CN114417953A - 一种充电桩负荷识别及负荷保护安全方法 - Google Patents
一种充电桩负荷识别及负荷保护安全方法 Download PDFInfo
- Publication number
- CN114417953A CN114417953A CN202111421122.4A CN202111421122A CN114417953A CN 114417953 A CN114417953 A CN 114417953A CN 202111421122 A CN202111421122 A CN 202111421122A CN 114417953 A CN114417953 A CN 114417953A
- Authority
- CN
- China
- Prior art keywords
- load
- module
- charging pile
- evaluation
- value
- 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 96
- 238000011156 evaluation Methods 0.000 claims abstract description 156
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 33
- 239000002245 particle Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 21
- 239000013598 vector Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000013398 bayesian method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix 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
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种充电桩负荷识别及负荷保护安全方法,包括:负荷识别模块、负荷安全保护模块、反馈模块、以及负荷分类模块;所述负荷分类模块包括功率负荷模块、控制单元负荷模块、计量单元负荷模块、计费通信单元负荷模块、充电接口负荷模块以及充电桩本体负荷模块之一或组合;且所述负荷识别模块、负荷分类模块、负荷安全保护模块与反馈模块依次连接。本发明通过对负荷提取,并通过优化算法对负荷进行分类,根据负荷种类进一步进行负荷处理,并对充电桩的负荷状态进行评估,根据评估值确定严重程度采取相应的措施,以准确及时的发现充电桩负荷问题并作出相应操作。
Description
技术领域
本发明涉及充电桩设备技术领域,具体涉及一种充电桩负荷识别及负荷保护安全方法。
背景技术
随着越来越多的充电桩投入应用,如何在充电桩发生负荷时确认其负荷原因以对其进行及时维修,也成为了保证充电桩的运行质量课题中的重要研究方法。
现有技术中,充电桩的负荷原因检测方式通常采用人工定期检修方式,若在巡检过程中发现负荷,则针对该负荷进行负荷原因的排查,并最终确认该负荷的发生原因,使得针对充电桩的负荷原因检测过程被动且效率低下,另外,由于人工定期检修方式缺乏定制依据,容易导致过度检修和缺乏检修的现象,产生资源浪费和错配。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足,提供一种充电桩负荷识别及负荷保护安全方法,通过监控充电桩各部件的状态,进而得到充电桩是否出现负荷,并根据负荷的严重程度采取相应的措施,以准确及时的发现充电桩负荷并作出相应操作。
为了实现上述发明目的,本发明提供了以下技术方案:
一种充电桩负荷识别及负荷保护安全方法,包括:负荷识别模块、负荷安全保护模块、反馈模块、以及负荷分类模块;且所述负荷识别模块、负荷分类模块、负荷安全保护模块与反馈模块依次连接;
所述负荷识别模块获取充电桩充电时的充电数据样本,并从所述充电数据样本中提取负荷特征;
所述负荷分类模块用于根据负荷识别模块采集的数据对充电桩部件进行负荷分析,得到充电桩部件的负荷评估数据;
所述负荷安全保护模块用于根据负荷分类模块得到的充电桩部件的负荷评估数据,计算充电桩的负荷状态,并判断是否启动反馈模块;
所述反馈模块用于执行反馈操作。
优选地,所述负荷分类模块用于通过优化算法对提取出的负荷特征进行分类,得到对所述负荷特征的分类结果。
优选地,所述优化算法需要建立RVM模型,步骤如下:
步骤1,初始化粒子群,确定粒子群的规模、初始位置和速度,根据约束条件对每个粒子初始化拉格朗日因子a的值;
步骤2,计算每一个粒子的目标函数值;
步骤3,更新每一个粒子a的位置局部最优值和全局最优值;
步骤4,更新每一个粒子a的飞行速度和位置;
步骤5,判断数据是否达到RVM模型标准,若达到标准则跳出循环,并计算最优拉格朗日因子a,否则返回步骤B2,直到满足迭代的次数;
步骤6,返回最优a的值,并传递给所述RVM模型。
优选地,所述负荷安全保护模块包括负荷评估模块,负荷评估模块用于根据评估数值从大到小的变化规律划分状态区间。
优选地,所述负荷安全保护模块包括评估变化模块,评估变化模块用于计算充电桩历史评估与本次评估的变化值,并用于判断是否启动反馈模块。
一种充电桩负荷安全保护方法,包括以下步骤:
S1,负荷识别模块采集充电桩件的参数,并将参数发送给负荷分类模块;
S2,负荷分类模块根据负荷识别模块采集的数据对充电桩部件进行负荷分析,得到充电桩部件的评估,并将充电桩部件的评估发送给负荷安全保护模块;
S3,负荷安全保护模块根据充电桩部件的评估计算充电桩的评估,并判断是否启动反馈模块,若启动反馈模块,则执行步骤S4,若不启动反馈模块则结束本次负荷检测,等待下一次负荷检测;
S4,反馈模块执行反馈操作。
优选地,所述步骤S3中负荷安全保护模块根据评估数值从大到小的变化规律划分状态区间。
优选地,所述步骤S3还计算评估变化值,综合考虑充电桩的评估与评估变化值,判断充电桩的负荷状态。
优选地,所述变化值为充电桩历史检测值与本次检测值的差值。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述充电桩负荷安全保护方法的步骤。
与现有技术相比,本发明的有益效果:通过监控充电桩各部件的状态,进而得到充电桩是否出现负荷,并根据负荷的严重程度采取相应的措施,以准确及时的发现充电桩负荷并作出相应操作。
附图说明:
图1为本发明示例性实施例1的一种充电桩负荷识别及负荷保护安全方法的结构示意图;
图2为本发明示例性实施例2中充电桩负荷安全保护方法的流程图;
图3为本发明示例性实施例3中充电桩负荷安全保护方法的流程图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,本实施例提供一种充电桩负荷识别及负荷保护安全方法,包括:负荷识别模块、负荷安全保护模块、反馈模块、以及负荷分类模块;所述负荷分类模块包括功率负荷模块、控制单元负荷模块、计量单元负荷模块、计费通信单元负荷模块、充电接口负荷模块以及充电桩本体负荷模块之一或组合;且所述负荷识别模块、负荷分类模块、负荷安全保护模块与反馈模块依次连接。
所述负荷识别模块用于采集充电桩部件的参数,所述充电桩部件包括但不限于功率模块、控制单元、计量单元、计费通信单元、充电接口以及充电桩本体。
所述负荷分类模块用于根据负荷识别模块采集的数据对充电桩部件进行负荷分析,得到充电桩部件的评估。
所述负荷安全保护模块用于根据负荷分类模块得到的充电桩部件的评估计算充电桩的评估,并判断是否启动反馈模块。
所述反馈模块用于执行反馈操作。
本实施例通过监控充电桩各部件的状态,进而得到充电桩是否出现负荷,并根据负荷的严重程度采取相应的措施,以准确及时的发现充电桩负荷并作出相应操作。
本实施方式中,建立RVM(relevancevectormachine,相关向量机)模型首先选择合适的函数,并对其超参数进行粒子群优化训练,建立合适的RVM模型,利用粒子群算法优化训练RVM模型参数,让模型更容易收敛,运算速度更快。建立RVM模型时,先利用样本数据库进行粒子群算法优化训练成功建立模型。常用的RVM核函数包括:线性核函数:K(x,z)=x·z;多项式核函数:K(x,z)=[s(x·z)+c]q;高斯径向基(RBF)核函数:K(x,z)=exp(-λ‖x-z‖2);Sigmoid核函数:K(x,z)=tanh[s(x·z)+c]。选择合适的核函数是成功训练RVM模型的关键,通过测试验证训练,比较各自泛化性能,本申请中选择RBF核函数作为负荷检测的RVM模型。
本申请中利用粒子群优化算法优化相关向量机中的拉格朗日乘子,通过利用粒子群算法(particleswarmoptimization,PSO)寻找拉格朗日乘子这个向量满足RVM中约束条件的各个分量的最优值,使得两分类之间的间隔距离最大,从而构造出最优超平面。初始化粒子群时,应不断判断直到各粒子随机的初始值满足所优化的相关向量机中的约束条件。每个粒子a的每个分量通过自身学习和向其他粒子学习,不断更新自身速度和位置,达到全局最优。
优选地,所述负荷分类模块采用熵权法、层次分析法、优劣解距离法或贝叶斯法之一或组合计算充电桩部件的评估。
优选地,所述优化算法需要建立RVM模型,步骤如下:
步骤1,初始化粒子群,确定粒子群的规模、初始位置和速度,根据约束条件对每个粒子初始化拉格朗日因子a的值;
步骤2,计算每一个粒子的目标函数值;
步骤3,更新每一个粒子a的位置局部最优值和全局最优值;
步骤4,更新每一个粒子a的飞行速度和位置;
步骤5,判断数据是否达到RVM模型标准,若达到标准则跳出循环,并计算最优拉格朗日因子a,否则返回步骤B2,直到满足迭代的次数;
步骤6,返回最优a的值,并传递给所述RVM模型。
优选地,所述负荷安全保护模块采用优劣解距离法或贝叶斯法计算充电桩的评估。
通过采用熵权法、层次分析法、优劣解距离法或贝叶斯法等负荷检测方法来设计负荷分类模块或负荷安全保护模块,可以提高负荷识别的准确度和自动化程度。
优选地,所述负荷安全保护模块包括负荷评估模块,负荷评估模块用于根据评估数值从大到小的变化规律划分状态区间。
充电桩的本次评估最能体现充电桩的负荷状态,可以直接用于判断充电桩是否出现负荷,为充电桩的负荷检测提高依据。
优选地,所述负荷安全保护模块包括评估变化模块,评估变化模块用于计算充电桩历史评估与本次评估的变化值,并用于判断是否启动反馈模块。
通过观察充电桩的评估可以判断充电桩是否受到突然的影响因素的影响,使得充电桩的评估产生较大的变化,对于这种突变也需要进行监控,因此设置评估变化模块用于监测充电桩的评估的变化。
实施例2
本实施例提供一种充电桩负荷安全保护方法,包括以下步骤:
S1,负荷识别模块采集充电桩件的参数,并将参数发送给负荷分类模块;
S2,负荷分类模块根据负荷识别模块采集的数据对充电桩部件进行负荷分析,得到充电桩部件的评估,并将充电桩部件的评估发送给负荷安全保护模块;
S3,负荷安全保护模块根据充电桩部件的评估计算充电桩的评估,并判断是否启动反馈模块,若启动反馈模块,则执行步骤S4,若不启动反馈模块则结束本次负荷检测,等待下一次负荷检测;
S4,反馈模块执行反馈操作。
上述充电桩负荷安全保护方法通过监控充电桩各部件的状态,进而得到充电桩是否出现负荷,并根据负荷的严重程度采取相应的措施,以准确及时的发现充电桩负荷并作出相应操作。
优选地,步骤S2采用熵权法、层次分析法、优劣解距离法或贝叶斯法之一或组合计算充电桩部件的评估。
优选地,步骤S3采用熵权法、层次分析法、优劣解距离法或贝叶斯法之一或组合计算充电桩的评估。
通过采用熵权法、层次分析法、优劣解距离法或贝叶斯法等负荷检测方法来设计负荷分类模块或负荷安全保护模块,可以提高负荷识别的准确度和自动化程度。
优选地,所述步骤S3中负荷安全保护模块根据评估数值从大到小的变化规律划分状态区间。
优选地,所述状态区间分为正常、注意、异常以及严重四个区间。
具体的,充电桩的评估x,x∈[0,100];若x∈[85,100],充电桩属于正常状态;若x∈[65,85),充电桩属于注意状态;若x∈(45,65),充电桩属于异常状态;若x∈[0,45],充电桩属于严重状态。充电桩的评估越低,表征充电桩出现负荷的可能性越大,或负荷越严重,因此按照充电桩状态数值从大到小的变化规律划分不同的状态区间,以根据负荷等级采取合适的负荷处理方式。
优选地,步骤S3还计算评估变化值,综合考虑充电桩的评估与评估变化值,判断充电桩的负荷状态。
优选地,所述变化值为充电桩历史检测值与本次检测值的差值。
具体的,差值Δx,Δx∈(-100,100);将差值划分为以下4个区间,[-100,5],(5,30],(30,50]以及(50,100]。具体地,若x∈[85,100],且Δx∈[-100,5],则充电桩属于正常状态;若x∈[65,85),或Δx∈(5,30],则充电桩属于注意状态;若x∈(45,65),或Δx∈(30,50],则充电桩属于异常状态;若x∈[0,45],或Δx∈(50,100],则充电桩属于严重状态。充电桩的评估越低,表征充电桩出现负荷的可能性越大,或负荷越严重,因此按照充电桩状态数值从大到小的变化规律划分不同的状态区间,以根据负荷等级采取合适的负荷处理方式。同时,状态变化值可表征充电桩随时间的变化,短时间内,充电桩一般不会发生较大的变化,因此若变化值较大,则充电桩可能受外界危险干扰因素的影响,存在一定安全隐患,需尽快排除外界危险干扰因素。通过综合考虑充电桩的评估与评估变化值,可以更加全面地判断充电桩的负荷状态,并实现对突发情况的监控,可以预防充电桩情况突然恶化,维修人员反应不及时的问题,同时也对突发的外界干扰有一定监控作用。
实施例3
如图3所示,本实施例结合具体的充电桩评估的计算方法,提供一种充电桩负荷安全保护方法,包括以下步骤:
S11,获取目标充电桩对应的评价指标体系,其中,该评价指标体系用于表示充电桩的运行状态,且所述评价指标体系中包含有多个一级评价指标;
S22,分别确定各个一级评价指标的权重及相对贴近度,并根据各个一级评价指标的评估、权重及相对贴近度,确定所述目标充电桩的运行状态的评估;其中,一级评价指标的评估表示充电桩各主要构成部件的运行状态,一级评价指标的权重根据熵权法和层次分析法共同确定,一级评价指标的相对贴近度根据优劣解距离法确定;
S33,判断所述目标充电桩的运行状态的评估是否低于阈值;若是,则发出警告信号。
从上述描述可知,本实施例提供的充电桩负荷安全保护方法,通过获取目标充电桩对应的包含有多个一级评价指标的评价指标体系;然后基于熵权法和层次分析法确定各个一级评价指标的权重,根据优劣解距离法确定相对贴近度,并根据各个所述一级评价指标的权重及相对贴近度,确定所述目标充电桩的运行状态的评估,然后判断充电桩是否出现负荷,是否需要检修;通过上述的充电桩负荷安全保护方法能够准确及时的对充电桩的运行状态的进行评价,判断是否发生负荷,进而能够有效提高充电桩的运行可靠性,并能够有效提高运维人员工作效率,减轻针对充电桩的运维工作压力,同时,充电桩运行状态评价过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导充电桩的智能化运维,提高充电设施的运行稳定性和运行寿命。
步骤S11中,所述一级评价指标表示充电桩各主要构成部件,所述主要构成部件包括功率模块、控制单元、计量单元、计费通信单元、充电接口以及充电桩本体;而所述一级评价指标的评估表示充电桩各主要构成部件的运行状态。
层次分析法(AHP)将半定性、半定量的问题转化为定量问题的有效途径。AHP将各种因素层次化,为分析和预测事物的发展提供可比较的定量依据,计算过程中虽然两两比较数据可以用客观的绝对数据转换得到,但是一般是由领域专家主观地给出,所以AHP总的来说是一种主观赋权方法;而熵权法是一种客观赋权法,利用已有的客观数据,得到各评价指标的权重。若单用一种赋权方法,得到的权重值可能偏向于客观或主观方面,因此本实施例通过熵权法和层次分析法共同确定一级评价指标的权重,并采用优劣解距离法确定一级评价指标的相对贴近度,根据各个一级评价指标的评估、权重及相对贴近度,确定所述目标充电桩的运行状态的整体评分;使得到的充电桩的运行状态的整体评分更加贴近充电桩的真实情况,以更好地进行负荷检测。
优选的,所述一级评价指标对应多个二级评价指标;一级评价指标的评估可基于熵权法、层次分析法、优劣解距离法或贝叶斯算法中的一个或多个组合的方法,通过对应的多个二级评价指标的评估获得。
优选地,确定各个所述二级评价指标的权重及相对贴近度,并根据各个所述二级评价指标的评估、权重及相对贴近度,确定各个所述一级评价指标分别对应的评估;其中,二级评价指标的评估表示充电桩各主要构成部件的影响因素的值,二级评价指标的权重根据熵权法和层次分析法共同确定,二级评价指标的相对贴近度根据优劣解距离法确定;
其中,所述二级评价指标表示充电桩各主要构成部件的影响因素,例如,所述一级评价指标包括功率模块、控制单元、计量单元、计费通信单元、充电接口以及充电桩本体;其中功率模块对应的二级评价指标包括输入电压偏差、输入电流、输出电压、输出电流偏差、均流不平衡度、模块温度、环境温度、环境湿度、家族缺陷、维修更换记录或使用年限等。
其中,二级评价指标的评估获取步骤如下所示:
A1,分别确定各个所述二级评价指标对应的影响因素的参数值;
A2,应用sigmoid函数及各个所述二级评价指标对应的计算方法,将各个所述二级评价指标对应的参数值映射至不同区间,得到二级评价指标的评估。
其中,上述实施例涉及一级评价指标的评估和充电桩评估的计算,即涉及两处根据下级指标的评估、权重及相对贴近度,确定上级指标的评估;一是根据各个一级评价指标的评估、权重及相对贴近度,确定所述目标充电桩的运行状态的评估,二是根据各个所述二级评价指标的评估、权重及相对贴近度,确定各个所述一级评价指标分别对应的评估。本实施例采用根据熵权法和层次分析法共同确定下级指标的权重;根据优劣解距离法确定相对贴近度;将所述下级指标的权重及相对贴近度线性组合后,再结合其评估的方法,确定上级指标的评估,具体计算过程如下所示:
其中,根据熵权法和层次分析法共同确定权重的步骤如下所示:
B1,基于层次分析法计算主观性权重;根据评价指标体系把目标评估的影响因素分成多类,进行层次分析法的权重计算,得到下级指标的主观权重vi;
B2,基于熵权法计算下级指标的客观性权重;基于m组测试数据,应用熵权法进行n个下级评价指标的客观权重的计算,每组数据作为一个列向量,每个列向量由n个下级评价指标的评估组成,对每个列向量用(1)、(2)式进行标准化,之后用(3)式计算其熵值,最后由⑷式计算得到各指标的权重;
(1)式对应于数值越大越好的指标,(2)式对应于数值越小越好的指标,式中fij为列向量中的数据,表示第i组数据的第j个下级评价指标的评估,dij为标准化后得到的数据;Ej为标准化后的列向量计算出来的熵值;其中pij如(5)式所示;uj是计算出来的第j个下级评价指标的客观权重;
B3,基于标准离差法计算综合权重;
综合权重中主观权重与客观权重之间的比重由标准离差法计算;
式(5)中,i为1或者2,主要为了区分两个权重向量,σ1为主观性权重向量的标准差,σ2为客观性权重向量的标准差,μ1为主观权重的比重,μ2为客观权重的比重;
综合权重计算公式为:
Wi=μ1vi+μ2ui(i=1,2,......,n)(6)
式(6)中,Wi为根据熵权法和层次分析法共同确定的第i个下级评价指标综合权重向量,vi是第i个下级评价指标的客观权重,ui是第i个下级评价指标的客观权重;μ1为主观权重的比重,μ2为客观权重的比重。
其中,根据优劣解距离法确定相对贴近度的步骤如下所示:
G1,计算各评价对象到最优解的距离Di+和到最劣解之间的距离Di-;
其中,xi为映射后的指标数据,Ri+为映射后的指标最优解,Ri-为映射后的指标最劣解。
G2,计算各评价对象的相对贴近度Ci,Ci值越大,表征评价对象越优;
其中,上述实施例涉及两处根据下级指标的评估、权重及相对贴近度,确定上级指标的评估;一是根据各个一级评价指标的评估、权重及相对贴近度,确定所述目标充电桩的运行状态的评估,二是根据各个所述二级评价指标的评估、权重及相对贴近度,确定各个所述一级评价指标分别对应的评估。本实施例采用将所述下级指标的权重及相对贴近度线性组合后,再结合其评估的方法,确定上级指标的评估,具体计算过程如下所示:
其中,Score为上级指标的评估,Wi为第i个下级指标的权重,C i为第i个下级指标的相对贴近度矩阵的转置。
实施例4
相应于上面的方法实施例,本实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种充电桩负荷安全保护方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的充电桩负荷安全保护方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (10)
1.一种充电桩负荷识别方法,其特征在于,包括:负荷识别模块、负荷安全保护模块、反馈模块、以及负荷分类模块;且所述负荷识别模块、负荷分类模块、负荷安全保护模块与反馈模块依次连接;
所述负荷识别模块获取充电桩充电时的充电数据样本,并从所述充电数据样本中提取负荷特征;
所述负荷分类模块用于根据负荷识别模块采集的数据对充电桩部件进行负荷分析,得到充电桩部件的负荷评估数据;
所述负荷安全保护模块用于根据负荷分类模块得到的充电桩部件的负荷评估数据,计算充电桩的负荷状态,并判断是否启动反馈模块;
所述反馈模块用于执行反馈操作。
2.根据权利要求1所述的一种充电桩负荷识别方法,其特征在于,所述负荷分类模块用于通过优化算法对提取出的负荷特征进行分类,得到对所述负荷特征的分类结果。
3.根据权利要求2所述得一种充电桩负荷识别方法,其特征在于,所述优化算法需要建立RVM模型,步骤如下:
步骤1,初始化粒子群,确定粒子群的规模、初始位置和速度,根据约束条件对每个粒子初始化拉格朗日因子a的值;
步骤2,计算每一个粒子的目标函数值;
步骤3,更新每一个粒子a的位置局部最优值和全局最优值;
步骤4,更新每一个粒子a的飞行速度和位置;
步骤5,判断数据是否达到RVM模型标准,若达到标准则跳出循环,并计算最优拉格朗日因子a,否则返回步骤B2,直到满足迭代的次数;
步骤6,返回最优a的值,并传递给所述RVM模型。
4.根据权利要求1所述的一种充电桩负荷识别方法,其特征在于,所述负荷安全保护模块包括负荷评估模块,负荷评估模块用于根据评估数值从大到小的变化规律划分状态区间。
5.根据权利要求4所述的一种充电桩负荷识别方法,其特征在于,所述负荷安全保护模块包括评估变化模块,评估变化模块用于计算充电桩历史评估与本次评估的变化值,并用于判断是否启动反馈模块。
6.一种充电桩负荷安全保护方法,其特征在于,包括以下步骤:
S1,负荷识别模块采集充电桩件的参数,并将参数发送给负荷分类模块;
S2,负荷分类模块根据负荷识别模块采集的数据对充电桩部件进行负荷分析,得到充电桩部件的评估,并将充电桩部件的评估发送给负荷安全保护模块;
S3,负荷安全保护模块根据充电桩部件的评估计算充电桩的评估,并判断是否启动反馈模块,若启动反馈模块,则执行步骤S4,若不启动反馈模块则结束本次负荷检测,等待下一次负荷检测;
S4,反馈模块执行反馈操作。
7.根据权利要求6所述的充电桩负荷安全保护方法,其特征在于,所述步骤S3中负荷安全保护模块根据评估数值从大到小的变化规律划分状态区间;所述状态区间分为正常、注意、异常以及严重四个区间。
8.根据权利要求6所述的充电桩负荷安全保护方法,其特征在于,所述步骤S3还计算评估变化值,综合考虑充电桩的评估与评估变化值,判断充电桩的负荷状态。
9.根据权利要求8所述的充电桩负荷安全保护方法,其特征在于,所述变化值为充电桩历史检测值与本次检测值的差值。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求5至8任一项所述充电桩负荷安全保护方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421122.4A CN114417953A (zh) | 2021-11-26 | 2021-11-26 | 一种充电桩负荷识别及负荷保护安全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421122.4A CN114417953A (zh) | 2021-11-26 | 2021-11-26 | 一种充电桩负荷识别及负荷保护安全方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417953A true CN114417953A (zh) | 2022-04-29 |
Family
ID=81265839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421122.4A Pending CN114417953A (zh) | 2021-11-26 | 2021-11-26 | 一种充电桩负荷识别及负荷保护安全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154890A (zh) * | 2023-09-08 | 2023-12-01 | 南通国轩新能源科技有限公司 | 一种多数据联动的充电监测方法及*** |
-
2021
- 2021-11-26 CN CN202111421122.4A patent/CN114417953A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154890A (zh) * | 2023-09-08 | 2023-12-01 | 南通国轩新能源科技有限公司 | 一种多数据联动的充电监测方法及*** |
CN117154890B (zh) * | 2023-09-08 | 2024-02-20 | 南通国轩新能源科技有限公司 | 一种多数据联动的充电监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction | |
Li et al. | A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
Tomin et al. | Machine learning techniques for power system security assessment | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN108053148B (zh) | 一种电力信息***故障高效诊断方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及*** | |
CN112884008B (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及*** | |
CN110321940A (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
CN111767657B (zh) | 一种核动力***故障诊断方法和*** | |
Yoo et al. | Identification of LOCA and estimation of its break size by multiconnected support vector machines | |
CN116226469A (zh) | 一种储能设备故障的智能诊断方法及*** | |
CN114417953A (zh) | 一种充电桩负荷识别及负荷保护安全方法 | |
Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
CN115712064B (zh) | 一种基于lstm-cnn混合神经网络的励磁***故障诊断方法 | |
Sahoo et al. | Health index analysis of XLPE cable insulation using machine learning technique | |
CN111337764A (zh) | 充电桩故障诊断***、方法及存储介质 | |
López et al. | Phasor measurement unit placement for wide area instability detection and prediction | |
CN108960654A (zh) | 一种面向机器学习的装备部件健康管理方法及*** | |
CN117370847B (zh) | 基于深度学习的隔离开关检测方法及装置 |
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 |