基于混合神经网络的电设施充电过程预警保护方法及系统与流程

1.本发明属于新能源充电技术领域，尤其涉及一种基于混合神经网络的电设施充电过程预警保护方法及系统。


背景技术：

2.随着科技的发展，新能源充电是未来发展的趋势。在新能源充电中，电动汽车的安全已成为热点问题之一。它不仅是保障生命财产安全的关键，也是电动汽车市场快速发展的重要保障。研究发现，电池热失控是电动汽车充电过程中自燃的重要原因。因此，为了解决上述问题，提供一种基于混合神经网络的电设施充电过程预警保护方法及系统具有重要的意义。


技术实现要素：

3.针对现有技术的以上缺陷或改进需求，一种基于混合神经网络的电设施充电过程预警保护方法及系统，由此解决充电设施难以快速和准确预测热失控的技术问题。
4.本发明第一方面采用的技术方案如下：
5.基于混合神经网络的电设施充电过程预警保护方法，所述方法包括以下步骤：
6.基于监测设备得到电动设施充电数据进行归一化处理；
7.基于归一化的充电数据训练卷积神经网络的参数；
8.将卷积神经网络的参数值作为长短记忆神经网络的特征输入，训练长短记忆神经网络模型；
9.基于混合神经网络模型安全预警模型设置温度预警和告警阈值；
10.预测充电设施充电状态，完成安全预警任务。
11.进一步的，基于监测设备得到电动设施充电数据进行归一化处理过程为：
12.步骤1：将电动汽车充电电压、充电电流、充电温度、充电时间的充电数据通过can总线传输给充电桩，由充电桩传输到后台数据库，后台数据库对收费数据进行规范化处理，对充电数据的输入特征进行归一化处理，将数据集映射到[-1,1]之间，公式如下：
[0013][0014]
其中，di为电动汽车在充电i时刻的汽车充电电压、充电电流、充电温度、充电时间的充电数据的实际值；为数据的均值，s为数据的方差；
[0015]
步骤2：归一化电动汽车在充电i时刻的电荷值，计算公式为:
[0016][0017]
其中，xi为电动汽车在充电i时刻电荷值的实际值；x
imax
、x
imin
表示归一化前第i时刻的最大值和最小值；x
out
表示xi标准化输出电荷值。
[0018]
进一步的，基于混合神经网络安全预警模型的电动设施充电过程安全预警过程为：
[0019]
步骤1：利用训练集确定长短记忆神经网络和双向长短记忆神经网络模型参数，训练相应模型，输出评价标准值，确定卷积神经网络模型参数；
[0020]
步骤2：对卷积长短记忆神经网络模型进行训练，输出其评价标准值；
[0021]
步骤3：利用滑动窗口对正常充电数据的残留进行分析和处理，并设置适当的警告阈值；
[0022]
步骤4：根据电动设施的状态，对充电过程进行分类安全预警。
[0023]
进一步的，基于归一化的充电数据训练卷积神经网络的参数，其计算公式为：
[0024]ct
＝f(w
cnn
*n
t
+b
cnn
),
[0025]
其中，w
cnn
表示电动汽车充电数据卷积层滤波器的权重系数；n
t
为时刻t的电动汽车充电数据；*表示一个卷积运算；b
cnn
表示电动汽车充电数据卷积运算的偏差系数；f为ev卷积运算的激活函数；c
t
表示卷积后提取的电动汽车充电数据序列。
[0026]
进一步的，将卷积神经网络的参数值作为长短记忆神经网络的特征输入，训练长短记忆神经网络模型，更新后的计算公式为：
[0027][0028]
其中，i
t
、f
t
、o
t
分别表示遗忘门、输入门和输出门；x
t
表示t时间步长的输入数据；c
t
表示存储器单元在t时的状态时间步长；h
t
表示上一个时间步长的输出数据；σ表示s形函数；tanh是活化函数；w表示权重矩阵；b表示偏置向量。
[0029]
进一步的，根据电动设施的状态，设置适当的警告阈值，预警阈值的计算公式为：
[0030][0031]
式中，为充电温度剩余平均值的最大绝对值；s
mai
为充电温度剩余标准差最大值；k1为残差均值的预警系数；k2为残差标准差的预警系数；x
e1
、x
e2
分别为残差均值的上下限预警限；se为残差标准差的预警上限；
[0032]
告警阈值的计算公式为:
[0033][0034]
式中，k3为残差均值的报警系数；k4为残差标准差的报警系数；x
w1
、x
w2
分别为残差均值报警上限、下限；sw为剩余标准差的报警上限。
[0035]
本发明第二方面提出基于混合神经网络的电动设施充电过程预警保护系统，包
括：
[0036]
所述归一化模块，用于防止数据变化引起的误差，提高卷积长短记忆神经网络模型的准确性；
[0037]
所述卷积神经网络模块，用于搭建卷积神经网络模型，确定卷积神经网络的参数；
[0038]
所述循环神经网络模块，用于搭建循环神经网络模型；
[0039]
所述模型阈值设置模块，用于利用滑动窗口对正常充电数据的残留进行分析和处理，设置适当的警告阈值；
[0040]
所述安全预警模块，用于判断电动设施的充电状态，及时完成安全预警任务；
[0041]
所述混合神经网络模型优化迭代模块，用于将卷积神经网络作为长短记忆神经网络模型输入的一部分，以便提取电动设施充电数据的深层特征。
[0042]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0043]
本发明提出基于混合神经网络的电动设施充电过程预警保护方法，可以利用卷积神经网络和长短记忆神经网络来增强算法预测充电设施处于不同充电状态的精度与速度，弥补了新能源充电中现有技术难以准确分类预警保护的缺陷。对未来新能源充电技术，例如自适应诊断和自适应预测等奠定了基础。
附图说明
[0044]
图1是本发明实施例提供的一种利用卷积神经网络优化长短记忆神经网络模型特征输入的方法；
[0045]
图2是本发明实施例提供的一种基于混合神经网络的电设施充电过程安全预警保护方法流程示意图；
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0047]
参照图1和图2，本发明实施例的一种基于混合神经网络的电设施充电过程安全预警保护方法，该方法包括以下步骤：
[0048]
基于监测设备得到电动设施充电数据进行归一化处理；
[0049]
基于归一化的充电数据训练卷积神经网络的参数；
[0050]
将卷积神经网络的参数值作为长短记忆神经网络的特征输入，训练长短记忆神经网络模型；
[0051]
基于混合神经网络模型安全预警模型设置温度预警和告警阈值；
[0052]
预测充电设施充电状态，完成安全预警任务。
[0053]
如图2所示，基于监测设备得到电动设施充电数据进行归一化处理的过程为：
[0054]
步骤1：将电动汽车充电电压、充电电流、充电温度、充电时间充电数据通过can总线传输给充电桩，由充电桩传输到后台数据库。后台平台对收费数据进行规范化处理。对充
电数据的输入特征进行归一化处理，将数据集映射到[-1,1]之间，公式如下：
[0055][0056]
其中，di为电动汽车在充电i时刻的汽车充电电压、充电电流、充电温度、充电时间等充电数据的实际值；为数据的均值，s为数据的方差；
[0057]
步骤2：归一化电动汽车在充电i时刻的电荷值，计算公式为:
[0058][0059]
其中，xi为电动汽车在充电i时刻电荷值的实际值；x
imax
、x
imin
表示归一化前第i时刻的最大值和最小值；x
out
表示xi标准化输出电荷值。
[0060]
基于混合神经网络安全预警模型的充电机安全预警过程为：
[0061]
步骤1：利用训练集确定长短记忆神经网络和双向长短记忆神经网络模型参数，训练相应模型，输出评价标准值，确定卷积神经网络模型参数；
[0062]
步骤2：对卷积长短记忆神经网络模型进行训练，输出其评价标准值；
[0063]
步骤3：利用滑动窗口对正常充电数据的残留进行分析和处理，并设置适当的警告阈值；
[0064]
步骤4：根据电动设施的状态，对充电过程进行分类安全预警。
[0065]
基于归一化的充电数据训练卷积神经网络的参数，其计算公式为：
[0066]ct
＝f(w
cnn
*n
t
+b
cnn
),
[0067]
其中，w
cnn
表示电动汽车充电数据卷积层滤波器的权重系数；n
t
为时刻t的电动汽车充电数据；*表示一个卷积运算；b
cnn
表示电动汽车充电数据卷积运算的偏差系数；f为ev卷积运算的激活函数；c
t
表示卷积后提取的电动汽车充电数据序列；
[0068]
将卷积神经网络的参数值作为长短记忆神经网络的特征输入，训练长短记忆神经网络模型，更新后的计算公式为：
[0069][0070]
其中，i
t
、f
t
、o
t
分别表示遗忘门、输入门和输出门；x
t
表示t时间步长的输入数据；c
t
表示存储器单元在t时的状态时间步长；h
t
表示上一个时间步长的输出数据；σ表示s形函数；tanh是活化函数；w表示权重矩阵；b表示偏置向量；
[0071]
根据电动设施的状态，设置适当的警告阈值，预警阈值的计算公式为：
[0072][0073]
式中，为充电温度剩余平均值的最大绝对值；s
max
为充电温度剩余标准差最
大值；k1为残差均值的预警系数；k2为残差标准差的预警系数；x
e1
、x
e2
分别为残差均值的上下限预警限；se为残差标准差的预警上限；
[0074]
告警阈值的计算公式为:
[0075][0076]
其中，k3为残差均值的报警系数；k4为残差标准差的报警系数；x
w1
、x
w2
分别为残差均值报警上限、下限；sw为剩余标准差的报警上限；
[0077]
本发明的另外一实施例提出基于混合神经网络的电动设施充电过程预警保护系统，所述系统用于执行上述实施例中的方法，所述系统包括：数据归一化模块、卷积神经网络模块、循环神经网络模块、模型阈值设置模块、安全预警模块、混合神经网络模型优化迭代模块：
[0078]
所述归一化模块，用于防止数据变化引起的误差，提高卷积长短记忆神经网络模型的准确性；
[0079]
所述卷积神经网络模块，用于搭建卷积神经网络模型，确定卷积神经网络的参数；
[0080]
所述循环神经网络模块，用于搭建循环神经网络模型；
[0081]
所述模型阈值设置模块，用于利用滑动窗口对正常充电数据的残留进行分析和处理，设置适当的警告阈值；
[0082]
所述安全预警模块，用于判断电动设施的充电状态，及时完成安全预警任务；
[0083]
所述混合神经网络模型优化迭代模块，用于将卷积神经网络作为长短记忆神经网络模型输入的一部分，以便提取电动设施充电数据的深层特征。
[0084]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0085]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于混合神经网络的电动设施充电过程预警保护方法，其特征在于，所述方法包括以下步骤：基于监测设备得到电动设施充电数据进行归一化处理；基于归一化的充电数据训练卷积神经网络的参数；将卷积神经网络的参数值作为长短记忆神经网络的特征输入，训练长短记忆神经网络模型；基于混合神经网络模型安全预警模型设置温度预警和告警阈值；预测充电设施充电状态，完成安全预警任务。2.根据权利要求1所述的基于混合神经网络的电动设施充电过程预警保护方法，其特征在于，基于监测设备得到电动设施充电数据进行归一化处理的过程为：步骤1：将电动汽车充电电压、充电电流、充电温度、充电时间的充电数据通过can总线传输给充电桩，由充电桩传输到后台数据库，后台数据库对收费数据进行规范化处理，对充电数据的输入特征进行归一化处理，将数据集映射到[-1,1]之间，公式如下：其中，d
i
为电动汽车在充电i时刻的汽车充电电压、充电电流、充电温度、充电时间的充电数据的实际值；为数据的均值，s为数据的方差；步骤2：归一化电动汽车在充电i时刻的电荷值，计算公式为:其中，x
i
为电动汽车在充电i时刻电荷值的实际值；x
imax
、x
imin
表示归一化前第i时刻的最大值和最小值；x
out
表示x
i
标准化输出电荷值。3.根据权利要求2所述的基于混合神经网络的电动设施充电过程预警保护方法，其特征在于，基于混合神经网络安全预警模型的充电机安全预警过程为：步骤1：利用训练集确定长短记忆神经网络和双向长短记忆神经网络模型参数，训练相应模型，输出评价标准值，确定卷积神经网络模型参数；步骤2：对卷积长短记忆神经网络模型进行训练，输出其评价标准值；步骤3：利用滑动窗口对正常充电数据的残留进行分析和处理，并设置适当的警告阈值；步骤4：根据电动设施的状态，对充电过程进行分类安全预警。4.根据权利要求3所述的基于混合神经网络的电动设施充电过程预警保护方法，其特征在于，基于归一化的充电数据训练卷积神经网络的参数，其计算公式为：c
t
＝f(w
cnn
*n
t
+b
cnn
),其中，w
cnn
表示电动汽车充电数据卷积层滤波器的权重系数；n
t
为时刻t的电动汽车充电数据；*表示一个卷积运算；b
cnn
表示电动汽车充电数据卷积运算的偏差系数；f为ev卷积运算的激活函数；c
t
表示卷积后提取的电动汽车充电数据序列。5.根据权利要求4所述的基于混合神经网络的电动设施充电过程预警保护方法，其特征在于，将卷积神经网络的参数值作为长短记忆神经网络的特征输入，训练长短记忆神经
网络模型，更新后的计算公式为：其中，i
t
、f
t
、o
t
分别表示遗忘门、输入门和输出门；x
t
表示t时间步长的输入数据；c
t
表示存储器单元在t时的状态时间步长；h
t
表示上一个时间步长的输出数据；σ表示s形函数；tanh是活化函数；w表示权重矩阵；b表示偏置向量。6.根据权利要求5所述的基于混合神经网络的电动设施充电过程预警保护方法，其特征在于，根据电动设施的状态，设置适当的警告阈值，预警阈值的计算公式为：其中，为充电温度剩余平均值的最大绝对值；s
max
为充电温度剩余标准差最大值；k1为残差均值的预警系数；k2为残差标准差的预警系数；x
e1
、x
e2
分别为残差均值的上下限预警限；s
e
为残差标准差的预警上限；告警阈值的计算公式为:式中，k3为残差均值的报警系数；k4为残差标准差的报警系数；x
w1
、x
w2
分别为残差均值报警上限、下限；s
w
为剩余标准差的报警上限。7.基于混合神经网络的电动设施充电过程预警保护系统，其特征在于，所述系统用于执行如权利要求1-6所述的任一方法，所述系统包括：数据归一化模块、卷积神经网络模块、循环神经网络模块、模型阈值设置模块、安全预警模块、混合神经网络模型优化迭代模块：所述归一化模块，用于防止数据变化引起的误差，提高卷积长短记忆神经网络模型的准确性；所述卷积神经网络模块，用于搭建卷积神经网络模型，确定卷积神经网络的参数；所述循环神经网络模块，用于搭建循环神经网络模型；所述模型阈值设置模块，用于利用滑动窗口对正常充电数据的残留进行分析和处理，设置适当的警告阈值；所述安全预警模块，用于判断电动设施的充电状态，及时完成安全预警任务；所述混合神经网络模型优化迭代模块，用于将卷积神经网络作为长短记忆神经网络模型输入的一部分，以便提取电动设施充电数据的深层特征。

技术总结
本发明公开了一种基于混合神经网络的电设施充电过程预警保护方法及系统，属于新能源充电技术领域，该方法对电动设施的充电数据通过卷积神经网络和长短时记忆模型相结合对充电机进行安全预警，完成安全预警任务。本发明利用了卷积神经网络作为特征输入，来提高长短记忆网络预测充电设施处于不同充电状态的精度与速度。本发明可以为实现电动设施的安全稳定充电提供有效预警保障。定充电提供有效预警保障。定充电提供有效预警保障。


技术研发人员：庞松岭 朱望诚 霍美屹 王可 桑林 董晨 张振军
受保护的技术使用者：海南电网有限责任公司电力科学研究院
技术研发日：2023.05.12
技术公布日：2023/8/16