CN117890825B - 充电枪的泄露电流测试方法、装置、设备及存储介质 - Google Patents
充电枪的泄露电流测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117890825B CN117890825B CN202410298657.4A CN202410298657A CN117890825B CN 117890825 B CN117890825 B CN 117890825B CN 202410298657 A CN202410298657 A CN 202410298657A CN 117890825 B CN117890825 B CN 117890825B
- Authority
- CN
- China
- Prior art keywords
- current
- data
- feature
- test
- charging gun
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 304
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000001514 detection method Methods 0.000 claims abstract description 88
- 230000005856 abnormality Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000003889 chemical engineering Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000009826 distribution Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 238000013461 design Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000013101 initial test Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004573 interface analysis Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 9
- 238000009413 insulation Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Power Engineering (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及充电测试技术领域，公开了一种充电枪的泄露电流测试方法、装置、设备及存储介质，用于提高充电枪的泄露电流测试准确率并且提高充电枪电流泄露接口异常定位的准确率。方法包括：对目标充电枪进行电流测试，得到充电工况数据；将充电工况数据输入主成分特征提取模型进行工况特征提取，得到工况敏感特征集合；对工况敏感特征集合进行离散化处理，得到离散化工况特征；对离散化工况特征进行特征编码，得到编码特征向量；将每个测试电压的编码特征向量输入电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；将电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
Description
技术领域
本发明涉及充电测试技术领域，尤其涉及一种充电枪的泄露电流测试方法、装置、设备及存储介质。
背景技术
随着电动汽车的普及，充电基础设施的需求不断增加。充电枪是电动汽车与充电桩之间的关键连接部件。确保充电枪的安全性和可靠性对电动汽车的用户和充电设施的运营商至关重要。电流泄露是指充电枪在充电过程中意外泄露电流，导致电击危险、设备损坏、火灾等严重后果。因此，及早发现和解决电流泄露问题对充电设备的安全至关重要。
随着技术的发展，充电设备的监测和维护越来越趋向自动化和智能化。通过机器学习和数据分析等技术，可以实现对充电枪的实时监测，及时发现潜在问题，但是现有方案的准确率较低。
发明内容
本发明提供了一种充电枪的泄露电流测试方法、装置、设备及存储介质，用于提高充电枪的泄露电流测试准确率并且提高充电枪电流泄露接口异常定位的准确率。
本发明第一方面提供了一种充电枪的泄露电流测试方法，所述充电枪的泄露电流测试方法包括：
基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据；
将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合；
对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征；
对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量；
将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；
将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
结合第一方面，在本发明第一方面的第一种实现方式中，所述基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据，包括：
获取目标充电枪的充电枪设计参数数据，并根据所述充电枪设计参数数据确定电压测试范围；
对所述电压测试范围进行电压分段，得到标准电压充电段、高电压充电段以及低电压充电段；
根据所述标准电压充电段、所述高电压充电段以及所述低电压充电段确定多个不同的测试电压；
根据所述多个不同的测试电压对所述目标充电枪进行电流测试，并通过预置的数据采集系统对所述目标充电枪进行测试数据采集，得到初始测试数据集合；
对所述初始测试数据集合进行噪声去除和校准，得到目标测试数据集合；
将所述目标测试数据集合映射到预置的目标数据空间，并根据所述多个不同的测试电压确定多个数据聚类中心；
在所述目标数据空间中，对所述多个数据聚类中心进行数据点聚类分析，输出每个测试电压的充电工况数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合，包括：
对每个测试电压的充电工况数据进行数据矩阵转换，得到每个测试电压的初始工况数据矩阵；
对所述初始工况数据矩阵进行中心化处理，得到每个测试电压的目标工况数据矩阵；
计算每个目标工况数据矩阵对应的协方差矩阵，并对所述协方差矩阵进行特征值分解，得到每个测试电压的特征值以及特征向量；
对所述特征值进行排序，得到目标特征值序列，并根据所述目标特征值序列选取每个测试电压的主成分特征；
根据所述主成分特征对每个测试电压的充电工况数据进行主成分投影以及数据降维，得到每个测试电压的工况敏感特征集合。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征，包括：
计算所述工况敏感特征集合中每个特征的最大值和最小值，得到对应的特征值范围；
确定所述工况敏感特征集合对应的K值，并根据所述K值和所述特征值范围计算每个离散区间的区间宽度；
根据所述区间宽度，对所述工况敏感特征集合进行离散区间划分，得到K个离散区间；
获取所述工况敏感特征集合中每个特征的值，并计算每个特征的值与所述最小值的偏移量；
将所述偏移量除以所述区间宽度，确定每个特征对应的离散区间，并根据每个特征对应的离散区间进行分桶处理，得到每个测试电压的离散化工况特征。
结合第一方面，在本发明第一方面的第四种实现方式中，所述对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量，包括：
创建所述离散化工况特征的编码映射关系，并根据所述编码映射关系对所述离散化工况特征进行特征编码，得到每个离散化工况特征的特征编码值；
对每个离散化工况特征的特征编码值进行时序信息关联处理，得到时序关联编码值；
对所述时序关联编码值进行编码特征组合和向量转换，得到每个测试电压的初始特征向量；
对每个测试电压的初始特征向量进行标准化处理，得到每个测试电压的编码特征向量。
结合第一方面，在本发明第一方面的第五种实现方式中，所述将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据，包括：
将每个测试电压的编码特征向量输入预置的电流异常检测模型，其中，所述电流异常检测模型包括：编码器、解码器、全连接层和反归一化层；
通过所述编码器接收每个测试电压的编码特征向量，并通过所述编码器中的双向长短时记忆网络对所述编码特征向量进行隐藏特征提取，得到隐藏特征向量；
通过所述解码器中的单向长短时记忆网络对所述隐藏特征向量进行特征还原，得到目标特征向量；
将所述目标特征向量输入所述全连接层进行高维特征提取，得到高维特征向量；
通过所述反归一化层对所述高维特征向量进行特征运算，输出每个测试电压的电流异常检测数据。
结合第一方面，在本发明第一方面的第六种实现方式中，所述将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果，包括：
基于预设的电流异常知识库，构建充电枪电流泄露接口的异常因素和概率分布；
根据所述充电枪电流泄露接口的异常因素和概率分布，构建贝叶斯网络；
将所述电流异常检测数据输入所述贝叶斯网络，并通过所述贝叶斯网络中的有向无环图对所述电流异常检测数据进行异常节点提取，得到目标异常节点；
对所述目标异常节点进行充电枪电流泄露接口分析，得到泄露电流测试结果。
本发明第二方面提供了一种充电枪的泄露电流测试装置，所述充电枪的泄露电流测试装置包括：
测试模块，用于基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据；
提取模块，用于将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合；
离散模块，用于对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征；
编码模块，用于对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量；
检测模块，用于将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；
分析模块，用于将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
本发明第三方面提供了一种充电枪的泄露电流测试设备，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，以使得所述充电枪的泄露电流测试设备执行上述的充电枪的泄露电流测试方法。
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的泄露电流测试方法。
本发明提供的技术方案中，对目标充电枪进行电流测试，得到充电工况数据；将充电工况数据输入主成分特征提取模型进行工况特征提取，得到工况敏感特征集合；对工况敏感特征集合进行离散化处理，得到离散化工况特征；对离散化工况特征进行特征编码，得到编码特征向量；将每个测试电压的编码特征向量输入电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；将电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果，本发明通过多电压充电测试、特征提取和电流异常检测步骤，有效地检测电流泄露问题，采用了自动化的数据采集和分析技术，使得充电设备的检测过程更为高效和实时。实时监测允许及时响应潜在问题，提高了维护和管理的效率。通过在不同电压下进行充电测试，考虑了充电工况的多样性，能够适应不同充电场景，包括标准电压、高电压和低电压，提高了测试的全面性和准确性。充分利用了大量的充电工况数据，通过机器学习和贝叶斯网络等技术，实现了数据驱动的电流异常检测和分析更准确的泄露电流测试结果，进而提高了充电枪的泄露电流测试准确率，并且提高了充电枪电流泄露接口异常定位的准确率。
附图说明
图1为本发明实施例中充电枪的泄露电流测试方法的一个实施例示意图；
图2为本发明实施例中工况特征提取的流程图；
图3为本发明实施例中离散化处理的流程图；
图4为本发明实施例中特征编码的流程图；
图5为本发明实施例中充电枪的泄露电流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的泄露电流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的泄露电流测试方法、装置、设备及存储介质，用于提高充电枪的泄露电流测试准确率并且提高充电枪电流泄露接口异常定位的准确率。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的泄露电流测试方法的一个实施例包括：
S101、基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据；
可以理解的是，本发明的执行主体可以为充电枪的泄露电流测试装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取目标充电枪的充电枪设计参数数据。这些数据包括充电枪的电气特性、材料属性、结构参数等。这些参数将用于后续步骤，特别是确定电压测试范围和测试电压。基于充电枪设计参数数据，确定适当的电压测试范围。这个范围将考虑充电枪的设计特性，以确保测试涵盖了潜在的泄露电流情况。电压测试范围通常可以分为标准电压充电段、高电压充电段以及低电压充电段。将电压测试范围分段为标准电压充电段、高电压充电段和低电压充电段。根据每个分段确定多个不同的测试电压值。这些测试电压值将用于后续的电流测试。例如，对于标准电压充电段，可以选择以下测试电压：220V、240V、260V。对于高电压充电段，可以选择：280V、300V、320V。对于低电压充电段，可以选择：180V、200V、220V。使用所确定的多个不同的测试电压对目标充电枪进行电流测试。通过预置的数据采集系统对目标充电枪进行测试数据采集，得到初始测试数据集合。这些数据将包括电流值和对应的测试电压值。初始测试数据集合包含噪声和偏差。因此，需要进行噪声去除和数据校准的步骤，以确保数据的准确性和可靠性。这个过程包括滤波、校正系数的应用等。将目标测试数据集合映射到预置的目标数据空间中。在这个数据空间中，根据多个不同的测试电压确定多个数据聚类中心。这些聚类中心将有助于分析不同测试电压下的充电工况数据。在目标数据空间中，对多个数据聚类中心进行数据点聚类分析。这将有助于确定每个测试电压下的充电工况数据。聚类分析包括K均值聚类、DBSCAN等算法，以识别不同的充电工况。例如，假设服务器有一种充电枪，其设计参数数据包括电阻、电容、绝缘材料特性等。根据这些参数，服务器确定电压测试范围为150V至350V，分为标准电压充电段、高电压充电段和低电压充电段。服务器选择以下测试电压值：标准电压充电段：200V、220V、240V；高电压充电段：280V、300V、320V；低电压充电段：160V、180V、200V。服务器对充电枪进行电流测试，采集测试数据，去除噪声并进行校准。服务器将数据映射到目标数据空间，并确定每个测试电压下的数据聚类中心。在目标数据空间中进行数据点聚类分析，服务器识别出不同测试电压下的充电工况数据。这些数据将有助于检测充电枪的泄露电流问题并提供详细的测试结果，以确保充电枪的安全性和性能符合标准要求。
S102、将充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合；
具体的，服务器对每个测试电压的充电工况数据进行数据矩阵转换。将每个测试电压下的充电工况数据组织成一个数据矩阵，其中每一行代表一个样本，每一列代表一个特征（是电流值、电压值等）。这将得到每个测试电压的初始工况数据矩阵。对初始工况数据矩阵进行中心化处理，以使数据的均值为零。这是为了去除数据的偏移，确保后续的特征提取过程不受均值的影响。中心化处理可以通过减去每个特征的均值来实现。计算每个目标工况数据矩阵对应的协方差矩阵。协方差矩阵用于描述不同特征之间的关系。对协方差矩阵进行特征值分解，得到每个测试电压的特征值以及特征向量。特征值表示协方差矩阵的特征，它们反映了数据的方差分布情况。特征向量则是与特征值对应的，它们描述了数据在不同特征方向上的分布。将特征值进行排序，通常按降序排列。服务器确定哪些特征是最显著的，即具有最大的方差。根据排序后的特征值选取每个测试电压的主成分特征。服务器选择保留具有最大特征值的前几个主成分。这些主成分是数据中最重要的方向，它们包含了大部分数据方差信息。使用所选的主成分特征对每个测试电压的充电工况数据进行主成分投影。这将把原始数据投影到主成分方向上，以获得每个测试电压的工况敏感特征集合。这些特征集合是数据的降维表示，它们保留了最重要的信息并减少了数据的维度。例如，考虑一个充电枪的泄露电流测试，服务器测量了该充电枪在不同电压下的充电工况数据，包括电流值和电压值。将不同测试电压下的充电工况数据转换为数据矩阵。对数据矩阵进行中心化，确保均值为零。对中心化后的数据计算协方差矩阵，并进行特征值分解，得到特征值和特征向量。按特征值的降序排列，选择前几个最大特征值对应的特征向量作为主成分特征。将原始数据投影到所选的主成分上，得到工况敏感特征集合，实现数据降维。这些工况敏感特征集合可以用于后续的电流异常检测和分析，有助于识别充电枪的泄露电流问题，并提供更准确的测试结果。这个特征提取过程将帮助服务器理解充电枪的性能特征，以便进行更深入的故障诊断和维护。
S103、对工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征；
需要说明的是，对工况敏感特征集合中的每个特征进行计算，找出每个特征的最大值和最小值，从而得到对应的特征值范围。这将帮助确定数据的范围。确定工况敏感特征集合对应的K值，K值是指要将数据划分成多少个离散区间。K值的选择基于应用需求，可以手动选择或根据数据分布来确定。根据K值和特征值范围计算每个离散区间的区间宽度，即将特征值范围均匀划分成K个区间。根据计算得到的区间宽度，将工况敏感特征集合进行离散区间划分。这将把每个特征的连续值映射到相应的离散区间中。获取工况敏感特征集合中每个特征的值，并计算每个特征值与对应特征的最小值的偏移量。这将告诉服务器每个特征在其特征值范围内的相对位置。将每个特征的偏移量除以特征对应的区间宽度，以确定每个特征对应的离散区间索引。根据每个特征对应的离散区间索引进行分桶处理，将每个特征的值映射到相应的分桶中。每个分桶代表一个离散化的工况特征。例如，假设服务器有一组充电枪的工况敏感特征集合，其中包括电流、电压、温度等特征。服务器希望对这些连续特征进行离散化处理，以进行进一步的分析。对于电流特征，最大值为10A，最小值为2A。对于电压特征，最大值为300V，最小值为150V。对于温度特征，最大值为40°C，最小值为10°C。假设服务器选择K=5，那么对于电流特征，区间宽度为(10A-2A)/5=1.6A。对于电压特征，区间宽度为(300V-150V)/5=30V。对于温度特征，区间宽度为(40°C-10°C)/5=6°C。将每个特征的连续值划分为对应的离散区间。如果某个电流值为5A，其最小值偏移量为5A-2A=3A。同样，如果某个电压值为210V，其最小值偏移量为210V-150V=60V。将特征值偏移量除以区间宽度，以确定特征值在离散区间中的位置。例如，对于电流值5A，(5A-2A)/1.6A=1.875，将其映射到第2个离散区间。同样，对于电压值210V，(210V-150V)/30V=2，将其映射到第3个离散区间。
S104、对离散化工况特征进行特征编码，得到每个测试电压的编码特征向量；
具体的，为离散化工况特征创建编码映射关系。这个映射关系将每个离散化工况特征映射到一个唯一的编码值。这可以是一个字典或映射表，其中特征值与编码值之间建立对应关系。对于每个离散化工况特征，根据创建的编码映射关系，将特征的离散化值映射到相应的编码值。这将得到每个离散化工况特征的特征编码值。如果测试数据包含时序信息，例如不同时间点的充电工况数据，可以对时序信息进行关联处理。这包括计算差分值、均值、方差等统计特征，以获取时序关联编码值。这可以帮助捕捉时间序列数据中的变化趋势。将所有特征编码值组合成一个初始特征向量。这个特征向量将包括每个离散化工况特征的编码值以及时序关联编码值。这个向量可以作为每个测试电压的初始特征向量。对每个测试电压的初始特征向量进行标准化处理。标准化通常包括将每个特征的值减去均值并除以标准差，以确保每个特征的尺度相同。这将得到每个测试电压的编码特征向量，这些向量可以用于后续的电流异常检测或其他分析任务。例如，假设服务器正在测试充电枪的泄露电流，服务器已经进行了离散化工况特征提取，并有如下离散化工况特征：电流编码值（0，1，2，3）、电压编码值（0，1，2，3）、时序关联编码值（-1.5，0.2，0.8，-0.4）。创建编码映射关系，服务器建立了以下映射关系：电流编码值：0对应2A，1对应4A，2对应6A，3对应8A；电压编码值：0对应150V，1对应200V，2对应250V，3对应300V。对于每个离散化工况特征，根据映射关系将离散值映射到相应的编码值。例如，如果某个测试电压下的充电工况数据为：电流编码值1，电压编码值2，时序关联编码值0.2，那么特征编码将是[1，2，0.2]。在时序信息中，服务器计算不同时间点的差分值或均值方差等统计特征，并将它们作为时序关联编码值的一部分。将所有特征编码值和时序关联编码值组合成一个初始特征向量，例如[1，2，0.2，0.1，0.3]。对初始特征向量进行标准化，确保每个特征的尺度相同，例如，将向量标准化为[0.5，1.2，0.1，0.5，1.0]。本实施例中，服务器将离散化的工况特征转化为编码特征向量，这些向量可以用于进一步的电流异常检测或其他分析任务。这有助于更好地理解充电枪的性能特征并识别潜在的问题。
S105、将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；
具体的，服务器将每个测试电压的编码特征向量输入预置的电流异常检测模型。这个模型包括编码器、解码器、全连接层和反归一化层，它将编码特征向量转化为电流异常检测数据。在电流异常检测模型中，编码器的作用是接收每个测试电压的编码特征向量，并通过双向长短时记忆网络（双向LSTM）对编码特征向量进行隐藏特征提取。这将得到每个测试电压的隐藏特征向量，其中包含了重要的信息。解码器中的单向长短时记忆网络（单向LSTM）用于对隐藏特征向量进行特征还原。解码器的目标是还原编码器中丢失的信息，以获取目标特征向量。这个目标特征向量将包含更多原始编码特征的详细信息。将目标特征向量输入全连接层进行高维特征提取。全连接层可以将特征向量映射到高维空间中，以更好地捕捉特征之间的关系和电流异常的潜在模式。这将得到高维特征向量。通过反归一化层对高维特征向量进行特征运算，以输出每个测试电压的电流异常检测数据。这一步骤包括阈值判定或其他电流异常检测算法，以确定是否存在异常情况。例如，假设服务器有一台充电枪的泄露电流测试数据，其中包括电流、电压和温度等特征。服务器已经提取了每个测试电压的编码特征向量，现在要使用电流异常检测模型进行分析。将某个测试电压的编码特征向量[0.5，0.2，0.8]输入电流异常检测模型。编码器接收编码特征向量，通过双向LSTM进行隐藏特征提取，得到隐藏特征向量[0.3，0.6，0.4，0.2]。解码器中的单向LSTM对隐藏特征向量进行特征还原，得到目标特征向量[0.4，0.5，0.3，0.1]。将目标特征向量输入全连接层，得到高维特征向量[0.7，0.8，0.9，0.6]。通过反归一化层对高维特征向量进行特征运算，例如，如果异常得分超过某个预定阈值，就判定为电流异常。
S106、将电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
具体的，根据预设的电流异常知识库，识别充电枪电流泄露接口的异常因素和其概率分布。这可以是各种电流泄露因素，例如连接松动、绝缘损坏等。对每个异常因素，建立相应的概率分布，描述了该因素在充电枪电流泄露中的性。例如，假设服务器知道电流泄露接口的异常因素包括连接松动和绝缘损坏。服务器基于以往的数据或专业知识构建这两个因素的概率分布，例如连接松动的概率分布为0.2，而绝缘损坏的概率分布为0.1。根据异常因素和概率分布，构建贝叶斯网络。贝叶斯网络是一个有向无环图（DAG），其中节点表示变量，边表示这些变量之间的依赖关系。每个节点的概率分布基于其父节点的值。贝叶斯网络的构建应反映异常因素之间的关联关系。将电流异常检测数据输入构建好的贝叶斯网络。这些数据可以包括电流异常检测模型输出的异常节点信息，以及其他相关信息，如电流值、电压值等。通过贝叶斯网络中的有向无环图对电流异常检测数据进行分析，提取目标异常节点。这些异常节点表示了潜在的电流泄露接口异常情况。这一步骤使用贝叶斯推理来计算每个节点的后验概率，以确定哪些节点表示异常情况。对提取的目标异常节点进行电流泄露接口分析。这涉及进一步的数据分析、故障诊断或报警生成，以便识别和解决电流泄露问题。例如，假设在电流异常检测数据中，贝叶斯网络识别了连接松动和绝缘损坏作为目标异常节点。根据这些异常节点的后验概率，服务器得出结论，连接松动的概率为0.9，绝缘损坏的概率为0.7。这表示连接松动的性更高，因此需要更关注连接松动问题。通过这个过程，服务器根据电流异常检测数据和贝叶斯网络进行充电枪电流泄露接口分析，以得到泄露电流测试结果。这有助于识别问题并采取适当的措施来维修充电枪。
本发明实施例中，对目标充电枪进行电流测试，得到充电工况数据；将充电工况数据输入主成分特征提取模型进行工况特征提取，得到工况敏感特征集合；对工况敏感特征集合进行离散化处理，得到离散化工况特征；对离散化工况特征进行特征编码，得到编码特征向量；将每个测试电压的编码特征向量输入电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；将电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果，本发明通过多电压充电测试、特征提取和电流异常检测步骤，有效地检测电流泄露问题，采用了自动化的数据采集和分析技术，使得充电设备的检测过程更为高效和实时。实时监测允许及时响应潜在问题，提高了维护和管理的效率。通过在不同电压下进行充电测试，考虑了充电工况的多样性，能够适应不同充电场景，包括标准电压、高电压和低电压，提高了测试的全面性和准确性。充分利用了大量的充电工况数据，通过机器学习和贝叶斯网络等技术，实现了数据驱动的电流异常检测和分析更准确的泄露电流测试结果，进而提高了充电枪的泄露电流测试准确率，并且提高了充电枪电流泄露接口异常定位的准确率。
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）获取目标充电枪的充电枪设计参数数据，并根据充电枪设计参数数据确定电压测试范围；
（2）对电压测试范围进行电压分段，得到标准电压充电段、高电压充电段以及低电压充电段；
（3）根据标准电压充电段、高电压充电段以及低电压充电段确定多个不同的测试电压；
（4）根据多个不同的测试电压对目标充电枪进行电流测试，并通过预置的数据采集系统对目标充电枪进行测试数据采集，得到初始测试数据集合；
（5）对初始测试数据集合进行噪声去除和校准，得到目标测试数据集合；
（6）将目标测试数据集合映射到预置的目标数据空间，并根据多个不同的测试电压确定多个数据聚类中心；
（7）在目标数据空间中，对多个数据聚类中心进行数据点聚类分析，输出每个测试电压的充电工况数据。
具体的，服务器获取目标充电枪的充电枪设计参数数据。这些参数包括电流范围、电压范围、连接方式、绝缘材料等。这些参数是确定测试范围和电流测试电压的关键依据。例如，假设服务器获得了充电枪设计参数数据，包括电流范围为2A至10A，电压范围为100V至300V。根据充电枪设计参数数据，确定电压测试范围。这个范围应该包括目标充电枪的电压工作范围，以确保充电工况数据的全面性。电压测试范围通常可以划分为标准电压充电段、高电压充电段和低电压充电段。例如，根据设计参数，服务器确定电压测试范围为100V至300V，并将其划分为标准电压充电段（150V至200V）、高电压充电段（200V至250V）和低电压充电段（100V至150V）。在电压测试范围内，确定多个不同的测试电压点。这些测试电压点应该覆盖整个范围，并应该根据需要进行均匀分布或其他采样策略，以确保充电工况数据的多样性。例如，服务器选择以下测试电压点：160V、180V、210V、230V、260V和280V。对于每个测试电压点，进行电流测试。这涉及将充电枪连接到一个测试设备或系统，并测量在给定电压下的电流。通过预置的数据采集系统，对目标充电枪进行测试数据采集，得到初始测试数据集合。对初始测试数据集合进行噪声去除和校准。这可以包括去除采集过程中的噪声、校正仪器误差以及处理异常值，以确保数据的准确性和可靠性。将目标测试数据集合映射到预置的目标数据空间。这一步骤可以使用降维技术或特征提取方法，将数据映射到更高维度的空间，以便进行后续的数据聚类分析。确定多个不同测试电压下的数据聚类中心。在目标数据空间中，对多个数据聚类中心进行数据点聚类分析。这将充电工况数据分成不同的聚类，每个聚类代表了一个测试电压下的充电工况。例如，通过数据聚类分析，服务器将充电工况数据分成多个聚类，每个聚类对应一个测试电压点。这些聚类可以帮助服务器理解在不同电压下充电枪的性能和特性。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对每个测试电压的充电工况数据进行数据矩阵转换，得到每个测试电压的初始工况数据矩阵；
S202、对初始工况数据矩阵进行中心化处理，得到每个测试电压的目标工况数据矩阵；
S203、计算每个目标工况数据矩阵对应的协方差矩阵，并对协方差矩阵进行特征值分解，得到每个测试电压的特征值以及特征向量；
S204、对特征值进行排序，得到目标特征值序列，并根据目标特征值序列选取每个测试电压的主成分特征；
S205、根据主成分特征对每个测试电压的充电工况数据进行主成分投影以及数据降维，得到每个测试电压的工况敏感特征集合。
具体的，服务器对于每个测试电压，将充电工况数据转换成一个数据矩阵。每行代表一个样本（充电事件），每列代表不同的特征或测量值。这个矩阵将是后续特征提取的基础。例如，对于一个测试电压点，服务器创建一个数据矩阵，其中每行代表一个充电事件，每列包括电流、电压、温度等特征的测量值。对初始工况数据矩阵进行中心化处理，即减去每列的均值，以确保数据的均值为零。这有助于消除不同特征之间的平移差异，使数据更具可比性。对中心化后的数据矩阵，计算协方差矩阵。协方差矩阵描述了数据中各个特征之间的相关性和方差。对协方差矩阵进行特征值分解，得到特征值和特征向量。特征值表示协方差矩阵中的方差，而特征向量表示协方差矩阵中各个特征之间的关系。将特征值按降序排列，以确定每个测试电压下的主要特征。较大的特征值对应的特征包含更多的信息，因此排在前面。根据特征值排序，选取主成分特征。选择特征值较大的前几个主成分作为主要工况特征。这些主成分是原始数据的线性组合，能够最大程度地保留原始数据的信息。使用选取的主成分特征对每个测试电压的充电工况数据进行主成分投影，将数据降维到更低维度的空间。这个新的数据表示了工况敏感特征，是后续分析的基础。例如，假设服务器选择了前两个主成分特征，然后对每个测试电压点的充电工况数据进行主成分投影，将数据降维到二维空间。这两个主成分特征可以描述数据的主要变化和工况特性。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、计算工况敏感特征集合中每个特征的最大值和最小值，得到对应的特征值范围；
S302、确定工况敏感特征集合对应的K值，并根据K值和特征值范围计算每个离散区间的区间宽度；
S303、根据区间宽度，对工况敏感特征集合进行离散区间划分，得到K个离散区间；
S304、获取工况敏感特征集合中每个特征的值，并计算每个特征的值与最小值的偏移量；
S305、将偏移量除以区间宽度，确定每个特征对应的离散区间，并根据每个特征对应的离散区间进行分桶处理，得到每个测试电压的离散化工况特征。
具体的，服务器对工况敏感特征集合中的每个特征计算最大值和最小值，以获得对应的特征值范围。这将确定每个特征的取值范围，为后续的离散化处理提供基础。例如，对于一个特征（例如电流），计算其最大值为10A，最小值为2A，因此特征值范围为[2A，10A]。确定工况敏感特征集合对应的K值，即要将特征值范围划分为多少个离散区间。K值的选择通常基于问题的复杂性和数据的分布情况，可以是预先设定的或通过自动化算法确定。根据K值和特征值范围，计算每个离散区间的宽度。区间宽度的计算可以采用等距划分或根据特定的需求进行自定义划分。例如，如果服务器选择K=5，而特征值范围为[2A，10A]，则每个离散区间的宽度(10A-2A)/5=1.6A。根据计算得到的区间宽度，对每个特征的取值范围进行离散区间划分。这将把每个特征的连续值映射到K个离散化的区间中。例如，对于电流特征，根据1.6A的宽度，可以划分为5个离散区间：[2A-3.6A]、(3.6A-5.2A]、(5.2A-6.8A]、(6.8A-8.4A]、(8.4A-10A]。对工况敏感特征集合中每个特征的值进行偏移量计算。偏移量是特征值与最小值之间的差值。这将用于确定每个特征对应的离散区间。例如，对于电流特征，如果特征值为4.5A，最小值为2A，则偏移量为4.5A-2A=2.5A。将每个特征的偏移量除以区间宽度，确定每个特征对应的离散区间。这一步骤将工况敏感特征映射到具体的区间，并将其分桶为对应的离散值。例如，对于电流特征，偏移量为2.5A，而区间宽度为1.6A，因此偏移量除以宽度为2.5A/1.6A≈1.5625。根据计算结果，将电流特征分到第2个区间，即(3.6A-5.2A]。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、创建离散化工况特征的编码映射关系，并根据编码映射关系对离散化工况特征进行特征编码，得到每个离散化工况特征的特征编码值；
S402、对每个离散化工况特征的特征编码值进行时序信息关联处理，得到时序关联编码值；
S403、对时序关联编码值进行编码特征组合和向量转换，得到每个测试电压的初始特征向量；
S404、对每个测试电压的初始特征向量进行标准化处理，得到每个测试电压的编码特征向量。
具体的，服务器为离散化工况特征创建编码映射关系。编码映射关系是每个离散化特征的取值与编码值之间的对应关系。这个关系表可以是事先定义的，也可以根据数据集的特点自动生成。根据创建的编码映射关系，将离散化工况特征的取值编码为对应的特征编码值。这一步骤将每个离散特征转换为一个编码值，便于后续的处理。例如，对于某个测试电压点，电流特征的取值为5.5A，根据编码映射关系，将其编码为2。如果需要考虑时序信息，可以对特征编码值进行时序信息关联处理。这包括将多个特征编码值组合成一个时序关联编码值，以反映在不同时间步的工况特征变化。例如，如果服务器有电流和电压两个特征，可以将它们组合成一个时序关联编码值，表示在某个时间点的工况情况。将所有特征编码值组合成一个初始特征向量。这个特征向量可以包括离散化工况特征的编码值以及时序关联编码值。随后，可以使用向量转换技术（如PCA、TSNE等）将特征向量映射到更高维度或者低维度的空间，以便后续分析或建模。例如，假设服务器有两个离散化工况特征（电流和电压）和一个时序关联编码值，组合成一个初始特征向量[2，3，0.5]。对每个测试电压的初始特征向量进行标准化处理。标准化确保不同特征的尺度相同，以避免某些特征对模型产生过大的影响。通常使用均值和标准差的标准化方法。例如，对初始特征向量[2，3，0.5]进行标准化处理，得到标准化后的编码特征向量[-0.577，0.577，-1.155]。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将每个测试电压的编码特征向量输入预置的电流异常检测模型，其中，电流异常检测模型包括：编码器、解码器、全连接层和反归一化层；
（2）通过编码器接收每个测试电压的编码特征向量，并通过编码器中的双向长短时记忆网络对编码特征向量进行隐藏特征提取，得到隐藏特征向量；
（3）通过解码器中的单向长短时记忆网络对隐藏特征向量进行特征还原，得到目标特征向量；
（4）将目标特征向量输入全连接层进行高维特征提取，得到高维特征向量；
（5）通过反归一化层对高维特征向量进行特征运算，输出每个测试电压的电流异常检测数据。
具体的，编码器是电流异常检测模型的第一部分，它的任务是接收每个测试电压的编码特征向量并进行隐藏特征提取。在编码器中，采用双向长短时记忆网络（Bidirectional Long Short-Term Memory，Bi-LSTM）来处理输入的编码特征向量。Bi-LSTM是一种适用于序列数据的循环神经网络，具有较好的序列建模能力。例如，对于一个编码特征向量[0.2，-0.5，0.8]，编码器中的Bi-LSTM将其映射为隐藏特征向量，如[-0.1，0.3，-0.2]。解码器是电流异常检测模型的第二部分，它的任务是对隐藏特征向量进行特征还原，以得到目标特征向量。在解码器中，采用单向长短时记忆网络（Long Short-TermMemory，LSTM）来处理隐藏特征向量，将其映射回原始编码特征向量的表示。例如，对于隐藏特征向量[-0.1，0.3，-0.2]，解码器中的LSTM将其还原为原始编码特征向量[0.2，-0.5，0.8]。全连接层用于在解码后的目标特征向量基础上进行高维特征提取。全连接层将目标特征向量映射到更高维度的特征空间，以便后续的电流异常检测分析。这一层可以包括多个神经元，每个神经元对应一个高维特征。例如，通过全连接层，目标特征向量[0.2，-0.5，0.8]可以映射为高维特征向量[0.6，-0.2，0.9，0.4，-0.7]。反归一化层负责对高维特征向量进行特征运算，以输出每个测试电压的电流异常检测数据。这一层的具体运算方式根据电流异常检测的目标和模型的设计而定，包括一些统计指标计算、分类或回归等操作。例如，通过反归一化层，高维特征向量[0.6，-0.2，0.9，0.4，-0.7]可以输出电流异常检测数据，如异常概率或异常等级。
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）基于预设的电流异常知识库，构建充电枪电流泄露接口的异常因素和概率分布；
（2）根据充电枪电流泄露接口的异常因素和概率分布，构建贝叶斯网络；
（3）将电流异常检测数据输入贝叶斯网络，并通过贝叶斯网络中的有向无环图对电流异常检测数据进行异常节点提取，得到目标异常节点；
（4）对目标异常节点进行充电枪电流泄露接口分析，得到泄露电流测试结果。
具体的，服务器建立一个预设的电流异常知识库，其中包括充电枪电流泄露接口的异常因素和其概率分布。这个知识库可以由领域专家提供，也可以通过历史数据和经验知识构建。对于每个异常因素，需要确定其性分布，例如正态分布、泊松分布等。例如，在电流异常知识库中，可以包括异常因素如接触不良、绝缘破损、外部环境等，以及它们的概率分布，如接触不良的概率分布为正态分布。根据电流异常知识库中的异常因素和概率分布，构建一个贝叶斯网络。贝叶斯网络是一个概率图模型，它表示了各个异常因素之间的依赖关系和概率分布。节点代表异常因素，边代表因素之间的依赖关系。例如，如果接触不良和绝缘破损是两个异常因素，贝叶斯网络中会有两个节点，它们之间的边表示它们之间的依赖关系。将电流异常检测数据输入构建好的贝叶斯网络中。这些数据通常包括电流异常检测模型输出的结果，如异常概率、异常等级等。贝叶斯网络将根据输入数据和已知的概率分布来计算各个节点的后验概率。例如，输入电流异常检测数据，包括接触不良的异常概率为0.2和绝缘破损的异常概率为0.1。通过贝叶斯网络中的有向无环图，可以对电流异常检测数据进行异常节点提取。异常节点是指在给定输入数据的情况下，后验概率异常或高于某一阈值的节点。这些节点代表了潜在的异常因素。例如，在贝叶斯网络中，接触不良的后验概率为0.8，高于设定的异常阈值，因此接触不良被提取为异常节点。根据提取的异常节点进行充电枪电流泄露接口分析。这一步骤涉及对异常因素的进一步研究和诊断，以确定充电枪电流泄露的具体原因和情况。例如，如果接触不良被提取为异常节点，进一步分析包括检查接触部件的状态、清洁接触点等，以找出导致电流泄露的具体问题。
上面对本发明实施例中充电枪的泄露电流测试方法进行了描述，下面对本发明实施例中充电枪的泄露电流测试装置进行描述，请参阅图5，本发明实施例中充电枪的泄露电流测试装置一个实施例包括：
测试模块501，用于基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据；
提取模块502，用于将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合；
离散模块503，用于对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征；
编码模块504，用于对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量；
检测模块505，用于将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；
分析模块506，用于将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
通过上述各个组成部分的协同合作，对目标充电枪进行电流测试，得到充电工况数据；将充电工况数据输入主成分特征提取模型进行工况特征提取，得到工况敏感特征集合；对工况敏感特征集合进行离散化处理，得到离散化工况特征；对离散化工况特征进行特征编码，得到编码特征向量；将每个测试电压的编码特征向量输入电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；将电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果，本发明通过多电压充电测试、特征提取和电流异常检测步骤，有效地检测电流泄露问题，采用了自动化的数据采集和分析技术，使得充电设备的检测过程更为高效和实时。实时监测允许及时响应潜在问题，提高了维护和管理的效率。通过在不同电压下进行充电测试，考虑了充电工况的多样性，能够适应不同充电场景，包括标准电压、高电压和低电压，提高了测试的全面性和准确性。充分利用了大量的充电工况数据，通过机器学习和贝叶斯网络等技术，实现了数据驱动的电流异常检测和分析更准确的泄露电流测试结果，进而提高了充电枪的泄露电流测试准确率，并且提高了充电枪电流泄露接口异常定位的准确率。
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的泄露电流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的泄露电流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的泄露电流测试设备的结构示意图，该充电枪的泄露电流测试设备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的泄露电流测试设备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，在充电枪的泄露电流测试设备600上执行存储介质630中的一系列指令操作。
充电枪的泄露电流测试设备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示出的充电枪的泄露电流测试设备结构并不构成对充电枪的泄露电流测试设备的限定，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的泄露电流测试设备，所述充电枪的泄露电流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的泄露电流测试方法的步骤。
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的泄露电流测试方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种充电枪的泄露电流测试方法，其特征在于，所述充电枪的泄露电流测试方法包括：
基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据；
将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合；
对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征；
对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量；
将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；
将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
2.根据权利要求1所述的充电枪的泄露电流测试方法，其特征在于，所述基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据，包括：
获取目标充电枪的充电枪设计参数数据，并根据所述充电枪设计参数数据确定电压测试范围；
对所述电压测试范围进行电压分段，得到标准电压充电段、高电压充电段以及低电压充电段；
根据所述标准电压充电段、所述高电压充电段以及所述低电压充电段确定多个不同的测试电压；
根据所述多个不同的测试电压对所述目标充电枪进行电流测试，并通过预置的数据采集系统对所述目标充电枪进行测试数据采集，得到初始测试数据集合；
对所述初始测试数据集合进行噪声去除和校准，得到目标测试数据集合；
将所述目标测试数据集合映射到预置的目标数据空间，并根据所述多个不同的测试电压确定多个数据聚类中心；
在所述目标数据空间中，对所述多个数据聚类中心进行数据点聚类分析，输出每个测试电压的充电工况数据。
3.根据权利要求1所述的充电枪的泄露电流测试方法，其特征在于，所述将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合，包括：
对每个测试电压的充电工况数据进行数据矩阵转换，得到每个测试电压的初始工况数据矩阵；
对所述初始工况数据矩阵进行中心化处理，得到每个测试电压的目标工况数据矩阵；
计算每个目标工况数据矩阵对应的协方差矩阵，并对所述协方差矩阵进行特征值分解，得到每个测试电压的特征值以及特征向量；
对所述特征值进行排序，得到目标特征值序列，并根据所述目标特征值序列选取每个测试电压的主成分特征；
根据所述主成分特征对每个测试电压的充电工况数据进行主成分投影以及数据降维，得到每个测试电压的工况敏感特征集合。
4.根据权利要求1所述的充电枪的泄露电流测试方法，其特征在于，所述对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征，包括：
计算所述工况敏感特征集合中每个特征的最大值和最小值，得到对应的特征值范围；
确定所述工况敏感特征集合对应的K值，并根据所述K值和所述特征值范围计算每个离散区间的区间宽度；
根据所述区间宽度，对所述工况敏感特征集合进行离散区间划分，得到K个离散区间；
获取所述工况敏感特征集合中每个特征的值，并计算每个特征的值与所述最小值的偏移量；
将所述偏移量除以所述区间宽度，确定每个特征对应的离散区间，并根据每个特征对应的离散区间进行分桶处理，得到每个测试电压的离散化工况特征。
5.根据权利要求1所述的充电枪的泄露电流测试方法，其特征在于，所述对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量，包括：
创建所述离散化工况特征的编码映射关系，并根据所述编码映射关系对所述离散化工况特征进行特征编码，得到每个离散化工况特征的特征编码值；
对每个离散化工况特征的特征编码值进行时序信息关联处理，得到时序关联编码值；
对所述时序关联编码值进行编码特征组合和向量转换，得到每个测试电压的初始特征向量；
对每个测试电压的初始特征向量进行标准化处理，得到每个测试电压的编码特征向量。
6.根据权利要求1所述的充电枪的泄露电流测试方法，其特征在于，所述将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据，包括：
将每个测试电压的编码特征向量输入预置的电流异常检测模型，其中，所述电流异常检测模型包括：编码器、解码器、全连接层和反归一化层；
通过所述编码器接收每个测试电压的编码特征向量，并通过所述编码器中的双向长短时记忆网络对所述编码特征向量进行隐藏特征提取，得到隐藏特征向量；
通过所述解码器中的单向长短时记忆网络对所述隐藏特征向量进行特征还原，得到目标特征向量；
将所述目标特征向量输入所述全连接层进行高维特征提取，得到高维特征向量；
通过所述反归一化层对所述高维特征向量进行特征运算，输出每个测试电压的电流异常检测数据。
7.根据权利要求1所述的充电枪的泄露电流测试方法，其特征在于，所述将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果，包括：
基于预设的电流异常知识库，构建充电枪电流泄露接口的异常因素和概率分布；
根据所述充电枪电流泄露接口的异常因素和概率分布，构建贝叶斯网络；
将所述电流异常检测数据输入所述贝叶斯网络，并通过所述贝叶斯网络中的有向无环图对所述电流异常检测数据进行异常节点提取，得到目标异常节点；
对所述目标异常节点进行充电枪电流泄露接口分析，得到泄露电流测试结果。
8.一种充电枪的泄露电流测试装置，其特征在于，所述充电枪的泄露电流测试装置包括：
测试模块，用于基于多个不同的测试电压对目标充电枪进行电流测试，得到每个测试电压的充电工况数据；
提取模块，用于将所述充电工况数据输入预置的主成分特征提取模型进行工况特征提取，得到每个测试电压的工况敏感特征集合；
离散模块，用于对所述工况敏感特征集合进行离散化处理，得到每个测试电压的离散化工况特征；
编码模块，用于对所述离散化工况特征进行特征编码，得到每个测试电压的编码特征向量；
检测模块，用于将每个测试电压的编码特征向量输入预置的电流异常检测模型进行电流异常检测，得到每个测试电压的电流异常检测数据；
分析模块，用于将所述电流异常检测数据输入预置的贝叶斯网络进行充电枪电流泄露接口分析，得到泄露电流测试结果。
9.一种充电枪的泄露电流测试设备，其特征在于，所述充电枪的泄露电流测试设备包括：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，以使得所述充电枪的泄露电流测试设备执行如权利要求1-7中任一项所述的充电枪的泄露电流测试方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的充电枪的泄露电流测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410298657.4A CN117890825B (zh) | 2024-03-15 | 2024-03-15 | 充电枪的泄露电流测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410298657.4A CN117890825B (zh) | 2024-03-15 | 2024-03-15 | 充电枪的泄露电流测试方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117890825A CN117890825A (zh) | 2024-04-16 |
| CN117890825B true CN117890825B (zh) | 2024-05-14 |
Family
ID=90641563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410298657.4A Active CN117890825B (zh) | 2024-03-15 | 2024-03-15 | 充电枪的泄露电流测试方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117890825B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183865A (zh) * | 2006-11-13 | 2008-05-21 | 国际商业机器公司 | 芯片泄漏电流的检测和补偿的电路设备和方法 |
| CN103412206A (zh) * | 2013-07-10 | 2013-11-27 | 华北电力大学（保定） | 一种多工况的电动汽车充电设备的自动化测试试验系统 |
| CN112946525A (zh) * | 2021-04-02 | 2021-06-11 | 国家电网有限公司 | 一种金属氧化物避雷器表面污染在线检测方法 |
| CN113791300A (zh) * | 2021-11-15 | 2021-12-14 | 广东电网有限责任公司东莞供电局 | 一种充电站的充电枪状态监测方法及系统 |
| CN116186630A (zh) * | 2022-09-21 | 2023-05-30 | 中国电力科学研究院有限公司 | 一种异常漏电电流数据识别方法及相关装置 |
| CN116893371A (zh) * | 2023-05-29 | 2023-10-17 | 华北电力大学 | 一种现场gis盆式绝缘子温度梯度下泄漏电流的测试方法 |
| CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110178967A1 (en) * | 2001-05-24 | 2011-07-21 | Test Advantage, Inc. | Methods and apparatus for data analysis |
| US9535106B2 (en) * | 2015-02-04 | 2017-01-03 | Chengli Li | Leakage current detection device for appliances |
-
2024
- 2024-03-15 CN CN202410298657.4A patent/CN117890825B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183865A (zh) * | 2006-11-13 | 2008-05-21 | 国际商业机器公司 | 芯片泄漏电流的检测和补偿的电路设备和方法 |
| CN103412206A (zh) * | 2013-07-10 | 2013-11-27 | 华北电力大学（保定） | 一种多工况的电动汽车充电设备的自动化测试试验系统 |
| CN112946525A (zh) * | 2021-04-02 | 2021-06-11 | 国家电网有限公司 | 一种金属氧化物避雷器表面污染在线检测方法 |
| CN113791300A (zh) * | 2021-11-15 | 2021-12-14 | 广东电网有限责任公司东莞供电局 | 一种充电站的充电枪状态监测方法及系统 |
| CN116186630A (zh) * | 2022-09-21 | 2023-05-30 | 中国电力科学研究院有限公司 | 一种异常漏电电流数据识别方法及相关装置 |
| CN116893371A (zh) * | 2023-05-29 | 2023-10-17 | 华北电力大学 | 一种现场gis盆式绝缘子温度梯度下泄漏电流的测试方法 |
| CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Sanjun Xie,et al..Review on the risk and treatment of electric vehicle charging pile charging leakage.《2021 IEEE 16th Conference on Industrial Electronics and Applications (ICIEA)》.2021,第391-395页. * |
| 泄漏电流数据的Spark-KNN并行模式识别方法;李莉等;《系统仿真学报》;20180408;第30卷(第04期);第1473-1481页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117890825A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
| CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
| CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
| CN116756595B (zh) | 一种导电滑环故障数据采集监测方法 | |
| CN111033413A (zh) | 监视设备和用于监视系统的方法 | |
| CN117214637B (zh) | 充电枪耐压测试方法、装置、设备及存储介质 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
| CN116643178A (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| Dwivedi et al. | DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements | |
| CN117890825B (zh) | 充电枪的泄露电流测试方法、装置、设备及存储介质 | |
| CN117370847A (zh) | 基于深度学习的隔离开关检测方法及装置 | |
| Chokr et al. | Feature extraction-reduction and machine learning for fault diagnosis in PV panels | |
| CN117192416A (zh) | 基于bms系统的蓄电池监测系统及方法 | |
| KR102028845B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| US12019433B2 (en) | Periodicity analysis apparatus, method and program recording medium | |
| Martin-Diaz et al. | Evaluation of intelligent approaches for motor diagnosis under changing operational conditions |
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 |