CN113743588A - 一种直流充电桩状态评价方法 - Google Patents
一种直流充电桩状态评价方法 Download PDFInfo
- Publication number
- CN113743588A CN113743588A CN202111060290.5A CN202111060290A CN113743588A CN 113743588 A CN113743588 A CN 113743588A CN 202111060290 A CN202111060290 A CN 202111060290A CN 113743588 A CN113743588 A CN 113743588A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- charging pile
- direct current
- current charging
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 239000000779 smoke Substances 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种直流充电桩状态评价方法,步骤1:在直流充电桩加装采集装置,实现电气量采、充电报文信息、温度、湿度值及烟雾浓度采集,作为状态评价的实时数据来源;步骤2:构建合适的模糊神经网络模型,再利用采集的历史状态数据生成训练样本,设置训练次数,对模型进行反复训练,得到直流充电桩状态评价模型,结合实时采集数据,对直流充电桩进行实时状态评价;步骤3:周期性更新训练数据,对评价模型进行周期训练,保证模型实时性。通过本发明的应用,可便捷、实时地实现直流充电桩远程状态评价,为直流充电桩日常运维及故障诊断提供可靠依据,解决当前直流充电桩状态评价高度依赖人工巡检,且耗费巨大的人力物力,效率低下的问题。
Description
技术领域
本发明涉及充电桩故障分析技术领域,更具体地,涉及一种直流充电桩状态评价方法。
背景技术
“双碳”目标下,电动汽车及充电桩产业蓬勃发展,其中快充——直流充电桩因充电电压、电流大,安全问题尤为突显,充电桩的安全可靠运行是保证充电桩可持续发展的重要前提。充电桩具有分布广、数量大、环境复杂等特点,当前直流充电桩状态评价高度依赖人工巡检,耗费巨大的人力物力,效率低下,如何便捷、实时地实现直流充电桩状态评价,就是当前亟待解决的问题。
发明内容
本发明的目的在于提供一种直流充电桩状态评价方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种直流充电桩状态评价方法,包括以下步骤:
步骤1:在直流充电桩加装采集装置,实现电气量采、充电报文信息、温度、湿度值及烟雾浓度采集,作为状态评价的实时数据来源;
步骤2:构建合适的模糊神经网络模型,再利用采集的历史状态数据生成训练样本,设置训练次数,对模型进行反复训练,得到直流充电桩状态评价模型,结合实时采集数据,对直流充电桩进行实时状态评价;
步骤3:周期性更新训练数据,对评价模型进行周期训练,保证模型实时性。
进一步的,所述步骤2具体包括:
采用T-S模糊神经网络,T-S模糊神经网络用如下“if-then”规则形式定义,规则在Ri的情况下,模糊推理为:
假设对于输入量x=[x1,x2,…,xk],便根据模糊规则计算每个输出变量xj的隶属度:
再将各隶属度进行模糊计算,采用模糊算子为连乘算子:
根据模糊计算结果计算模糊模型的输出值yi:
同时模型分为输入层、模糊化层、模糊规则计算层和输出层四层,输入层与输入向量xi连接,节点数与输入向量的维数相同;模糊化层采用隶属度函数(1)对输入值进行模糊化得到模糊隶属度值μ;模糊规则计算层采用模糊连乘公式(2)计算得到ω;输出层采用公式(3)计算模糊神经网络输出;学习算法如公式(4)-(8):
(1)误差计算
式中,yd是网络期望输出值;yc是网络实际输出值;e是期望输出和实际输出的误差;
(2)系数修正
(3)参数修正
根据直流充电桩状态评价数据维度确定模型输入/输出节点数、模糊隶属度函数个数,函数选择参数中,b、c由***随机生成。
本发明的有益效果是:
通过本发明的应用,可便捷、实时地实现直流充电桩远程状态评价,为直流充电桩日常运维及故障诊断提供可靠依据,解决当前直流充电桩状态评价高度依赖人工巡检,且耗费巨大的人力物力,效率低下的问题。
附图说明
图1为本发明直流充电桩状态评价方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案,并不限于本发明。
直流充电桩状态评价是根据直流充电桩状态评价标准和直流充电桩各项电气参数及报文信息,再通过一定的数学模型计算确定当前直流充电桩的状态评价等级。直流充电桩状态评价的分析指标有很多项,主要包括内部温度、湿度、烟雾浓度、实际输出功率与需求功率差值、充电损耗、待机功耗等指标。其中,内部温湿度、烟雾浓度是直观反映直流充电桩内部是否发现异常的指标。实际输出功率与需求功率差值是反映直流充电桩输出能力的指标。充电损耗是反映直流充电桩转换效率的指标。待机功耗是反映直流充电桩内部元器件、散热情况的指标。然后将各项指标数值对应直流充电桩的不同状态等级,形成状态评价等级表。
在直流充电桩加装采集装置,实现电气量采、充电报文信息、温度、湿度值及烟雾浓度采集,作为状态评价的实时数据来源。构建合适的模糊神经网络模型,再利用采集的历史状态数据生成训练样本,设置训练次数,对模型进行反复训练,得到直流充电桩状态评价模型,结合实时采集数据,可对直流充电桩进行实时状态评价,具体流程如图1所示。并且,周期性更新训练数据,对评价模型进行周期训练,以保证模型实时性。
本发明采用T-S模糊神经网络,T-S模糊神经网络用如下“if-then”规则形式定义,规则在Ri的情况下,模糊推理为:
假设对于输入量x=[x1,x2,…,xk],便根据模糊规则计算每个输出变量xj的隶属度:
再将各隶属度进行模糊计算,采用模糊算子为连乘算子:
可根据模糊计算结果计算模糊模型的输出值yi:
同时模型分为输入层、模糊化层、模糊规则计算层和输出层四层,输入层与输入向量xi连接,节点数与输入向量的维数相同;模糊化层采用隶属度函数(1)对输入值进行模糊化得到模糊隶属度值μ;模糊规则计算层采用模糊连乘公式(2)计算得到ω;输出层采用公式(3)计算模糊神经网络输出;学习算法如公式(4)-(8):
(1)误差计算
式中,yd是网络期望输出值;yc是网络实际输出值;e是期望输出和实际输出的误差;
(2)系数修正
(3)参数修正
因此,根据直流充电桩状态评价数据维度确定模型输入/输出节点数、模糊隶属度函数个数,函数选择参数中,b、c由***随机生成。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种直流充电桩状态评价方法,其特征在于:包括以下步骤:
步骤1:在直流充电桩加装采集装置,实现电气量采、充电报文信息、温度、湿度值及烟雾浓度采集,作为状态评价的实时数据来源;
步骤2:构建合适的模糊神经网络模型,再利用采集的历史状态数据生成训练样本,设置训练次数,对模型进行反复训练,得到直流充电桩状态评价模型,结合实时采集数据,对直流充电桩进行实时状态评价;
步骤3:周期性更新训练数据,对评价模型进行周期训练,保证模型实时性。
2.根据权利要求1所述的一种直流充电桩状态评价方法,其特征在于:所述步骤2具体包括:
采用T-S模糊神经网络,T-S模糊神经网络用如下“if-then”规则形式定义,规则在Ri的情况下,模糊推理为:
假设对于输入量x=[x1,x2,…,xk],便根据模糊规则计算每个输出变量xj的隶属度:
再将各隶属度进行模糊计算,采用模糊算子为连乘算子:
根据模糊计算结果计算模糊模型的输出值yi:
同时模型分为输入层、模糊化层、模糊规则计算层和输出层四层,输入层与输入向量xi连接,节点数与输入向量的维数相同;模糊化层采用隶属度函数(1)对输入值进行模糊化得到模糊隶属度值μ;模糊规则计算层采用模糊连乘公式(2)计算得到ω;输出层采用公式(3)计算模糊神经网络输出;学习算法如公式(4)-(8):
(1)误差计算
式中,yd是网络期望输出值;yc是网络实际输出值;e是期望输出和实际输出的误差;
(2)系数修正
(3)参数修正
根据直流充电桩状态评价数据维度确定模型输入/输出节点数、模糊隶属度函数个数,函数选择参数中,b、c由***随机生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111060290.5A CN113743588A (zh) | 2021-09-10 | 2021-09-10 | 一种直流充电桩状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111060290.5A CN113743588A (zh) | 2021-09-10 | 2021-09-10 | 一种直流充电桩状态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743588A true CN113743588A (zh) | 2021-12-03 |
Family
ID=78737885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111060290.5A Pending CN113743588A (zh) | 2021-09-10 | 2021-09-10 | 一种直流充电桩状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743588A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
-
2021
- 2021-09-10 CN CN202111060290.5A patent/CN113743588A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及*** | |
Chen et al. | Degradation model of proton exchange membrane fuel cell based on a novel hybrid method | |
Li et al. | Big data driven vehicle battery management method: A novel cyber-physical system perspective | |
CN110266010B (zh) | 直流配电网网架结构与分布式光伏多目标协同优化方法 | |
CN104933505A (zh) | 一种基于模糊评估的智能配电网群决策评价方法 | |
CN111162533B (zh) | 一种基于凸优化的智能电网隐藏拓扑结构识别方法 | |
CN111967777B (zh) | 一种储能促进清洁能源利用价值的综合评价方法 | |
CN115526401A (zh) | 一种基于数字孪生的新型电力***电源最优规划方法 | |
CN110826228A (zh) | 一种地区电网运行品质极限评估方法 | |
Huo et al. | Integrating learning and explicit model predictive control for unit commitment in microgrids | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN113743588A (zh) | 一种直流充电桩状态评价方法 | |
CN112116305A (zh) | 一种用于机器学习的电网概率可视化模型构建方法和*** | |
Pang | Short-term harmonic forecasting and evaluation affected by electrified railways on the power grid based on stack auto encoder neural network method and the comparison to BP method | |
Sudha et al. | GA-ANN hybrid approach for load forecasting | |
CN114186811B (zh) | 一种微电网***实时调度模型的构建方法及应用 | |
CN109586309A (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
Tran et al. | A new grid search algorithm based on XGBoost model for load forecasting | |
Liu et al. | Dynamic Prediction Algorithm for Low-Voltage Distribution Network Power Loss in a Smart City Based on Classification Decision Tree and Marketing Data | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN116166847A (zh) | 一种基于图数据的配电网运行状态分析方法及*** | |
Wei et al. | Predicting Electricity Usage Based on Deep Neural Network | |
Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
Hassan et al. | Optimizing photovoltaic models: A leader artificial ecosystem approach for accurate parameter estimation of dynamic and static three diode systems | |
Upadhya et al. | A dispatch optimization model for hybrid renewable and battery systems incorporating a battery degradation model |
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 |