一种基于深度学习的电动汽车充电监测管理方法及系统与流程

本发明涉及充电监测，具体涉及一种基于深度学习的电动汽车充电监测管理方法及系统。

背景技术：

1、电动汽车不断普及和使用量加速扩大，由于充电故障引发的安全事故数量巨增，例如爆炸、起火等热失控事故，对用户和运营商都相继造成一定的经济损失，解决电动汽车充电安全问题还未得到很好地解决，主要问题表现如下：

2、(1)电动汽车充电数据冗杂，数据种类多且量大，处理数据方法还未完善，导致充电质量和效率难以把控，性能分析上容易出现偏差；

3、(2)现有技术对电动汽车充电性能的安全监控预警精度不够精确，导致预警信号出错率高，有较长的滞后性；

4、(3)现有技术对电动汽车充电过程中出现热失控状况的异常信息捕捉时效长，导致充电中止指令执行不到位，热失控事故难以避免。

技术实现思路

1、针对现有技术中的缺陷，本发明提供一种基于深度学习的电动汽车充电监测管理方法及系统。

2、第一方面，一种基于深度学习的电动汽车充电监测管理方法，包括：

3、获取电动汽车正常充电过程中的充电数据，对所述充电数据进行数据处理并构建历史数据集和实时数据集；

4、构建初始网络模型，根据所述历史数据集训练初始网络模型，得到深度学习模型并输出历史数据预测值；

5、根据所述历史数据预测值判断深度学习模型是否满足预测精度要求，若不满足，则返回数据处理，若满足，则根据所述历史数据集基于深度学习模型确定监控预警阈值；

6、根据所述实时数据集基于深度学习模型进行预测分析，并得到实时数据均值结果；

7、判断所述实时数据均值结果是否超过监控预警阈值，若超过，则对电动汽车进行充电异常预警提示，若未超过，则保持电动汽车充电状态。

8、进一步地，所述获取电动汽车正常充电过程中的充电数据，对所述充电数据进行数据处理并构建历史数据集和实时数据集，具体为：

9、获取电动汽车在正常充电过程中的历史充电数据和实时充电数据；

10、对所述历史充电数据和实时充电数据进行异常处理和归一化处理，以筛选符合测试标准的充电数据；

11、根据筛选所得充电数据建立历史数据集和实时数据集。

12、进一步地，所述充电数据包括但不限于充电状态电池电压、充电状态电池电流、充电状态电池电荷状态、电池最高温度以及电池最低温度。

13、进一步地，所述构建初始网络模型，根据所述历史数据集训练初始网络模型，得到深度学习模型并输出历史数据预测值，具体为：

14、选取电动汽车的动力电池参数，根据所述动力电池参数确定模型初始结构参数并构建初始网络模型；

15、设定超参数，根据所述超参数对初始网络模型进行结构调整；

16、根据所述历史数据集对调整后的初始网络模型进行训练测试，得到训练模型并输出历史数据预测值；

17、根据所述历史数据预测值和历史数据集计算历史数据平均误差，所述历史数据平均误差包括历史数据预测值的平均绝对百分误差值和均方根误差值；

18、根据所述历史数据平均误差对训练模型的结构参数进行优化整合，得到优化后的深度学习模型。

19、进一步地，所述根据所述历史数据预测值判断深度学习模型是否满足预测精度要求，若不满足，则返回数据处理，若满足，则根据所述历史数据集基于深度学习模型确定监控预警阈值，具体为：

20、根据所述历史数据平均误差设定模型预测精度要求，并根据所述历史数据预测值判断深度学习模型对电动汽车充电数据的预测是否满足模型预测精度要求；

21、若不满足，则返回重新进行数据处理；

22、若满足，则将所述历史数据集输入深度学习模型中进行预测分析处理，以基于模型回归计算预测数据均值结果，所述预测数据均值结果包括历史数据残差均值和历史数据标准差；

23、根据所述预测数据均值结果确定监控预警阈值。

24、进一步地，所述初始网络模型为at-cnn-bigru模型，包括输入层、bigru双向门控循环单元层、注意力机制at层、卷积神经网络cnn层以及输出层。

25、第二方面，一种基于深度学习的电动汽车充电监测管理系统，包括：

26、数据处理模块：用于获取电动汽车正常充电过程中的充电数据，对所述充电数据进行数据处理并构建历史数据集和实时数据集；

27、模型测试模块：用于构建初始网络模型，根据所述历史数据集训练初始网络模型，得到深度学习模型并输出历史数据预测值；

28、阈值设定模块：用于根据所述历史数据预测值判断深度学习模型是否满足预测精度要求，若不满足，则返回数据处理，若满足，则根据所述历史数据集基于深度学习模型确定监控预警阈值；

29、实时预测模块：用于根据所述实时数据集基于深度学习模型进行预测分析，并得到实时数据均值结果；

30、监测预警模块：用于判断所述实时数据均值结果是否超过监控预警阈值，若超过，则对电动汽车进行充电异常预警提示，若未超过，则保持电动汽车充电状态。

31、进一步地，所述数据处理模块具体用于：

32、获取电动汽车在正常充电过程中的历史充电数据和实时充电数据；

33、对所述历史充电数据和实时充电数据进行异常处理和归一化处理，以筛选符合测试标准的充电数据；

34、根据筛选所得充电数据建立历史数据集和实时数据集。

35、进一步地，所述模型测试模块具体用于：

36、选取电动汽车的动力电池参数，根据所述动力电池参数确定模型初始结构参数并构建初始网络模型；

37、设定超参数，根据所述超参数对初始网络模型进行结构调整；

38、根据所述历史数据集对调整后的初始网络模型进行训练测试，得到训练模型并输出历史数据预测值；

39、根据所述历史数据预测值和历史数据集计算历史数据平均误差，所述历史数据平均误差包括历史数据预测值的平均绝对百分误差值和均方根误差值；

40、根据所述历史数据平均误差对训练模型的结构参数进行优化整合，得到优化后的深度学习模型。

41、进一步地，所述阈值设定模块具体用于：

42、根据所述历史数据平均误差设定模型预测精度要求，并根据所述历史数据预测值判断深度学习模型对电动汽车充电数据的预测是否满足模型预测精度要求；

43、若不满足，则返回重新进行数据处理；

44、若满足，则将所述历史数据集输入深度学习模型中进行预测分析处理，以基于模型回归计算预测数据均值结果，所述预测数据均值结果包括历史数据残差均值和历史数据标准差；

45、根据所述预测数据均值结果确定监控预警阈值。

46、本发明的有益效果体现在：根据电动汽车正常充电过程中的充电数据构建历史数据集和实时数据集，基于所构建的at-cnn-bigru网络模型根据历史数据集进行训练测试以获取满足精度要求的深度学习模型并确定监控预警阈值，根据实时数据集进行预测分析并判断所输出的实时数据均值结果是否超过监控预警阈值，进而对电动汽车充电状态进行监测预警。通过基于at-cnn-bigru混合神经网络技术对电动汽车充电状态中多种参数进行分析处理，进一步提升了对电动汽车充电过程中电池状态的预测效果和精度，不仅可以快速准确地对电池异常状态进行监测预警，提高监测及时性，还能有效避免各类错误警报的产生。