CN117828314B - 充电枪绝缘电阻测试方法、装置、设备及存储介质 - Google Patents
充电枪绝缘电阻测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117828314B CN117828314B CN202410248599.4A CN202410248599A CN117828314B CN 117828314 B CN117828314 B CN 117828314B CN 202410248599 A CN202410248599 A CN 202410248599A CN 117828314 B CN117828314 B CN 117828314B
- Authority
- CN
- China
- Prior art keywords
- insulation resistance
- data
- prediction
- model
- target
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 437
- 238000012360 testing method Methods 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000013101 initial test Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 241000283153 Cetacea Species 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000013433 optimization analysis Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 82
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明涉及充电技术领域,公开了一种充电枪绝缘电阻测试方法、装置、设备及存储介质,用于实现直流充电枪的绝缘电阻智能化测试并提高充电枪绝缘电阻测试的准确率。方法包括:构建初始测试关系模型;进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;进行预测数据调整,得到目标绝缘电阻预测数据;创建初始绝缘电阻测试参数种群;通过预置的鲸鱼优化算法对初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;根据目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据实测绝缘电阻预测数据对初始测试关系模型进行模型优化,得到目标测试关系模型。
Description
技术领域
本发明涉及充电技术领域,尤其涉及一种充电枪绝缘电阻测试方法、装置、设备及存储介质。
背景技术
随着电动汽车的快速发展,充电枪已经成为电动车主要的充电设备之一。在电动车充电过程中,确保充电枪的绝缘电阻处于良好状态至关重要。绝缘电阻测试是一种用于评估充电枪的电气安全性和可靠性的关键方法。如果充电枪的绝缘电阻降低或不足,会导致电击风险、电路故障以及设备损坏,甚至危及人员生命安全。因此,开发一种高效且准确的绝缘电阻测试方法对于电动车充电设备的维护和安全至关重要
传统的绝缘电阻测试方法通常涉及复杂的实验设备和测试程序,费时费力。而且,这些方法通常无法及时监测绝缘电阻的实际变化趋势,因此无法提前预测潜在的问题。因此,需要一种更加智能化和自动化的方法来进行充电枪绝缘电阻测试,以提高测试的效率和准确性。
发明内容
本发明提供了一种充电枪绝缘电阻测试方法、装置、设备及存储介质,用于实现直流充电枪的绝缘电阻智能化测试并提高充电枪绝缘电阻测试的准确率。
本发明第一方面提供了一种充电枪绝缘电阻测试方法,所述充电枪绝缘电阻测试方法包括:
获取目标充电枪的历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,所述初始测试关系模型包括第一层预测模型以及第二层预测模型;
基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;
将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据;
根据所述历史性能参数数据创建初始绝缘电阻测试参数种群;
通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;
根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据所述实测绝缘电阻预测数据对所述初始测试关系模型进行模型优化,得到目标测试关系模型。
结合第一方面,在本发明第一方面的第一种实现方式中,所述获取目标充电枪的历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,所述初始测试关系模型包括第一层预测模型以及第二层预测模型,包括:
获取目标充电枪的历史性能参数数据,并获取多个性能参数标签,其中,所述多个性能参数标签包括输入电压标签、电流标签及温度标签;
将所述多个性能参数标签输入预置的聚类模型,通过所述聚类模型确定所述多个性能参数标签对应的聚类中心,得到多个第一聚类中心,其中,所述多个第一聚类中心包括:第一输入电压聚类中心、第一电流聚类中心及第一温度聚类中心;
通过所述多个第一聚类中心对所述历史性能参数数据进行聚类分析,得到每个第一聚类中心的多个特征点距,并根据所述多个特征点距计算每个第一聚类中心的特征点平均距离;
根据所述特征点平均距离对所述多个第一聚类中心进行偏移校正,得到多个第二聚类中心,其中,所述多个第二聚类中心包括:第二输入电压聚类中心、第二电流聚类中心及第二温度聚类中心;
根据所述多个第二聚类中心对所述历史性能参数数据进行聚类分析,得到输入电压数据、电流数据及温度数据;
根据所述输入电压数据创建对应的输入电压分析网络,其中,所述输入电压分析网络包括第一输入层、多个第一隐藏层以及第一输出层;
根据所述电流数据创建对应的电流分析网络,其中,所述电流分析网络包括第二输入层、多个第二隐藏层以及第二输出层;
根据所述温度数据创建对应的温度分析网络,其中,所述输入电压分析网络包括第三输入层、多个第三隐藏层以及第三输出层;
将所述输入电压分析网络、所述电流分析网络以及所述温度分析网络作为第一层预测模型,并获取普通克里金模型作为第二层预测模型;
对所述第一层预测模型和所述第二层预测模型进行模型集成,得到充电枪绝缘电阻与性能参数之间的初始测试关系模型。
结合第一方面,在本发明第一方面的第二种实现方式中,所述基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据,包括:
通过所述第一层预测模型中输入电压分析网络的第一输入层接收所述输入电压数据,并通过所述多个第一隐藏层对所述输入电压数据进行隐藏特征提取,得到输入电压特征向量,以及通过所述第一输出层对所述输入电压特征向量进行绝缘电阻变化趋势预测,得到第一绝缘电阻预测数据;
通过所述第一层预测模型中电流分析网络的第二输入层接收所述电流数据,并通过所述多个第二隐藏层对所述电流数据进行隐藏特征提取,得到电流特征向量,以及通过所述第二输出层对所述电流特征向量进行绝缘电阻变化趋势预测,得到第二绝缘电阻预测数据;
通过所述第一层预测模型中温度分析网络的第三输入层接收所述温度数据,并通过所述多个第三隐藏层对所述温度数据进行隐藏特征提取,得到温度特征向量,以及通过所述第三输出层对所述温度特征向量进行绝缘电阻变化趋势预测,得到第三绝缘电阻预测数据;
获取所述输入电压数据对应的第一绝缘电阻影响权重,并获取所述电流数据对应的第二绝缘电阻影响权重,以及获取所述温度数据对应的第三绝缘电阻影响权重;
根据所述第一绝缘电阻影响权重计算所述第一绝缘电阻预测数据的第一加权电阻预测数据,并根据所述第二绝缘电阻影响权重计算所述第二绝缘电阻预测数据的第二加权电阻预测数据,以及根据所述第三绝缘电阻影响权重计算所述第三绝缘电阻预测数据的第三加权电阻预测数据;
对所述第一加权电阻预测数据、所述第二加权电阻预测数据以及所述第三加权电阻预测数据进行预测数据融合,得到初始绝缘电阻预测数据。
结合第一方面,在本发明第一方面的第三种实现方式中,所述将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据,包括:
对所述历史性能参数数据进行特征参数矩阵转换,得到历史性能参数矩阵,并对所述初始绝缘电阻预测数据进行预测数据矩阵转换,得到绝缘电阻预测矩阵;
对所述历史性能参数矩阵和所述绝缘电阻预测矩阵进行矩阵组合,得到目标预测评价矩阵;
将所述目标预测评价矩阵输入所述第二层预测模型中的普通克里金模型,通过所述普通克里金模型定义所述目标预测评价矩阵的半变异函数;
通过所述普通克里金模型,根据所述半变异函数对所述目标预测评价矩阵进行插值,生成目标绝缘电阻预测数据。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述历史性能参数数据创建初始绝缘电阻测试参数种群,包括:
计算所述历史性能参数数据中输入电压数据的输入电压极大值和输入电压极小值,并计算所述历史性能参数数据中电流数据的电流极大值和电流极小值,以及计算所述历史性能参数数据中温度数据的温度极大值和温度极小值;
根据所述输入电压极大值和所述输入电压极小值确定输入电压特征取值区间,并根据所述电流极大值和所述电流极小值确定电流特征取值区间,以及根据所述温度极大值和所述温度极小值确定温度特征取值区间;
分别对所述输入电压特征取值区间、所述电流特征取值区间以及所述温度特征取值区间进行特征取值,生成多个候选绝缘电阻测试参数组合;
根据所述多个候选绝缘电阻测试参数组合,创建对应的初始绝缘电阻测试参数种群。
结合第一方面,在本发明第一方面的第五种实现方式中,所述通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合,包括:
通过预置的鲸鱼优化算法,计算所述初始绝缘电阻测试参数种群中每个候选绝缘电阻测试参数组合的适应度值;
根据所述适应度值,确定所述初始绝缘电阻测试参数种群对应的最优解和最差解;
根据所述最优解和所述最差解,对所述初始绝缘电阻测试参数种群进行种群更新和迭代运算,得到目标绝缘电阻测试参数组合。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据所述实测绝缘电阻预测数据对所述初始测试关系模型进行模型优化,得到目标测试关系模型,包括:
根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到目标测试数据;
根据所述目标测试数据,计算所述目标充电枪的实测绝缘电阻预测数据;
计算所述实测绝缘电阻预测数据和所述目标绝缘电阻预测数据之间的偏差数据;
根据所述偏差数据,对所述初始测试关系模型进行模型优化,得到目标测试关系模型。
本发明第二方面提供了一种充电枪绝缘电阻测试装置,所述充电枪绝缘电阻测试装置包括:
获取模块,用于获取目标充电枪的历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,所述初始测试关系模型包括第一层预测模型以及第二层预测模型;
预测模块,用于基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;
调整模块,用于将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据;
创建模块,用于根据所述历史性能参数数据创建初始绝缘电阻测试参数种群;
分析模块,用于通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;
优化模块,用于根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据所述实测绝缘电阻预测数据对所述初始测试关系模型进行模型优化,得到目标测试关系模型。
本发明第三方面提供了一种充电枪绝缘电阻测试设备,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,以使得所述充电枪绝缘电阻测试设备执行上述的充电枪绝缘电阻测试方法。
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绝缘电阻测试方法。
本发明提供的技术方案中,构建初始测试关系模型;进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;进行预测数据调整,得到目标绝缘电阻预测数据;创建初始绝缘电阻测试参数种群;通过预置的鲸鱼优化算法对初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;根据目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据实测绝缘电阻预测数据对初始测试关系模型进行模型优化,得到目标测试关系模型,本发明采用智能化的预测模型,能够自动化进行绝缘电阻测试,大大缩短测试时间,提高测试效率。通过结合深度学习模型和普通克里金模型,可以更准确地预测绝缘电阻的变化趋势。具备实时监测绝缘电阻变化趋势的能力,可以帮助预测绝缘电阻发生的变化。通过预置的鲸鱼优化算法,能够自动选择最佳的测试参数组合,根据实测绝缘电阻预测数据不断优化测试关系模型,进而实现了直流充电枪的绝缘电阻智能化测试,并提高了充电枪绝缘电阻测试的准确率。
附图说明
图1为本发明实施例中充电枪绝缘电阻测试方法的一个实施例示意图;
图2为本发明实施例中预测数据调整的流程图;
图3为本发明实施例中创建初始绝缘电阻测试参数种群的流程图;
图4为本发明实施例中参数组合最优化分析的流程图;
图5为本发明实施例中充电枪绝缘电阻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绝缘电阻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绝缘电阻测试方法、装置、设备及存储介质,用于实现直流充电枪的绝缘电阻智能化测试并提高充电枪绝缘电阻测试的准确率。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绝缘电阻测试方法的一个实施例包括:
S101、获取目标充电枪的历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,初始测试关系模型包括第一层预测模型以及第二层预测模型;
可以理解的是,本发明的执行主体可以为充电枪绝缘电阻测试装置,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,服务器收集目标充电枪的历史性能参数数据。这些数据包括输入电压、电流和温度等性能参数,这些参数用于评估充电枪的绝缘电阻。这些数据通常以时间序列的形式存储,可以通过传感器或记录仪来获取。进行聚类分析,以确定性能参数标签与聚类中心之间的关系。将性能参数标签(如输入电压、电流、温度)输入预定义的聚类模型中,以确定每个性能参数标签对应的聚类中心。获取多个第一聚类中心,这些聚类中心分别代表了输入电压、电流和温度的聚类中心。使用多个第一聚类中心对历史性能参数数据进行聚类分析,以获得每个第一聚类中心的多个特征点距离。基于特征点距离计算每个第一聚类中心的特征点平均距离。利用特征点平均距离对多个第一聚类中心进行偏移校正,得到多个第二聚类中心,这些第二聚类中心代表了经过校正的聚类中心,用于进一步分析。为了建立充电枪绝缘电阻与性能参数之间的关系,需要为每个性能参数(输入电压、电流、温度)创建对应的神经网络模型。这些神经网络模型将用作第一层预测模型,用于预测绝缘电阻的变化趋势。针对输入电压数据,创建一个输入电压分析网络,它包括第一输入层、多个第一隐藏层以及第一输出层。这个网络的输入是历史输入电压数据,输出是绝缘电阻的预测值。针对电流数据,创建一个电流分析网络,它包括第二输入层、多个第二隐藏层以及第二输出层。这个网络的输入是历史电流数据,输出是绝缘电阻的预测值。针对温度数据,创建一个温度分析网络,它包括第三输入层、多个第三隐藏层以及第三输出层。这个网络的输入是历史温度数据,输出是绝缘电阻的预测值。这些神经网络将通过训练来学习性能参数与绝缘电阻之间的关系。需要将第一层预测模型(神经网络模型)和第二层预测模型(普通克里金模型)进行模型集成,以获得充电枪绝缘电阻与性能参数之间的初始测试关系模型。模型集成可以采用各种技术,例如模型融合,以综合考虑各个性能参数的预测结果,从而得到最终的绝缘电阻预测值。
S102、基于第一层预测模型对历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;
具体的,服务器利用一个多层预测模型,该模型包括输入电压分析网络、电流分析网络和温度分析网络,分别用于处理输入电压数据、电流数据和温度数据。每个网络都包含多个隐藏层,用于提取输入数据的隐藏特征。输入电压分析网络接收输入电压数据,并通过多个隐藏层来提取输入电压数据的隐藏特征。通过第一输出层对输入电压特征向量进行绝缘电阻变化趋势预测,得到第一绝缘电阻预测数据。与输入电压分析网络类似,电流分析网络接收电流数据,并通过多个隐藏层提取电流数据的隐藏特征。通过第二输出层对电流特征向量进行绝缘电阻变化趋势预测,得到第二绝缘电阻预测数据。温度分析网络接收温度数据,并通过多个隐藏层提取温度数据的隐藏特征。通过第三输出层对温度特征向量进行绝缘电阻变化趋势预测,得到第三绝缘电阻预测数据。针对每个绝缘电阻预测数据,方法计算了相应的影响权重。这些权重反映了输入电压、电流和温度数据对绝缘电阻的相对影响程度。计算得到的权重用于加权各个绝缘电阻预测数据,得到第一加权电阻预测数据、第二加权电阻预测数据和第三加权电阻预测数据。通过对这些加权预测数据进行数据融合,可以得到初始绝缘电阻预测数据。数据融合的过程涉及统计方法、机器学习算法或其他数据处理技术,具体取决于实际应用和数据特点。例如,假设服务器有一个充电枪的历史性能参数数据集,包括输入电压、电流和温度数据,以及相应的绝缘电阻测量结果。服务器将历史性能参数数据输入到三个分析网络中,分别处理输入电压、电流和温度数据。每个网络会提取相关的隐藏特征并生成绝缘电阻变化趋势预测数据。接着,服务器计算每个数据类型的影响权重。例如,如果电流数据在过去对绝缘电阻的变化具有更大的影响,那么电流数据的权重将较高。这些权重根据历史性能参数数据的分析结果计算得出。服务器使用这些权重来加权各个绝缘电阻预测数据。每个数据类型的预测都将按照其权重进行调整,以更准确地反映它们对绝缘电阻的影响。通过将加权预测数据进行数据融合,服务器得到初始绝缘电阻预测数据。这些数据可以用于预测未来某个时间点的充电枪绝缘电阻,从而帮助维护人员采取适当的措施,确保充电枪的安全性和性能。
S103、将历史性能参数数据和初始绝缘电阻预测数据输入第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据;
需要说明的是,服务器对历史性能参数数据进行处理,以便将其转换为特征参数矩阵。这个矩阵应该包含历史性能参数的各种特征,这些特征可以是电压、电流、温度等。这个特征参数矩阵将用于与绝缘电阻预测数据进行后续计算。初始绝缘电阻预测数据也需要进行处理,以创建绝缘电阻预测矩阵。这个矩阵将包含从第一层预测模型中得到的初始绝缘电阻预测数据。历史性能参数矩阵和绝缘电阻预测矩阵将被组合在一起,以创建目标预测评价矩阵。这个矩阵将包含历史性能参数与初始绝缘电阻预测数据的组合,用于进一步的分析和插值。服务器将目标预测评价矩阵输入到第二层预测模型中的普通克里金模型中。克里金插值是一种用于估计未知位置的值的方法,它基于已知位置的值以及这些值之间的空间相关性。在这里,服务器使用普通克里金模型来定义目标预测评价矩阵的半变异函数。通过普通克里金模型,服务器利用半变异函数对目标预测评价矩阵进行插值。这个过程将使用历史性能参数数据和初始绝缘电阻预测数据之间的相关性,生成目标绝缘电阻预测数据。例如,假设有一辆电动汽车的充电枪,服务器想要预测它的绝缘电阻。服务器收集了该充电枪在不同电压、电流和温度条件下的历史性能参数数据。服务器将历史性能参数数据转换成特征参数矩阵,然后获取初始绝缘电阻预测数据。服务器组合这些数据以创建目标预测评价矩阵。服务器使用普通克里金模型对目标预测评价矩阵进行插值,考虑历史性能参数之间的相关性,生成最终的目标绝缘电阻预测数据。这个数据可以用于确定充电枪是否需要维护或更换,以确保安全和性能。这种方法的优势在于它综合了历史性能数据和初步预测,通过插值生成更准确的绝缘电阻预测结果。
S104、根据历史性能参数数据创建初始绝缘电阻测试参数种群;
具体的,服务器计算历史性能参数数据中的输入电压数据的输入电压极大值和输入电压极小值,电流数据的电流极大值和电流极小值,以及温度数据的温度极大值和温度极小值。这些极值将有助于确定特征取值区间。根据计算得到的极大值和极小值,确定输入电压、电流和温度的特征取值区间。特征取值区间表示了历史性能参数数据中这些特征的范围。在每个特征取值区间内,可以选择一系列特定的取值点,这些点将用于生成候选绝缘电阻测试参数组合。这些特征取值点可以均匀分布在特征取值区间内,以确保覆盖范围。根据确定的特征取值点,可以生成多个候选绝缘电阻测试参数组合。这些参数组合包括不同的输入电压、电流和温度取值组合。目的是创建一个多样性的初始参数种群,以便后续的测试和分析。例如,假设有一辆电动汽车的充电枪,服务器希望测试其绝缘电阻。服务器收集了该充电枪在不同电压、电流和温度条件下的历史性能参数数据。服务器计算历史性能参数数据中的输入电压、电流和温度的极大值和极小值。例如,输入电压的极大值为100V,极小值为10V。服务器确定特征取值区间,例如,输入电压在10V到100V之间。服务器在这个区间内选择一系列特定的取值点,比如20V、40V、60V、80V等。服务器生成多个候选绝缘电阻测试参数组合,比如(20V,5A,25°C)、(40V,10A,30°C)等。这些参数组合将用于后续的测试和分析,以确定最适合的绝缘电阻测试参数。
S105、通过预置的鲸鱼优化算法对初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;
具体的,服务器使用预置的鲸鱼优化算法,计算初始绝缘电阻测试参数种群中的每个候选参数组合的适应度值。适应度值是一个指标,用于评估每个参数组合在绝缘电阻测试中的性能。适应度值越高,表示参数组合越好。根据计算得到的适应度值,确定初始绝缘电阻测试参数种群中的最优解和最差解。最优解是具有最高适应度值的参数组合,而最差解是具有最低适应度值的参数组合。这两个解对于后续的种群更新和迭代运算非常重要。利用鲸鱼优化算法的特点,对初始绝缘电阻测试参数种群进行更新和迭代运算。这通常包括以下几个步骤:选择:从初始种群中选择一定数量的个体,通常是根据适应度值来选择,适应度值高的个体更有被选择;变异:对选择的个体进行变异操作,这涉及到对参数组合进行微小的随机变化,以引入新的解;交叉:将选择的个体进行交叉操作,即组合两个或多个个体的参数,以生成新的参数组合;更新:使用新生成的个体来更新初始种群,替代原有的个体,以形成新一代的种群。这一过程将不断迭代,直到达到预定的停止条件,例如达到一定的迭代次数或适应度值收敛到某个稳定值。最终,将获得一个优化后的绝缘电阻测试参数组合,这些参数组合将使绝缘电阻测试更加准确和高效。例如,假设服务器有一个初始的绝缘电阻测试参数种群,包括参数组合(A,B,C)、(X,Y,Z)、(P,Q,R)等。通过鲸鱼优化算法,服务器计算了每个参数组合的适应度值,其中(A,B,C)具有最高的适应度值,(X,Y,Z)具有最低的适应度值。服务器进行选择、变异、交叉等操作,生成新的个体,例如(D,E,F)、(G,H,I)等。这些新个体被用来更新初始种群,形成新一代的种群。这个过程将不断迭代,直到达到停止条件,最终服务器将获得一个最优的绝缘电阻测试参数组合,使测试更加准确和高效。
S106、根据目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据实测绝缘电阻预测数据对初始测试关系模型进行模型优化,得到目标测试关系模型。
具体的,根据目标绝缘电阻测试参数组合,对目标充电枪进行绝缘电阻测试。这涉及将所选的测试参数应用于充电枪,执行测试,并记录测试结果。这些测试结果将包括目标充电枪的实测绝缘电阻值。使用实际测试数据,计算目标充电枪的实测绝缘电阻预测数据。这可以通过采用测试结果并将其输入到初始测试关系模型中来实现。初始测试关系模型是一个数学模型,用于预测绝缘电阻与性能参数之间的关系。通过将测试数据输入到模型中,服务器得出实测绝缘电阻预测数据。计算实测绝缘电阻预测数据与目标绝缘电阻预测数据之间的偏差数据。这是通过将实际测试得到的数据与初始测试关系模型预测的数据进行比较来完成的。偏差数据表示了模型预测与实际测量之间的差异,即模型的准确性。利用偏差数据,对初始测试关系模型进行模型优化。模型优化的目标是通过调整模型的参数或结构,以减小实测与预测之间的偏差,使模型更准确地反映绝缘电阻与性能参数之间的关系。这可以使用各种数学优化技术来实现,如参数拟合、回归分析、机器学习算法等。例如,假设服务器有一个充电枪绝缘电阻测试模型,最初根据历史性能参数数据创建,但它的预测精度有限。然后服务器通过实际测试来优化该模型。服务器选择了一组目标绝缘电阻测试参数组合,然后对目标充电枪进行了绝缘电阻测试。测试后,服务器得到了目标充电枪的实测绝缘电阻值。将实际测试数据输入到初始测试关系模型中,使用该模型来预测绝缘电阻值,得到实测绝缘电阻预测数据。比较实际测试数据和模型预测数据,计算出它们之间的偏差数据。利用偏差数据,服务器通过优化模型参数或结构来改进初始测试关系模型。这包括微调模型中的权重、改变模型的复杂度或使用更高级的模型。最终,服务器得到了一个经过模型优化的目标测试关系模型,它更准确地描述了绝缘电阻与性能参数之间的关系。这个模型可以用于未来的绝缘电阻测试,以提高测试的准确性和可靠性。
本发明实施例中,构建初始测试关系模型;进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;进行预测数据调整,得到目标绝缘电阻预测数据;创建初始绝缘电阻测试参数种群;通过预置的鲸鱼优化算法对初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;根据目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据实测绝缘电阻预测数据对初始测试关系模型进行模型优化,得到目标测试关系模型,本发明采用智能化的预测模型,能够自动化进行绝缘电阻测试,大大缩短测试时间,提高测试效率。通过结合深度学习模型和普通克里金模型,可以更准确地预测绝缘电阻的变化趋势。具备实时监测绝缘电阻变化趋势的能力,可以帮助预测绝缘电阻发生的变化。通过预置的鲸鱼优化算法,能够自动选择最佳的测试参数组合,根据实测绝缘电阻预测数据不断优化测试关系模型,进而实现了直流充电枪的绝缘电阻智能化测试,并提高了充电枪绝缘电阻测试的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标充电枪的历史性能参数数据,并获取多个性能参数标签,其中,多个性能参数标签包括输入电压标签、电流标签及温度标签;
(2)将多个性能参数标签输入预置的聚类模型,通过聚类模型确定多个性能参数标签对应的聚类中心,得到多个第一聚类中心,其中,多个第一聚类中心包括:第一输入电压聚类中心、第一电流聚类中心及第一温度聚类中心;
(3)通过多个第一聚类中心对历史性能参数数据进行聚类分析,得到每个第一聚类中心的多个特征点距,并根据多个特征点距计算每个第一聚类中心的特征点平均距离;
(4)根据特征点平均距离对多个第一聚类中心进行偏移校正,得到多个第二聚类中心,其中,多个第二聚类中心包括:第二输入电压聚类中心、第二电流聚类中心及第二温度聚类中心;
(5)根据多个第二聚类中心对历史性能参数数据进行聚类分析,得到输入电压数据、电流数据及温度数据;
(6)根据输入电压数据创建对应的输入电压分析网络,其中,输入电压分析网络包括第一输入层、多个第一隐藏层以及第一输出层;
(7)根据电流数据创建对应的电流分析网络,其中,电流分析网络包括第二输入层、多个第二隐藏层以及第二输出层;
(8)根据温度数据创建对应的温度分析网络,其中,输入电压分析网络包括第三输入层、多个第三隐藏层以及第三输出层;
(9)将输入电压分析网络、电流分析网络以及温度分析网络作为第一层预测模型,并获取普通克里金模型作为第二层预测模型;
(10)对第一层预测模型和第二层预测模型进行模型集成,得到充电枪绝缘电阻与性能参数之间的初始测试关系模型。
具体的,服务器收集目标充电枪的历史性能参数数据,这些数据包括输入电压、电流和温度等多个性能参数。同时,为每个性能参数标签,例如,输入电压标签、电流标签和温度标签。将性能参数标签输入预置的聚类模型,该模型可以用于确定性能参数标签对应的聚类中心。这些聚类中心将作为后续聚类分析的起点。例如,通过K均值聚类算法,可以得到多个第一聚类中心,包括第一输入电压聚类中心、第一电流聚类中心和第一温度聚类中心。使用多个第一聚类中心对历史性能参数数据进行聚类分析。对每个第一聚类中心,计算其聚类中的多个特征点之间的距离,并根据这些距离计算平均距离。这些距离和平均距离将有助于后续的数据分析。根据特征点平均距离,对多个第一聚类中心进行偏移校正,生成多个第二聚类中心。这些第二聚类中心将更准确地反映历史性能参数数据的分布情况。例如,如果发现在输入电压方面存在聚类中心的偏差,可以通过校正生成第二输入电压聚类中心。使用多个第二聚类中心对历史性能参数数据进行聚类分析,以得到输入电压数据、电流数据和温度数据。这些数据将用于后续的分析和建模。基于输入电压数据、电流数据和温度数据,创建相应的分析网络。这包括输入电压分析网络、电流分析网络和温度分析网络,每个网络都包括输入层、隐藏层和输出层。将这些分析网络作为第一层预测模型。获取普通克里金模型作为第二层预测模型。模型集成是将这两个预测模型结合在一起,以建立充电枪绝缘电阻与性能参数之间的初始测试关系模型。例如,假设服务器要测试一辆电动汽车的充电枪的绝缘电阻。服务器首先收集了该充电枪的历史性能参数数据,包括输入电压、电流和温度。服务器将这些数据与性能参数标签关联起来,例如,输入电压标签为"Voltage",电流标签为"Current",温度标签为"Temperature"。服务器使用K均值聚类算法确定了第一聚类中心,包括第一输入电压聚类中心、第一电流聚类中心和第一温度聚类中心。服务器计算了每个第一聚类中心的特征点之间的距离,并计算了平均距离。这有助于服务器理解数据的分布情况。通过偏移校正,服务器生成了第二聚类中心,以更准确地反映数据的分布。服务器使用第二聚类中心对历史性能参数数据进行聚类分析,得到输入电压数据、电流数据和温度数据。服务器创建了预测模型,包括输入电压分析网络、电流分析网络和温度分析网络,并将它们集成在一起,以建立初始测试关系模型,该模型将充电枪的绝缘电阻与性能参数之间的关系进行了初步建模。这个模型可以用于进一步的绝缘电阻测试和优化。通过这个过程,服务器更准确地预测充电枪的绝缘电阻,提高测试的准确性和可靠性。
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)通过第一层预测模型中输入电压分析网络的第一输入层接收输入电压数据,并通过多个第一隐藏层对输入电压数据进行隐藏特征提取,得到输入电压特征向量,以及通过第一输出层对输入电压特征向量进行绝缘电阻变化趋势预测,得到第一绝缘电阻预测数据;
(2)通过第一层预测模型中电流分析网络的第二输入层接收电流数据,并通过多个第二隐藏层对电流数据进行隐藏特征提取,得到电流特征向量,以及通过第二输出层对电流特征向量进行绝缘电阻变化趋势预测,得到第二绝缘电阻预测数据;
(3)通过第一层预测模型中温度分析网络的第三输入层接收温度数据,并通过多个第三隐藏层对温度数据进行隐藏特征提取,得到温度特征向量,以及通过第三输出层对温度特征向量进行绝缘电阻变化趋势预测,得到第三绝缘电阻预测数据;
(4)获取输入电压数据对应的第一绝缘电阻影响权重,并获取电流数据对应的第二绝缘电阻影响权重,以及获取温度数据对应的第三绝缘电阻影响权重;
(5)根据第一绝缘电阻影响权重计算第一绝缘电阻预测数据的第一加权电阻预测数据,并根据第二绝缘电阻影响权重计算第二绝缘电阻预测数据的第二加权电阻预测数据,以及根据第三绝缘电阻影响权重计算第三绝缘电阻预测数据的第三加权电阻预测数据;
(6)对第一加权电阻预测数据、第二加权电阻预测数据以及第三加权电阻预测数据进行预测数据融合,得到初始绝缘电阻预测数据。
具体的,服务器构建输入电压分析网络,该网络用于处理输入电压数据。这个网络包括第一输入层,它接收输入电压数据,多个第一隐藏层用于提取输入电压数据的隐藏特征,以及第一输出层,用于预测绝缘电阻的变化趋势,从而得到第一绝缘电阻预测数据。服务器构建电流分析网络,用于处理电流数据。这个网络也包括第二输入层,它接收电流数据,多个第二隐藏层用于提取电流数据的隐藏特征,以及第二输出层,用于预测绝缘电阻的变化趋势,从而得到第二绝缘电阻预测数据。类似地,服务器构建温度分析网络,用于处理温度数据。这个网络包括第三输入层,它接收温度数据,多个第三隐藏层用于提取温度数据的隐藏特征,以及第三输出层,用于预测绝缘电阻的变化趋势,从而得到第三绝缘电阻预测数据。在这之后,服务器获取绝缘电阻影响权重,这些权重可以根据历史数据和领域知识来确定。这些权重决定了每个输入数据类型(输入电压、电流和温度)对绝缘电阻的影响程度。服务器根据绝缘电阻影响权重计算每个输入数据类型的加权电阻预测数据。这包括计算第一绝缘电阻预测数据的第一加权电阻预测数据,计算第二绝缘电阻预测数据的第二加权电阻预测数据,以及计算第三绝缘电阻预测数据的第三加权电阻预测数据。服务器对这三个加权电阻预测数据进行数据融合,以得到初始绝缘电阻预测数据。数据融合可以采用不同的方法,例如平均值、加权平均值或其他融合技术,具体取决于问题的性质和需求。例如,假设服务器正在测试电动汽车的充电枪绝缘电阻,服务器收集了历史性能参数数据,包括输入电压、电流和温度。服务器已经构建了输入电压分析网络、电流分析网络和温度分析网络,并且根据历史数据和领域知识确定了相应的绝缘电阻影响权重。假设服务器在输入电压分析网络中得到第一绝缘电阻预测数据为100欧姆,电流分析网络中得到第二绝缘电阻预测数据为120欧姆,温度分析网络中得到第三绝缘电阻预测数据为110欧姆。如果服务器的权重分配为0.4(输入电压)、0.3(电流)和0.3(温度),则可以计算加权电阻预测数据如下:第一加权电阻预测数据=0.4*100=40欧姆、第二加权电阻预测数据=0.3*120=36欧姆、第三加权电阻预测数据=0.3*110=33欧姆。通过数据融合技术(例如加权平均值),服务器得到初始绝缘电阻预测数据:初始绝缘电阻预测数据=(40+36+33)/3=36.33欧姆。这个初始绝缘电阻预测数据可以作为测试的起点,后续可以根据实测数据进一步优化模型。这个过程可以帮助服务器更准确地预测充电枪的绝缘电阻变化趋势。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、对历史性能参数数据进行特征参数矩阵转换,得到历史性能参数矩阵,并对初始绝缘电阻预测数据进行预测数据矩阵转换,得到绝缘电阻预测矩阵;
S202、对历史性能参数矩阵和绝缘电阻预测矩阵进行矩阵组合,得到目标预测评价矩阵;
S203、将目标预测评价矩阵输入第二层预测模型中的普通克里金模型,通过普通克里金模型定义目标预测评价矩阵的半变异函数;
S204、通过普通克里金模型,根据半变异函数对目标预测评价矩阵进行插值,生成目标绝缘电阻预测数据。
具体的,服务器从历史性能参数数据中选择多个性能参数标签,这些标签包括输入电压标签、电流标签、温度标签等。基于这些标签,将历史性能参数数据组织成一个矩阵,其中每一行代表一个观测点或时间点,每一列对应一个性能参数。这个矩阵就是历史性能参数矩阵。类似地,将初始绝缘电阻预测数据组织成一个矩阵,其中每个元素表示对应观测点或时间点的初始绝缘电阻预测值。这个矩阵就是绝缘电阻预测矩阵。将历史性能参数矩阵和绝缘电阻预测矩阵进行组合,生成一个目标预测评价矩阵。这个矩阵将包含历史性能参数数据和初始绝缘电阻预测数据,使它们在同一框架下进行分析。将目标预测评价矩阵输入到第二层预测模型中,通常采用普通克里金模型。普通克里金模型是一种用于插值和空间建模的统计方法。在此模型中,需要定义目标预测评价矩阵中数据点之间的半变异函数,这个函数将量化数据点之间的空间相关性和变异性。利用普通克里金模型,根据半变异函数对目标预测评价矩阵进行插值操作。这个插值过程将生成目标绝缘电阻预测数据。通过这个流程,服务器能够将历史性能参数数据和初始绝缘电阻预测数据结合起来,利用普通克里金模型进行插值,从而生成目标绝缘电阻预测数据。这有助于更准确地估计绝缘电阻的预测值,为维护设备性能提供了有力支持。例如,假设服务器有一组历史性能参数数据,包括输入电压、电流和温度,以及相应的初始绝缘电阻预测数据。服务器将这些数据整理成历史性能参数矩阵和绝缘电阻预测矩阵。服务器组合这两个矩阵,创建一个目标预测评价矩阵。将这个目标矩阵输入到普通克里金模型中,定义半变异函数,通过插值生成目标绝缘电阻预测数据。这个过程将基于历史性能参数数据和初始预测数据,提供更精确的绝缘电阻预测结果,以支持设备维护和性能管理的决策。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、计算历史性能参数数据中输入电压数据的输入电压极大值和输入电压极小值,并计算历史性能参数数据中电流数据的电流极大值和电流极小值,以及计算历史性能参数数据中温度数据的温度极大值和温度极小值;
S302、根据输入电压极大值和输入电压极小值确定输入电压特征取值区间,并根据电流极大值和电流极小值确定电流特征取值区间,以及根据温度极大值和温度极小值确定温度特征取值区间;
S303、分别对输入电压特征取值区间、电流特征取值区间以及温度特征取值区间进行特征取值,生成多个候选绝缘电阻测试参数组合;
S304、根据多个候选绝缘电阻测试参数组合,创建对应的初始绝缘电阻测试参数种群。
具体的,服务器获取历史性能参数数据,包括输入电压、电流和温度数据。对于每个性能参数,服务器计算其极大值和极小值。例如,对于输入电压数据,找到数据集中的最大值和最小值。同样,对于电流和温度数据,也计算它们的最大值和最小值。这些极值将成为后续计算特征取值区间的依据。基于计算得到的输入电压、电流和温度的极大值和极小值,服务器确定每个性能参数的特征取值区间。特征取值区间是一个范围,涵盖了这些性能参数的取值范围。例如,如果输入电压的极大值是100V,极小值是10V,那么输入电压的特征取值区间可以设定为10V到100V之间。在特征取值区间内,服务器进行特征取值。服务器在每个特征取值区间内选择多个特征点,通常均匀分布。这些特征点将用于后续生成候选绝缘电阻测试参数组合。例如,在输入电压的特征取值区间内,服务器选择特征点20V、30V、40V等。同样,在电流和温度的特征取值区间内也进行类似的特征取值操作。服务器使用这些特征点来创建多个候选绝缘电阻测试参数组合。每个组合将包含一个输入电压值、一个电流值和一个温度值,这些值分别来自于输入电压、电流和温度的特征取值。通过组合这些值,服务器生成多个不同的测试参数组合,这些组合将用于绝缘电阻测试
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、通过预置的鲸鱼优化算法,计算初始绝缘电阻测试参数种群中每个候选绝缘电阻测试参数组合的适应度值;
S402、根据适应度值,确定初始绝缘电阻测试参数种群对应的最优解和最差解;
S403、根据最优解和最差解,对初始绝缘电阻测试参数种群进行种群更新和迭代运算,得到目标绝缘电阻测试参数组合。
具体的,服务器鲸鱼优化算法是一种启发式算法,受到了鲸鱼群体行为的启发。它模拟了鲸鱼在寻找食物时的协同行为,通过调整鲸鱼的位置来寻找最佳解。这个算法主要用于解决优化问题,如参数调整、目标最小化等。对于初始绝缘电阻测试参数种群中的每个候选绝缘电阻测试参数组合,首先需要计算其适应度值。适应度值反映了这个参数组合对于绝缘电阻测试的性能表现。在这个问题中,适应度值可以衡量绝缘电阻预测数据与实际测试数据之间的偏差,或者其他相关性能指标。通过鲸鱼优化算法,服务器的目标是最小化适应度值,以找到最佳的测试参数组合。在计算了每个参数组合的适应度值之后,服务器确定初始绝缘电阻测试参数种群中的最优解和最差解。最优解是具有最低适应度值的参数组合,而最差解则是具有最高适应度值的参数组合。最优解代表了当前种群中的最佳性能,是服务器寻找的目标。通过鲸鱼优化算法的迭代过程,服务器不断更新当前的测试参数种群,以逐渐接近最优解。迭代过程中,鲸鱼个体的位置会根据其适应度值进行调整,以更好地探索潜在的最佳解。这个过程将不断重复,直到满足停止迭代的条件,如达到最大迭代次数或达到特定性能指标。例如,假设服务器有一个初始绝缘电阻测试参数种群,其中包括10个不同的参数组合。服务器首先计算每个组合的适应度值,这可以是绝缘电阻预测数据与实际测试数据的均方根误差(RMSE)。服务器确定哪个组合具有最低的适应度值,作为最优解,哪个组合具有最高的适应度值,作为最差解。服务器使用鲸鱼优化算法的迭代过程来更新测试参数种群。在每一代中,服务器根据适应度值调整每个参数组合的位置,以更好地匹配最优解。这个过程将一直重复,直到达到了服务器的优化目标,例如找到了适应度值足够低的参数组合,或者达到了预定的迭代次数。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试,得到目标测试数据;
(2)根据目标测试数据,计算目标充电枪的实测绝缘电阻预测数据;
(3)计算实测绝缘电阻预测数据和目标绝缘电阻预测数据之间的偏差数据;
(4)根据偏差数据,对初始测试关系模型进行模型优化,得到目标测试关系模型。
具体的,使用目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试。这个步骤需要确保测试条件和参数与目标的实际使用情况相匹配,以获取准确的测试数据。根据目标绝缘电阻测试的结果,可以计算出实际测得的绝缘电阻值。这个值将作为实测绝缘电阻预测数据。将实测绝缘电阻预测数据与目标绝缘电阻预测数据进行比较,计算它们之间的偏差数据。这个偏差数据表示了测试结果与预测值之间的差异,是评估测试性能的关键指标。可以使用均方根误差(RMSE)或其他相关的评估指标来计算这个偏差数据。基于偏差数据,可以对初始测试关系模型进行优化。优化模型的目标是最小化偏差,即使实测绝缘电阻预测数据与目标绝缘电阻预测数据更加接近。这可以通过调整模型中的参数、改进模型结构或采用更精确的数据处理方法来实现。例如,假设服务器正在开发一种充电枪绝缘电阻测试方法,并希望通过模型来预测绝缘电阻值。服务器首先确定了一组目标绝缘电阻测试参数,然后使用这些参数对目标充电枪进行测试。测试后,服务器得到了实际测得的绝缘电阻值。服务器使用先前开发的初始测试关系模型来预测目标充电枪的绝缘电阻值。这个预测值与实际测得的值之间存在一些差异,服务器将这些差异称为偏差数据。通过计算这些偏差数据,服务器评估模型的性能。如果偏差数据表明模型的性能不够理想,服务器进行模型优化。例如,服务器尝试调整模型中的参数,使其更好地拟合测试数据。或者,服务器尝试改进数据处理方法,以提高模型的准确性。最终,通过反复迭代这个过程,服务器得到一个更接近目标的测试关系模型,用于准确预测绝缘电阻值。
上面对本发明实施例中充电枪绝缘电阻测试方法进行了描述,下面对本发明实施例中充电枪绝缘电阻测试装置进行描述,请参阅图5,本发明实施例中充电枪绝缘电阻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历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,所述初始测试关系模型包括第一层预测模型以及第二层预测模型;
预测模块502,用于基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;
调整模块503,用于将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据;
创建模块504,用于根据所述历史性能参数数据创建初始绝缘电阻测试参数种群;
分析模块505,用于通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;
优化模块506,用于根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据所述实测绝缘电阻预测数据对所述初始测试关系模型进行模型优化,得到目标测试关系模型。
通过上述各个组成部分的协同合作,构建初始测试关系模型;进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;进行预测数据调整,得到目标绝缘电阻预测数据;创建初始绝缘电阻测试参数种群;通过预置的鲸鱼优化算法对初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;根据目标绝缘电阻测试参数组合对目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据实测绝缘电阻预测数据对初始测试关系模型进行模型优化,得到目标测试关系模型,本发明采用智能化的预测模型,能够自动化进行绝缘电阻测试,大大缩短测试时间,提高测试效率。通过结合深度学习模型和普通克里金模型,可以更准确地预测绝缘电阻的变化趋势。具备实时监测绝缘电阻变化趋势的能力,可以帮助预测绝缘电阻发生的变化。通过预置的鲸鱼优化算法,能够自动选择最佳的测试参数组合,根据实测绝缘电阻预测数据不断优化测试关系模型,进而实现了直流充电枪的绝缘电阻智能化测试,并提高了充电枪绝缘电阻测试的准确率。
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绝缘电阻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绝缘电阻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绝缘电阻测试设备的结构示意图,该充电枪绝缘电阻测试设备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绝缘电阻测试设备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,在充电枪绝缘电阻测试设备600上执行存储介质630中的一系列指令操作。
充电枪绝缘电阻测试设备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示出的充电枪绝缘电阻测试设备结构并不构成对充电枪绝缘电阻测试设备的限定,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绝缘电阻测试设备,所述充电枪绝缘电阻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绝缘电阻测试方法的步骤。
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绝缘电阻测试方法的步骤。
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 (8)
1.一种充电枪绝缘电阻测试方法,其特征在于,所述充电枪绝缘电阻测试方法包括:
获取目标充电枪的历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,所述初始测试关系模型包括第一层预测模型以及第二层预测模型;具体包括:获取目标充电枪的历史性能参数数据,并获取多个性能参数标签,其中,所述多个性能参数标签包括输入电压标签、电流标签及温度标签;将所述多个性能参数标签输入预置的聚类模型,通过所述聚类模型确定所述多个性能参数标签对应的聚类中心,得到多个第一聚类中心,其中,所述多个第一聚类中心包括:第一输入电压聚类中心、第一电流聚类中心及第一温度聚类中心;通过所述多个第一聚类中心对所述历史性能参数数据进行聚类分析,得到每个第一聚类中心的多个特征点距,并根据所述多个特征点距计算每个第一聚类中心的特征点平均距离;根据所述特征点平均距离对所述多个第一聚类中心进行偏移校正,得到多个第二聚类中心,其中,所述多个第二聚类中心包括:第二输入电压聚类中心、第二电流聚类中心及第二温度聚类中心;根据所述多个第二聚类中心对所述历史性能参数数据进行聚类分析,得到输入电压数据、电流数据及温度数据;根据所述输入电压数据创建对应的输入电压分析网络,其中,所述输入电压分析网络包括第一输入层、多个第一隐藏层以及第一输出层;根据所述电流数据创建对应的电流分析网络,其中,所述电流分析网络包括第二输入层、多个第二隐藏层以及第二输出层;根据所述温度数据创建对应的温度分析网络,其中,所述输入电压分析网络包括第三输入层、多个第三隐藏层以及第三输出层;将所述输入电压分析网络、所述电流分析网络以及所述温度分析网络作为第一层预测模型,并获取普通克里金模型作为第二层预测模型;对所述第一层预测模型和所述第二层预测模型进行模型集成,得到充电枪绝缘电阻与性能参数之间的初始测试关系模型;
基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;
将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据;
根据所述历史性能参数数据创建初始绝缘电阻测试参数种群;
通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;
根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据所述实测绝缘电阻预测数据对所述初始测试关系模型进行模型优化,得到目标测试关系模型;具体包括:根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到目标测试数据;根据所述目标测试数据,计算所述目标充电枪的实测绝缘电阻预测数据;计算所述实测绝缘电阻预测数据和所述目标绝缘电阻预测数据之间的偏差数据;根据所述偏差数据,对所述初始测试关系模型进行模型优化,得到目标测试关系模型。
2.根据权利要求1所述的充电枪绝缘电阻测试方法,其特征在于,所述基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据,包括:
通过所述第一层预测模型中输入电压分析网络的第一输入层接收所述输入电压数据,并通过所述多个第一隐藏层对所述输入电压数据进行隐藏特征提取,得到输入电压特征向量,以及通过所述第一输出层对所述输入电压特征向量进行绝缘电阻变化趋势预测,得到第一绝缘电阻预测数据;
通过所述第一层预测模型中电流分析网络的第二输入层接收所述电流数据,并通过所述多个第二隐藏层对所述电流数据进行隐藏特征提取,得到电流特征向量,以及通过所述第二输出层对所述电流特征向量进行绝缘电阻变化趋势预测,得到第二绝缘电阻预测数据;
通过所述第一层预测模型中温度分析网络的第三输入层接收所述温度数据,并通过所述多个第三隐藏层对所述温度数据进行隐藏特征提取,得到温度特征向量,以及通过所述第三输出层对所述温度特征向量进行绝缘电阻变化趋势预测,得到第三绝缘电阻预测数据;
获取所述输入电压数据对应的第一绝缘电阻影响权重,并获取所述电流数据对应的第二绝缘电阻影响权重,以及获取所述温度数据对应的第三绝缘电阻影响权重;
根据所述第一绝缘电阻影响权重计算所述第一绝缘电阻预测数据的第一加权电阻预测数据,并根据所述第二绝缘电阻影响权重计算所述第二绝缘电阻预测数据的第二加权电阻预测数据,以及根据所述第三绝缘电阻影响权重计算所述第三绝缘电阻预测数据的第三加权电阻预测数据;
对所述第一加权电阻预测数据、所述第二加权电阻预测数据以及所述第三加权电阻预测数据进行预测数据融合,得到初始绝缘电阻预测数据。
3.根据权利要求1所述的充电枪绝缘电阻测试方法,其特征在于,所述将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据,包括:
对所述历史性能参数数据进行特征参数矩阵转换,得到历史性能参数矩阵,并对所述初始绝缘电阻预测数据进行预测数据矩阵转换,得到绝缘电阻预测矩阵;
对所述历史性能参数矩阵和所述绝缘电阻预测矩阵进行矩阵组合,得到目标预测评价矩阵;
将所述目标预测评价矩阵输入所述第二层预测模型中的普通克里金模型,通过所述普通克里金模型定义所述目标预测评价矩阵的半变异函数;
通过所述普通克里金模型,根据所述半变异函数对所述目标预测评价矩阵进行插值,生成目标绝缘电阻预测数据。
4.根据权利要求1所述的充电枪绝缘电阻测试方法,其特征在于,所述根据所述历史性能参数数据创建初始绝缘电阻测试参数种群,包括:
计算所述历史性能参数数据中输入电压数据的输入电压极大值和输入电压极小值,并计算所述历史性能参数数据中电流数据的电流极大值和电流极小值,以及计算所述历史性能参数数据中温度数据的温度极大值和温度极小值;
根据所述输入电压极大值和所述输入电压极小值确定输入电压特征取值区间,并根据所述电流极大值和所述电流极小值确定电流特征取值区间,以及根据所述温度极大值和所述温度极小值确定温度特征取值区间;
分别对所述输入电压特征取值区间、所述电流特征取值区间以及所述温度特征取值区间进行特征取值,生成多个候选绝缘电阻测试参数组合;
根据所述多个候选绝缘电阻测试参数组合,创建对应的初始绝缘电阻测试参数种群。
5.根据权利要求4所述的充电枪绝缘电阻测试方法,其特征在于,所述通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合,包括:
通过预置的鲸鱼优化算法,计算所述初始绝缘电阻测试参数种群中每个候选绝缘电阻测试参数组合的适应度值;
根据所述适应度值,确定所述初始绝缘电阻测试参数种群对应的最优解和最差解;
根据所述最优解和所述最差解,对所述初始绝缘电阻测试参数种群进行种群更新和迭代运算,得到目标绝缘电阻测试参数组合。
6.一种充电枪绝缘电阻测试装置,其特征在于,所述充电枪绝缘电阻测试装置包括:
获取模块,用于获取目标充电枪的历史性能参数数据,并构建充电枪绝缘电阻与性能参数之间的初始测试关系模型,其中,所述初始测试关系模型包括第一层预测模型以及第二层预测模型;具体包括:获取目标充电枪的历史性能参数数据,并获取多个性能参数标签,其中,所述多个性能参数标签包括输入电压标签、电流标签及温度标签;将所述多个性能参数标签输入预置的聚类模型,通过所述聚类模型确定所述多个性能参数标签对应的聚类中心,得到多个第一聚类中心,其中,所述多个第一聚类中心包括:第一输入电压聚类中心、第一电流聚类中心及第一温度聚类中心;通过所述多个第一聚类中心对所述历史性能参数数据进行聚类分析,得到每个第一聚类中心的多个特征点距,并根据所述多个特征点距计算每个第一聚类中心的特征点平均距离;根据所述特征点平均距离对所述多个第一聚类中心进行偏移校正,得到多个第二聚类中心,其中,所述多个第二聚类中心包括:第二输入电压聚类中心、第二电流聚类中心及第二温度聚类中心;根据所述多个第二聚类中心对所述历史性能参数数据进行聚类分析,得到输入电压数据、电流数据及温度数据;根据所述输入电压数据创建对应的输入电压分析网络,其中,所述输入电压分析网络包括第一输入层、多个第一隐藏层以及第一输出层;根据所述电流数据创建对应的电流分析网络,其中,所述电流分析网络包括第二输入层、多个第二隐藏层以及第二输出层;根据所述温度数据创建对应的温度分析网络,其中,所述输入电压分析网络包括第三输入层、多个第三隐藏层以及第三输出层;将所述输入电压分析网络、所述电流分析网络以及所述温度分析网络作为第一层预测模型,并获取普通克里金模型作为第二层预测模型;对所述第一层预测模型和所述第二层预测模型进行模型集成,得到充电枪绝缘电阻与性能参数之间的初始测试关系模型;
预测模块,用于基于所述第一层预测模型对所述历史性能参数数据进行绝缘电阻变化趋势预测,得到初始绝缘电阻预测数据;
调整模块,用于将所述历史性能参数数据和所述初始绝缘电阻预测数据输入所述第二层预测模型进行预测数据调整,得到目标绝缘电阻预测数据;
创建模块,用于根据所述历史性能参数数据创建初始绝缘电阻测试参数种群;
分析模块,用于通过预置的鲸鱼优化算法对所述初始绝缘电阻测试参数种群进行参数组合最优化分析,得到目标绝缘电阻测试参数组合;
优化模块,用于根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到实测绝缘电阻预测数据,并根据所述实测绝缘电阻预测数据对所述初始测试关系模型进行模型优化,得到目标测试关系模型;具体包括:根据所述目标绝缘电阻测试参数组合对所述目标充电枪进行绝缘电阻测试,得到目标测试数据;根据所述目标测试数据,计算所述目标充电枪的实测绝缘电阻预测数据;计算所述实测绝缘电阻预测数据和所述目标绝缘电阻预测数据之间的偏差数据;根据所述偏差数据,对所述初始测试关系模型进行模型优化,得到目标测试关系模型。
7.一种充电枪绝缘电阻测试设备,其特征在于,所述充电枪绝缘电阻测试设备包括: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,以使得所述充电枪绝缘电阻测试设备执行如权利要求1-5中任一项所述的充电枪绝缘电阻测试方法。
8.一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1-5中任一项所述的充电枪绝缘电阻测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410248599.4A CN117828314B (zh) | 2024-03-05 | 2024-03-05 | 充电枪绝缘电阻测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410248599.4A CN117828314B (zh) | 2024-03-05 | 2024-03-05 | 充电枪绝缘电阻测试方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828314A CN117828314A (zh) | 2024-04-05 |
CN117828314B true CN117828314B (zh) | 2024-05-07 |
Family
ID=90511809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410248599.4A Active CN117828314B (zh) | 2024-03-05 | 2024-03-05 | 充电枪绝缘电阻测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828314B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015683A (zh) * | 2022-08-09 | 2022-09-06 | 深圳永贵技术有限公司 | 电缆生产的性能测试方法、装置、设备及存储介质 |
CN115184193A (zh) * | 2022-09-06 | 2022-10-14 | 深圳永贵技术有限公司 | 线缆的自动化测试方法、装置、设备及存储介质 |
CN117214637A (zh) * | 2023-10-26 | 2023-12-12 | 深圳永贵技术有限公司 | 充电枪耐压测试方法、装置、设备及存储介质 |
CN117350216A (zh) * | 2023-10-09 | 2024-01-05 | 广东电网有限责任公司 | 电阻预测模型训练方法、装置、电子设备和存储介质 |
-
2024
- 2024-03-05 CN CN202410248599.4A patent/CN117828314B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015683A (zh) * | 2022-08-09 | 2022-09-06 | 深圳永贵技术有限公司 | 电缆生产的性能测试方法、装置、设备及存储介质 |
CN115184193A (zh) * | 2022-09-06 | 2022-10-14 | 深圳永贵技术有限公司 | 线缆的自动化测试方法、装置、设备及存储介质 |
CN117350216A (zh) * | 2023-10-09 | 2024-01-05 | 广东电网有限责任公司 | 电阻预测模型训练方法、装置、电子设备和存储介质 |
CN117214637A (zh) * | 2023-10-26 | 2023-12-12 | 深圳永贵技术有限公司 | 充电枪耐压测试方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117828314A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Turetskyy et al. | Battery production design using multi-output machine learning models | |
CN109376881B (zh) | 基于维修成本优化的复杂系统维修决策方法 | |
US9209743B2 (en) | Fault detection apparatus and fault detection method | |
CN109102101B (zh) | 风电场风速的预测方法和系统 | |
EP3905424B1 (en) | Data processing device, data processing method and computer program | |
CN110059337B (zh) | 基于Bayes多源数据融合的陀螺系统寿命预测方法 | |
CN116484269B (zh) | 显示屏模组的参数处理方法、装置、设备及存储介质 | |
Georgopoulou et al. | Metamodel-assisted evolutionary algorithms for the unit commitment problem with probabilistic outages | |
CN113169044A (zh) | 高度共线响应空间中的规范性分析 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN109410502A (zh) | 火灾预警方法及装置 | |
CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
CN114678962A (zh) | 基于电力物联网的分布式阵列测温异常数据传输监控系统 | |
CN115236541A (zh) | 提供老化状态模型以确定电蓄能器老化状态的方法和装置 | |
CN117828314B (zh) | 充电枪绝缘电阻测试方法、装置、设备及存储介质 | |
CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
KR20200013146A (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
CN117077052A (zh) | 一种基于工况识别的干式变压器异常检测方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
Hatherall et al. | Load prediction based remaining discharge energy estimation using a combined online and offline prediction framework | |
CN115544803A (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
CN117214637B (zh) | 充电枪耐压测试方法、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 |