所述基于大数据的无人充电桩交易数据智能管理系统，其特征在于，所述根据所有序列段中的数据数量、数据值，得到每个序列段的数值差异和长度差异包括：
依次计算目标序列中每个序列段中的数据均值，得到均值序列；
在均值序列中，计算每个数据分别与其所有相邻数据的差值的绝对值，将所述绝对值中的最大值，记为每个数据对应的数值差异；
将均值序列中每个数据对应的数值差异，记为每个数据对应的序列段的数值差异；
依次统计目标序列中每个序列段中的数据数量，得到数量序列；
在数量序列中，计算每个数据分别与其所有相邻数据的差异值，将所述差异值中的最大值，记为每个数据对应的长度差异；
将数量序列中每个数据对应的长度差异，记为每个数据对应的序列段的长度差异。
4.根据权利要求1所述基于大数据的无人充电桩交易数据智能管理系统，其特征在于，所述根据所有序列段的数值差异、长度差异、数据数量、序列段的数量、目标序列的异常程度、目标电量区间，得到目标序列的压缩系数包括：
使用最小最大规范法，分别对所有序列段的数值差异、所有序列段的长度差异进行归一化处理，得到每个序列段的数值差异的归一化值、每个序列段的长度差异的归一化值；
根据每个序列段的数值差异和长度差异的归一化值、数据数量，得到每个序列段的权重；
根据所有序列段的权重与数据数量、序列段的数量、目标序列的异常程度、目标电量区间中的最大值和最小值，得到目标序列的压缩系数。
5.根据权利要求4所述基于大数据的无人充电桩交易数据智能管理系统，其特征在于，所述根据每个序列段的数值差异和长度差异的归一化值、数据数量，得到每个序列段的权重对应的具体计算公式为：
其中为第j个序列段的权重，/>为第j个序列段的数值差异的归一化值，/>为第j个序列段的长度差异的归一化值，/>为第j个序列段中的数据数量，/>为以自然常数为底的指数函数，k为预设的指数函数的调整值。
6.根据权利要求4所述基于大数据的无人充电桩交易数据智能管理系统，其特征在于，所述根据所有序列段的权重与数据数量、序列段的数量、目标序列的异常程度、目标电量区间中的最大值和最小值，得到目标序列的压缩系数对应的具体计算公式为：
其中P为目标序列的压缩系数，A为目标序列的异常程度，为目标电量区间中的最小值，/>为目标电量区间中的最大值，/>为第j个序列段的权重，/>为所有序列段的权重之和，/>为第j个序列段中的数据数量，S为序列段的数量，/>为预设的常数，/>为以自然常数为底的指数函数，k为预设的指数函数的调整值，/>为线性归一化函数。
7.根据权利要求1所述基于大数据的无人充电桩交易数据智能管理系统，其特征在于，所述根据目标序列的压缩系数、数据值，得到目标序列对应的误差限制包括：
在目标序列中，计算所有相邻数据的差值的绝对值，将所述绝对值的均值，记为基础值；
将目标序列的压缩系数与基础值的乘积，记为目标序列对应的误差限制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657596.8A CN117353751B (zh) | 2023-12-06 | 2023-12-06 | 基于大数据的无人充电桩交易数据智能管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657596.8A CN117353751B (zh) | 2023-12-06 | 2023-12-06 | 基于大数据的无人充电桩交易数据智能管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117353751A CN117353751A (zh) | 2024-01-05 |
| CN117353751B true CN117353751B (zh) | 2024-02-23 |
Family
ID=89363597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311657596.8A Active CN117353751B (zh) | 2023-12-06 | 2023-12-06 | 基于大数据的无人充电桩交易数据智能管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117353751B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743280B (zh) * | 2024-02-21 | 2024-04-23 | 盈客通天下科技(大连)有限公司 | 一种公路桥梁施工数据智能管理方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105247379A (zh) * | 2013-05-03 | 2016-01-13 | 力博特公司 | 用于不间断电源电池监测和数据分析的系统和方法 |
| WO2019041918A1 (zh) * | 2017-08-30 | 2019-03-07 | 前海中科芯片控股 （深圳）有限公司 | 一种数据编码方法、装置以及存储介质 |
| CN110032670A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 时序数据的异常检测方法、装置、设备及存储介质 |
| CN111064705A (zh) * | 2019-11-22 | 2020-04-24 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
| CN111476498A (zh) * | 2019-10-29 | 2020-07-31 | 孙凯旋 | 新能源汽车充电管理方法、装置及新能源充电管理系统 |
| CN113036801A (zh) * | 2021-02-25 | 2021-06-25 | 东北大学 | 一种考虑时间特性的分布式多能系统及其控制方法 |
| CN116331044A (zh) * | 2023-05-31 | 2023-06-27 | 山东芯演欣电子科技发展有限公司 | 一种用于直流充电桩的充电数据存储系统 |
| CN116743180A (zh) * | 2023-08-08 | 2023-09-12 | 东莞市欧派奇电子科技有限公司 | 一种储能电源数据智能存储方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9170986B2 (en) * | 2009-11-06 | 2015-10-27 | City University Of Hong Kong | Power quality meter and method of waveform anaylsis and compression |
| IT202000017581A1 (it) * | 2020-07-20 | 2022-01-20 | Stmicroelectronics Application Gmbh | Sistema di elaborazione per monitorare le tensioni di cella di una batteria ricaricabile, relativo sistema di monitoraggio di batteria e veicolo elettrico |
-
2023
- 2023-12-06 CN CN202311657596.8A patent/CN117353751B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105247379A (zh) * | 2013-05-03 | 2016-01-13 | 力博特公司 | 用于不间断电源电池监测和数据分析的系统和方法 |
| WO2019041918A1 (zh) * | 2017-08-30 | 2019-03-07 | 前海中科芯片控股 （深圳）有限公司 | 一种数据编码方法、装置以及存储介质 |
| CN110032670A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 时序数据的异常检测方法、装置、设备及存储介质 |
| CN111476498A (zh) * | 2019-10-29 | 2020-07-31 | 孙凯旋 | 新能源汽车充电管理方法、装置及新能源充电管理系统 |
| CN111064705A (zh) * | 2019-11-22 | 2020-04-24 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
| CN113036801A (zh) * | 2021-02-25 | 2021-06-25 | 东北大学 | 一种考虑时间特性的分布式多能系统及其控制方法 |
| CN116331044A (zh) * | 2023-05-31 | 2023-06-27 | 山东芯演欣电子科技发展有限公司 | 一种用于直流充电桩的充电数据存储系统 |
| CN116743180A (zh) * | 2023-08-08 | 2023-09-12 | 东莞市欧派奇电子科技有限公司 | 一种储能电源数据智能存储方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于压缩感知尺度自适应的多示例交通目标跟踪算法;杨红红;曲仕茹;;中国公路学报;20180615(第06期);全文 * |
| 基于相似度分段及重采样的自适应波形数据压缩;陈思伟;高翠云;胡;;电子测量与仪器学报;20190415(第04期);全文 * |
| 基于相似性分析的时间序列异常检测方法;孙焱;林意;;山东农业大学学报(自然科学版);20170411(第02期);全文 * |
| 杨红红 ; 曲仕茹 ; .基于压缩感知尺度自适应的多示例交通目标跟踪算法.中国公路学报.2018,(第06期),全文. * |
| 陈思伟 ; 高翠云 ; 胡翀 ; .基于相似度分段及重采样的自适应波形数据压缩.电子测量与仪器学报.2019,(第04期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117353751A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117353751B (zh) | 基于大数据的无人充电桩交易数据智能管理系统 | |
| CN111401460B (zh) | 一种基于限值学习的异常电量数据辨识方法 | |
| CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN115511013B (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN115800552A (zh) | 一种超级电容运行电力调频用智能调控系统及方法 | |
| CN114594398A (zh) | 储能锂离子电池数据预处理方法 | |
| CN117200241B (zh) | 一种新能源并网智能调压系统 | |
| CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
| CN116207766B (zh) | 一种锂电池储能系统的动态阈值控制方法及系统 | |
| CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
| CN114722098A (zh) | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 | |
| CN113935399A (zh) | 一种基于两阶段集成聚类的区域能源负荷用电模式挖掘算法 | |
| CN112884000A (zh) | 一种基于数据挖掘的用电检查智能诊断方法及诊断系统 | |
| CN116319262B (zh) | 一种电能计量装置通信故障数据检测模型 | |
| CN117171548B (zh) | 一种基于电网大数据的网络安全态势智能预测方法 | |
| CN117828408B (zh) | 一种储能容量数据处理方法及系统 | |
| CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
| CN117335571B (zh) | 一种配电网智能化故障预警管理系统及方法 | |
| CN116523429B (zh) | 基于物联网的智慧物流监控系统及方法 | |
| CN110457833B (zh) | 一种用于电池安全与性能分析的数据构建方法 | |
| CN117034063A (zh) | 一种基于lttb-pfcm算法的配电台区相位识别方法 | |
| CN116882633A (zh) | 基于数据挖掘的船舶供电系统评价方法 | |
| CN118069989A (zh) | 一种电网量测数据筛选处理方法 | |
| CN113919419A (zh) | 一种光伏组串低效的识别方法、系统及存储介质 |
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 |