CN117148001A - 一种基于人工智能的新能源汽车充电桩故障预测*** - Google Patents
一种基于人工智能的新能源汽车充电桩故障预测*** Download PDFInfo
- Publication number
- CN117148001A CN117148001A CN202311098061.1A CN202311098061A CN117148001A CN 117148001 A CN117148001 A CN 117148001A CN 202311098061 A CN202311098061 A CN 202311098061A CN 117148001 A CN117148001 A CN 117148001A
- Authority
- CN
- China
- Prior art keywords
- value
- time
- charging
- analysis
- real
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 134
- 238000011897 real-time detection Methods 0.000 claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 28
- 239000000779 smoke Substances 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010223 real-time analysis Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G01R31/003—Environmental or reliability tests
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Transportation (AREA)
- Environmental & Geological Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Mechanical Engineering (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于充电桩监管技术领域,具体是一种基于人工智能的新能源汽车充电桩故障预测***,包括服务器、实时检测分析模块、故障追溯模块、运表追溯模块以及故障预测提醒模块;本发明通过将目标充电桩i进行实时检测分析,据此以生成实时检测合格信号或实时检测不合格信号,在生成实时检测合格信号时将对应目标充电桩i的历史故障进行分析,据此以生成故时追溯合格信号或故时追溯预警信号,在生成故时追溯合格信号时将目标充电桩i在分析时段的运行表现进行分析,实现对监管区域若干组充电桩的有效监测,并合理且准确预测其故障风险程度,有利于监管人员及时进行相应充电桩的检查维护,保证了所监管新能源汽车充电桩的安全稳定运行。
Description
技术领域
本发明涉及充电桩监管技术领域,具体是一种基于人工智能的新能源汽车充电桩故障预测***。
背景技术
充电桩是一种为新能源电动汽车提供能量补充的充电装置,类似于加油站里面的加油机,它可以根据不同的电压等级为各种型号的电动汽车充电,一般提供常规充电和快速充电两种充电方式,充电桩通常安装在公共建筑和居民小区停车场或充电站内,通过使用特定的充电卡在充电桩提供的人机交互操作界面上刷卡使用,以进行相应的充电操作和费用数据打印;
新能源汽车充电桩在经过长时间的使用后会出现各种故障,影响充电效率的同时还对用户的安全造成威胁,目前难以对监管区域的若干组充电桩进行有效监测,以及难以对充电桩的故障风险进行合理且准确预测,不利于监管人员详细掌握各个充电桩的故障风险程度并及时进行相应充电桩的检查维护,加大了监管难度,难以保证各个新能源汽车充电桩的安全稳定运行;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的在于提供一种基于人工智能的新能源汽车充电桩故障预测***,解决了现有技术难以对监管区域的若干组充电桩进行有效监测,以及难以对充电桩的故障风险进行合理且准确预测,不利于监管人员详细掌握各个充电桩的故障风险程度并及时进行相应充电桩的检查维护,难以保证充电桩安全稳定运行的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于人工智能的新能源汽车充电桩故障预测***,包括服务器、实时检测分析模块、故障追溯模块、运表追溯模块以及故障预测提醒模块;服务器获取到所需监管的新能源汽车充电桩,将对应新能源汽车充电桩标记为目标充电桩i,i为大于1的自然数;实时检测分析模块将目标充电桩i进行实时检测分析,据此以生成实时检测合格信号或实时检测不合格信号,将实时检测不合格信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到实时检测不合格信号时,生成相应故障预测提醒信息并发送至监管终端;
实时检测分析模块将实时检测合格信号经服务器发送至故障追溯模块,故障追溯模块接收到实时检测合格信号时将目标充电桩i的历史故障进行分析,据此以得到目标充电桩i的实时故评系数,且生成故时追溯合格信号或故时追溯预警信号,将故时追溯预警信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到故时追溯预警信号时,生成相应故障预测提醒信息并发送至监管终端;
故障追溯模块将故时追溯合格信号经服务器发送至运表追溯模块,运表追溯模块接收到故时追溯合格信号时,确定目标充电桩i的分析时段,并将目标充电桩i在分析时段的运行表现进行分析,据此以生成目标充电桩i的运表追溯合格信号或运表追溯不合格信号,将运表追溯不合格信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到运表追溯不合格信号时,生成相应故障预测提醒信息并发送至监管终端。
进一步的,实时检测分析的具体分析过程包括:
获取到目标充电桩i的运行状态,运行状态包括空闲状态和工作状态;当目标充电桩i处于空闲状态或工作状态时,采集到检测时段目标充电桩i的内温瞬增值、内湿瞬增值以及内烟瞬增值,将内温瞬增值、内湿瞬增值和内烟瞬增值与预设内温瞬增阈值、预设内湿瞬增阈值和预设内烟瞬增阈值分别进行数值比较,若内温瞬增值、内湿瞬增值和内烟瞬增值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号;
若内温瞬增值、内湿瞬增值和内烟瞬增值均未超过对应预设阈值,则采集到检测时段目标充电桩i的内温数据、内湿数据和内烟数据,将内温数据、内湿数据和内烟数据进行数值计算获取到内测分析值;以及通过内辅检测分析获取到目标充电桩i的振测数据和噪测数据,将振测数据和噪测数据进行数值计算得到内辅分析值;将内测分析值和内辅分析值与预设内测分析阈值和内辅分析阈值分别进行数值比较,若内测分析值和内辅分析值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号。
进一步的,内辅检测分析的具体分析过程如下:
获取到检测时段目标充电桩i的振动曲线图和噪音曲线图,据此以采集到目标充电桩i振动幅度超过对应预设阈值的时长以及噪音强度超过对应预设阈值的时长并分别标记为振超时长和噪超时长;且采集到检测时段目标充电桩i的振动幅度最大值和振动幅度最小值,将振动幅度最大值和振动幅度最小值进行差值计算以得到振差数据,同理获取到噪差数据;将振超时长和振差数据进行赋权求和计算得到振测数据,将噪超时长和噪差数据进行赋权求和计算得到噪测数据。
进一步的,若内测分析值和内辅分析值均未超过对应预设阈值,则进行分状态评估分析,分状态评估分析的分析过程具体如下:
若目标充电桩i处于空闲状态,则生成实时检测合格信号;
若目标充电桩i处于工作状态,则采集到检测时段目标充电桩i的压流超时值、电压稳定值和电流稳定值,将压流超时值、电压稳定值和电流稳定值与预设压流超时阈值、预设电压稳定阈值和预设电流稳定阈值分别进行数值比较,若压流超时值、电压稳定值和电流稳定值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号;
若压流超时值、电压稳定值和电流稳定值均未超过对应预设阈值,则将压流超时值、电压稳定值和电流稳定值进行数值计算得到充电隐患系数,将充电隐患系数与预设充电隐患系数阈值进行数值比较,若充电隐患系数超过预设充电隐患系数阈值,则生成实时检测不合格信号;若充电隐患系数未超过预设充电隐患系数阈值,则从服务器调取充电线缆分析值,将充电线缆分析值与预设充电线缆分析阈值进行数值比较,若充电线缆分析值超过预设充电线缆分析阈值,则生成实时检测不合格信号;若充电线缆分析值未超过预设充电线缆分析阈值,则生成实时检测合格信号。
进一步的,服务器与充电线缆监测模块通信连接,充电线缆监测模块用于在目标充电桩i处于工作状态时将对应充电线缆进行监测分析,据此以获取到充电线缆分析值,且将充电线缆分析值发送至服务器进行存储;充电线缆分析值的具体分析获取方法如下:
获取到目标充电桩i所属充电线缆上事先所设定的若干个监测点,采集到检测时段对应监测点的平均电流、平均电压和平均温度,将对应监测点的平均电流相较于预设平均电流范围的中值进行差值计算并取绝对值以得到线流数据,同理获取到线压数据和线温数据,将线流数据、线压数据和线温数据进行数值计算得到线点检测值,将线点检测值与预设线点检测阈值进行数值比较;
若线点检测值超过预设线点检测阈值,则将对应监测点标记为隐患点;将隐患点的数量与监测点的数量进行比值计算得到线缆隐患值;以及将相邻两组监测点的平均电流进行差值计算并取绝对值以得到邻近电流差值,将所有邻近电流差值进行均值计算以得到邻近流差数据,同理获取到邻近压差数据和邻近温差数据;将目标充电桩i所属充电线缆的邻近流差数据、邻近压差数据、邻近温差数据和线缆隐患值进行数值计算得到充电线缆分析值。
进一步的,故障追溯模块的具体运行过程包括:
采集到目标充电桩i的每次故障发生时刻,将相邻两组故障发生时刻进行时间差计算得到故障间隔时长,获取到目标充电桩i在历史运行过程中的所有故障间隔时长,将所有故障间隔时长按照数值由大到小的顺序进行排列,将位于前j位和位于后j位的故障间隔时长剔除,且将剩余的所有故障间隔时长进行求和计算并取均值以得到故时平均时长;
采集到目标充电桩i的相邻上一次故障发生时刻,将当前时刻与相邻上一次故障发生时刻进行时间差计算得到实时故间值,将实时故间值减去故时平均时长以得到实时故评系数;将实时故评系数与预设实时故评系数阈值进行数值比较,若实时故评系数超过预设实时故评系数阈值,则生成故时追溯预警信号;若实时故评系数未超过预设实时故评系数阈值,则生成故时追溯合格信号;且将故时追溯合格信号经服务器发送至运表追溯模块。
进一步的,运表追溯模块的具体运行过程包括:
将目标充电桩i的相邻上一次故障发生时刻与当前时刻的间隔时段标记为分析时段,采集到目标充电桩i在分析时段的充电次数以及充电时长,将充电次数和充电时长与预设充电次数阈值和预设充电时长阈值分别进行数值比较,若充电次数或充电时长超过对应预设阈值,则生成运表追溯不合格信号;
若充电次数和充电时长均未超过对应预设阈值,则采集到目标充电桩i在分析时段中每次充电的充电效率数据,以及采集到目标充电桩i在分析时段中每次充电的充电速度波动值和平均充电速度数据;将充电效率数据、充电速度波动值和平均充电速度数据进行数值计算得到充电表现值;
将充电表现值与预设充电表现阈值进行数值比较,若充电表现值未超过预设充电表现阈值,则判断对应充电过程表现差;将分析时段目标充电桩i充电过程表现差的次数标记为差充频率,将差充频率、充电次数和充电时长进行数值计算得到运表追溯值,将运表追溯值与预设运表追溯阈值进行数值比较,若运表追溯值超过预设运表追溯阈值,则生成运表追溯不合格信号,若运表追溯值未超过预设运表追溯阈值,则生成运表追溯合格信号。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过将目标充电桩i进行实时检测分析,据此以生成实时检测合格信号或实时检测不合格信号,将实时检测不合格信号经服务器发送至故障预测提醒模块,以便相应监管人员及时进行目标充电桩i的检查维护,消除所存在的安全隐患,从而保证目标充电桩i的安全稳定运行;以及在生成实时检测合格信号时将对应目标充电桩i的历史故障进行分析,据此以生成故时追溯合格信号或故时追溯预警信号,以便相应监管人员及时进行对应目标充电桩i的全面检查维护,从而消除其存在的故障风险;
2、本发明中,通过在生成故时追溯合格信号时确定目标充电桩i的分析时段,并将目标充电桩i在分析时段的运行表现进行分析,据此以生成目标充电桩i的运表追溯合格信号或运表追溯不合格信号,实现对监管区域若干组充电桩的有效监测,并对所有充电桩的故障风险进行合理且准确预测,有利于监管人员详细掌握各个充电桩的故障风险程度并及时进行相应充电桩的检查维护,显著减小了新能源汽车充电桩的运行监管难度,进一步保证了所监管新能源汽车充电桩的安全稳定运行。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明中实施例一的***框图;
图2为本发明中实施例二的***框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:如图1所示,本发明提出的一种基于人工智能的新能源汽车充电桩故障预测***,包括服务器、实时检测分析模块、故障追溯模块、运表追溯模块以及故障预测提醒模块,且服务器与实时检测分析模块、故障追溯模块、运表追溯模块以及故障预测提醒模块均通信连接,且故障预测提醒模块与监管终端通信连接;服务器获取到所需监管的新能源汽车充电桩,将对应新能源汽车充电桩标记为目标充电桩i,需要说明的是,i表示新能源汽车充电桩的数量且i为大于1的自然数;
实时检测分析模块将目标充电桩i进行实时检测分析,据此以生成实时检测合格信号或实时检测不合格信号,将实时检测不合格信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到实时检测不合格信号时,生成相应故障预测提醒信息并发送至监管终端,以便相应监管人员及时进行目标充电桩i的检查维护,消除所存在的安全隐患,从而保证目标充电桩i的安全稳定运行;实时检测分析的具体分析过程如下:
获取到目标充电桩i的运行状态,运行状态包括空闲状态和工作状态,其中,工作状态是指处于为新能源汽车充电的状态,空闲状态是指未处于充电的状态;当目标充电桩i处于空闲状态或工作状态时,采集到检测时段目标充电桩i的内温瞬增值、内湿瞬增值以及内烟瞬增值,其中,内温瞬增值是表示目标充电桩i瞬间温度增幅大小的数据量值,内湿瞬增值是表示目标充电桩i瞬间湿度增幅大小的数据量值,内烟增幅值是表示目标充电桩i瞬间烟雾浓度增幅大小的数据量值;
将内温瞬增值、内湿瞬增值和内烟瞬增值与预设内温瞬增阈值、内湿瞬增阈值和内烟瞬增阈值分别进行数值比较,若内温瞬增值、内湿瞬增值和内烟瞬增值中存在至少一项超过对应预设阈值,表明充电桩内部存在的安全隐患较大,则生成实时检测不合格信号;
若内温瞬增值、内湿瞬增值和内烟瞬增值均未超过对应预设阈值,则采集到检测时段目标充电桩i的内温数据、内湿数据和内烟数据,其中,内温数据、内湿数据和内烟数据分别表示内部温度大小、内部湿度大小和内部烟雾浓度大小的数据量值;通过公式NCi=a1*QWi+a2*QSi+a3*QYi将内温数据QWi、内湿数据QSi和内烟数据QYi进行数值计算获取到内测分析值NCi;其中,a1、a2、a3为预设权重系数,a3>a1>a2>0;并且,内测分析值NCi的数值越大,表明目标充电桩i的内部安全隐患越大,越容易出现故障;
以及通过内辅检测分析获取到目标充电桩i的振测数据和噪测数据,具体为:获取到检测时段目标充电桩i的振动曲线图和噪音曲线图,据此以采集到目标充电桩i振动幅度超过对应预设阈值的时长以及噪音强度超过对应预设阈值的时长并分别标记为振超时长和噪超时长;且采集到检测时段目标充电桩i的振动幅度最大值和振动幅度最小值,将振动幅度最大值和振动幅度最小值进行差值计算以得到振差数据,同理获取到噪差数据;
通过公式ZCi=b1*ZSi+b2*ZPi将振超时长ZSi和振差数据ZPi进行赋权求和计算得到振测数据ZCi,通过公式TCi=b3*FSi+b4*FPi将噪超时长FSi和噪差数据FPi进行赋权求和计算得到噪测数据TCi;其中,b1、b2、b3、b4为预设权重系数,且b1、b2、b3、b4的取值均大于零;
通过公式NFi=(eg1*ZCi+eg2*TCi)/(eg1+eg2)将振测数据ZCi和噪测数据TCi进行数值计算得到内辅分析值NFi;其中,eg1、eg2为预设比例系数,eg1>eg2>1;并且,内辅分析值NFi的数值越大,表明目标充电桩i的运行越不正常,存在故障的可能性越大;将内测分析值NCi和内辅分析值NFi与预设内测分析阈值和内辅分析阈值分别进行数值比较,若内测分析值NCi和内辅分析值NFi中存在至少一项超过对应预设阈值,则生成实时检测不合格信号。
若内测分析值NCi和内辅分析值NFi均未超过对应预设阈值,则进行分状态评估分析,分状态评估分析的分析过程具体为:若目标充电桩i处于空闲状态,则生成实时检测合格信号;
若目标充电桩i处于工作状态,则采集到检测时段目标充电桩i的压流超时值、电压稳定值和电流稳定值,需要说明的是,压流超时值是表示电压未处于预设电压范围和电流未处于预设电流范围的两者时长和值大小的数据量值;电压稳定值和电流稳定值是表示电压波动状况好坏和电流波动状况好坏的数据量值,电压和电流的波动程度越大,则电压稳定值和电流稳定值的数值越大,充电过程越不稳定;
将压流超时值、电压稳定值和电流稳定值与预设压流超时阈值、预设电压稳定阈值和预设电流稳定阈值分别进行数值比较,若压流超时值、电压稳定值和电流稳定值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号;若压流超时值、电压稳定值和电流稳定值均未超过对应预设阈值,则通过公式CYi=fu1*YLi+fu2*YWi+fu3*LWi将压流超时值YLi、电压稳定值YWi和电流稳定值LWi进行数值计算得到充电隐患系数CYi,其中,fu1、fu2、fu3为预设权重系数,fu1、fu2、fu3的取值均大于零;并且,充电隐患系数CYi的数值越大,则表明充电状况越差,存在故障的可能性越大;
将充电隐患系数CYi与预设充电隐患系数阈值进行数值比较,若充电隐患系数CYi超过预设充电隐患系数阈值,则生成实时检测不合格信号;若充电隐患系数CYi未超过预设充电隐患系数阈值,则从服务器调取充电线缆分析值XFi,将充电线缆分析值XFi与预设充电线缆分析阈值进行数值比较,若充电线缆分析值XFi超过预设充电线缆分析阈值,则生成实时检测不合格信号;若充电线缆分析值XFi未超过预设充电线缆分析阈值,则生成实时检测合格信号。
实时检测分析模块将实时检测合格信号经服务器发送至故障追溯模块,故障追溯模块接收到实时检测合格信号时将目标充电桩i的历史故障进行分析,据此以得到目标充电桩i的实时故评系数,且生成故时追溯合格信号或故时追溯预警信号,将故时追溯预警信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到故时追溯预警信号时,生成相应故障预测提醒信息并发送至监管终端,以便相应监管人员及时进行目标充电桩i的全面检查维护,从而消除可能存在的故障风险;故障追溯模块的具体运行过程如下:
采集到目标充电桩i的每次故障发生时刻,将相邻两组故障发生时刻进行时间差计算得到故障间隔时长,获取到目标充电桩i在历史运行过程中的所有故障间隔时长,将所有故障间隔时长按照数值由大到小的顺序进行排列,将位于前j位和位于后j位的故障间隔时长剔除,优选的,j不小于2;且将剩余的所有故障间隔时长进行求和计算并取均值以得到故时平均时长,保证了数据准确性,从而有利于提升分析结果的精准性;
采集到目标充电桩i的相邻上一次故障发生时刻,将当前时刻与相邻上一次故障发生时刻进行时间差计算得到实时故间值,将实时故间值减去故时平均时长以得到实时故评系数;需要说明的是,实时故评系数的数值越大,表明出现故障的风险越大,越需要及时进行全面检查维护;将实时故评系数与预设实时故评系数阈值进行数值比较,若实时故评系数超过预设实时故评系数阈值,则生成故时追溯预警信号;若实时故评系数未超过预设实时故评系数阈值,则生成故时追溯合格信号。
故障追溯模块将故时追溯合格信号经服务器发送至运表追溯模块,运表追溯模块接收到故时追溯合格信号时,确定目标充电桩i的分析时段,并将目标充电桩i在分析时段的运行表现进行分析,据此以生成目标充电桩i的运表追溯合格信号或运表追溯不合格信号,将运表追溯不合格信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到运表追溯不合格信号时,生成相应故障预测提醒信息并发送至监管终端,以便相应监管人员及时进行目标充电桩i的检查维护,消除所存在的安全隐患,从而保证目标充电桩i的安全稳定运行;运表追溯模块的具体运行过程如下:
将目标充电桩i的相邻上一次故障发生时刻与当前时刻的间隔时段标记为分析时段,采集到目标充电桩i在分析时段的充电次数以及充电时长,充电时长是表示分析时段目标充电桩i充电总时间长短的数据量值;需要说明的是,充电次数越大,充电时长越长,则目标充电桩i存在的故障风险越大;将充电次数和充电时长与预设充电次数阈值和预设充电时长阈值分别进行数值比较,若充电次数或充电时长超过对应预设阈值,则生成运表追溯不合格信号;
若充电次数和充电时长均未超过对应预设阈值,则采集到目标充电桩i在分析时段中每次充电的充电效率数据,其中,充电效率数据是表示目标充电桩i充入新能源汽车中的电量与其所输出电量两者比值大小的数据量值,充电效率数据的数值越大,表明充电损耗越小,充电过程越正常;以及采集到目标充电桩i在分析时段中每次充电的充电速度波动值和平均充电速度数据;其中,充电速度波动值是表示充电速度波动程度大小的数据量值,充电速度波动值的数值越大,则表示充电过程的充电速度越不稳定;
通过公式CXi=(ht1*CTi+ht3*CFi)/(ht2*CHi+1.216)将充电效率数据CTi、充电速度波动值CHi和平均充电速度数据CFi进行数值计算得到充电表现值CXi;其中,ht1、ht2、ht3为预设比例系数,ht1、ht2、ht3的取值均大于零;并且,充电表现值CXi的数值越大,则表明对应充电过程的充电状况越好;将充电表现值CXi与预设充电表现阈值进行数值比较,若充电表现值CXi未超过预设充电表现阈值,则判断对应充电过程表现差;
将分析时段目标充电桩i充电过程表现差的次数标记为差充频率CPi,通过公式YSi=sq1*CPi+sq2*CRi+sq3*CEi将差充频率CPi、充电次数CRi和充电时长CEi进行数值计算得到运表追溯值YSi,其中,sq1、sq2、sq3为预设权重系数,sq1>sq2>sq3>0;并且,运表追溯值YSi的数值越大,表明目标充电桩i运行追溯状况越差,越容易出现运行故障;将运表追溯值YSi与预设运表追溯阈值进行数值比较,若运表追溯值YSi超过预设运表追溯阈值,则生成运表追溯不合格信号,若运表追溯值YSi未超过预设运表追溯阈值,则生成运表追溯合格信号。
实施例二:如图2所示,本实施例与实施例1的区别在于,服务器与充电线缆监测模块通信连接,充电线缆监测模块用于在目标充电桩i处于工作状态时将对应充电线缆进行监测分析,据此以获取到充电线缆分析值XFi,且将充电线缆分析值发送至服务器进行存储,为实时检测分析提供数据支撑,以及有助于了解目标充电桩i所属充电线缆的安全性状况,有助于进一步保证充电安全;充电线缆分析值XFi的具体分析获取方法如下:
获取到目标充电桩i所属充电线缆上事先所设定的若干个监测点,相邻两组监测点之间的距离相同,采集到检测时段对应监测点的平均电流、平均电压和平均温度,将对应监测点的平均电流相较于预设平均电流范围的中值进行差值计算并取绝对值以得到线流数据XLi,同理获取到线压数据XYi和线温数据XWi,通过公式XCi=bf1*XLi+bf2*XYi+bf3*XYi将线流数据、线压数据和线温数据进行数值计算得到线点检测值XCi;其中,bf1、bf2、bf3为预设权重系数,bf1、bf2、bf3的取值均大于零;并且,线点检测值XCi的数值越大,表明对应监测点所存在的风险程度越大;
将对应监测点的线点检测值XCi与预设线点检测阈值进行数值比较;若线点检测值XCi超过预设线点检测阈值,则将对应监测点标记为隐患点,将隐患点的数量与监测点的数量进行比值计算得到线缆隐患值XHi;以及将相邻两组监测点的平均电流进行差值计算并取绝对值以得到邻近电流差值,将所有邻近电流差值进行均值计算以得到邻近流差数据KLi,同理获取到邻近压差数据RLi和邻近温差数据WLi;
通过公式XFi=et1*KLi+et2*RLi+et3*WLi+et4*XHi将目标充电桩i所属充电线缆的邻近流差数据KLi、邻近压差数据RLi、邻近温差数据WLi和线缆隐患值XHi进行数值计算得到充电线缆分析值XFi;其中,et1、et2、et3、et4为预设权重系数,et4>et3>et1>et2>0;并且,充电线缆分析值XFi的数值大小与邻近流差数据KLi、邻近压差数据RLi、邻近温差数据WLi以及线缆隐患值XHi均呈正比关系,充电线缆分析值XFi的数值越大,表明目标充电桩i所属充电线缆的当前运行风险程度越大,存在故障的可能性越大,越不利于保证对新能源电动汽车的安全充电。
本发明的工作原理:使用时,通过实时检测分析模块将目标充电桩i进行实时检测分析,据此以生成实时检测合格信号或实时检测不合格信号,将实时检测不合格信号经服务器发送至故障预测提醒模块,以便相应监管人员及时进行目标充电桩i的检查维护,消除所存在的安全隐患,从而保证目标充电桩i的安全稳定运行;在生成实时检测合格信号时通过故障追溯模块将对应目标充电桩i的历史故障进行分析,据此以生成故时追溯合格信号或故时追溯预警信号,将故时追溯预警信号经服务器发送至故障预测提醒模块,以便相应监管人员及时进行对应目标充电桩i的全面检查维护,从而消除可能存在的故障风险;在生成故时追溯合格信号时通过运表追溯模块确定目标充电桩i的分析时段,并将目标充电桩i在分析时段的运行表现进行分析,据此以生成目标充电桩i的运表追溯合格信号或运表追溯不合格信号,以便相应监管人员及时进行相应目标充电桩i的检查维护,消除所存在的安全隐患,进一步保证目标充电桩i的安全稳定运行,实现对监管区域若干组充电桩的有效监测,并对所有充电桩的故障风险进行合理且准确预测,有利于监管人员详细掌握各个充电桩的故障风险程度并及时进行相应充电桩的检查维护,显著减小了新能源汽车充电桩的运行监管难度。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,包括服务器、实时检测分析模块、故障追溯模块、运表追溯模块以及故障预测提醒模块;服务器获取到所需监管的新能源汽车充电桩,将对应新能源汽车充电桩标记为目标充电桩i,i为大于1的自然数;实时检测分析模块将目标充电桩i进行实时检测分析,据此以生成实时检测合格信号或实时检测不合格信号,将实时检测不合格信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到实时检测不合格信号时,生成相应故障预测提醒信息并发送至监管终端;
实时检测分析模块将实时检测合格信号经服务器发送至故障追溯模块,故障追溯模块接收到实时检测合格信号时将目标充电桩i的历史故障进行分析,据此以得到目标充电桩i的实时故评系数,且生成故时追溯合格信号或故时追溯预警信号,将故时追溯预警信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到故时追溯预警信号时,生成相应故障预测提醒信息并发送至监管终端;
故障追溯模块将故时追溯合格信号经服务器发送至运表追溯模块,运表追溯模块接收到故时追溯合格信号时,确定目标充电桩i的分析时段,并将目标充电桩i在分析时段的运行表现进行分析,据此以生成目标充电桩i的运表追溯合格信号或运表追溯不合格信号,将运表追溯不合格信号经服务器发送至故障预测提醒模块;故障预测提醒模块接收到运表追溯不合格信号时,生成相应故障预测提醒信息并发送至监管终端。
2.根据权利要求1所述的一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,实时检测分析的具体分析过程包括:
获取到目标充电桩i的运行状态,运行状态包括空闲状态和工作状态;当目标充电桩i处于空闲状态或工作状态时,采集到检测时段目标充电桩i的内温瞬增值、内湿瞬增值以及内烟瞬增值,若内温瞬增值、内湿瞬增值和内烟瞬增值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号;
若内温瞬增值、内湿瞬增值和内烟瞬增值均未超过对应预设阈值,则采集到检测时段目标充电桩i的内温数据、内湿数据和内烟数据,将内温数据、内湿数据和内烟数据进行数值计算获取到内测分析值;以及通过内辅检测分析获取到目标充电桩i的振测数据和噪测数据,将振测数据和噪测数据进行数值计算得到内辅分析值;若内测分析值和内辅分析值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号。
3.根据权利要求2所述的一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,内辅检测分析的具体分析过程如下:
获取到检测时段目标充电桩i的振动曲线图和噪音曲线图,据此以采集到目标充电桩i振动幅度超过对应预设阈值的时长以及噪音强度超过对应预设阈值的时长并分别标记为振超时长和噪超时长;且采集到检测时段目标充电桩i的振动幅度最大值和振动幅度最小值,将振动幅度最大值和振动幅度最小值进行差值计算以得到振差数据,同理获取到噪差数据;将振超时长和振差数据进行赋权求和计算得到振测数据,将噪超时长和噪差数据进行赋权求和计算得到噪测数据。
4.根据权利要求1所述的一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,若内测分析值和内辅分析值均未超过对应预设阈值,则进行分状态评估分析,分状态评估分析的分析过程具体如下:
若目标充电桩i处于空闲状态,则生成实时检测合格信号;
若目标充电桩i处于工作状态,则采集到检测时段目标充电桩i的压流超时值、电压稳定值和电流稳定值,若压流超时值、电压稳定值和电流稳定值中存在至少一项超过对应预设阈值,则生成实时检测不合格信号;
若压流超时值、电压稳定值和电流稳定值均未超过对应预设阈值,则将压流超时值、电压稳定值和电流稳定值进行数值计算得到充电隐患系数;若充电隐患系数超过预设充电隐患系数阈值,则生成实时检测不合格信号;若充电隐患系数未超过预设充电隐患系数阈值,则从服务器调取充电线缆分析值,将充电线缆分析值与预设充电线缆分析阈值进行数值比较,若充电线缆分析值超过预设充电线缆分析阈值,则生成实时检测不合格信号;若充电线缆分析值未超过预设充电线缆分析阈值,则生成实时检测合格信号。
5.根据权利要求4所述的一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,服务器与充电线缆监测模块通信连接,充电线缆监测模块用于在目标充电桩i处于工作状态时将对应充电线缆进行监测分析,据此以获取到充电线缆分析值,且将充电线缆分析值发送至服务器进行存储;充电线缆分析值的具体分析获取方法如下:
获取到目标充电桩i所属充电线缆上事先所设定的若干个监测点,采集到检测时段对应监测点的平均电流、平均电压和平均温度,将对应监测点的平均电流相较于预设平均电流范围的中值进行差值计算并取绝对值以得到线流数据,同理获取到线压数据和线温数据,将线流数据、线压数据和线温数据进行数值计算得到线点检测值;
若线点检测值超过预设线点检测阈值,则将对应监测点标记为隐患点;将隐患点的数量与监测点的数量进行比值计算得到线缆隐患值;以及将相邻两组监测点的平均电流进行差值计算并取绝对值以得到邻近电流差值,将所有邻近电流差值进行均值计算以得到邻近流差数据,同理获取到邻近压差数据和邻近温差数据;将目标充电桩i所属充电线缆的邻近流差数据、邻近压差数据、邻近温差数据和线缆隐患值进行数值计算得到充电线缆分析值。
6.根据权利要求1所述的一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,故障追溯模块的具体运行过程包括:
采集到目标充电桩i的每次故障发生时刻,将相邻两组故障发生时刻进行时间差计算得到故障间隔时长,获取到目标充电桩i在历史运行过程中的所有故障间隔时长,将所有故障间隔时长按照数值由大到小的顺序进行排列,将位于前j位和位于后j位的故障间隔时长剔除,且将剩余的所有故障间隔时长进行求和计算并取均值以得到故时平均时长;
采集到目标充电桩i的相邻上一次故障发生时刻,将当前时刻与相邻上一次故障发生时刻进行时间差计算得到实时故间值,将实时故间值减去故时平均时长以得到实时故评系数;若实时故评系数超过预设实时故评系数阈值,则生成故时追溯预警信号;若实时故评系数未超过预设实时故评系数阈值,则生成故时追溯合格信号;且将故时追溯合格信号经服务器发送至运表追溯模块。
7.根据权利要求6所述的一种基于人工智能的新能源汽车充电桩故障预测***,其特征在于,运表追溯模块的具体运行过程包括:
将目标充电桩i的相邻上一次故障发生时刻与当前时刻的间隔时段标记为分析时段,采集到目标充电桩i在分析时段的充电次数以及充电时长,若充电次数或充电时长超过对应预设阈值,则生成运表追溯不合格信号;若充电次数和充电时长均未超过对应预设阈值,则采集到目标充电桩i在分析时段中每次充电的充电效率数据,以及采集到目标充电桩i在分析时段中每次充电的充电速度波动值和平均充电速度数据;将充电效率数据、充电速度波动值和平均充电速度数据进行数值计算得到充电表现值;
若充电表现值未超过预设充电表现阈值,则判断对应充电过程表现差;将分析时段目标充电桩i充电过程表现差的次数标记为差充频率,将差充频率、充电次数和充电时长进行数值计算得到运表追溯值;若运表追溯值超过预设运表追溯阈值,则生成运表追溯不合格信号,若运表追溯值未超过预设运表追溯阈值,则生成运表追溯合格信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098061.1A CN117148001A (zh) | 2023-08-29 | 2023-08-29 | 一种基于人工智能的新能源汽车充电桩故障预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098061.1A CN117148001A (zh) | 2023-08-29 | 2023-08-29 | 一种基于人工智能的新能源汽车充电桩故障预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117148001A true CN117148001A (zh) | 2023-12-01 |
Family
ID=88909328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311098061.1A Pending CN117148001A (zh) | 2023-08-29 | 2023-08-29 | 一种基于人工智能的新能源汽车充电桩故障预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148001A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371670A (zh) * | 2023-12-07 | 2024-01-09 | 深圳汇能新能源科技有限公司 | 一种新能源电动汽车充电桩的可靠性分析*** |
CN117477495A (zh) * | 2023-12-28 | 2024-01-30 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测***及方法 |
CN117644794A (zh) * | 2024-01-26 | 2024-03-05 | 昱洁电气科技(无锡)有限公司 | 一种基于充电桩的智能时段控制*** |
CN117748688A (zh) * | 2024-01-30 | 2024-03-22 | 中煤科工机器人科技有限公司 | 一种用于四差速轮式巡检机器人的自动充电管理*** |
CN117885593A (zh) * | 2024-03-14 | 2024-04-16 | 江苏智融能源科技有限公司 | 一种基于大数据的充电站数据管控方法及*** |
CN117901702A (zh) * | 2024-03-18 | 2024-04-19 | 南京国网电瑞电力科技有限责任公司 | 用于新能源汽车交流充电桩的大电流充电*** |
CN118246750A (zh) * | 2024-05-30 | 2024-06-25 | 山西建设投资集团有限公司 | 一种基于人工智能的充电桩异常诊断预警*** |
-
2023
- 2023-08-29 CN CN202311098061.1A patent/CN117148001A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371670A (zh) * | 2023-12-07 | 2024-01-09 | 深圳汇能新能源科技有限公司 | 一种新能源电动汽车充电桩的可靠性分析*** |
CN117371670B (zh) * | 2023-12-07 | 2024-03-12 | 深圳汇能新能源科技有限公司 | 一种新能源电动汽车充电桩的可靠性分析*** |
CN117477495A (zh) * | 2023-12-28 | 2024-01-30 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测***及方法 |
CN117477495B (zh) * | 2023-12-28 | 2024-03-12 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测***及方法 |
CN117644794A (zh) * | 2024-01-26 | 2024-03-05 | 昱洁电气科技(无锡)有限公司 | 一种基于充电桩的智能时段控制*** |
CN117644794B (zh) * | 2024-01-26 | 2024-04-09 | 昱洁电气科技(无锡)有限公司 | 一种基于充电桩的智能时段控制*** |
CN117748688A (zh) * | 2024-01-30 | 2024-03-22 | 中煤科工机器人科技有限公司 | 一种用于四差速轮式巡检机器人的自动充电管理*** |
CN117885593A (zh) * | 2024-03-14 | 2024-04-16 | 江苏智融能源科技有限公司 | 一种基于大数据的充电站数据管控方法及*** |
CN117885593B (zh) * | 2024-03-14 | 2024-05-24 | 江苏智融能源科技有限公司 | 一种基于大数据的充电站数据管控方法及*** |
CN117901702A (zh) * | 2024-03-18 | 2024-04-19 | 南京国网电瑞电力科技有限责任公司 | 用于新能源汽车交流充电桩的大电流充电*** |
CN117901702B (zh) * | 2024-03-18 | 2024-06-04 | 南京国网电瑞电力科技有限责任公司 | 用于新能源汽车交流充电桩的大电流充电*** |
CN118246750A (zh) * | 2024-05-30 | 2024-06-25 | 山西建设投资集团有限公司 | 一种基于人工智能的充电桩异常诊断预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117148001A (zh) | 一种基于人工智能的新能源汽车充电桩故障预测*** | |
CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
CN117040138B (zh) | 一种配电柜运行动态安全评估*** | |
CN114819415B (zh) | 一种基于数据分析的电力设备故障预测*** | |
CN109765459B (zh) | 一种基于就地研判的单相接地故障定位方法和*** | |
CN104767482B (zh) | 一种光伏组件老化和短路故障在线诊断方法 | |
CN110703009B (zh) | 台区线损率异常分析及处理方法 | |
CN115566804B (zh) | 一种基于分布式光纤传感技术的电力监测*** | |
CN116757482B (zh) | 用于新能源动力电池生产的故障监管维护*** | |
CN116360367A (zh) | 一种工业设备物联网数据采集方法及*** | |
CN104972926A (zh) | 一种电动汽车电池故障检测与定位方法 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN117691722B (zh) | 一种锂电池充电安全监测预警方法及*** | |
CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
CN117811213B (zh) | 一种基于数据分析的低压配电柜故障诊断*** | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN117118079A (zh) | 基于人工智能的物联网智慧电力管理中台 | |
CN109884553B (zh) | 超级电容储能电源内阻一致性实时在线诊断方法及*** | |
CN107274112B (zh) | 改良油中溶解气体的诊断算法模型 | |
CN110836835A (zh) | 智能化sf6密度在线监测数据分析及信息反馈*** | |
CN113552449B (zh) | 一种四级防护安全用电监测***及监测方法 | |
CN101620250B (zh) | 量测质量的自适应监测方法 | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
CN117791869B (zh) | 基于智能配电柜的数据在线监测方法及*** | |
CN204086497U (zh) | 中继站和微波站中蓄电池组智能诊断*** |
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 |