CN117439146B - 充电桩的数据分析控制方法及系统 - Google Patents

充电桩的数据分析控制方法及系统 Download PDF

Info

Publication number
CN117439146B
CN117439146B CN202311660810.5A CN202311660810A CN117439146B CN 117439146 B CN117439146 B CN 117439146B CN 202311660810 A CN202311660810 A CN 202311660810A CN 117439146 B CN117439146 B CN 117439146B
Authority
CN
China
Prior art keywords
power
data
power conversion
network
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311660810.5A
Other languages
English (en)
Other versions
CN117439146A (zh
Inventor
陈彩霞
郭文艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Icar Guard Information Technology Co ltd
Original Assignee
Guangdong Icar Guard Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Icar Guard Information Technology Co ltd filed Critical Guangdong Icar Guard Information Technology Co ltd
Priority to CN202311660810.5A priority Critical patent/CN117439146B/zh
Publication of CN117439146A publication Critical patent/CN117439146A/zh
Application granted granted Critical
Publication of CN117439146B publication Critical patent/CN117439146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • 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
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • B60L53/67—Controlling two or more charging stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/18—The network being internal to a power source or plant
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management

Abstract

本申请涉及数据分析技术领域，公开了一种充电桩的数据分析控制方法及系统。所述方法包括：获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取输入电力数据以及输出电力数据；进行电力损耗分析、特征提取、特征编码；通过第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并通过第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；通过充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略，本申请降低了充电桩电力转换的损耗并提高了充电桩网络全局优化的准确率。

Description

充电桩的数据分析控制方法及系统
技术领域
本申请涉及数据分析领域，尤其涉及一种充电桩的数据分析控制方法及系统。
背景技术
随着电动汽车行业的迅速发展，对充电桩的需求日益增加，这带来了技术挑战，尤其是在充电桩的能效管理和优化方面。
当前的充电桩系统面临着能源利用效率低、电力损耗大等问题，这些问题直接影响到充电效率和成本。因此，开发一种能够实现精准控制和优化的数据分析方法，对于提高充电桩的能效和降低运营成本至关重要。
发明内容
本申请提供了一种充电桩的数据分析控制方法及系统，本申请降低了充电桩电力转换的损耗并提高了充电桩网络全局优化的准确率。
第一方面，本申请提供了一种充电桩的数据分析控制方法，所述充电桩的数据分析控制方法包括：
获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取所述主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据；
对所述第一输入电力数据以及所述第一输出电力数据进行电力损耗分析，得到所述主电力转换节点的第一电力损耗数据，并对所述第二输入电力数据以及所述第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据；
对所述第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对所述第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合；
分别对所述第一电力损耗特征集合和所述第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵；
将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；
将所述目标电力损耗特征矩阵、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数输入预置的充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略。
第二方面，本申请提供了一种充电桩的数据分析控制系统，所述充电桩的数据分析控制系统包括：
获取模块，用于获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取所述主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据；
分析模块，用于对所述第一输入电力数据以及所述第一输出电力数据进行电力损耗分析，得到所述主电力转换节点的第一电力损耗数据，并对所述第二输入电力数据以及所述第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据；
提取模块，用于对所述第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对所述第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合；
编码模块，用于分别对所述第一电力损耗特征集合和所述第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵；
优化模块，用于将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；
输出模块，用于将所述目标电力损耗特征矩阵、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数输入预置的充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略。
本申请提供的技术方案中，通过对主电力转换节点和从电力转换节点的输入和输出电力数据进行深入分析，可以精准地识别并计算电力损耗。这种方法不仅提高了电力利用效率，还降低了能源损耗，从而实现了节能降耗的目的。采用特征提取和特征编码技术，能够有效地处理和分析电力数据，从而获得更准确的电力损耗特征。通过对特征矩阵进行权重分析和矩阵融合，可以得到目标电力损耗特征矩阵，这为充电桩网络的全局优化提供了坚实的数据基础。利用电力转换优化模型进行电力转换优化，这不仅提高了充电桩网络的自适应能力，还增强了对复杂电力系统的智能化管理和控制。通过全局优化模型，如遗传算法等，对电力转换网络进行优化策略的生成和适应度分析，可以有效提升充电桩网络的可靠性和稳定性，确保充电过程中的安全性和效率。使得充电桩网络能够灵活响应外部环境的变化，如电网负荷的波动、电价的变化等，通过实时优化策略调整，以达到最佳的运行状态，进而降低了充电桩电力转换的损耗并提高了充电桩网络全局优化的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中充电桩的数据分析控制方法的一个实施例示意图；
图2为本申请实施例中充电桩的数据分析控制系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种充电桩的数据分析控制方法及系统。本申请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，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中充电桩的数据分析控制方法的一个实施例包括：
步骤101、获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据；
可以理解的是，本申请的执行主体可以为充电桩的数据分析控制系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，首先，获取目标充电桩电力转换网络，对整个充电网络的构成进行详细的理解和分析。充电网络一般包含多个充电桩，每个充电桩都有一个或多个电力转换节点。电力转换节点是指那些能够将电力从一种形式转换为另一种形式（例如，从交流电转换为直流电）的装置。并对目标充电桩电力转换网络进行电力转换节点识别，得到主电力转换节点和多个从电力转换节点。通过分析充电网络的拓扑结构，即通过识别各个节点的功能和在网络中的位置来确定它们是主节点还是从节点。然后，对目标充电桩电力转换网络进行充电监控并通过预置的传感器阵列获取电力运行数据。监控的目的是实时追踪电力转换网络的运行状况，而传感器阵列则用于收集相关的电力数据。传感器阵列不仅需要能够测量电压、电流等基本电气参数，还应该能够捕捉到电力质量相关的数据，如频率、谐波等。为了确保数据的准确性和可靠性，传感器的选择和布置需要根据电力网络的特点和实际需求来进行。同时，数据的采集还需要考虑时间同步和数据的传输效率问题。接下来，通过预置的第一聚类分析模型和第二聚类分析模型，确定主电力转换节点和从电力转换节点的输入和输出电力特征标签。聚类分析模型对收集到的电力运行数据进行分类，以识别不同的电力特征。模型需要能够准确区分不同的电力状态和特征，这通常需要大量的历史数据来训练模型，可以采用机器学习的方法来设计这些聚类分析模型，如K-均值聚类、层次聚类等。最后，根据聚类分析模型得出的电力特征标签，进行电力数据的聚类分析，得到每个电力转换节点的输入和输出电力数据。在这个过程中，不仅要依靠聚类分析模型的精确性，还需要考虑数据的完整性和代表性。为了提高聚类分析的准确度，可以采取多种策略，例如增加数据维度、优化聚类算法的参数等。
步骤102、对第一输入电力数据以及第一输出电力数据进行电力损耗分析，得到主电力转换节点的第一电力损耗数据，并对第二输入电力数据以及第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据；
具体的，首先，对第一输入电力数据进行参数提取，这包括测量和记录主电力转换节点的第一输入电压、第一输入电流以及第一输入相位差。这些参数是电力系统的基本量，有助于评估节点的电力状态。接下来，基于这些参数，通过电力工程中的标准公式计算出对应的第一输入功率数据。功率的计算通常考虑电压和电流的乘积以及与相位差相关的因素，从而得到准确的输入功率值。同时，对第一输出电力数据进行相似的处理，提取第一输出电压、第一输出电流以及第一输出相位差，并据此计算第一输出功率数据。这一步骤帮助评估主电力转换节点在能量转换后的输出特性。这些输出数据反映了节点在转换电能过程中的性能和效率。接下来，通过对第一输入功率数据和第一输出功率数据进行功率差值计算，精确地估算出主电力转换节点的第一电力损耗数据。电力损耗是电力系统中一个关键的性能指标，它可以揭示电力转换过程中的能量损失情况。通过比较输入和输出功率的差值，可以直观地了解到在电力转换过程中损耗的电能量。接着，对从电力转换节点进行类似的电力损耗分析。分别对每个从电力转换节点的第二输入电力数据进行参数提取，得到第二输入电压、第二输入电流以及第二输入相位差，并据此计算出每个节点的第二输入功率数据。同样，该方法也对每个节点的第二输出电力数据进行参数提取，得到第二输出电压、第二输出电流以及第二输出相位差，进而计算出每个节点的第二输出功率数据。最后，对每个从电力转换节点的第二输入功率数据和第二输出功率数据进行功率差值计算，以此估算出每个节点的第二电力损耗数据。这些损耗数据有助于评估和优化从电力转换节点的性能，它们可以帮助识别系统中的低效环节，为进一步提高电力转换效率提供指导。
步骤103、对第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合；
具体的，首先，通过预置的主成分分析模型，对第一电力损耗数据进行数据降维处理。主成分分析是一种常用的统计技术，用于简化数据集，同时保留最重要的变量。通过这种方法，可以有效地从复杂的第一电力损耗数据中提取出关键信息，形成更简洁、易于分析的第一降维损耗数据。这个过程不仅减少了数据的复杂性，还有助于突出电力损耗的关键特征，使得后续分析更为准确和高效。接着，采用同样的主成分分析模型对第二电力损耗数据进行处理。由于第二电力损耗数据通常涵盖多个从电力转换节点，因此，这一步骤涉及到对多组数据的降维处理，从而得到一系列第二降维损耗数据。每组数据代表一个特定的从电力转换节点的电力损耗情况，通过降维处理，可以更清晰地了解每个节点的电力损耗特性。随后，对这些降维后的数据构建变化趋势曲线，这是为了更直观地展示电力损耗随时间的变化情况。对于第一降维损耗数据，构建第一电力损耗曲线；对于每组第二降维损耗数据，分别构建相应的第二电力损耗曲线。这些曲线能够直观地显示电力损耗的动态变化，帮助理解电力转换节点在不同条件下的表现。接下来，对这些曲线进行特征点提取。从电力损耗曲线中识别出具有代表性的关键点，这些点能够体现出电力损耗的典型特征和趋势。对于第一电力损耗曲线，提取出的特征点被用于生成第一电力损耗特征集合；同样，对于每条第二电力损耗曲线，也进行特征点提取，以生成相应的第二电力损耗特征集合。这些特征集合是对原始电力损耗数据的高效概括，它们包含了电力损耗的关键信息，如峰值、谷值、变化率等，这有助于深入理解和改进电力转换效率。
步骤104、分别对第一电力损耗特征集合和第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵；
具体的，首先，对第一电力损耗特征集合进行特征归一化和特征编码。特征归一化是为了消除不同特征之间存在的尺度差异，使得每个特征在后续分析中能够公平地对待。归一化通常涉及到将数据调整到特定的范围，例如0到1或-1到1之间，从而确保不同特征间的可比性。特征编码则是将归一化后的特征转化为一种格式化的表示，通常是以数字矩阵的形式，从而得到第一电力损耗特征矩阵。这个矩阵是主电力转换节点电力损耗特征的数值表示，为后续的分析和融合提供了基础。与此同时，第二电力损耗特征集合也经过类似的特征归一化和特征编码处理。由于涉及多个从电力转换节点，这个过程包括为每个节点生成一个单独的第二电力损耗特征矩阵。这些矩阵代表了各个从节点的电力损耗特性，通过归一化和编码后，它们能够在后续的分析中以统一的格式进行处理。接下来，对第一电力损耗特征集合进行均值和标准差的计算，获取主电力转换节点电力损耗特性的统计描述。均值和标准差是两个基本的统计量，分别反映了数据的中心位置和分布范围。这些统计量不仅为评估主节点的电力损耗特性提供了量化依据，而且在后续的权重计算中扮演了重要角色。同样地，对每个从电力转换节点的第二电力损耗特征集合也进行均值和标准差的计算，得到每个节点的第二均值和第二标准差。这些统计量为每个从节点提供了电力损耗特性的量化描述。接着，根据得到的第一均值、第一标准差、第二均值和第二标准差，分别计算每个从电力转换节点的权重系数。权重系数的计算反映了不同节点在电力损耗特性方面的相对重要性。这决定了在最终的矩阵融合过程中，每个节点的电力损耗特性将如何被考虑和融合。权重系数可以根据节点的性能、在网络中的角色或其他相关因素来确定，从而确保最终得到的目标电力损耗特征矩阵能够准确反映整个充电桩网络的电力损耗情况。最后，根据这些权重系数，对第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵进行矩阵元素加权运算和矩阵融合。这将主节点和所有从节点的电力损耗特征综合在一起，形成一个全面反映充电桩网络电力损耗特性的目标电力损耗特征矩阵。在这个矩阵中，不同节点的电力损耗特性按照其相对重要性被加权并融合，从而提供了一个全局视角下的电力损耗特性描述。
步骤105、将第一电力损耗特征矩阵输入预置的第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并分别将多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；
具体的，首先，将第一电力损耗特征矩阵输入到预置的第一电力转换优化模型中。这个模型的核心是两层门限循环网络，这种网络结构是特别设计用于处理序列数据的，适合于电力损耗数据这类具有时间序列特性的复杂数据集。在这个模型中，第一层门限循环网络由一个单向的Gated Recurrent Unit（GRU）连接组成，含有256个GRU单元。GRU是一种高效的循环神经网络单元，能够捕捉时间序列数据中的长期依赖关系。256个GRU单元使得这一层网络能够提取和记忆大量的序列信息，有助于后续的特征提取。第二层门限循环网络由256组单向GRU连接构成，每组含有16个GRU单元，这进一步增强了模型的处理能力，使得它能够从第一层提取的信息中进一步提炼和精确化特征。在这个两层门限循环网络中，第一电力损耗特征矩阵被用于进行隐藏特征的提取和优化参数的预测。这个过程是通过网络层层的前向传播来实现的，其中隐藏层的GRU单元对输入数据进行处理，提取出关键的时间序列特征，然后这些特征被用于预测主电力转换节点的优化参数。这些参数是对主节点的电力转换过程进行优化所必需的，它们能够指导如何调整电力转换设置以提高效率和降低损耗。接着，对于每个从电力转换节点，也采用类似的方法进行处理。分别将多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型中。这个模型同样包括多个两层门限循环网络，但与第一电力转换优化模型相比，其规模稍小。每个网络的第一层由128个GRU单元组成的单向GRU连接构成，第二层则由128组单向GRU连接组成，每组含有8个GRU单元。这种设计使得每个从节点的电力转换优化模型能够针对各自的特征集合进行有效的处理和分析。在这些第二电力转换优化模型的两层门限循环网络中，同样进行隐藏特征提取和优化参数预测的过程。这些模型分别处理各自的第二电力损耗特征矩阵，提取出关键的时间序列特征，并预测出针对每个从电力转换节点的优化参数。这些参数能够指导如何调整各自的电力转换设置，以达到最优的运行效率和最低的能量损耗。
步骤106、将目标电力损耗特征矩阵、主电力转换节点优化参数以及多个从电力转换节点优化参数输入预置的充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略。
具体的，首先，构建充电桩网络全局优化模型，充电桩网络全局优化模型包括策略分析网络和策略优化网络。通过单层门限循环网络（GRU）对目标电力损耗特征矩阵进行特征提取，以得到隐藏的电力损耗特征。GRU是一种高效的循环神经网络单元，适用于处理具有时间序列特性的数据，如电力损耗数据。通过这一层网络的处理，模型能够捕捉到电力损耗数据中的时间依赖性和复杂性。接下来，在策略分析网络中的长短时记忆网络（LSTM）对提取出的隐藏电力损耗特征进行进一步的特征运算。LSTM网络是处理时间序列数据的另一种高效工具，它能够学习到数据中的长期依赖关系。通过LSTM网络的处理，将隐藏特征转化为综合电力损耗特征，这些特征更加全面和深入地反映了电力损耗的整体情况。接着，通过策略分析网络中的分类预测函数对综合电力损耗特征进行参数策略预测。这个分类预测函数基于提取和运算后的特征来预测初始电力转换网络的优化策略。这一步是将复杂的特征数据转换为具体的操作策略，为后续的优化工作提供了初始方向。接着，使用遗传算法根据初始电力转换网络优化策略、主电力转换节点优化参数以及从电力转换节点优化参数来创建第一网络优化策略群体。遗传算法是一种模仿自然选择过程的优化技术，它通过迭代地选择、交叉和变异操作来逐渐改进解决方案。通过生成一系列的网络优化策略，这些策略共同构成了第一网络优化策略群体。接下来，对第一网络优化策略群体中的每个策略进行策略适应度计算，以得到每个策略的适应度值。适应度计算是评估每个优化策略效果的关键步骤，它决定了哪些策略更适合于实际应用。适应度值越高的策略在实际电力转换网络中的表现将越好。根据这些适应度值，接着对策略群体进行划分，得到多个第二网络优化策略群体。这一步骤是对策略进行进一步的筛选和细化，确保最终策略的质量和适用性。每个第二网络优化策略群体都包含了一系列经过初步筛选的优化策略，这些策略将在下一步中进行更深入的分析。最后，对这些第二网络优化策略群体进行策略最优化分析。从所有候选策略中识别出最优的电力转换网络优化策略。
本申请实施例中，通过对主电力转换节点和从电力转换节点的输入和输出电力数据进行深入分析，可以精准地识别并计算电力损耗。这种方法不仅提高了电力利用效率，还降低了能源损耗，从而实现了节能降耗的目的。采用特征提取和特征编码技术，能够有效地处理和分析电力数据，从而获得更准确的电力损耗特征。通过对特征矩阵进行权重分析和矩阵融合，可以得到目标电力损耗特征矩阵，这为充电桩网络的全局优化提供了坚实的数据基础。利用电力转换优化模型进行电力转换优化，这不仅提高了充电桩网络的自适应能力，还增强了对复杂电力系统的智能化管理和控制。通过全局优化模型，如遗传算法等，对电力转换网络进行优化策略的生成和适应度分析，可以有效提升充电桩网络的可靠性和稳定性，确保充电过程中的安全性和效率。使得充电桩网络能够灵活响应外部环境的变化，如电网负荷的波动、电价的变化等，通过实时优化策略调整，以达到最佳的运行状态，进而降低了充电桩电力转换的损耗并提高了充电桩网络全局优化的准确率。
在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：
（1）获取目标充电桩电力转换网络，并对目标充电桩电力转换网络进行电力转换节点识别，得到主电力转换节点和多个从电力转换节点；
（2）对目标充电桩电力转换网络进行充电监控，并通过预置的传感器阵列获取主电力转换节点的第一电力运行数据以及多个从电力转换节点的多个第二电力运行数据；
（3）通过预置的第一聚类分析模型，确定主电力转换节点的第一输入电力特征标签以及第一输出电力特征标签，并通过预置的第二聚类分析模型，确定每个从电力转换节点的第二输入电力特征标签以及第二输出电力特征标签；
（4）根据第一输入电力特征标签以及第一输出电力特征标签，将第一电力运行数据输入第一聚类分析模型进行电力数据聚类分析，得到第一输入电力数据以及第一输出电力数据；
（5）根据第二输入电力特征标签以及第二输出电力特征标签，分别将多个第二电力运行数据输入第二聚类分析模型进行电力数据聚类分析，得到每个从电力转换节点的第二输入电力数据以及第二输出电力数据。
具体的，首先，服务器获取目标充电桩电力转换网络的详细信息。这个网络通常由多个充电桩组成，每个充电桩都包含至少一个主电力转换节点和的多个从电力转换节点。主电力转换节点负责将输入的电力转换成适合给电动车充电的形式，而从电力转换节点则处理更具体的任务，如控制充电速率或管理电池充放电。对目标充电桩电力转换网络进行电力转换节点识别，得到主电力转换节点和多个从电力转换节点。这通常可以通过分析网络结构、查阅技术文档或使用网络扫描工具来实现。接着，服务器对目标充电桩电力转换网络进行充电监控。使用预置的传感器阵列来收集电力运行数据。传感器阵列被安装在各个电力转换节点上，能夠实时捕捉电压、电流、温度等数据。对于主电力转换节点，第一电力运行数据反映了主节点在电力转换过程中的表现。同时，服务器也收集来自各个从电力转换节点的第二电力运行数据，这些数据提供了从节点在处理电力时的详细信息。接下来，使用预置的聚类分析模型对收集到的电力数据进行处理。确定主电力转换节点的第一输入电力特征标签和第一输出电力特征标签。这些标签基于电力数据的特点，如电压波动、电流变化或温度升降等，被用于表示电力运行的特征。通过第一聚类分析模型，服务器将这些特征标签用于电力数据的分类。类似地，对于每个从电力转换节点，通过第二聚类分析模型确定相应的第二输入电力特征标签和第二输出电力特征标签。接着，服务器将第一电力运行数据输入到第一聚类分析模型中进行电力数据聚类分析。在这个过程中，模型根据第一输入电力特征标签和第一输出电力特征标签对数据进行分类，从而得到结构化和分类明确的第一输入电力数据和第一输出电力数据。这些数据不仅反映了主电力转换节点在不同工作条件下的电力表现，还能帮助服务器识别的问题点，如效率低下或过热等。同样，服务器也对从电力转换节点的第二电力运行数据进行处理。每个从节点的电力数据被输入到第二聚类分析模型中，并根据第二输入电力特征标签和第二输出电力特征标签进行分类。通过这种方式，服务器能够得到每个从电力转换节点的第二输入电力数据和第二输出电力数据。这些数据为服务器提供了从节点在处理电力时的详细视角，使服务器能够更好地理解和优化从节点的电力转换性能。
在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：
（1）对第一输入电力数据进行参数提取，得到第一输入电压、第一输入电流以及第一输入相位差，并根据第一输入电压、第一输入电流以及第一输入相位差计算对应的第一输入功率数据，同时，对第一输出电力数据进行参数提取，得到第一输出电压、第一输出电流以及第一输出相位差，并根据第一输出电压、第一输出电流以及第一输出相位差计算对应的第一输出功率数据；
（2）对第一输入功率数据以及第一输出功率数据进行功率差值计算，得到主电力转换节点的第一电力损耗数据；
（3）分别对第二输入电力数据进行参数提取，得到第二输入电压、第二输入电流以及第二输入相位差，并根据第二输入电压、第二输入电流以及第二输入相位差计算每个从电力转换节点对应的第二输入功率数据，同时，分别对第二输出电力数据进行参数提取，得到第二输出电压、第二输出电流以及第二输出相位差，并根据第二输出电压、第二输出电流以及第二输出相位差计算每个从电力转换节点对应的第二输出功率数据；
（4）分别对第二输入功率数据以及第二输出功率数据进行功率差值计算，得到每个从电力转换节点的第二电力损耗数据。
具体的，首先，对第一输入电力数据进行参数提取，从主电力转换节点获取电压、电流和相位差这三个关键电力参数。这些参数是理解电力转换效率的基础。使用高精度的电力测量设备，如电压表、电流表和相位计，以确保数据的准确性和可靠性。接下来，计算对应的第一输入功率数据，可以通过应用基本的电力学公式来完成，比如P = VIcosφ，其中P是功率，V是电压，I是电流，φ是相位差。这个计算过程不仅能够提供有关主电力转换节点输入功率的信息，还能帮助服务器理解节点在转换电力时的效率。同时，对第一输出电力数据进行类似的参数提取工作，这包括提取第一输出电压、第一输出电流以及第一输出相位差。这些输出参数用于评估主电力转换节点的性能，因为它们能够反映节点将电力转换后输出的状态。紧接，计算对应的第一输出功率数据。这一步骤与输入功率的计算类似，也是基于电力学公式来完成的。这里的计算能够提供关于主电力转换节点在转换电力后的输出功率的重要信息。接下来，服务器对第一输入功率数据和第一输出功率数据进行功率差值计算，以此来估算主电力转换节点的第一电力损耗数据。电力损耗直接影响到充电效率和能源利用率。通过计算输入功率和输出功率之间的差值，服务器能够估算出在电力转换过程中损失了多少能量，这有助于识别和改进效率低下的环节。随后，对从电力转换节点进行相似的分析。这包括对每个从电力转换节点的第二输入电力数据和第二输出电力数据进行参数提取。对于每个从节点，服务器分别获取第二输入电压、第二输入电流以及第二输入相位差，以及相应的第二输出电压、第二输出电流和第二输出相位差。这些参数的提取同样需要使用精确的测量设备，并且对于每个从节点来说，这些参数都是独立收集和分析的。在收集了从节点的电力数据之后，服务器对这些数据进行功率计算，以此来得到每个从电力转换节点对应的第二输入功率数据和第二输出功率数据。这揭示了每个节点的效率和性能。最后，服务器对每个从电力转换节点的第二输入功率数据和第二输出功率数据进行功率差值计算，以此来估算每个节点的第二电力损耗数据。这个计算过程能够帮助服务器理解每个从节点在电力转换过程中的损耗情况，从而为进一步的优化和改进提供重要的数据支持。
在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：
（1）通过预置的主成分分析模型，对第一电力损耗数据进行数据降维处理，得到第一降维损耗数据，并对第二电力损耗数据进行数据降维处理，得到多个第二降维损耗数据；
（2）对第一降维损耗数据进行变化趋势曲线构建，得到第一电力损耗曲线，并分别对第二降维损耗数据进行变化趋势曲线构建，得到多个第二电力损耗曲线；
（3）对第一电力损耗曲线进行曲线特征点提取，得到多个第一曲线特征点，并根据多个第一曲线特征点生成对应的第一电力损耗特征集合；
（4）分别对多个第二电力损耗曲线进行曲线特征点提取，得到每个第二电力损耗曲线的多个第二曲线特征点，并根据每个第二电力损耗曲线的多个第二曲线特征点生成对应的多个第二电力损耗特征集合。
具体的，首先，通过预置的主成分分析（PCA）模型来处理电力损耗数据。主成分分析是一种常用的数据降维技术，它可以将数据从原始的高维空间转换到低维空间，同时尽保留数据的变异性。通过这个过程，服务器从原始数据中提取主要特征，从而得到第一降维损耗数据。这个过程不仅减少了数据的复杂性，而且便于后续的分析和可视化。接下来，服务器对第二组电力损耗数据执行相同的PCA降维处理。由于第二组数据有不同的特性，服务器得到多个不同的第二降维损耗数据集。每个数据集都代表了原始数据的某些特定方面，可以用于深入分析第二电力系统的性能。然后，构建变化趋势曲线。将降维后的数据点连接起来，以便形成一条曲线，这样可以直观地展示电力损耗随时间的变化趋势。对于第一组数据，服务器构建一条第一电力损耗曲线；对于第二组数据，则构建多条曲线，每条曲线对应于一个降维损耗数据集。接着，服务器从这些曲线中提取曲线特征点。这些特征点是理解电力损耗模式的关键，它们可以是曲线的峰值、谷值或其他显著点。对于第一电力损耗曲线，服务器提取多个第一曲线特征点，并基于这些特征点生成对应的第一电力损耗特征集合。同样地，服务器也对每条第二电力损耗曲线执行这一过程，从而得到每条曲线的特征点集合。最终，服务器根据每组特征点生成特征集合。这些集合捕获了电力损耗模式的本质特征，为进一步分析提供了数据输入。例如，通过比较第一和第二电力损耗特征集合，服务器发现不同系统之间的异同，识别潜在的效率问题或优化机会。
在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：
（1）对第一电力损耗特征集合进行特征归一化和特征编码，得到第一电力损耗特征矩阵；
（2）分别对第二电力损耗特征集合进行特征归一化和特征编码，得到多个第二电力损耗特征矩阵；
（3）对第一电力损耗特征集合进行均值和标准差计算，得到主电力转换节点的第一均值和第一标准差，并分别对第二电力损耗特征集合进行均值和标准差计算，得到每个从电力转换节点的第二均值和第二标准差；
（4）根据第一均值、第一标准差、第二均值和第二标准差，分别计算每个从电力转换节点的权重系数；
（5）根据权重系数，对第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵进行矩阵元素加权运算和矩阵融合，得到目标电力损耗特征矩阵。
具体的，首先，对第一电力损耗特征集合进行特征归一化和特征编码。特征归一化是将数据缩放到一个小的、指定的范围（如0到1）的过程。这有助于处理具有不同量级的特征，因为它确保没有一个特征在分析中占据主导地位。特征编码则是将非数值特征转换为数值形式的过程，这是因为大多数机器学习算法在数值数据上运行更有效。完成这些步骤后，服务器得到第一电力损耗特征矩阵。同时，服务器对第二电力损耗特征集合进行相同的处理，也就是特征归一化和编码，从而得到多个第二电力损耗特征矩阵。这些矩阵代表了从电力系统的不同方面，包括多个从电力转换节点的数据。接下来，服务器计算第一电力损耗特征集合的均值和标准差。这一步骤提供了有关数据集中心趋势和数据分散程度的信息。在电力系统分析中，这些统计数据是理解主电力转换节点性能的关键。对于第二电力损耗特征集合，服务器也执行相同的计算过程，得到每个从电力转换节点的第二均值和第二标准差。随后，服务器根据第一均值、第一标准差、第二均值和第二标准差计算每个从电力转换节点的权重系数。这些权重系数是根据每个节点的相对重要性和影响力确定的。例如，一个经常遭受高损耗的节点会被赋予更高的权重，因为它对整体系统的影响更大。最后，使用这些权重系数对第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵进行矩阵元素加权运算和矩阵融合。加权运算意味着服务器根据每个节点的权重调整其特征值，从而保证系统中更重要的节点对最终结果有更大的影响。矩阵融合则是将所有这些调整后的特征矩阵合并成一个单一的矩阵，这个矩阵提供了全面的视角，展示了整个电力系统的损耗特征。
在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：
（1）将第一电力损耗特征矩阵输入预置的第一电力转换优化模型，第一电力转换优化模型包括两层门限循环网络，两层门限循环网络中的第一层门限循环网络由一个单向GRU连接而成，共有256个GRU单元，两层门限循环网络中的第二层门限循环网络，由256组单向GRU连接，每组单向GRU连接含有16个GRU单元；
（2）通过第一电力转换优化模型中的两层门限循环网络对第一电力损耗特征矩阵进行隐藏特征提取和优化参数预测，得到主电力转换节点优化参数；
（3）分别将多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型，第二电力转换优化模型包括多个两层门限循环网络，每个两层门限循环网络中的第一层门限循环网络由一个单向GRU连接而成，共有128个GRU单元，两层门限循环网络中的第二层门限循环网络，由128组单向GRU连接，每组单向GRU连接含有8个GRU单元；
（4）通过第二电力转换优化模型中的多个两层门限循环网络，分别对多个第二电力损耗特征矩阵进行隐藏特征提取和优化参数预测，得到多个从电力转换节点优化参数。
具体的，首先，将第一电力损耗特征矩阵输入预置的第一电力转换优化模型。该模型包括两层门限循环网络。门限循环网络是一种先进的循环神经网络结构，适合处理序列数据，如时间序列数据或特征矩阵。第一层门限循环网络由256个单向GRU单元组成。这些GRU单元能够有效地捕获和处理时间序列数据中的长期依赖关系，有助于理解和优化电力损耗特征。第一电力转换优化模型的第二层包含256组单向GRU连接，每组包含16个GRU单元。这一层的设计进一步增强了模型对复杂数据结构的处理能力，使其能够捕获更细粒度的时间和空间特征。通过这两层门限循环网络的协同作用，模型可以对第一电力损耗特征矩阵进行深入的隐藏特征提取和优化参数预测，从而得到主电力转换节点的优化参数。这些参数是优化整个电力系统效率和性能的关键。然后，将每个第二电力损耗特征矩阵输入预置的第二电力转换优化模型中。这个模型同样包括多个两层门限循环网络，但与第一模型不同，每个网络的第一层包含128个单向GRU单元，第二层则由128组单向GRU连接组成，每组含有8个GRU单元。这种设计差异反映了主电力转换节点和从电力转换节点在系统中的不同角色和需求。通过这些第二电力转换优化模型中的多个两层门限循环网络，服务器分别对每个第二电力损耗特征矩阵进行隐藏特征提取和优化参数预测。这样，服务器得到了多个从电力转换节点的优化参数，这些参数有助于确保整个电网的高效和可靠运行。
在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：
（1）构建充电桩网络全局优化模型，充电桩网络全局优化模型包括：策略分析网络和策略优化网络；
（2）通过策略分析网络中的单层门限循环网络，对目标电力损耗特征矩阵进行特征提取，得到隐藏电力损耗特征，并通过策略分析网络中的长短时记忆网络，对隐藏电力损耗特征进行特征运算，得到综合电力损耗特征，以及通过策略分析网络中的分类预测函数，对综合电力损耗特征进行参数策略预测，得到初始电力转换网络优化策略；
（3）通过策略优化网络中的遗传算法，根据初始电力转换网络优化策略、主电力转换节点优化参数以及多个从电力转换节点优化参数创建第一网络优化策略群体；
（4）分别对第一网络优化策略群体中的多个第一电力转换网络优化策略进行策略适应度计算，得到每个第一电力转换网络优化策略的适应度值；
（5）根据适应度值对多个第一电力转换网络优化策略进行策略群体划分，得到多个第二网络优化策略群体；
（6）对多个第二网络优化策略群体进行策略最优化分析，输出全局电力转换网络优化策略。
具体的，首先，构建充电桩网络全局优化模型，充电桩网络全局优化模型包括策略分析网络和策略优化网络。在策略分析网络阶段，使用单层门限循环网络（GRU）对目标电力损耗特征矩阵进行特征提取。门限循环网络是一种高效的循环神经网络，它适用于处理时间序列数据，用于提取电力数据中的隐藏特征。这些隐藏电力损耗特征揭示了电力损耗背后的复杂模式和趋势。接下来，在策略分析网络中，服务器使用长短时记忆网络（LSTM）对提取出的隐藏电力损耗特征进行进一步运算。长短时记忆网络擅长处理长期依赖信息，因此它可以帮助服务器更深入地理解电力损耗的长期趋势和模式。通过LSTM的处理，服务器得到了综合电力损耗特征，这些特征提供了电力系统状态的更全面的视角。接着，通过策略分析网络中的分类预测函数，对综合电力损耗特征进行参数策略预测。这个函数的作用是基于综合电力损耗特征来预测参数策略，最终得到初始电力转换网络优化策略。然后，使用遗传算法来优化电力转换网络。遗传算法是一种基于自然选择和遗传学原理的优化算法。根据初始电力转换网络优化策略、主电力转换节点的优化参数以及多个从电力转换节点的优化参数创建第一网络优化策略群体。这个策略群体包含了多种的网络优化策略，每种策略都是对电力系统的不同优化方案的代表。接下来，服务器对第一网络优化策略群体中的每个电力转换网络优化策略进行策略适应度计算。适应度计算是评估每个策略在实际电力网络中表现的好坏的关键步骤。通过这种方式，服务器确定哪些策略更适合服务器的电力网络，哪些策略则不那么有效。根据适应度值，服务器对多个第一电力转换网络优化策略进行群体划分，形成多个第二网络优化策略群体。这帮助服务器识别出最有潜力的策略，并将其集中起来进行进一步的优化。最后，服务器对多个第二网络优化策略群体进行策略最优化分析。在这个阶段，服务器利用遗传算法的交叉、变异和选择操作来不断迭代和改进策略，直至找到最优的全局电力转换网络优化策略。这个全局优化策略是电力网络运行最高效、最可靠的解决方案，它考虑了电力网络中的所有重要因素和约束。
上面对本申请实施例中充电桩的数据分析控制方法进行了描述，下面对本申请实施例中充电桩的数据分析控制系统进行描述，请参阅图2，本申请实施例中充电桩的数据分析控制系统一个实施例包括：
获取模块201，用于获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取所述主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据；
分析模块202，用于对所述第一输入电力数据以及所述第一输出电力数据进行电力损耗分析，得到所述主电力转换节点的第一电力损耗数据，并对所述第二输入电力数据以及所述第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据；
提取模块203，用于对所述第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对所述第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合；
编码模块204，用于分别对所述第一电力损耗特征集合和所述第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵；
优化模块205，用于将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；
输出模块206，用于将所述目标电力损耗特征矩阵、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数输入预置的充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略。
通过上述各个组成部分的协同合作，通过对主电力转换节点和从电力转换节点的输入和输出电力数据进行深入分析，可以精准地识别并计算电力损耗。这种方法不仅提高了电力利用效率，还降低了能源损耗，从而实现了节能降耗的目的。采用特征提取和特征编码技术，能够有效地处理和分析电力数据，从而获得更准确的电力损耗特征。通过对特征矩阵进行权重分析和矩阵融合，可以得到目标电力损耗特征矩阵，这为充电桩网络的全局优化提供了坚实的数据基础。利用电力转换优化模型进行电力转换优化，这不仅提高了充电桩网络的自适应能力，还增强了对复杂电力系统的智能化管理和控制。通过全局优化模型，如遗传算法等，对电力转换网络进行优化策略的生成和适应度分析，可以有效提升充电桩网络的可靠性和稳定性，确保充电过程中的安全性和效率。使得充电桩网络能够灵活响应外部环境的变化，如电网负荷的波动、电价的变化等，通过实时优化策略调整，以达到最佳的运行状态，进而降低了充电桩电力转换的损耗并提高了充电桩网络全局优化的准确率。
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，系统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，本申请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）执行本申请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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (6)

1.一种充电桩的数据分析控制方法，其特征在于，所述充电桩的数据分析控制方法包括：
获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取所述主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据；
对所述第一输入电力数据以及所述第一输出电力数据进行电力损耗分析，得到所述主电力转换节点的第一电力损耗数据，并对所述第二输入电力数据以及所述第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据；
对所述第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对所述第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合；
分别对所述第一电力损耗特征集合和所述第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵；
将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；具体包括：将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型，所述第一电力转换优化模型包括两层门限循环网络，两层门限循环网络中的第一层门限循环网络由一组单向GRU连接而成，共有256个GRU单元，两层门限循环网络中的第二层门限循环网络，由256组单向GRU连接，每组单向GRU连接含有16个GRU单元；通过所述第一电力转换优化模型中的两层门限循环网络对所述第一电力损耗特征矩阵进行隐藏特征提取和优化参数预测，得到主电力转换节点优化参数；分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型，所述第二电力转换优化模型包括多个两层门限循环网络，每个两层门限循环网络中的第一层门限循环网络由一组单向GRU连接而成，共有128个GRU单元，两层门限循环网络中的第二层门限循环网络，由128组单向GRU连接，每组单向GRU连接含有8个GRU单元；通过所述第二电力转换优化模型中的多个两层门限循环网络，分别对所述多个第二电力损耗特征矩阵进行隐藏特征提取和优化参数预测，得到多个从电力转换节点优化参数；
将所述目标电力损耗特征矩阵、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数输入预置的充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略；具体包括：构建充电桩网络全局优化模型，所述充电桩网络全局优化模型包括：策略分析网络和策略优化网络；通过所述策略分析网络中的单层门限循环网络，对所述目标电力损耗特征矩阵进行特征提取，得到隐藏电力损耗特征，并通过所述策略分析网络中的长短时记忆网络，对所述隐藏电力损耗特征进行特征运算，得到综合电力损耗特征，以及通过所述策略分析网络中的分类预测函数，对所述综合电力损耗特征进行参数策略预测，得到初始电力转换网络优化策略；通过所述策略优化网络中的遗传算法，根据所述初始电力转换网络优化策略、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数创建第一网络优化策略群体；分别对所述第一网络优化策略群体中的多个第一电力转换网络优化策略进行策略适应度计算，得到每个第一电力转换网络优化策略的适应度值；根据所述适应度值对所述多个第一电力转换网络优化策略进行策略群体划分，得到多个第二网络优化策略群体；对所述多个第二网络优化策略群体进行策略最优化分析，输出全局电力转换网络优化策略。
2.根据权利要求1所述的充电桩的数据分析控制方法，其特征在于，所述获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取所述主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据，包括：
获取目标充电桩电力转换网络，并对所述目标充电桩电力转换网络进行电力转换节点识别，得到主电力转换节点和多个从电力转换节点；
对所述目标充电桩电力转换网络进行充电监控，并通过预置的传感器阵列获取所述主电力转换节点的第一电力运行数据以及所述多个从电力转换节点的多个第二电力运行数据；
通过预置的第一聚类分析模型，确定所述主电力转换节点的第一输入电力特征标签以及第一输出电力特征标签，并通过预置的第二聚类分析模型，确定每个从电力转换节点的第二输入电力特征标签以及第二输出电力特征标签；
根据所述第一输入电力特征标签以及所述第一输出电力特征标签，将所述第一电力运行数据输入所述第一聚类分析模型进行电力数据聚类分析，得到第一输入电力数据以及第一输出电力数据；
根据所述第二输入电力特征标签以及第二输出电力特征标签，分别将所述多个第二电力运行数据输入所述第二聚类分析模型进行电力数据聚类分析，得到每个从电力转换节点的第二输入电力数据以及第二输出电力数据。
3.根据权利要求1所述的充电桩的数据分析控制方法，其特征在于，所述对所述第一输入电力数据以及所述第一输出电力数据进行电力损耗分析，得到所述主电力转换节点的第一电力损耗数据，并对所述第二输入电力数据以及所述第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据，包括：
对所述第一输入电力数据进行参数提取，得到第一输入电压、第一输入电流以及第一输入相位差，并根据所述第一输入电压、所述第一输入电流以及所述第一输入相位差计算对应的第一输入功率数据，同时，对所述第一输出电力数据进行参数提取，得到第一输出电压、第一输出电流以及第一输出相位差，并根据所述第一输出电压、所述第一输出电流以及所述第一输出相位差计算对应的第一输出功率数据；
对所述第一输入功率数据以及所述第一输出功率数据进行功率差值计算，得到所述主电力转换节点的第一电力损耗数据；
分别对所述第二输入电力数据进行参数提取，得到第二输入电压、第二输入电流以及第二输入相位差，并根据所述第二输入电压、所述第二输入电流以及所述第二输入相位差计算每个从电力转换节点对应的第二输入功率数据，同时，分别对所述第二输出电力数据进行参数提取，得到第二输出电压、第二输出电流以及第二输出相位差，并根据所述第二输出电压、所述第二输出电流以及所述第二输出相位差计算每个从电力转换节点对应的第二输出功率数据；
分别对所述第二输入功率数据以及所述第二输出功率数据进行功率差值计算，得到每个从电力转换节点的第二电力损耗数据。
4.根据权利要求1所述的充电桩的数据分析控制方法，其特征在于，所述对所述第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对所述第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合，包括：
通过预置的主成分分析模型，对所述第一电力损耗数据进行数据降维处理，得到第一降维损耗数据，并对所述第二电力损耗数据进行数据降维处理，得到多个第二降维损耗数据；
对所述第一降维损耗数据进行变化趋势曲线构建，得到第一电力损耗曲线，并分别对所述第二降维损耗数据进行变化趋势曲线构建，得到多个第二电力损耗曲线；
对所述第一电力损耗曲线进行曲线特征点提取，得到多个第一曲线特征点，并根据所述多个第一曲线特征点生成对应的第一电力损耗特征集合；
分别对所述多个第二电力损耗曲线进行曲线特征点提取，得到每个第二电力损耗曲线的多个第二曲线特征点，并根据每个第二电力损耗曲线的多个第二曲线特征点生成对应的多个第二电力损耗特征集合。
5.根据权利要求4所述的充电桩的数据分析控制方法，其特征在于，所述分别对所述第一电力损耗特征集合和所述第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵，包括：
对所述第一电力损耗特征集合进行特征归一化和特征编码，得到第一电力损耗特征矩阵；
分别对所述第二电力损耗特征集合进行特征归一化和特征编码，得到多个第二电力损耗特征矩阵；
对所述第一电力损耗特征集合进行均值和标准差计算，得到所述主电力转换节点的第一均值和第一标准差，并分别对所述第二电力损耗特征集合进行均值和标准差计算，得到每个从电力转换节点的第二均值和第二标准差；
根据所述第一均值、所述第一标准差、所述第二均值和所述第二标准差，分别计算每个从电力转换节点的权重系数；
根据所述权重系数，对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行矩阵元素加权运算和矩阵融合，得到目标电力损耗特征矩阵。
6.一种充电桩的数据分析控制系统，其特征在于，所述充电桩的数据分析控制系统包括：
获取模块，用于获取目标充电桩电力转换网络的主电力转换节点和多个从电力转换节点，并获取所述主电力转换节点的第一输入电力数据以及第一输出电力数据，同时，获取每个从电力转换节点的第二输入电力数据以及第二输出电力数据；
分析模块，用于对所述第一输入电力数据以及所述第一输出电力数据进行电力损耗分析，得到所述主电力转换节点的第一电力损耗数据，并对所述第二输入电力数据以及所述第二输出电力数据进行电力损耗分析，得到每个从电力转换节点的第二电力损耗数据；
提取模块，用于对所述第一电力损耗数据进行特征提取，得到第一电力损耗特征集合，并对所述第二电力损耗数据进行特征提取，得到多个第二电力损耗特征集合；
编码模块，用于分别对所述第一电力损耗特征集合和所述第二电力损耗特征集合进行特征编码，得到第一电力损耗特征矩阵以及多个第二电力损耗特征矩阵，并对所述第一电力损耗特征矩阵以及所述多个第二电力损耗特征矩阵进行权重分析和矩阵融合，得到目标电力损耗特征矩阵；
优化模块，用于将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型进行电力转换优化，得到主电力转换节点优化参数，并分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型进行电力转换优化，得到多个从电力转换节点优化参数；具体包括：将所述第一电力损耗特征矩阵输入预置的第一电力转换优化模型，所述第一电力转换优化模型包括两层门限循环网络，两层门限循环网络中的第一层门限循环网络由一组单向GRU连接而成，共有256个GRU单元，两层门限循环网络中的第二层门限循环网络，由256组单向GRU连接，每组单向GRU连接含有16个GRU单元；通过所述第一电力转换优化模型中的两层门限循环网络对所述第一电力损耗特征矩阵进行隐藏特征提取和优化参数预测，得到主电力转换节点优化参数；分别将所述多个第二电力损耗特征矩阵输入预置的第二电力转换优化模型，所述第二电力转换优化模型包括多个两层门限循环网络，每个两层门限循环网络中的第一层门限循环网络由一组单向GRU连接而成，共有128个GRU单元，两层门限循环网络中的第二层门限循环网络，由128组单向GRU连接，每组单向GRU连接含有8个GRU单元；通过所述第二电力转换优化模型中的多个两层门限循环网络，分别对所述多个第二电力损耗特征矩阵进行隐藏特征提取和优化参数预测，得到多个从电力转换节点优化参数；
输出模块，用于将所述目标电力损耗特征矩阵、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数输入预置的充电桩网络全局优化模型进行充电桩网络全局优化，输出全局电力转换网络优化策略；具体包括：构建充电桩网络全局优化模型，所述充电桩网络全局优化模型包括：策略分析网络和策略优化网络；通过所述策略分析网络中的单层门限循环网络，对所述目标电力损耗特征矩阵进行特征提取，得到隐藏电力损耗特征，并通过所述策略分析网络中的长短时记忆网络，对所述隐藏电力损耗特征进行特征运算，得到综合电力损耗特征，以及通过所述策略分析网络中的分类预测函数，对所述综合电力损耗特征进行参数策略预测，得到初始电力转换网络优化策略；通过所述策略优化网络中的遗传算法，根据所述初始电力转换网络优化策略、所述主电力转换节点优化参数以及所述多个从电力转换节点优化参数创建第一网络优化策略群体；分别对所述第一网络优化策略群体中的多个第一电力转换网络优化策略进行策略适应度计算，得到每个第一电力转换网络优化策略的适应度值；根据所述适应度值对所述多个第一电力转换网络优化策略进行策略群体划分，得到多个第二网络优化策略群体；对所述多个第二网络优化策略群体进行策略最优化分析，输出全局电力转换网络优化策略。
CN202311660810.5A 2023-12-06 2023-12-06 充电桩的数据分析控制方法及系统 Active CN117439146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311660810.5A CN117439146B (zh) 2023-12-06 2023-12-06 充电桩的数据分析控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311660810.5A CN117439146B (zh) 2023-12-06 2023-12-06 充电桩的数据分析控制方法及系统

Publications (2)

Publication Number Publication Date
CN117439146A CN117439146A (zh) 2024-01-23
CN117439146B true CN117439146B (zh) 2024-03-19

Family

ID=89555481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311660810.5A Active CN117439146B (zh) 2023-12-06 2023-12-06 充电桩的数据分析控制方法及系统

Country Status (1)

Country Link
CN (1) CN117439146B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674459A (zh) * 2019-09-16 2020-01-10 三峡大学 基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法
CN111460323A (zh) * 2020-06-17 2020-07-28 腾讯科技（深圳）有限公司 基于人工智能的焦点用户挖掘方法和装置
CN112415924A (zh) * 2020-10-30 2021-02-26 南京华盾电力信息安全测评有限公司 一种空调系统节能优化方法及系统
CN116362417A (zh) * 2023-05-29 2023-06-30 深圳市朗胜光科技有限公司 一种充电桩分析方法、装置、设备及存储介质
CN116708511A (zh) * 2023-07-18 2023-09-05 广东车卫士信息科技有限公司 一种基于微控制器集成车机互联技术的方法、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117321692A (zh) * 2021-04-29 2023-12-29 华为云计算技术有限公司 用于从分子图生成任务相关的结构嵌入的方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674459A (zh) * 2019-09-16 2020-01-10 三峡大学 基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法
CN111460323A (zh) * 2020-06-17 2020-07-28 腾讯科技（深圳）有限公司 基于人工智能的焦点用户挖掘方法和装置
CN112415924A (zh) * 2020-10-30 2021-02-26 南京华盾电力信息安全测评有限公司 一种空调系统节能优化方法及系统
CN116362417A (zh) * 2023-05-29 2023-06-30 深圳市朗胜光科技有限公司 一种充电桩分析方法、装置、设备及存储介质
CN116708511A (zh) * 2023-07-18 2023-09-05 广东车卫士信息科技有限公司 一种基于微控制器集成车机互联技术的方法、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
计及供能可靠性动态约束与碳减排的充能型微电网互联系统优化模型;闫佳佳等;《电工技术学报》;20221231;第37卷(第23期);第5956-5973页 *

Also Published As

Publication number Publication date
CN117439146A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN111368904B (zh) 一种基于电力指纹的电器设备识别方法
Zaman et al. Improved statistical features-based control chart patterns recognition using ANFIS with fuzzy clustering
Ismail et al. A hybrid model of self organizing maps and least square support vector machine for river flow forecasting
Ramirez-Gonzalez et al. Convolutional neural nets with hyperparameter optimization and feature importance for power system static security assessment
Liu et al. Learning task-aware energy disaggregation: a federated approach
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
CN117113159A (zh) 基于深度学习的电力用户侧负荷分类方法及系统
CN117439146B (zh) 充电桩的数据分析控制方法及系统
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN110956281A (zh) 一种基于Log分析的电力设备异常检测报警系统
CN112256735A (zh) 一种用电监测方法、装置、计算机设备和存储介质
Anuar et al. Determination of typical electricity load profile by using double clustering of fuzzy c-means and hierarchical method
Jin et al. Power prediction through energy consumption pattern recognition for smart buildings
CN117577981B (zh) 光伏发电储能控制方法及系统
CN117647725B (zh) Pcba的老化测试方法及系统
CN117544021B (zh) 无刷直流电机的转速控制方法及系统
CN116466672B (zh) 基于人工智能的数据中心机房参数调控方法及相关装置
CN117556753B (zh) 存储芯片的能耗分析方法、装置、设备及存储介质
CN117094478B (zh) 能量调度管理方法、装置、设备及存储介质
Penn et al. A predictive tool for grid data analysis using machine learning algorithms
CN114266925B (zh) 一种基于dlstm-rf的用户窃电检测方法及系统
Shi et al. A Novel Approach to Detect Electricity Theft Based on Conv-Attentional Transformer
CN117670066B (zh) 基于智能决策的司库管理方法、系统、设备及存储介质
CN116774058B (zh) 电池寿命预测方法、装置、设备及存储介质

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