一种基于多重感知分析的充电桩安全监控系统

1.本发明属于安全监控技术领域，具体涉及一种基于多重感知分析的充电桩安全监控系统。


背景技术：

2.随着石油资源的日益减少及大气环境的污染，电动汽车技术开始蓬勃发展，电动汽车的使用人群不断扩大，电动汽车的市场规模日益增大，市场对充电桩的需求量伴随着电动汽车使用数量的增加而增加。由于充电桩一般被设置于露天或开放的环境下，以便于充电用户利用充电桩为电动车辆充电。然而，便利的充电环境同样便于猫、狗或耗子等动物靠近充电桩。充电桩附近的动物容易袭击充电桩，导致充电桩损坏，甚至给充电用户的人身及财产安全增加风险。


技术实现要素：

3.本发明旨在解决现有技术的不足，提出一种基于多重感知分析的充电桩安全监控系统，通过对充电桩内部和外部的多重数据分析，实现充电桩的安全监控。
4.为实现上述目的，本发明提供了如下方案：
5.一种基于多重感知分析的充电桩安全监控系统，包括：内监控模块、外监控模块以及云端分析模块；
6.所述内监控模块，用于监控充电桩内部工作数据；
7.所述外监控模块，用于监控充电桩外部环境数据；
8.所述云端分析模块，用于基于充电桩的所述内部工作数据以及所述外部环境数据，构建多重数据感知模型，实现对充电桩安全监控的多重感知分析。
9.优选的，所述内部工作数据，包括：电压数据、电流数据、内温度数据、内湿度数据以及漏电数据。
10.优选的，所述外部环境数据，包括：视频图像、红外图像、外温度数据、外湿度数据、水位数据、地震数据以及位置数据。
11.优选的，所述云端分析模块，包括：数据集构建单元、感知模型构建单元以及监控单元；
12.数据集构建单元，用于基于所述内部工作数据以及所述外部环境数据，自动构建多重数据集；
13.所述感知模型构建单元，用于基于所述多重数据集以及深度神经网络，构建多重数据感知模型；
14.所述监控单元，用于基于所述多重数据感知模型，监控充电桩工作状态。
15.优选的，自动构建多重数据集的过程为：
16.预设充电桩标准工作参数；
17.采用时频分析法以及独立变量分析法，获得所述内部工作数据以及所述外部环境
数据统计量的残差子空间表达式；
18.基于所述残差子空间表达式，获得所述内部工作数据以及所述外部环境数据偏离所述标准工作参数的程度，实现所述多重数据集的自动构建。
19.优选的，所述多重数据感知模型的构建过程为：
20.采用所述深度神经网络，构建时间负载分类模型；
21.将所述多重数据集输入所述时间负载分类模型的输入神经元，基于梯度下降策略，调整模型参数；
22.预设所述时间负载分类模型的模型参数；
23.计算调整的所述参数以及预设的所述模型参数的误差；
24.基于链式法则，计算所述输入神经元的各梯度项，修正所述时间负载分类模型各层连接权值以及阈值，获得全局最优参数，实现对多重数据集的时间负载分类；
25.基于所述时间负载分类，结合量化表征以及模糊监测，构建多重数据感知模型，实现基于多重感知数据的充电桩故障监测。
26.优选的，还包括故障预警模块，所述故障预警模块，包括：自动断电单元以及声光警报单元；
27.所述自动断电单元，用于基于所述云端分析模块对充电桩的多重感知分析，触发断电电路，实现故障充电桩的自动断电；
28.所述声光警报单元，用于基于所述云端分析模块对充电桩的多重感知分析，发出警报并闪光，实现故障充电桩的故障警报。
29.优选的，还包括寿命预测模块，所述寿命预测模块，包括：故障率模型构建单元、预测模型构建单元以及使用寿命预测单元；
30.所述故障率模型构建单元，用于提取所述多重数据集在时域、频域以及时频域的特征参数；使用核主元分析法，对所述特征参数进行降维处理，获得核主元变量；将所述核主元变量作为协变量，构建威布尔比例故障率模型；
31.所述预测模型构建单元，用于基于所述威布尔比例故障率模型，获得充电桩的故障曲线以及可靠度曲线；基于鲸鱼优化算法对lstm神经网络的参数进行优化，获得woa-lstm优化预测模型；
32.所述寿命预测单元，用于建立评价指标，从所述特征参数筛选目标参数；基于所述故障曲线、所述可靠度曲线、所述故障诊断结果以及所述目标参数训练所述woa-lstm优化预测模型，并通过完成训练的woa-lstm优化预测模型，预测所述充电桩的剩余使用寿命。
33.与现有技术相比，本发明的有益效果为：本发明通过获取充电桩的多重数据，进行多重数据分析，自动构建多重数据集，降低数据集生成时间开销，并通过警报以及寿命预测，实现对充电桩的全面分析监控。
附图说明
34.为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1是本发明实施例基于多重感知分析的充电桩安全监控系统的结构示意图。
具体实施方式
36.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。
37.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
38.实施例
39.如图1所示，一种基于多重感知分析的充电桩安全监控系统，包括：内监控模块、外监控模块以及云端分析模块；
40.内监控模块，用于监控充电桩内部工作数据；
41.外监控模块，用于监控充电桩外部环境数据；
42.云端分析模块，用于基于充电桩的内部工作数据以及外部环境数据，构建多重数据感知模型，实现对充电桩安全监控的多重感知分析。
43.特别的，内监控模块，包括：电压监控单元、电流监控单元、内温度监控单元、内湿度监控单元以及漏电监控单元；
44.内部工作数据，包括：电压数据、电流数据、内温度数据、内湿度数据以及漏电数据；
45.电压监控单元，采用电压传感器，用于监控充电桩内部电压，采集电压数据；
46.电流监控单元，采用电流传感器，用于监控充电桩内部电流，采集电流数据；
47.内温度监控单元，采用温度传感器，用于监控充电桩内部温度，采集内温度数据；
48.内湿度监控单元，采用湿度传感器，用于监控充电桩内部湿度，采集内湿度数据；
49.漏电监控单元，采用漏电传感器，用于监控充电桩内部是否漏电，采集漏电数据。
50.特别的，外监控模块，包括：视频监控单元、红外监控单元、外温度监控单元、外湿度监控单元、水位监控单元、地震监控单元以及定位单元；
51.外部环境数据，包括：视频图像、红外图像、外温度数据、外湿度数据、水位数据、地震数据以及位置数据；
52.视频监控单元，采用摄像头，用于监控充电桩外部环境，采集视频图像；
53.红外监控单元，采用红外监控摄像头，用于监控充电桩外部移动目标，采集红外图像；
54.外温度监控单元，采用温度传感器，用于监控充电桩外部温度，采集外温度数据；
55.外湿度监控单元，采用湿度传感器，用于监控充电桩外部湿度，采集外湿度数据；
56.水位监控单元，采用水位传感器，用于监控充电桩所处水位，采集水位数据；当充电桩所处位置发生洪涝灾害或者强降雨水位上升时，触发水位传感器，实时监测充电桩所处水位。
57.地震监控单元，采用地震传感器，用于监控充电桩所处位置地震强度，采集地震数据；基于不可抗力的自然灾害，为避免充电桩漏电对人类产生威胁，通过地震传感器获得地震强度，随时切断充电桩的电源。
58.定位单元，采用全球卫星定位系统，用于定位充电桩所在位置，采集位置数据。
59.云端分析模块，包括：数据集构建单元、感知模型构建单元以及监控单元；
60.数据集构建单元，用于基于内部工作数据以及外部环境数据，自动构建多重数据集；
61.感知模型构建单元，用于基于多重数据集以及深度神经网络，构建多重数据感知模型；
62.监控单元，用于基于多重数据感知模型，监控充电桩工作状态。
63.在构建多重数据集之前，对采集的视频图像以及红外图像，进行预处理以及特征提取，获得图像的多特征数据。用图像的多特征数据代替图像，作为多重数据集的状态变量。特别的，视频监控单元以及红外监控单元采集的图像数据，在用于构建多重数据集之前，检测到充电桩正在被破坏，可直接触发故障预警模块。
64.自动构建多重数据集的过程为：
65.预设充电桩标准工作参数；
66.采用时频分析法以及独立变量分析法，获得内部工作数据以及外部环境数据统计量的残差子空间表达式；
67.基于残差子空间表达式，获得内部工作数据以及所述外部环境数据偏离标准工作参数的程度，实现多重数据集的自动构建。
68.自动构建多重数据集的具体过程如下：
69.预设充电桩标准工作参数；
70.采用时频分析法，提取内部工作数据以及外部环境数据的数据特征，计算多重数据特征信息状态函数；
71.基于内部工作数据以及外部环境数据，构建相关监控数据矩阵，获得数据状态变量总数以及单个数据状态变量的采样数；
72.基于相关监控数据矩阵、数据状态变量总数以及单个数据状态变量的采样数，获得采样时刻监控数据表达式：
73.y(k)＝(y+p)t，
74.其中，p代表多重数据集的状态变量总数；t代表单个数据状态变量的采样数，y代表相关监控数据矩阵；k代表数据的采样时刻。
75.基于多重数据特征信息状态函数，并计算监控数据表达式的均值以及监控数据方差，实现对监控数据的标准化处理：
[0076][0077]
其中，e(yi)代表均值，xi代表多重数据特征信息状态函数，yi代表监控数据的多变量系统；y(k)代表k时刻监控数据表达式；var(yi)代表yi方差。
[0078]
基于标准化处理的监控数据以及方差，获得监控数据的协方差；
[0079]
采用独立变量分析法，将相关监控数据矩阵转换为独立监控数据矩阵；
[0080]
基于独立监控数据矩阵，获得监控数据统计量在主元空间的表达式；
[0081]
基于协方差、监控数据统计量在主元空间的表达式、监控数据表达式以及独立监控数据矩阵，获得监控数据统计量在残差子空间表达式；
[0082]
基于监控数据统计量在残差子空间表达式，获得监控数据(内部工作数据以及外
部环境数据)偏离标准工作参数的程度，实现多重数据集的自动构建。
[0083]
具体的，多重数据感知模型的构建过程为：
[0084]
采用深度神经网络，构建时间负载分类模型；
[0085]
将多重数据集输入时间负载分类模型的输入神经元，基于梯度下降策略，调整模型参数；
[0086]
预设时间负载分类模型的模型参数，即初始化迭代次数阈值以及学习率；
[0087]
计算调整的参数以及预设的模型参数的误差；
[0088]
基于链式法则，计算输入神经元的各梯度项，修正时间负载分类模型各层连接权值以及阈值，获得全局最优参数，实现对多重数据集的时间负载分类；
[0089]
基于时间负载分类，结合量化表征以及模糊监测，构建多重数据感知模型，实现基于多重感知数据的充电桩故障监测。模糊监测即将多重数据集进行自动监视，筛查异常数据。
[0090]
特别的，还包括故障预警模块，故障预警模块，包括：自动断电单元以及声光警报单元；
[0091]
自动断电单元，用于基于云端分析模块对充电桩的多重感知分析，触发断电电路，实现故障充电桩的自动断电；
[0092]
声光警报单元，用于基于云端分析模块对充电桩的多重感知分析，发出警报并闪光，实现故障充电桩的故障警报。
[0093]
特别的，还包括寿命预测模块，寿命预测模块，包括：故障率模型构建单元、预测模型构建单元以及使用寿命预测单元；
[0094]
故障率模型构建单元，用于提取多重数据集在时域、频域以及时频域的特征参数；使用核主元分析法，对特征参数进行降维处理，获得核主元变量；将核主元变量作为协变量，构建威布尔比例故障率模型；
[0095]
预测模型构建单元，用于基于威布尔比例故障率模型，获得充电桩的故障曲线以及可靠度曲线；基于鲸鱼优化算法对lstm神经网络的参数进行优化，获得woa-lstm优化预测模型；
[0096]
寿命预测单元，用于建立评价指标，从特征参数筛选目标参数；基于故障曲线、可靠度曲线、故障诊断结果以及目标参数训练woa-lstm优化预测模型，并通过完成训练的woa-lstm优化预测模型，预测充电桩的剩余使用寿命。
[0097]
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种基于多重感知分析的充电桩安全监控系统，其特征在于，包括：内监控模块、外监控模块以及云端分析模块；所述内监控模块，用于监控充电桩内部工作数据；所述外监控模块，用于监控充电桩外部环境数据；所述云端分析模块，用于基于充电桩的所述内部工作数据以及所述外部环境数据，构建多重数据感知模型，实现对充电桩安全监控的多重感知分析。2.根据权利要求1所述的基于多重感知分析的充电桩安全监控系统，其特征在于，所述内部工作数据，包括：电压数据、电流数据、内温度数据、内湿度数据以及漏电数据。3.根据权利要求1所述的基于多重感知分析的充电桩安全监控系统，其特征在于，所述外部环境数据，包括：视频图像、红外图像、外温度数据、外湿度数据、水位数据、地震数据以及位置数据。4.根据权利要求1所述的基于多重感知分析的充电桩安全监控系统，其特征在于，所述云端分析模块，包括：数据集构建单元、感知模型构建单元以及监控单元；数据集构建单元，用于基于所述内部工作数据以及所述外部环境数据，自动构建多重数据集；所述感知模型构建单元，用于基于所述多重数据集以及深度神经网络，构建多重数据感知模型；所述监控单元，用于基于所述多重数据感知模型，监控充电桩工作状态。5.根据权利要求4所述的基于多重感知分析的充电桩安全监控系统，其特征在于，自动构建多重数据集的过程为：预设充电桩标准工作参数；采用时频分析法以及独立变量分析法，获得所述内部工作数据以及所述外部环境数据统计量的残差子空间表达式；基于所述残差子空间表达式，获得所述内部工作数据以及所述外部环境数据偏离所述标准工作参数的程度，实现所述多重数据集的自动构建。6.根据权利要求4所述的基于多重感知分析的充电桩安全监控系统，其特征在于，所述多重数据感知模型的构建过程为：采用所述深度神经网络，构建时间负载分类模型；将所述多重数据集输入所述时间负载分类模型的输入神经元，基于梯度下降策略，调整模型参数；预设所述时间负载分类模型的模型参数；计算调整的所述参数以及预设的所述模型参数的误差；基于链式法则，计算所述输入神经元的各梯度项，修正所述时间负载分类模型各层连接权值以及阈值，获得全局最优参数，实现对多重数据集的时间负载分类；基于所述时间负载分类，结合量化表征以及模糊监测，构建多重数据感知模型，实现基于多重感知数据的充电桩故障监测。7.根据权利要求1所述的基于多重感知分析的充电桩安全监控系统，其特征在于，还包括故障预警模块，所述故障预警模块，包括：自动断电单元以及声光警报单元；所述自动断电单元，用于基于所述云端分析模块对充电桩的多重感知分析，触发断电
电路，实现故障充电桩的自动断电；所述声光警报单元，用于基于所述云端分析模块对充电桩的多重感知分析，发出警报并闪光，实现故障充电桩的故障警报。8.根据权利要求4所述的基于多重感知分析的充电桩安全监控系统，其特征在于，还包括寿命预测模块，所述寿命预测模块，包括：故障率模型构建单元、预测模型构建单元以及使用寿命预测单元；所述故障率模型构建单元，用于提取所述多重数据集在时域、频域以及时频域的特征参数；使用核主元分析法，对所述特征参数进行降维处理，获得核主元变量；将所述核主元变量作为协变量，构建威布尔比例故障率模型；所述预测模型构建单元，用于基于所述威布尔比例故障率模型，获得充电桩的故障曲线以及可靠度曲线；基于鲸鱼优化算法对lstm神经网络的参数进行优化，获得woa-lstm优化预测模型；所述寿命预测单元，用于建立评价指标，从所述特征参数筛选目标参数；基于所述故障曲线、所述可靠度曲线、所述故障诊断结果以及所述目标参数训练所述woa-lstm优化预测模型，并通过完成训练的woa-lstm优化预测模型，预测所述充电桩的剩余使用寿命。

技术总结
本发明公开了一种基于多重感知分析的充电桩安全监控系统，包括：内监控模块、外监控模块以及云端分析模块；内监控模块，用于监控充电桩内部工作数据；外监控模块，用于监控充电桩外部环境数据；云端分析模块，用于基于充电桩的内部工作数据以及外部环境数据，构建多重数据感知模型，实现对充电桩安全监控的多重感知分析。本发明通过对充电桩内部和外部的多重数据分析，实现充电桩的安全监控。实现充电桩的安全监控。实现充电桩的安全监控。


技术研发人员：吴娟
受保护的技术使用者：重庆电子工程职业学院
技术研发日：2023.04.10
技术公布日：2023/6/27