一种充电桩的智能消防监控系统的制作方法

本发明涉及充电桩的消防领域，更具体地说，它涉及一种充电桩的智能消防监控系统。

背景技术：

1、随着全球能源需求的日益增长和环境污染问题的加剧，各行各业都在通过创新研究来贯彻落实可持续发展的环保理念，为了减少对环境的负面影响，作为使用清洁能源的交通工具，电动汽车受到了广泛关注和推广，同时，电动汽车的快速发展也对充电基础设施的完善提出了挑战，充电桩站为新能源汽车的推广起到重要作用。

2、但是，在充电桩站的安全监督过程中，消防安全是重要的隐患，尤其是对大型充电桩站来说，充电桩数量极多且充电任务繁多，导致充电桩长时间处于充电工作状态，极易发生消防安全问题，比如起火、爆炸等安全事故，因此，在安全事故发生前进行预警和监控是极为重要的，充电桩起火或者发生消防事故可能由多种因素引起，例如，充电桩内部电气元件出现故障，长时间高功率充电可能导致充电桩内部产生过多的热量，监测和检测这些电流变化是提前防范火灾的关键步骤，由于充电桩内部元器件和线路繁多，如果人工进行排查监测，不仅会增加人工成本，还会出现排查错漏，工作效率底下，而且故障原因和类型的分析也对操作工人的职业技能要求极高进一步导致人工成本增加，此外，人工排查也很难在事故发生前进行准确预警，对于事前的预警作用微薄，因此，基于物联网技术的消防监控系统可以有效解决传统消防监控方法存在的局限性，因此本发明针对上述问题进行创新设计。

技术实现思路

1、针对现有技术存在的问题，本发明的目的在于提供一种充电桩的智能消防监控系统，实现充电桩消防高效、准确的监测与预警。

2、为实现上述目的，本发明提供了如下技术方案：一种充电桩的智能消防监控系统，所述充电桩的智能消防监控系统包括：

3、数据采集模块：包括数据采集单元和标记单元，数据采集单元用于不间断地获取周期时间内充电桩所产生的监测信号，监测信号包括电压信号、电流信号以及温度信号；标记单元用于在采集单元获取的数据中添加对应的充电桩信息；

4、存储模块：用于数据的存储；

5、数据处理模块：对数据采集模块传输的数据进行预处理，并记预处理后的数据为实时监测数据，通过eemd模型对实时监测数据的电压信号、电流信号以及温度信号进行分解，获取实时的输入序列，记为第一数据集；

6、异常识别模块：用于异常数据的识别，包括lstm深度学习模型，将第一数据集导入训练好的lstm深度学习模型中，识别具有异常特征的数据，记为异常监测数据；

7、故障分析模块：用于故障类型分析和故障位置定位，包括g-l卷积神经网络模型和提取单元，将异常监测数据导入g-l卷积神经网络模型中，获取异常监测数据所属的故障类型，提取单元通过异常监测数据所对应的充电桩信息标定故障发生的位置；

8、显示模块：包括人机交互界面，用于充电桩运行状态的查看。

9、优选的，所述eemd模型处理包括：

10、设定实时监测数据的监测信号为x(t)，其中，x(t)用来替换电压信号、电流信号以及温度信号，监测信号x(t)分解过程中加入白噪声ni(t)，构成新的信号序列为：

11、xi(t)＝x(t)+ni(t)；

12、其中，i＝1，……，n,n为平均次数，i为标号；

13、对于每一个xi(t)进行eemd分解获得：

14、

15、对分解的各imf分量计算相关性系数:

16、

17、式中，cj(t)表示eemd分解的第j阶imf分量；res(t)表示经eemd分解的监示cj(t)的方差。

18、优选的，所述eemd模型还包括：

19、设定一个阈值a；

20、若相关性系数rj≥a，则表示imf分量与监测信号的关联性达到预期要求，能够作为判断监测信号特征的依据；

21、若图像清晰度rj＜a，则表示imf分量与监测信号的关联性未达到预期要求，不能够作为判断监测信号特征的依据。

22、优选的，所述lstm深度学习模型包括：

23、构建lstm深度学习模型的基础框架，基础框架包括输入层、隐藏层、全连接层和输出层，并初始化参数，得到初始化lstm深度学习模型；

24、设定lstm深度学习模型选用adam优化器，并设定adam算法基于优化随机梯度下降，自适应地对学习率进行调整；

25、获取gg组历史数据集，每组历史数据集都包括qq个由历史监测信号经eemd模型处理后组成的特征数据集和特征数据集中的异常数据，gg组历史数据集形成训练集；

26、将训练集分批输入lstm深度学习模型中，并输出每批对应的识别结果；通过依次计算每批识别结果和特征数据集中的异常数据之间的softmarginloss损失函数值；利用反向传播算法，更新每层lstm深度学习模型中的参数，得到训练好的卷积神经网络深度模型。

27、优选的，所述lstm深度学习模型的损失函数选用softmarginloss，softmarginloss损失函数公式如下：

28、

29、其中，v表示是样本数量:yv是实际标签(-1或1)，ε是模型的决策函数，λ是正则化参数，||ω|2是权重的l2范数。

30、优选的，所述g-l卷积神经网络模型包括：

31、构建g-l卷积神经网络模型的基础框架，设定卷积神经网络的优化目标为异常监测数据的故障类型，包括输入层、卷积层、池化层、激活层和全连接层，激活层使用relu激活函数，设定学习率为自适应调整；

32、g-l卷积神经网络模型采用均方误差损失mseloss与结构相似性损失函数l-loss的结合作为混合损失函数；

33、获取mm组历史故障异常数据，每组历史故障异常数据都包括一个历史异常监测数据和对应的真实故障类型，mm组历史故障异常数据形成故障集；

34、即g-l卷积神经网络模型的输入端为历史异常监测数据，输出端为预测的故障类型；

35、将故障集中历史异常监测数据导入g-l卷积神经网络模型中，利用混合损失函数的函数值作为监督信号，得到训练好的g-l卷积神经网络模型。

36、优选的，所述则g-l卷积神经网络模型的学习率α采用改进adabelief算法进行自适应更新，通过改进adabelief算法获取下一迭代次数q+1模型参数值θq为：

37、

38、其中，mq表示当前迭代次数q的一阶矩估计，kq表示当前迭代次数q的二阶矩估计，θq表示当前迭代次数q模型参数值，α表示学习率，ε表示平滑项，η表示调整参数。

39、优选的，所述则g-l卷积神经网络模型的混合损失函数为，

40、totalloss＝φmseloss+(1-φ)l-loss；

41、其中，φ是权衡系数，l-loss为结构相似性损失函数，mseloss表示均方误差损失，均方误差损失函数如下：

42、

43、

44、其中，yb是故障集中故障异常数据对应的真实故障类型，是模型生成预测的故障类型，l是故障异常数据的数量。

45、优选的，所述结构相似性损失函数l-loss定义为：

46、

47、的特征，b是真实故障类型信号特征的数量。

48、优选的，所述故障类别包括由短路、过载、电缆老化或者散热不足以及其他；

49、充电桩信息包括充电桩的位置编号和设备线路信息。

50、与现有技术相比，本发明具备以下有益效果：

51、1、本发明中，通过eemd模型对信号进行自适应分解方法，将监测信号中关联性较低的特征剔除，获取lstm模型的输入序列，实现监测信号的提纯，降低数据处理的工作量，减少数据处理时间，提高数据处理效率，通过lstm深度学习模型优化器和损失函数的设定，加速模型收敛效率和质量，提高大量充电桩信号数据中异常特征数据的识别质量和速度，实现对充电桩消防故障数据的自动诊断，便于及时预警，确保充电桩的正常运行，降低火灾隐患。

52、2、本发明中，通过g-l卷积神经网络模型获取异常监测数据所属的故障类型，进而获取充电桩运行发生的故障类型，减少维修人员排查的工作量，提取单元对异常监测数据所对应的充电桩信息进行提取，标定发生故障充电桩的位置以及其他相关信息，减少维修时间，提高维修效率，通过故障类型和位置的自动识别，实现充电桩消防监控的智能化、高效化、精细化管理，提高消防监督管理的水平和效果，降低火灾事故的发生概率和损失程度。