基于物联网的充换电柜智能管理方法、系统及介质与流程

本发明涉及充换电柜管理，尤其涉及一种基于物联网的充换电柜智能管理方法、系统及介质。

背景技术：

1、电池交换技术随着电动汽车或者电动自行车的兴起而发展成为一种商业模式，它为电动汽车或者电动自行车提供了一个便捷、高效、经济的电能补充方式， 还可以利用风电、光伏等新能源为更换的电池进行充电。与充电桩不同，充换电柜将电池充电的场景放在了充换电柜内的充电仓上，对大量标准化的蓄电池进行统一充电调度，将充满电的电池通过操作自动化的机械设备来实现用户的换电需求。电动汽车或者电动自行车充电站在供电时长方面，可以利用车辆出行特性建设在为电动汽车或者电动自行车供电的有效区域， 所以对于电动汽车或者电动自行车来说，使用充电桩进行补电十分轻松，但是当充电车辆过多时，那么电动汽车或者电动自行车必须在有限停车位上排队等候，而且充电时长过长，将会进一步延长了客户的等待时间，降低服务质量水平。随着国内外学者对电池交换技术的研究兴趣日益浓厚，电池交换技术更加成熟。自动换电模式可以大幅减小换电时间，有效地提高电池更换的效率而且，换电设施占地面积小、建造成本较低。此外换电模式还具有许多传统充电桩所不具备的优势。然而，对于充换电柜而言，需要远程监测故障类型、故障时间等数据，针对于充换电柜的故障识别精度不高，无法在电池充电过程准确的识别出故障类型、故障时间等数据，从而导致电池充电在预定的时间之内无法充满，导致在换电之后电池可能是电量低，从而需要重复更换，浪费用户的时间，降低了用户的体验度。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种基于物联网的充换电柜智能管理方法、系统及介质。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了一种基于物联网的充换电柜智能管理方法，包括以下步骤：

4、通过物联网管理平台获取充换电柜的运行参数特征数据，构建样本数据，并通过对样本数据进行故障类型分类，获取分类后的样本数据集；

5、根据分类后的样本数据集初始化各故障类型的训练集，通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化，获取优化后的各故障类型的训练集；

6、根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型，并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息；

7、获取电池在预设时间之内的充电需求信息，基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息，并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。

8、进一步的，在本方法中，通过物联网管理平台获取充换电柜的运行参数特征数据，构建样本数据，并通过对样本数据进行故障类型分类，获取分类后的样本数据集，具体包括：

9、通过物联网管理平台获取充换电柜的运行参数特征数据，并根据充换电柜的运行参数特征数据构建样本数据，设置各故障类型的运行参数评价指标，引入决策树模型；

10、基于样本数据构建根节点，根据各故障类型的运行参数评价指标构建分裂标准，并基于分裂标准对根节点进行初始化分类，获取若干叶节点，判断叶节点中是否存在其他类别的数据；

11、当叶节点中存在其他类别的数据时，对叶节点进行持续分裂，直至叶节点中不存在其他类别的数据，输出叶节点，并根据叶节点获取分类后的样本数据集。

12、进一步的，在本方法中，根据分类后的样本数据集初始化各故障类型的训练集，通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化，获取优化后的各故障类型的训练集，具体包括：

13、根据分类后的样本数据构建各故障类型的训练集，并初始化各故障类型的训练集的数量，随机选取对应数量的样本数据组合，引入杰卡德距离度量算法以及遗传算法；

14、通过杰卡德距离度量算法计算各故障类型的训练集之间的杰卡德相似系数，并根据各故障类型的训练集之间的杰卡德相似系数计算出各故障类型的训练集之间的杰卡德距离；

15、根据遗传算法设置遗传代数，预设杰卡德距离阈值，并判断杰卡德距离是否大于杰卡德距离阈值，当杰卡德距离大于杰卡德距离阈值时，输出样本数据组合，生成优化后的各故障类型的训练集；

16、当杰卡德距离不大于杰卡德距离阈值时，根据遗传代数进行遗传迭代，调整样本数据组合，直至杰卡德距离大于杰卡德距离阈值时，输出样本数据组合，生成优化后的各故障类型的训练集。

17、进一步的，在本方法中，根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型，并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息，具体包括：

18、基于深度神经网络构建充换电柜故障类型预测模型，并将优化后的各故障类型的训练集输入到充换电柜故障类型预测模型中进行训练，获取充换电柜故障类型预测模型的实时模型参数；

19、当充换电柜故障类型预测模型的实时模型参数在预设的模型参数阈值范围之内时，训练结束，并将充换电柜故障类型预测模型输出，获取预设时间之内充换电柜的实时运行参数特征数据；

20、将预设时间之内充换电柜的实时运行参数特征数据输入到充换电柜故障类型预测模型中预测，获取预设时间之内充换电柜的故障类型以及预估故障时间；

21、将预设时间之内充换电柜的故障类型以及预估故障时间作为预设时间之内充换电柜的故障信息输出。

22、进一步的，在本方法中，获取电池在预设时间之内的充电需求信息，基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息，具体包括：

23、获取各电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息，并基于深度神经网络构建充电预估时间预测模型，将电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息输入到充电预估时间预测模型中；

24、融合图神经网络，将电池类型信息作为第一图节点，因子数据作为第二图节点，各电量至充满时充电预估时间信息作为第三图节点，构建拓扑结果，根据拓扑结构获取相关的邻接矩阵；

25、将相关的邻接矩阵输入到充电预估时间预测模型中进行训练，获取训练完成的充电预估时间预测模型，并获取电池在预设时间之内的充电需求信息；

26、根据电池在预设时间之内的充电需求信息获取电池的初始电量信息，并将电池的初始电量信息输入到训练完成的充电预估时间预测模型中进行预测，获取电池的预估充电时间信息。

27、进一步的，在本方法中，根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息，具体包括：

28、根据预设时间之内充换电柜的故障信息获取充换电柜的预估故障时间信息，判断电池的预估充电时间信息是否在充换电柜的预估故障时间信息之内；

29、当电池的预估充电时间信息不在充换电柜的预估故障时间信息之内，根据充换电柜的预估故障时间信息进行先后排序，获取充换电柜的推荐优先级排序；

30、当电池的预估充电时间信息在充换电柜的预估故障时间信息之内，则将降低对应的充换电柜的推荐优先级，重置充换电柜的推荐优先级排序；

31、基于充换电柜的推荐优先级排序生成相关的推荐信息，将相关的推荐信息按照预设方式进行推送。

32、本发明第二方面提供了一种基于物联网的充换电柜智能管理系统，系统包括存储器以及处理器，存储器中包括基于物联网的充换电柜智能管理方法程序，基于物联网的充换电柜智能管理方法程序被处理器执行时，实现如下步骤：

33、通过物联网管理平台获取充换电柜的运行参数特征数据，构建样本数据，并通过对样本数据进行故障类型分类，获取分类后的样本数据集；

34、根据分类后的样本数据集初始化各故障类型的训练集，通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化，获取优化后的各故障类型的训练集；

35、根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型，并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息；

36、获取电池在预设时间之内的充电需求信息，基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息，并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。

37、本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于物联网的充换电柜智能管理方法程序，基于物联网的充换电柜智能管理方法程序被处理器执行时，实现任一项的基于物联网的充换电柜智能管理方法的步骤。

38、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

39、本发明通过物联网管理平台获取充换电柜的运行参数特征数据，构建样本数据，并通过对样本数据进行故障类型分类，获取分类后的样本数据集，进而根据分类后的样本数据集初始化各故障类型的训练集，通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化，获取优化后的各故障类型的训练集，从而根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型，并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息，最后通过获取电池在预设时间之内的充电需求信息，基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息，并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。本发明通过融合杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行识别，从而来优化训练集中的样本数据，进而来提高故障预测模型的预测精度，能够更精准的识别出充换电柜在使用过程中的故障情况，提高用户对换电柜的体验度。