System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及充电桩监测,更具体的说是涉及一种电动汽车交流充电桩的监测方法、系统及电子设备。
技术介绍
1、随着电动汽车安全事故的增加,电动汽车的安全问题受到越来越多的关注,尤其是电动汽车充电过程中产生的安全问题,电动汽车的交流充电桩作为电动汽车充电网络的重要组成部分,其运行状态直接关系到电动汽车充电的效率和安全性。因此,对交流充电桩的监测进行研究具有重要的现实意义。
2、然而,现有的监测技术仍存在一定的不足之处,如监测参数不够全面、监测设备的可靠性和精度有待提高等问题。
3、因此,如何提供一种电动汽车交流充电桩的监测方法、系统及电子设备,是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本专利技术提供了一种电动汽车交流充电桩的监测方法、系统及电子设备,用于解决上述现有技术中存在的技术问题。
2、为了实现上述目的,本专利技术提供如下技术方案:
3、一种电动汽车交流充电桩的监测方法,包括以下步骤:
4、选择正常状态下的电动汽车交流充电桩作为样本,获取每台交流充电桩的物理状态检测数据、电气性能检测数据以及网络安全检测数据;
5、构建复合叠加神经网络模型,并通过物理状态检测数据、电气性能检测数据以及网络安全检测数据对复合叠加神经网络模型进行训练优化;
6、获取待测电动汽车交流充电桩的物理状态检测数据、电气性能检测数据以及网络安全检测数据,并输入当训练优化后的复合叠加神经网络模型中,输出待测电动
7、优选的,所述物理状态检测数据包括:电缆温度、充电桩壳体温度、风扇运行状态,并将所述交流充电桩的物理状态检测数据生成第一样本信息;
8、所述电气性能检测数据包括:电压、电流、功率,并将所述电气性能检测数据生成第二样本信息;
9、所述网络安全检测数据包括:防雷、防电涌、数据加密,并将所述网络安全检测数据生成第三样本信息。
10、优选的,构建的复合叠加神经网络模型结构包括:
11、三个bp神经网络,其中,所述三个bp神经网络分别为所述复合叠加神经网络的第一判别层、第二判别层以及第三判别层。
12、优选的,所述第一判别层、第二判别层以及第三判别层分别包括:一个输入层、多个隐藏层和一个输出层;
13、其中,所述输入层、所述隐藏层和所述输出层的各节点彼此间没有相互连接,各层也没有隔层连接,层与层之间为全连接。
14、进一步的,所述隐藏层为n个,其中:
15、
16、式中,p为隐藏层神经元节点个数,m为输入层神经元节点个数,n为输出层神经元节点个数,a为[1-10]之间的常数。
17、进一步的,所述输出待测电动汽车交流充电桩的监测结果为向量结果其中:
18、
19、式中,x={1,2,3},为输出层神经元个数,分别表示物理状态输出结果、电气性能输出结果以及网络安全输出结果。
20、优选的,所述构建复合叠加神经网络模型,并通过物理状态检测数据、电气性能检测数据以及网络安全检测数据对复合叠加神经网络模型进行训练优化,包括:设置学习率并计算权重系数的迭代次数,对所述复合叠加神经网络模型进行训练,并通过梯度下降相关算法优化卷积神经网络,以得到最优的预测准确度。
21、进一步的,权重系数的迭代计算公式为:
22、wnode,o(i+1)=wnode,o(i)+γ1δnode(i)wnode,j(i);
23、式中,γ1是收敛系数,δnode(i)为各层神经元的偏导数,wnode,j(i)是隐藏层节点node在i时刻的输出值;
24、其中:
25、
26、其中,δnode是输出层神经元节点的偏导数,是的导数,是的导数。
27、一种电动汽车交流充电桩的监测系统,包括:
28、获取模块:选择正常状态下的电动汽车交流充电桩作为样本,获取每台交流充电桩的物理状态检测数据、电气性能检测数据以及网络安全检测数据;
29、构建模块:构建复合叠加神经网络模型,并通过物理状态检测数据、电气性能检测数据以及网络安全检测数据对复合叠加神经网络模型进行训练优化;
30、监测模块:获取待测电动汽车交流充电桩的物理状态检测数据、电气性能检测数据以及网络安全检测数据,并输入当训练优化后的复合叠加神经网络模型中,输出待测电动汽车交流充电桩的监测结果。
31、一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现电动汽车交流充电桩的监测方法的步骤。
32、经由上述的技术方案可知,与现有技术相比,本专利技术公开提供了一种电动汽车交流充电桩的监测方法、系统及电子设备,将正常状态下的电动汽车交流充电桩作为样本,并得到交流充电桩的物理状态检测数据、电气性能检测数据以及网络安全检测数据,分别生成三个不同的样本数据。同时建立了由bp神经网络叠加的复合叠加神经网络模型,分别将生成的三个不同样本数据输入到对应的bp神经网络模型的输入层,综合判断电动汽车交流充电桩的状态是否正常。具体有益效果为:
33、1)提供更为全面的监测数据,以监测更多的关键参数;
34、2)通过构建的符合叠加神经网络模型提高了监测的可靠性和精度,以及提高了监测数据的准确性和可信度;
35、3)基于复合叠加神经网络自动的综合判断电动汽车交流充电桩的状态是否正常,从而实现对充电桩的自动化智能监测和管理;
36、4)样本数据中网络安全监测数据,有利于加强充电桩网络安全监测,以保障充电网络的安全性和稳定性。
本文档来自技高网...【技术保护点】
1.一种电动汽车交流充电桩的监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述物理状态检测数据包括:电缆温度、充电桩壳体温度、风扇运行状态,并将所述交流充电桩的物理状态检测数据生成第一样本信息;
3.根据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,构建的复合叠加神经网络模型结构包括:
4.根据权利要求3所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述第一判别层、第二判别层以及第三判别层分别包括:一个输入层、多个隐藏层和一个输出层;
5.根据权利要求4所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述隐藏层为n个,其中:
6.根据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述输出待测电动汽车交流充电桩的监测结果为向量结果其中:
7.据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述构建复合叠加神经网络模型,并通过物理状态检测数据、电气性能检测数据以及网络安全检测数据对复合叠加神经网
8.据权利要求7所述的一种电动汽车交流充电桩的监测方法,其特征在于,权重系数的迭代计算公式为:
9.一种利用权利要求1-8任一项所述的电动汽车交流充电桩的监测方法的电动汽车交流充电桩的监测系统,其特征在于,包括:
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一所述的电动汽车交流充电桩的监测方法的步骤。
...【技术特征摘要】
1.一种电动汽车交流充电桩的监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述物理状态检测数据包括:电缆温度、充电桩壳体温度、风扇运行状态,并将所述交流充电桩的物理状态检测数据生成第一样本信息;
3.根据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,构建的复合叠加神经网络模型结构包括:
4.根据权利要求3所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述第一判别层、第二判别层以及第三判别层分别包括:一个输入层、多个隐藏层和一个输出层;
5.根据权利要求4所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述隐藏层为n个,其中:
6.根据权利要求1所述的一种电动汽车交流充电桩的监测方法,其特征在于,所述输出待测电动汽车交流充电桩的监测结果为向量结果其...
【专利技术属性】
技术研发人员:曹洋,李明贤,王娟,董义鹏,李芹,李欣然,徐路遥,
申请(专利权)人:北京理工大学前沿技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。