CN111391694B - 一种充电站运行维护的多层次快速数据监测方法和*** - Google Patents
一种充电站运行维护的多层次快速数据监测方法和*** Download PDFInfo
- Publication number
- CN111391694B CN111391694B CN202010131709.0A CN202010131709A CN111391694B CN 111391694 B CN111391694 B CN 111391694B CN 202010131709 A CN202010131709 A CN 202010131709A CN 111391694 B CN111391694 B CN 111391694B
- Authority
- CN
- China
- Prior art keywords
- data
- charging station
- running state
- fault
- maintenance
- 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
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种充电站运行维护的多层次快速数据监测方法和***,所述方法包括:构建充电站多层次数据体系模型;采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;对建立的运行状态矩阵进行降维处理;降维后的运行状态矩阵中,根据变量分布状态分析充电站是否处于故障运行状态;当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库中的正常运行状态数据进行逐变量依次比较,以提取故障变量,快速定位故障点并采取维修措施。本发明通过降维,把充电站运行的大量高维数据转换为少量低维数据,能够实现快速的实时分析,若分析出当前数据分布有异常,再对变量逐次比较找到故障变量。
Description
技术领域
本发明属于电动汽车充电站运行维护技术领域,涉及一种充电站运行维护的多层次快速数据监测方法和***。
背景技术
电动汽车的逐步普及,对提高国家能源安全、降低排放、环境保护以及促进智能电网发展具有重大的意义。目前,国家及地方政府已经出台多项政策扶持与推动电动车产业的快速发展。近几年来,在北京、上海、苏州等城市已经建成了大量的电动汽车充电站,电动汽车的推广应用已然进入关键时期。
电动汽车充电设施是维持电动汽车正常运转的必要条件,也是电动汽车产业链中重要的基础设施。但是,充电站目前存在着故障多发,运维困难等问题。首先,充电站因为结构复杂,运行情况多变,导致设备故障率较高;其次,运维人员的缺少及运维技术的落后,导致充电站运行状态长时间处于未知的境况。
目前充电站运行已累积了大量数据,如何从数据分析中找出充电站运行中存在问题,需要一个快速数据跟踪的方法来对充电站实时运行数据进行监测与分析,对充电站运维公司及电网提供相关的数据支持,从而能够提高充电站运行的稳定性与可靠性。
发明内容
为解决现有技术中的不足,本申请提供一种充电站运行维护的多层次快速数据监测方法和***,根据充电站的设备结构以及运行特征,建立起多层次数据体系,采用数学降维方法寻找所含特征方差贡献率最接近原始信息的关键特征样本数据,在充电站的运行监控中,重点关注这些特征因素,能够实现充电站运行状态的快速分析跟踪。
为了实现上述目标,本申请的第一件发明采用如下技术方案:
一种充电站运行维护的多层次快速数据监测方法,包括以下步骤:
步骤1:基于电动汽车充电设备的结构特点以及数据分布,构建充电站多层次数据体系模型;
步骤2:根据数据监测需求,采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;
步骤3:对步骤2建立的运行状态矩阵进行降维处理;
步骤4:降维后的运行状态矩阵中,根据变量分布状态分析充电站的运行状态。
本发明进一步包括以下优选方案:
优选地,所述方法还包括步骤5:依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,为运维人员采取运维措施提供依据。
优选地,步骤5所述依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,具体包括以下步骤:
步骤501:将充电站当前故障运行状态数据与充电站运行状态数据库的正常运行状态数据进行欧式距离的计算;
步骤502:设定若干阀值,对故障运行状态数据与正常运行状态数据之间的欧式距离值进行等级划分,确定故障因素对数据体系的影响程度。
优选地,步骤5具体还包括步骤503:充电站运行状态数据库实时采集故障数据及故障影响程度来更新修正故障运行状态数据与正常运行状态数据之间的欧式距离值,以存储多种运行状态的源数据与结果之间的关系,记录各种关键数据在发生变化后对整个数据体系的影响,为运行人员提供直接参考。
优选地,步骤1所述的充电站多层次数据体系模型,在纵向维度上以充电站电能传输方向为基础,纵向维度中的各电气设施都存在横向维度,维度中的各数据变量决定了该电气设施的运行状态。
优选地,在步骤2中,若对设备模块或某一独立设备进行数据监测,则采集设备模块或某一独立设备横向维度的数据变量;
若对相关联设备进行数据监测,则采集相关联设备纵向维度的数据变量。
优选地,在步骤3中,通过主成分分析(Principal Component Analysis,PCA)降维分析方法将步骤2建立的运行状态矩阵降维至二维或三维,降维后的矩阵保留原始运行状态的主元变量且维度降低。
优选地,在步骤4中,若所有运行状态数据的分布聚集在某一特定的小范围内,则充电站持续运行在正常状态;
若运行状态数据的聚集范围出现差异,则充电站在运行过程中发生故障,同时若故障运行状态数据呈逐渐偏离正常运行状态数据聚集区域的状态,则表明该故障因素会导致后续其他元件脱离正常的运行状态;
当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库中的正常运行状态数据按照各设备运行使用手册逐变量与正常范围进行比较,以提取故障变量,定位故障点并采取维修措施。
本申请还公开了另一件发明,即一种充电站运行维护的多层次快速数据监测***,所述***包括构建模块、采集模块、降维模块和分析模块;
所述构建模块,用于基于电动汽车充电设备的结构特点以及数据分布,构建充电站多层次数据体系模型;
所述采集模块,用于根据数据监测需求,采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;
所述降维模块,用于对采集模块建立的运行状态矩阵进行降维处理;
所述分析模块,用于在降维后的运行状态矩阵中,根据变量分布状态分析充电站是否处于故障运行状态;
当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库中的正常运行状态数据进行逐变量依次比较,以提取故障变量,快速定位故障点并采取维修措施。
优选地,所述***还包括判断模块,用于依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,为运维人员采取运维措施提供依据。
本申请所达到的有益效果:
1、本申请形成了较为完善的充电站数据结构,便于充电站运行状态的监控与分析以及数据共享;
2、本申请可跟踪影响充电站运行的关键性数据,便于实现快速获知充电站运行状态,快速查找故障,预测故障,提前对故障做出预案处理;
3、本申请通过降维,把充电站运行的大量高维数据转换为少量低维数据,能够实现快速的实时分析,若分析出当前数据分布有异常,再对变量逐次比较找到故障变量。
附图说明
图1是本申请的一种充电站运行维护的多层次快速数据监测方法流程图;
图2是本申请实施例中充电站电能传输示意图;
图3是本申请实施例中充电站多层次数据体系模型横向维度中各电气设施模块内主要的关键数据变量;
图4是本申请的一种充电站运行维护的多层次快速数据监测***结构图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种充电站运行维护的多层次快速数据监测方法,包括以下步骤:
步骤1:基于电动汽车充电设备的结构特点以及数据分布,构建充电站多层次数据体系模型;
数据监测时,各类故障分析所需数据不一样,需要对这些数据进行整合,为各类故障提供数据分析奠定基础。
电动汽车充电站结构复杂,设备繁多,运行状态多变。充电站电能传输示意图如图2所示。每一个部分的运行状态都与多种数据相关联。其中,数据的种类可根据数据特性分类为电气、机械、通信、环境量及其他。基于电动汽车充电的结构特点以及广泛的数据分布,可从多个维度对充电站的运行状态感知进行分析:
1、纵向维度:该维度以充电站电能传输方向为基础,是充电站的核心维度,电能由配电网侧的交流电最终转化为充入电动汽车的大电流直流电。
以公交汽车充电站为例,电能传输过程如图2所示。充电站的配电过程与传统的电网配电过程相似,而充电站的核心设备充电机是一种由数个充电模块组合而成的整流设备,充电桩则是电动车充电以及用户与电网进行交互的设备。
2、横向维度:该维度以电气设施模块为基础,纵向维度中的各电气设施都存在横向维度,维度中的各数据变量决定了该电气设施的运行状态。
实施例中,基于电动汽车充电站的结构及运行特性,纵向维度上,配电室中需监测的模块为配电侧、变压器及出线母线;整流室中需监测的模块为整流柜和充电模块;充电桩上需监测的模块为TCU(自动控制计费模块)、执行和监控模板以及枪线电缆。各电气设施模块内横向维度上主要的关键数据变量如图3所示。
步骤2:根据数据监测需求,采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;
若对设备模块或某一独立设备进行数据监测,则采集设备模块或某一独立设备横向维度的数据变量;
若对相关联设备进行数据监测,则采集相关联设备纵向维度的数据变量。
步骤3:对步骤2建立的运行状态矩阵进行降维处理;
实施例中,为便于分析和观测样本点的分布,通过PCA降维分析方法将步骤2建立的运行状态矩阵降维至二维或三维,降维后的矩阵保留原始运行状态的主元变量且维度降低,因此可从较为直观的视角观测到充电站运行状态数据的分布。若充电站持续运行在正常状态,则所有运行状态数据的分布聚集在某一特定的小范围内,若充电站在运行过程中发生故障,则故障前后运行状态数据的聚集范围会有差异。
PCA主要思想是通过线性空间变换求取主元变量,将高维数据空间投射到低维主元空间,并保留原始数据的大部分方差。
假设共采集n种数据变量,在某一段时间内共采集m个样本,即组成该段时间内充电站的运行状态矩阵A。充电站运行状态矩阵如下所示:
式中,矩阵内元素anm代表第m条样本中第n个特征的取值。由于样本各数据变量的数量级以及单位不同,因此须先对样本数据进行Z-score标准化,使其呈均值为0,方差为1的正态分布,首先计算每个数据变量的均值,再将每个样本的某项数据变量减去该数据变量的均值,最后除以该数据变量的标准差,则标准化后的B矩阵中各元素为:
用新的运行状态矩阵B计算样本的协方差矩阵D=(BBT)/m,再对协方差矩阵求取特征值及特征向量。在求得n个特征值(λ1,λ2,L,λn)及其对应的特征向量(w1,w2,L,wn)后,取出最大的n’个特征值所对应的n’个特征向量(w1,w2,L,wn'),将每个特征向量化为单位特征向量,再创建新的样本矩阵:
Z=WTB
Z即为降维后的充电站状态矩阵。
步骤4:降维后的运行状态矩阵中,根据变量分布状态分析充电站的运行状态;
对于重点监测的某些关键数据,可对其在发生变化时的前后样本进行降维分析,若故障后样本较故障前样本的运行状态数据分布差距较小,即表明该因素对整体数据体系的影响较小;若运行状态数据分布有较大差异,则表明该因素对整体数据体系会造成较大影响。
对于该因素是否会影响后续其他元件的运行状态,可以根据故障后样本的分布特性来进行判断,若故障样本呈逐渐偏离正常样本聚集区域的状态,则表明该因素的故障会导致后续其他元件脱离正常的运行状态。
当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库(充电站运行状态数据库记录和存储过去所有历史运行数据)中的正常运行状态数据按照各设备运行使用手册逐变量与正常范围进行比较,以提取故障变量,定位故障点并采取维修措施。
以充电站整流柜中的充电模块为例:
当整流柜内发生某故障后,整流柜横向维度数据体系的样本分布将会发生变化,此时可与充电模块正常运行状态数据进行逐次比较后,定位故障点,确定故障因素。
实施例中,所述方法还包括步骤5:依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,为运维人员采取运维措施提供依据,具体包括以下步骤:
步骤501:将充电站当前故障运行状态数据与充电站运行状态数据库的正常运行状态数据进行欧式距离的计算:
式中,xn为正常运行状态数据中第n个数据;yn为故障运行状态数据中第n个数据。
步骤502:设定若干阀值,对故障运行状态数据与正常运行状态数据之间的欧式距离值(L值)进行等级划分,确定故障因素对数据体系的影响程度。
实施例中,步骤5具体还包括步骤503:充电站运行状态数据库实时采集故障数据及故障影响程度来更新修正故障运行状态数据与正常运行状态数据之间的欧式距离值(L值),以存储多种运行状态的源数据与结果之间的关系,记录各种关键数据在发生变化后对整个数据体系的影响,为运行人员提供直接参考。
充电站正常运行状态与故障运行状态的数据分布具有不同程度的差别,因此该方法可以快速跟踪到故障前后的样本及其数据变量,结合时间维度的历史运行数据判断某一数据变量对整体数据体系的影响程度。
以整流柜内温度过高和某个充电模块输出电流过低为例进行说明:整流柜正常工作温度范围应为30℃-45℃,单个充电模块输出电流范围应为22.5A-27.5A。采用实地记录的两条故障数据:第一条故障数据中,柜内温度上升为51.3℃,偏移了正常运行范围14%,降维后的数据分布必定产生偏移,代表产生了某种故障。按照图3内整流***的特征量计算欧式距离L=0.248;第二条数据中,某个充电模块的输出电流降低为15.4A,偏移正常运行范围31.5%,降维后的数据分布必定同样发生偏移,代表有故障发生,欧式距离计算为L=0.174。此时可发现整流柜内温度过高的故障严重程度高于模块电流过低的故障,因此应当加强对于温度的监控和相关设备运维。从设备运行的角度来看可以解释上述情况:柜内温度上升后,柜内其余辅助设备有可能会因为温度过高而发生停运,部分整流模块因温度上升也可能发生停运从而使总输出电流大幅降低,造成很大影响。而单个模块因是独立运行,在电流过低时并不会对其他任何设备造成影响,仅仅是总输出电流小幅降低,因此故障严重程度较小于柜内温度过高。
如图4所示,本申请的一种充电站运行维护的多层次快速数据监测***,包括构建模块、采集模块、降维模块和分析模块;
所述构建模块,用于基于电动汽车充电设备的结构特点以及数据分布,构建充电站多层次数据体系模型;
所述采集模块,用于根据数据监测需求,采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;
所述降维模块,用于对采集模块建立的运行状态矩阵进行降维处理;
所述分析模块,用于在降维后的运行状态矩阵中,根据变量分布状态分析充电站是否处于故障运行状态;
当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库中的正常运行状态数据进行逐变量依次比较,以提取故障变量,快速定位故障点并采取维修措施。
实施例中,所述***还包括判断模块,用于依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,为运维人员采取运维措施提供依据。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (9)
1.一种充电站运行维护的多层次快速数据监测方法,其特征在于:
所述方法包括以下步骤:
步骤1:基于电动汽车充电设备的结构特点以及数据分布,构建充电站纵向与横向多层次数据体系模型,在纵向维度上以充电站电能传输方向为基础,纵向维度中的各电气设施都存在横向维度,维度中的各数据变量决定了该电气设施的运行状态;
步骤2:基于充电站纵向与横向多层次数据体系模型,根据数据监测需求,采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;
步骤3:对步骤2建立的运行状态矩阵进行降维处理,保留原始运行状态的主元变量;
步骤3中,通过线性空间变换求取主元变量,将高维数据空间投射到低维主元空间,并保留原始数据的大部分方差,具体为:
(1)假设共采集n种数据变量,在某一段时间内共采集m个样本,即组成该段时间内充电站的运行状态矩阵A:
式中,矩阵内元素anm代表第m条样本中第n个特征的取值;
(2)对样本数据进行Z-score标准化,使其呈均值为0,方差为1的正态分布,得到标准化后的B矩阵:
首先计算每个数据变量的均值,再将每个样本的某项数据变量减去该数据变量的均值,最后除以该数据变量的标准差,则标准化后的B矩阵中各元素为:
(3)用新的运行状态矩阵B计算样本的协方差矩阵D=(BBT)/m,再对协方差矩阵求取特征值及特征向量;
在求得n个特征值(λ1,λ2,…,λn)及其对应的特征向量(w1,w2,…,wn)后,取出最大的n’个特征值所对应的n’个特征向量(w1,w2,…,wn'),将每个特征向量化为单位特征向量,再创建新的样本矩阵:
Z=WTB
Z即为降维后的充电站状态矩阵;
步骤4:降维后的运行状态矩阵中,根据变量分布状态分析充电站的运行状态;
在步骤4中,若所有运行状态数据的分布聚集在某一特定的小范围内,则充电站持续运行在正常状态;
若运行状态数据的聚集范围出现差异,则充电站在运行过程中发生故障,同时若故障运行状态数据呈逐渐偏离正常运行状态数据聚集区域的状态,则表明该故障因素会导致后续其他元件脱离正常的运行状态;
当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库中的正常运行状态数据按照各设备运行使用手册逐变量与正常范围进行比较,以提取故障变量,定位故障点并采取维修措施。
2.根据权利要求1所述的一种充电站运行维护的多层次快速数据监测方法,其特征在于:
所述方法还包括步骤5:依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,为运维人员采取运维措施提供依据。
3.根据权利要求2所述的一种充电站运行维护的多层次快速数据监测方法,其特征在于:
步骤5所述依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,具体包括以下步骤:
步骤501:将充电站当前故障运行状态数据与充电站运行状态数据库的正常运行状态数据进行欧式距离的计算;
步骤502:设定若干阀值,对故障运行状态数据与正常运行状态数据之间的欧式距离值进行等级划分,确定故障因素对数据体系的影响程度。
4.根据权利要求3所述的一种充电站运行维护的多层次快速数据监测方法,其特征在于:
步骤5具体还包括步骤503:充电站运行状态数据库实时采集故障数据及故障影响程度来更新修正故障运行状态数据与正常运行状态数据之间的欧式距离值,以存储多种运行状态的源数据与结果之间的关系,记录各种关键数据在发生变化后对整个数据体系的影响,为运行人员提供直接参考。
5.根据权利要求1所述的一种充电站运行维护的多层次快速数据监测方法,其特征在于:
步骤1所述的充电站多层次数据体系模型,在纵向维度上以充电站电能传输方向为基础,纵向维度中的各电气设施都存在横向维度,维度中的各数据变量决定了该电气设施的运行状态。
6.根据权利要求5所述的一种充电站运行维护的多层次快速数据监测方法,其特征在于:
在步骤2中,若对设备模块或某一独立设备进行数据监测,则采集设备模块或某一独立设备横向维度的数据变量;
若对相关联设备进行数据监测,则采集相关联设备纵向维度的数据变量。
7.根据权利要求1所述的一种充电站运行维护的多层次快速数据监测方法,其特征在于:
在步骤3中,通过PCA降维分析方法将步骤2建立的运行状态矩阵降维至二维或三维,降维后的矩阵保留原始运行状态的主元变量且维度降低。
8.一种充电站运行维护的多层次快速数据监测***,用于实现权利要求1-7任意一项所述的方法,其特征在于:
所述***包括构建模块、采集模块、降维模块和分析模块;
所述构建模块,用于基于电动汽车充电设备的结构特点以及数据分布,构建充电站多层次数据体系模型;
所述采集模块,用于根据数据监测需求,采集充电站的运行状态数据,建立实时电动汽车充电站的运行状态矩阵;
所述降维模块,用于对采集模块建立的运行状态矩阵进行降维处理;
所述分析模块,用于在降维后的运行状态矩阵中,根据变量分布状态分析充电站是否处于故障运行状态;
当某段时间内的部分变量出现分布差异时,将各变量与充电站运行状态数据库中的正常运行状态数据进行逐变量依次比较,以提取故障变量,快速定位故障点并采取维修措施。
9.根据权利要求8所述的一种充电站运行维护的多层次快速数据监测***,其特征在于:
所述***还包括判断模块,用于依据故障后运行状态数据变化趋势判断该故障因素对数据体系的影响程度,为运维人员采取运维措施提供依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131709.0A CN111391694B (zh) | 2020-02-29 | 2020-02-29 | 一种充电站运行维护的多层次快速数据监测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131709.0A CN111391694B (zh) | 2020-02-29 | 2020-02-29 | 一种充电站运行维护的多层次快速数据监测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111391694A CN111391694A (zh) | 2020-07-10 |
CN111391694B true CN111391694B (zh) | 2023-08-11 |
Family
ID=71427156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131709.0A Active CN111391694B (zh) | 2020-02-29 | 2020-02-29 | 一种充电站运行维护的多层次快速数据监测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111391694B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917267A (zh) * | 2021-10-15 | 2022-01-11 | 万帮数字能源股份有限公司 | 一种充电桩故障排查方法 |
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*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201898361U (zh) * | 2010-12-20 | 2011-07-13 | 上海市电力公司 | 充电站监控*** |
CN104933522A (zh) * | 2015-06-11 | 2015-09-23 | 储盈新能源科技(上海)有限公司 | 一种新型城市电动车充电站***的评价指标的权重计算方法 |
CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
CN106494246A (zh) * | 2016-10-19 | 2017-03-15 | 宁波江东晶量电子科技有限公司 | 充电桩充电控制***及方法 |
CN107239652A (zh) * | 2017-05-08 | 2017-10-10 | 国电南瑞科技股份有限公司 | 一种充电站运行状态风险评估方法 |
CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
CN109063785A (zh) * | 2018-08-23 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 充电桩故障检测方法及终端设备 |
CN109552102A (zh) * | 2018-12-03 | 2019-04-02 | 深圳前海点点电工网络科技有限公司 | 充电设施运营和运维一体化的故障预测方法 |
CN109685382A (zh) * | 2018-12-29 | 2019-04-26 | 国网浙江电动汽车服务有限公司 | 基于层次分析法的电动汽车充电设施状况评测方法 |
CN110400047A (zh) * | 2019-06-18 | 2019-11-01 | 上海电器科学研究所(集团)有限公司 | 一种电动汽车充电网络运营的综合评价方法 |
CN110619321A (zh) * | 2019-10-12 | 2019-12-27 | 国电南瑞南京控制***有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及*** |
CN110782126A (zh) * | 2019-09-24 | 2020-02-11 | 江苏大学 | 一种多失效模型集成的电动汽车用直流充电桩运行可靠性评估方法 |
CN110796362A (zh) * | 2019-10-25 | 2020-02-14 | 深圳供电局有限公司 | 一种电动汽车充电桩状态分析方法及其***、设备、介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11447028B2 (en) * | 2018-06-05 | 2022-09-20 | Ford Global Technologies, Llc | Charger authorized removal method and authorized removal system |
-
2020
- 2020-02-29 CN CN202010131709.0A patent/CN111391694B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201898361U (zh) * | 2010-12-20 | 2011-07-13 | 上海市电力公司 | 充电站监控*** |
CN104933522A (zh) * | 2015-06-11 | 2015-09-23 | 储盈新能源科技(上海)有限公司 | 一种新型城市电动车充电站***的评价指标的权重计算方法 |
CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
CN106494246A (zh) * | 2016-10-19 | 2017-03-15 | 宁波江东晶量电子科技有限公司 | 充电桩充电控制***及方法 |
CN107239652A (zh) * | 2017-05-08 | 2017-10-10 | 国电南瑞科技股份有限公司 | 一种充电站运行状态风险评估方法 |
CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
CN109063785A (zh) * | 2018-08-23 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 充电桩故障检测方法及终端设备 |
CN109552102A (zh) * | 2018-12-03 | 2019-04-02 | 深圳前海点点电工网络科技有限公司 | 充电设施运营和运维一体化的故障预测方法 |
CN109685382A (zh) * | 2018-12-29 | 2019-04-26 | 国网浙江电动汽车服务有限公司 | 基于层次分析法的电动汽车充电设施状况评测方法 |
CN110400047A (zh) * | 2019-06-18 | 2019-11-01 | 上海电器科学研究所(集团)有限公司 | 一种电动汽车充电网络运营的综合评价方法 |
CN110782126A (zh) * | 2019-09-24 | 2020-02-11 | 江苏大学 | 一种多失效模型集成的电动汽车用直流充电桩运行可靠性评估方法 |
CN110619321A (zh) * | 2019-10-12 | 2019-12-27 | 国电南瑞南京控制***有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及*** |
CN110796362A (zh) * | 2019-10-25 | 2020-02-14 | 深圳供电局有限公司 | 一种电动汽车充电桩状态分析方法及其***、设备、介质 |
Non-Patent Citations (1)
Title |
---|
基于互联网+的充电站配电设备在线监测研究;岳红权;王建渊;杨文宇;王勇;;电网与清洁能源(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111391694A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
CN112348339A (zh) | 一种基于大数据分析的配电网规划方法 | |
CN106204330A (zh) | 一种配电网智能诊断*** | |
CN111369168B (zh) | 一种适应电网多种调控运行场景的关联特征选择方法 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
CN111639921A (zh) | 一种基于专家***的设备故障智判与辅助处置方法 | |
CN111391694B (zh) | 一种充电站运行维护的多层次快速数据监测方法和*** | |
CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和*** | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
CN113269468A (zh) | 一种基于区块链的电力调度***及其数据处理方法 | |
CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
CN116614177A (zh) | 一种光纤状态多维度参量监测*** | |
CN116845971A (zh) | 一种光伏并网低压台区拓扑结构自动识别方法 | |
CN113159517B (zh) | 一种三维可视化电网运行数据分析*** | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及*** | |
CN115219840A (zh) | 一种基于配电网的自动化故障诊断方法及*** | |
CN111401481A (zh) | 基于多源信息融合技术的电网运行方式自动识别方法 | |
CN117060383B (zh) | 考虑多维设备特征的配网运行综合监测方法、设备及介质 | |
Zheng et al. | Research on Monitoring of Transmission Line Anti-Outbreak Fault Based on Spark and Fuzzy KNN | |
Tian et al. | Electromagnetic Interference Diagnosis Based on HPLC Timing Sequence Topology and Machine Learning | |
Zhao et al. | Distribution network insulation fault risk warning method based on LSTM and FCM | |
Huang et al. | A GBDT Algorithm Based Approach to Power Equipment Defect Data Mining and Analysis | |
Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data | |
CN117408505A (zh) | 一种配电电缆线路运行风险推演算法 |
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 |