本發(fā)明涉及充電樁計量，具體為一種充電樁遠程計量方法。

背景技術(shù)：

1、充電樁作為電動汽車必備的配套設(shè)施，其建設(shè)規(guī)模和產(chǎn)生的交易結(jié)算量也越來越大。如果電動汽車充電樁的計量準確度出現(xiàn)誤差，引起交易費用的偏差，將會給電動汽車充電樁或者電網(wǎng)經(jīng)營公司帶來直接的經(jīng)濟損失。

2、傳統(tǒng)的充電樁檢定需要借助標準檢定裝置，依據(jù)相應(yīng)的檢定規(guī)程開展檢定任務(wù)，存在檢定工序復雜、耗時長、工作成本巨大等問題。亟需一種更加高效、智能、遠程的充電樁計量性能檢定方法。

技術(shù)實現(xiàn)思路

1、基于以上所述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的是提供一種充電樁遠程計量方法，以解決上述技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種充電樁遠程計量方法，包括：

3、按照預(yù)設(shè)的采集頻率采集充電樁的充電數(shù)據(jù)，對所述充電數(shù)據(jù)進行穩(wěn)定性分析，篩選出符合標準的充電數(shù)據(jù)，剔除異常充電數(shù)據(jù)；

4、對進行穩(wěn)定性分析后的充電數(shù)據(jù)進行抽樣，在抽樣后的充電數(shù)據(jù)中，截取恒流階段數(shù)據(jù)，通過分析恒流階段數(shù)據(jù)中各參量與充電電能之間的相關(guān)性，根據(jù)相關(guān)性將預(yù)設(shè)數(shù)量的參量設(shè)置為充電過程特征；

5、選取恒流階段數(shù)據(jù)中電池soc的區(qū)間范圍值作為模型輸入的起點和終點，將充電樁生產(chǎn)廠家和電表生產(chǎn)廠家進行one-hot編碼，與充電樁投運年限拼接于所述充電過程特征，根據(jù)拼接后的所述充電過程特征的值構(gòu)建特征序列，將特征序列設(shè)置為模型輸入數(shù)據(jù)集；

6、根據(jù)所述模型輸入數(shù)據(jù)集，基于深度神經(jīng)網(wǎng)絡(luò)分別進行二分類模型和多分類模型訓練，二分類模型用于判斷充電樁充電數(shù)據(jù)類別，多分類模型用于進一步細分充電數(shù)據(jù)類別的類型；

7、根據(jù)訓練好的二分類模型和/或多分類模型對新充電樁的充電數(shù)據(jù)進行分類判斷。

8、本發(fā)明進一步設(shè)置為，充電樁的充電數(shù)據(jù)包括：充電樁數(shù)據(jù)、交易數(shù)據(jù)、電表數(shù)據(jù)、充電車輛數(shù)據(jù)、充電過程數(shù)據(jù)；其中，充電樁數(shù)據(jù)的參量包括：充電樁生產(chǎn)廠家、充電樁編號、充電樁檢定誤差、充電樁投運年限；交易數(shù)據(jù)的參量包括：交易訂單編號、充電開始時間、充電結(jié)束時間；電表數(shù)據(jù)的參量包括：電表生產(chǎn)廠家數(shù)據(jù)；充電車輛數(shù)據(jù)的參量包括：車輛型號、車輛使用年限、車輛行駛歷程；車輛充電過程數(shù)據(jù)的參量包括：電池soc、充電樁輸出電壓、充電樁輸出電流、充電樁輸出功率、環(huán)境溫度、電池需求電壓、電池需求電流、電池充電模式、單體電池最高電壓、單體電池最高電流、電池組最高溫度、電池組最低溫度、充電電能、時間戳。

9、本發(fā)明進一步設(shè)置為，對所述充電數(shù)據(jù)進行穩(wěn)定性分析，包括：對于每個充電樁，將車輛型號相同、車輛使用年限和行駛里程屬于同一區(qū)間的連接的充電車輛的充電數(shù)據(jù)歸為一類，分析電池soc在變化范圍相同條件下，對應(yīng)的充電車輛的充電電能的變化范圍，根據(jù)所述變化范圍對充電數(shù)據(jù)進行篩選，篩除所述變化范圍以外的充電數(shù)據(jù)。

10、本發(fā)明進一步設(shè)置為，分析電池soc在變化范圍相同條件下，對應(yīng)的充電車輛的充電電能的變化范圍，通過在t時刻電池soc變化時，計算對應(yīng)的充電車輛的充電電能的變化率來量化充電電能的變化范圍，充電電能的變化率的計算邏輯為：δei(t)為第i輛充電車輛的充電電能的變化率，n為充電過程中時間戳的總數(shù)，eij為第i輛充電車輛在時間戳tj時的充電電能，socij為第i輛充電車輛在時間戳tj時的電池soc，α為調(diào)節(jié)指數(shù)，用于調(diào)節(jié)電池soc小幅變化時的敏感性，sign()為符號函數(shù)，用于確定電池soc變化的方向，函數(shù)結(jié)果為+1或-1。

11、本發(fā)明進一步設(shè)置為，對進行穩(wěn)定性分析后的充電數(shù)據(jù)進行抽樣，抽樣的邏輯為：對進行穩(wěn)定性分析后的充電數(shù)據(jù)提取電池soc初始值對應(yīng)的充電數(shù)據(jù)，及每當電池soc發(fā)生變化后所對應(yīng)的第一個充電數(shù)據(jù)；

12、截取恒流階段數(shù)據(jù)的邏輯為：根據(jù)抽樣后的充電數(shù)據(jù)的數(shù)據(jù)點，提取后一數(shù)據(jù)點的電壓值大于等于前一數(shù)據(jù)點的電壓值，后一數(shù)據(jù)點的電流值與前一數(shù)據(jù)點的電流值的差值不超過預(yù)設(shè)的電流閾值；

13、分析恒流階段數(shù)據(jù)中各參量與充電電能之間的相關(guān)性，根據(jù)相關(guān)性將預(yù)設(shè)數(shù)量的參量設(shè)置為充電過程特征，具體包括：判斷充電過程中各參量是否隨時間變化，去除不隨時間變化的參量，根據(jù)充電數(shù)據(jù)中剩余參量與充電電能之間是否具有正或負相關(guān)性進行選擇，按照相關(guān)性進行降序選擇預(yù)設(shè)數(shù)量的參量作為充電過程特征。

14、本發(fā)明進一步設(shè)置為，根據(jù)充電數(shù)據(jù)中剩余參量與充電電能之間是否具有正或負相關(guān)性進行選擇，按照相關(guān)性進行降序選擇預(yù)設(shè)數(shù)量的參量作為充電過程特征，計算邏輯為：其中，fi為充電過程特征集合，xi為充電數(shù)據(jù)中去除不隨時間變化的參量的剩余參量，top_n為降序選擇n個參量，表示參量xi對充電電能變化率的敏感性，δ()為用于衡量特征變化率與充電電能變化率關(guān)聯(lián)性的加權(quán)函數(shù)。

15、本發(fā)明進一步設(shè)置為，根據(jù)模型輸入數(shù)據(jù)集與預(yù)測值誤差的絕對值將充電樁的充電數(shù)據(jù)分為兩類，記充電樁誤差的絕對值為error1，將error1小于等于第一誤差閾值的充電樁對應(yīng)的充電數(shù)據(jù)記為標準樁數(shù)據(jù)，將error1的絕對值大于第一誤差閾值的充電樁對應(yīng)的充電數(shù)據(jù)記為超差樁數(shù)據(jù)，根據(jù)所述標準樁數(shù)據(jù)和超差樁數(shù)據(jù)，構(gòu)建二分類模型，進行二分類模型訓練，根據(jù)訓練好的二分類模型對新充電樁的充電數(shù)據(jù)進行分類判斷，根據(jù)分類判斷結(jié)果判斷對應(yīng)的充電樁類別。

16、本發(fā)明進一步設(shè)置為，在進行二分類模型訓練時，二分類模型的損失函數(shù)為：其中，lossbinary為二分類模型的損失函數(shù)，m為樣本數(shù)量，表示模型輸入數(shù)據(jù)集中用于二分類模型訓練的數(shù)據(jù)條數(shù)，yi為實際值，為預(yù)測值，η為正則化參數(shù)，用于控制正則化項的權(quán)重，w為權(quán)重矩陣，表示二分類模型中每一層的連接權(quán)重，∥w∥p為權(quán)重矩陣的p范數(shù)正則化項。

17、本發(fā)明進一步設(shè)置為，根據(jù)模型輸入數(shù)據(jù)集與預(yù)測值誤差值將充電樁的充電數(shù)據(jù)分為多類，記充電樁誤差值為error2，將error2小于第二誤差閾值的充電樁對應(yīng)的充電數(shù)據(jù)記為負超差樁數(shù)據(jù)，將error2大于或等于第二誤差閾值且小于0的充電樁對應(yīng)的充電數(shù)據(jù)記為負偏差標準樁數(shù)據(jù)，將error2等于0的充電樁對應(yīng)的充電數(shù)據(jù)記為標準樁數(shù)據(jù)，將error2大于0且小于或等于第一誤差閾值的充電樁對應(yīng)的充電數(shù)據(jù)記為正偏差標準樁數(shù)據(jù)，將error2大于第二誤差閾值的充電樁對應(yīng)的充電數(shù)據(jù)記為正超差樁數(shù)據(jù)，根據(jù)所述負超差樁數(shù)據(jù)、負偏差標準樁數(shù)據(jù)、標準樁數(shù)據(jù)、正偏差標準樁數(shù)據(jù)和正超差樁數(shù)據(jù)，構(gòu)建多分類模型，進行多分類模型訓練，根據(jù)訓練好的多分類模型對新的充電樁的充電數(shù)據(jù)進行分類判斷，根據(jù)分類判斷結(jié)果判斷對應(yīng)的充電樁類別。

18、本發(fā)明進一步設(shè)置為，在進行多分類模型訓練時，多分類模型的損失函數(shù)為：其中，lossmulti為多分類模型的損失函數(shù)，m為樣本數(shù)量，表示模型輸入數(shù)據(jù)集中用于多分類模型訓練的數(shù)據(jù)條數(shù)，l為類別數(shù)量，用于計算多類別損失，yij為實際值，為預(yù)測值，κ為正則化參數(shù)，用于控制正則化項的權(quán)重，wl為第l層的權(quán)重矩陣，∥wl∥q為權(quán)重矩陣的q范數(shù)正則化項。

19、本發(fā)明提供一種充電樁遠程計量方法，所述方法通過按照預(yù)設(shè)的采集頻率采集充電樁的充電數(shù)據(jù)，對所述充電數(shù)據(jù)進行穩(wěn)定性分析，篩選出符合標準的充電數(shù)據(jù)，剔除異常充電數(shù)據(jù)；對進行穩(wěn)定性分析后的充電數(shù)據(jù)進行抽樣，在抽樣后的充電數(shù)據(jù)中，截取恒流階段數(shù)據(jù)，通過分析恒流階段數(shù)據(jù)中各參量與充電電能之間的相關(guān)性，根據(jù)相關(guān)性將預(yù)設(shè)數(shù)量的參量設(shè)置為充電過程特征；選取恒流階段數(shù)據(jù)中電池soc的區(qū)間范圍值作為模型輸入的起點和終點，將充電樁生產(chǎn)廠家和電表生產(chǎn)廠家進行one-hot編碼，與充電樁投運年限拼接于所述充電過程特征，根據(jù)拼接后的所述充電過程特征的值構(gòu)建特征序列，將特征序列設(shè)置為模型輸入數(shù)據(jù)集；根據(jù)所述模型輸入數(shù)據(jù)集，基于深度神經(jīng)網(wǎng)絡(luò)分別進行二分類模型和多分類模型訓練，二分類模型用于判斷充電樁充電數(shù)據(jù)類別，多分類模型用于進一步細分充電數(shù)據(jù)類別的類型；根據(jù)訓練好的二分類模型和/或多分類模型對新充電樁的充電數(shù)據(jù)進行分類判斷，產(chǎn)生的有益效果包括：

20、1、有效利用充電相關(guān)數(shù)據(jù)，避免大量數(shù)據(jù)浪費：通過對充電樁的充電數(shù)據(jù)進行穩(wěn)定性分析和數(shù)據(jù)抽樣，有效利用充電過程中的所有數(shù)據(jù)，通過篩選出符合標準的有效數(shù)據(jù)，避免了對大量冗余數(shù)據(jù)的浪費，提高了數(shù)據(jù)的利用率和充電樁性能評估的準確性。

21、2、全面采集所有有效數(shù)據(jù)類型，全面反映充電狀態(tài)：采集的數(shù)據(jù)涵蓋了充電樁充電過程所涉及的所有有效數(shù)據(jù)類型，包括充電樁數(shù)據(jù)、交易數(shù)據(jù)、電表數(shù)據(jù)、車輛數(shù)據(jù)及充電過程數(shù)據(jù)等，全面反映了充電樁在不同使用條件下的充電狀態(tài)，為準確評估充電樁的性能提供了全面的數(shù)據(jù)支持。

22、3、高效的數(shù)據(jù)處理，提高數(shù)據(jù)使用效率：通過對原始數(shù)據(jù)進行抽樣和特征篩選，去除對充電樁計量可能產(chǎn)生負面影響的數(shù)據(jù)類型，在特征篩選過程中，通過分析各參量與充電電能之間的相關(guān)性，選擇最具代表性的特征數(shù)據(jù)，從而提高了原始數(shù)據(jù)的使用效率，確保了計量的準確性和可靠性。

23、4、實現(xiàn)遠程、高頻度和廣覆蓋的充電樁性能評估：通過采用深度神經(jīng)網(wǎng)絡(luò)的二分類和多分類模型，可以遠程、高頻度地對充電樁的充電數(shù)據(jù)進行分析和判斷，實現(xiàn)了對充電樁性能的實時監(jiān)控和遠程評估，覆蓋范圍廣，不受地點和時間的限制，大大提高了充電樁性能評估的效率。

24、5、降低充電樁檢定成本，提高檢定效率：本發(fā)明無需依賴傳統(tǒng)的現(xiàn)場檢定設(shè)備和操作，降低了檢定過程中的人工成本和設(shè)備成本，同時，本發(fā)明的方法可以自動化地進行數(shù)據(jù)分析和分類，減少了人工參與，提高了充電樁檢定的效率，確保充電樁計量的準確性和穩(wěn)定性。

25、上述說明僅是本技術(shù)技術(shù)方案的概述，為了能夠更清楚了解本技術(shù)的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本技術(shù)的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本技術(shù)的具體實施方式。