一种智能充电枪自动过热保护的方法及系统与流程

本发明涉及远程监控领域，尤其涉及一种智能充电枪自动过热保护的方法及系统。

背景技术：

1、智能充电枪是指一种集成了先进传感技术、微处理器、通信接口和控制逻辑的充电设备，它能够与电动汽车(ev)的高压电池系统进行安全、高效的能量传输，智能充电枪自动过热保护系统的设计和实施，旨在提高充电设备的安全性，减少因过热导致的故障和潜在的火灾风险，确保用户和财产的安全。随着智能充电技术的发展，这些保护措施将变得更加智能化和高效，提供更加可靠的用户体验。

2、目前智能充电枪自动过热保利用电子传感器监测充电枪的温度，并在检测到温度异常升高时自动采取措施以防止设备过热，这种方法只能针对温度已经异常的充电状态进行预警，无法对温度异常进行预防，从而导致目前智能充电枪自动的过热保护不够及时。

技术实现思路

1、本发明提供一种智能充电枪自动过热保护的方法及系统，其主要目的在于提高对智能充电枪自动过热保护的及时性。

2、为实现上述目的，本发明提供的一种智能充电枪自动过热保护的方法，包括：

3、获取智能充电枪的充电数据，对所述充电数据进行归一化处理，得到归一化数据，将所述归一化数据划分为训练数据和测试数据；

4、构建所述智能充电枪的温度监测模型架构，对所述温度监测模型架构的权重和偏置参数进行初始化，得到初始温度监测模型，利用所述初始温度监测模型对所述训练数据进行前向传播处理，得到模型预测温度；

5、构建所述初始温度监测模型的损失函数，利用所述损失函数计算所述模型预测温度与预设的真实标签温度之间的损失梯度，基于所述损失梯度，调整所述权重和所述偏置参数，得到调整权重和调整偏置参数；

6、基于所述调整权重和所述调整偏置参数，优化所述初始温度监测模型，得到优化温度监测模型，利用所述测试数据，分析所述优化温度监测模型的监测模型性能；

7、当所述监测模型性符合预设要求时，利用所述优化温度监测模型监测所述智能充电枪的温度值，基于所述温度值，构建所述智能充电枪的温度曲线，识别所述智能充电枪的温度影响因子，基于所述温度曲线和所述温度影响因子，分析所述智能充电枪的温度发展曲线，基于所述温度发展曲线，构建所述智能充电枪的过热保护指令，基于所述过热保护指令执行所述智能充电枪的过热保护。

8、可选地，所述对所述充电数据进行归一化处理，得到归一化数据，包括：

9、识别所述充电数据的数据属性；

10、基于所述数据属性，识别所述充电数据的数据极值；

11、基于所述数据极值，计算所述充电数据的数据归一化值；

12、基于所述数据归一化值，对所述充电数据进行归一化处理，得到归一化数据。

13、可选地，所述构建所述智能充电枪的温度监测模型架构，包括：

14、识别所述智能充电枪的充电枪特征；

15、基于所述充电枪特征，分析所述智能充电枪的温度监测需求；

16、基于所述温度监测需求，确定所述智能充电枪的温度监测组件；

17、基于所述温度监测组件，构建所述智能充电枪的温度监测模型架构。

18、可选地，所述利用所述初始温度监测模型对所述训练数据进行前向传播处理，得到模型预测温度，包括：

19、利用所述初始温度监测模型中的卷积层对所述训练数据进行特征提取，得到训练数据特征图；

20、利用所述初始温度监测模型中的池化层对所述训练数据特征图进行下采样，得到下采样特征图；

21、利用所述初始温度监测模型中的激活函数对所述下采样特征图引入非线性性质，得到非线性性质特征图；

22、利用所述初始温度监测模型中的全连接层对所述非线性性质特征图进行连接，得到模型预测温度。

23、可选地，所述利用所述初始温度监测模型中的池化层对所述训练数据特征图进行下采样，得到下采样特征图，包括：

24、基于所述训练数据特征图，利用下述公式计算所述池化层的最大池化窗口：

25、

26、其中，maxpool(s)表示池化层的最大池化窗口，s表示训练数据特征图，sac表示训练数据特征图坐标(a，c)的元素；

27、基于所述最大池化窗口，利用所述初始温度监测模型中的池化层对所述训练数据特征图进行下采样，得到下采样特征图。

28、可选地，所述利用所述损失函数计算所述模型预测温度与预设的真实标签温度之间的损失梯度，包括：

29、利用所述损失函数计算所述模型预测温度与预设的真实标签温度的损失值；

30、基于所述损失值，计算所述模型预测温度对应初始温度监测模型的神经元梯度；

31、通过所述神经元梯度，计算所述初始温度监测模型的偏置梯度和权重梯度；

32、基于所述偏置梯度和所述权重梯度，确定所述初始温度监测模型的损失梯度。

33、可选地，所述利用所述损失函数计算所述模型预测温度与预设的真实标签温度的损失值，包括：

34、利用所述损失函数计算所述模型预测温度与预设的真实标签温度的损失值，其中，所述损失函数r：

35、

36、其中，τ表示模型预测温度与预设的真实标签温度的损失值，m表示模型预测温度的数量，fv表示第v个模型预测温度，表示第v个模型预测温度的真实标签温度。

37、可选地，所述基于所述损失梯度，调整所述权重和所述偏置参数，得到调整权重和调整偏置参数，包括：

38、基于所述损失梯度，利用下述公式调整所述权重和所述偏置参数，得到所述调整权重和所述调整偏置参数：

39、

40、

41、其中，σ表示调整权重，∈表示调整偏置参数，α表示学习率，表示损失梯度对应权重梯度，表示损失梯度对应偏置梯度，r表示损失函数，表示偏导数。

42、可选地，所述基于所述温度曲线和所述温度影响因子，分析所述智能充电枪的温度发展曲线，包括：

43、识别所述温度影响因子与所述温度曲线对应温度值的因子影响关系；

44、标记所述温度影响因子的影响因子状态；

45、基于所述影响因子状态和所述因子影响关系，分析所述智能充电枪的温度发展状态；

46、基于所述温度发展状态，构建所述智能充电枪的温度发展曲线。

47、为了解决上述问题，本发明还提供一种智能充电枪自动过热保护的系统，所述系统包括：

48、数据划分模块，用于获取智能充电枪的充电数据，对所述充电数据进行归一化处理，得到归一化数据，将所述归一化数据划分为训练数据和测试数据；

49、初始模型构建模块，用于构建所述智能充电枪的温度监测模型架构，对所述温度监测模型架构的权重和偏置参数进行初始化，得到初始温度监测模型，利用所述初始温度监测模型对所述训练数据进行前向传播处理，得到模型预测温度；

50、模型优化模块，用于构建所述初始温度监测模型的损失函数，利用所述损失函数计算所述模型预测温度与预设的真实标签温度之间的损失梯度，基于所述损失梯度，调整所述权重和所述偏置参数，得到调整权重和调整偏置参数；

51、模型性能测试模块，用于基于所述调整权重和所述调整偏置参数，优化所述初始温度监测模型，得到优化温度监测模型，利用所述测试数据，分析所述优化温度监测模型的监测模型性能；

52、过热保护指令构建模块，用于当所述监测模型性符合预设要求时，利用所述优化温度监测模型监测所述智能充电枪的温度值，基于所述温度值，构建所述智能充电枪的温度曲线，识别所述智能充电枪的温度影响因子，基于所述温度曲线和所述温度影响因子，分析所述智能充电枪的温度发展曲线，基于所述温度发展曲线，构建所述智能充电枪的过热保护指令，基于所述过热保护指令执行所述智能充电枪的过热保护。

53、本发明实施例通过对所述充电数据进行归一化处理，得到归一化数据可以确保不同数据之间可以进行有效的比较和数学运算，尤其是在机器学习和数据挖掘领域，它可以加快算法的收敛速度，使得模型更加稳定；可选地，本发明实施例通过将所述标签数据划分为训练数据和测试数据可以对后期的模型进行训练和预测，从而提高了模型预测的效果；可选地，本发明实施例通过对所述温度监测模型架构的权重和偏置参数进行初始化，得到初始温度监测模型可以提高模型的训练速度和最终性能；进一步地，本发明实施例通过利用所述初始温度监测模型对所述训练数据进行前向传播处理，得到模型预测温度可以来判断温度预测值是否准确来评估模型性能，从而为后期的模型训练提供数据依据，本发明实施例基于所述损失梯度，调整所述权重和所述偏置参数，得到调整权重和调整偏置参数可以提高模型的性能，本发明实施例利用所述测试数据，分析所述优化温度监测模型的监测模型性能可以进一步地提高模型的性能，为后期的模型温度预测提高基础，最后，进一步地，本发明实施例基于所述温度曲线和所述温度影响因子，分析所述智能充电枪的温度发展曲线可以预测所述智能充电枪的温度未来趋势，从而可以及时的识别可能的温度异常，提高了对所述智能充电枪温度异常监测的及时性。因此本发明提出的智能充电枪自动过热保护的方法及系统，可以提高对智能充电枪自动过热保护的及时性。