基于人工智能的高精度充电桩测量数据处理系统及方法与流程

本发明涉及充电智能管理，具体是基于人工智能的高精度充电桩测量数据处理系统及方法。

背景技术：

1、充电桩在设备运行过程中会产生大量的数据，包括充电的时间、充电功率、充电量等信息，人工智能的使用能够快速的分析和处理大量的数据，识别出数据中有价值的信息和模式，远远超过传统的数据处理能力，并且借助于人工智能还可以对充电桩的充电数据进行深度分析，有助于优化充电策略的优化，实现能源使用效率的最大化，从而减少用户等待的时间，提高用户的使用体验和满意程度。

2、目前大部分对充电桩进行设备状态分析方法，主要采取的方法是根据采集的充电桩的设备运行参数对应的数据，去分析充电桩的设备状态，判断充电桩是否具有设备故障风险，但是这样却存在着不少的缺点，首先，因为获取的充电桩的测量数据的数据精度不够，无法准确获取设备的测量数据，其次，在实际过程中，充电桩所使用的环境，以及充电桩的设备情况各不相同，这些都会对充电桩造成影响，会使得对充电桩的设备状态的分析结果，与充电桩本身的实际情况相差甚远，不仅仅会影响用户的充电效率，甚至还会导致充电桩和充电车辆的损坏。

技术实现思路

1、本发明的目的在于提供基于人工智能的高精度充电桩测量数据处理系统及方法，以解决现有技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于人工智能的高精度充电桩测量数据处理方法，方法包括：

3、步骤s100：获取充电桩的故障时间数据，获取充电桩的历史数据测量记录，获取充电桩的标记设备运行数据，分析标记设备运行数据中的设备运行参数与充电桩之间的设备匹配程度，得到异常设备运行数据；

4、步骤s200：获取充电桩的历史环境监测记录，从异常设备运行数据中获取异常设备运行参数，分析历史环境监测记录中的环境监测指标与充电桩内的异常设备运行参数之间的数据关联性，得到关联环境数据；

5、步骤s300：获取充电桩的历史数据测量记录，建立充电桩的充电故障预测模型，获取历史环境监测记录，获取关联环境数据，对充电故障预测模型进行优化；

6、步骤s400：对当前周期内的充电桩的充电状态进行监测，并使用充电故障预测模型，对充电桩进行故障预测，对充电桩充电进行管理。

7、进一步的，步骤s100包括：

8、步骤s101：对充电桩的故障时间数据进行获取，从故障时间数据中获取充电桩发生故障的若干个历史时段，分别对若干个历史时段内的充电桩的设备状态进行监测，得到若干个历史数据测量记录；

9、步骤s102：从历史数据测量记录中，获取测量的充电桩的各项设备运行参数的平均值；

10、步骤s103：从标记设备运行数据中，获取充电桩的各项设备运行参数预设的阈值；

11、步骤s104：分析标记设备运行数据中的各项设备运行参数与充电桩之间的设备匹配程度，具体分析过程为：

12、从若干个历史数据测量记录中，获取平均值均小于阈值的设备运行参数，并记为充电桩的标记设备运行参数；

13、获取充电桩的若干项标记设备运行参数，计算充电桩与若干项标记设备运行参数的设备匹配值，其中，充电桩与第a项标记设备运行参数的设备匹配值ba：

14、，

15、其中，ca为第a项标记设备运行参数的阈值；da,i为若干个历史数据测量记录中，第i个历史数据测量记录内的第a项标记设备运行参数的平均值；j为若干个历史数据测量记录的总个数；

16、步骤s105：设置设备匹配阈值b´，当ba≤b´，判定标记设备运行数据中，第a项标记设备运行参数与充电桩之间不具有设备匹配，并将第a项标记设备运行参数，记为充电桩的异常设备运行参数；

17、步骤s106：获取充电桩的若干项异常设备运行参数，并进行汇集，得到充电桩的异常设备运行数据。

18、进一步的，步骤s200包括：

19、步骤s201：获取充电桩的各个历史环境监测记录，从历史环境监测记录中，获取充电桩内的各项环境监测指标的平均值；

20、步骤s202：计算历史环境监测记录中，充电桩内的环境监测指标的标记值e=(f-μ)/σ，其中，f为历史环境监测记录中的环境监测指标的平均值，μ为各个历史环境监测记录中，环境监测指标的平均值的均值，σ为环境监测指标的标准差；

21、步骤s203：建立充电桩的环境矩阵g：

22、，

23、其中，n为各个历史环境监测记录的总个数；m为各项环境监测指标的总项数；e11为充电桩的第1个历史环境监测记录中，第1项环境监测指标的标记值；en1为充电桩的第n个历史环境监测记录中，第1项环境监测指标的标记值；e1m为充电桩的第1个历史环境监测记录中，第m项环境监测指标的标记值；enm为充电桩的第n个历史环境监测记录中，第m项环境监测指标的标记值；

24、步骤s204：计算环境矩阵g的协方差矩阵h：

25、，

26、其中， gt为环境矩阵的转置；

27、对协方差矩阵h进行特征值λ和特征向量v分解，具体分解公式为：h·v=λ·v，通过分解公式，获取充电桩的各项环境监测指标对应的特征值，并根据特征值的数值大小，选出预设的z个特征值对应的环境监测指标，并进行标记；

28、构成环境矩阵g的投影矩阵q=[v1、v2、...、vz]，其中，v1、v2、...、vz分别表示为，被标记的第1、2、...、z项环境监测指标的特征向量；

29、步骤s205：获取充电桩的主环境矩阵y=q·g，基于主环境矩阵，分析历史环境监测记录中的各项环境监测指标，与充电桩内的异常设备运行参数之间的数据关联性，其中，分析各项环境监测指标与充电桩中的第α项异常设备运行参数之间的数据关联性，具体过程为：

30、获取充电桩中的各个历史数据测量记录中，第α项异常设备运行参数的标记值，并进行汇集，得到矩阵sα；

31、构建第α项异常设备运行参数的关联回归模型sα：

32、，

33、其中，x1、x2、...、xz分别表示为，被标记的第1、2、...、z项环境监测指标；β1、β2、...、βz分别表示为，第1、2、...、z项环境监测指标的回归系数；β0表示为关联回归模型sα的截距项；ε表示为关联回归模型的误差项；

34、获取关联回归模型sα的设计矩阵x=[v0、v1、v2、...、vz]，其中，v0中n个元素均为1；

35、获取关联回归模型sα中的回归系数矩阵β：

36、，

37、其中，β=[β1、β2、...、βz]；

38、利用关联回归模型，获取各个历史数据测量记录中，第α项异常设备运行参数的预测值，计算各个历史数据测量记录中，第α项异常设备运行参数的标记值与预测值之差，得到关联回归模型sα的误差项ε：

39、步骤s206：获取构建后的关联回归模型sα，当被标记的某一项环境监测指标的回归系数，大于预设的第一阈值β´1，判定某一项环境监测指标，与第α项异常设备运行参数具有正向数据关联，当某一项环境监测指标的回归系数，小于预设的第二阈值β´2，判定某一项环境监测指标，与第α项异常设备运行参数具有负向数据关联，其中，β´1>0>β´2；

40、步骤s207：获取被标记的若干项环境监测指标，并进行汇集，得到第α项异常设备运行参数的关联环境集，其中，若干项环境监测指标与第α项异常设备运行参数具有数据关联性；

41、获取充电桩中的若干项异常设备运行参数的关联环境集并进行汇集，得到充电桩的关联环境数据；

42、上述步骤中利用主环境矩阵，分析历史环境监测记录中的各项环境监测指标，与充电桩内的异常设备运行参数之间的数据关联性，是因为，在高纬空间中，数据会变得稀疏，从而增加了关联回归模型的复杂程度和计算成本，通过主环境矩阵，减低了变量的数量，避免在进行回归分析时“维度灾难”所带来的问题，不仅仅减少了计算资源的消耗，提高了计算速度，而且还增强了关联回归模型的稳定性。

43、进一步的，步骤s300包括：

44、步骤s301：获取充电桩的历史数据测量记录，并将历史数据测量记录中的各项设备运行参数的平均值，作为充电故障预测模型的输入数据，将充电桩的设备故障概率，作为输出数据，对充电桩的充电故障预测模型进行建立；

45、步骤s302：从充电桩的历史环境监测记录中，获取各项环境监测指标的平均值，获取关联环境数据，对充电故障预测模型进行优化，具体优化过程为：

46、获取充电故障预测模型的测试集，设置故障概率阈值，当充电桩的设备故障概率大于故障概率阈值，判定充电桩故障；

47、使用测试集，计算充电故障预测模型的模型准确率r=(u△+u)/(u△+u+u´+u´△)，其中，u△表示充电故障预测模型正确预测充电桩，为故障的样本的总个数，u表示充电故障预测模型正确预测充电桩，为正常的样本的总个数，u´△表示充电故障预测模型错误预测充电桩，为故障的样本的总个数；u´表示充电故障预测模型错误预测充电桩，为正常的样本的总个数；

48、对充电故障预测模型中的各项模型参数进行优化调整，直到模型准确率r大于预设的模型准确度阈值，判定充电故障预测模型优化完成。

49、进一步的，步骤s400包括：

50、步骤s401：获取充电桩，在当前周期内的测量数据和环境监测数据，其中，测量数据包括：充电桩的各项设备运行参数对应的数据，环境监测数据，包括：充电桩所处环境内的各项环境监测指标对应的数据；

51、步骤s402：基于测量数据和环境监测数据，使用充电故障预测模型对充电桩进行充电故障预测，并对充电桩充电进行智能管理。

52、为了更好的实现上述方法还提出了，基于人工智能的高精度充电桩测量数据处理系统，系统包括设备匹配分析模块、关联分析模块、模型优化模块、智能充电模块；

53、设备匹配分析模块，用于对标记设备运行数据中的设备运行参数，与充电桩之间的设备匹配程度进行分析，得到异常设备运行数据；

54、关联分析模块，用于对历史环境监测记录中的环境监测指标，与充电桩内的异常设备运行参数之间的数据关联性进行分析，得到关联环境数据；

55、模型优化模块，用于对历史环境监测记录进行获取，获取关联环境数据，对充电故障预测模型进行优化；

56、智能充电模块，用于对充电桩的充电状态进行监测，并使用充电故障预测模型，对充电桩进行故障预测，对充电桩充电进行管理。

57、进一步的，设备匹配分析模块包括数据获取单元、异常设备运行数据单元；

58、数据获取单元，用于对充电桩的故障时间数据进行获取，获取充电桩的历史数据测量记录，获取标记设备运行数据；

59、异常设备运行数据单元，用于分析标记设备运行数据中的各项设备运行参数，与充电桩之间的设备匹配程度，得到异常设备运行数据。

60、进一步的，关联分析模块包括矩阵构建单元、关联分析单元；

61、矩阵构建单元，用于对历史环境监测记录中，充电桩内的环境监测指标的标记值进行获取，构建充电桩的主环境矩阵；

62、关联分析单元，用于分析历史环境监测记录中的各项环境监测指标，与充电桩内的异常设备运行参数之间的数据关联性，得到充电桩的关联环境数据。

63、进一步的，模型优化模块包括模型建立单元、模型优化单元；

64、模型建立单元，用于对充电桩的充电故障预测模型进行建立；

65、模型优化单元，用于根据充电桩的历史环境监测记录和关联环境数据，对充电故障预测模型进行优化。

66、进一步的，智能充电模块包括智能充电单元；

67、智能充电单元，用于根据充电桩的测量数据和环境监测数据，使用充电故障预测模型，对充电桩进行充电故障预测，并对充电桩充电进行智能管理。

68、与现有技术相比，本发明的有益效果是：本发明实现了对高精度充电桩测量数据的智能处理，根据充电桩的设备本身的设备情况，分析出存在异常的设备运行参数，并通过构建关联回归模型，分析环境监测指标与设备运行参数之间的关联性，从而对构建的充电故障预测模型进行优化，不仅仅使得对充电桩故障预测准确性大大提高，也减少了充电事故的发生的概率，进一步，保障充电桩充电的充电速率和安全性。