充电桩远程计量误差建模与校准方法、设备和介质与流程
本技术属于电动汽车充电桩计量,具体涉及一种充电桩远程计量误差建模与校准方法、设备和介质。
背景技术:
1、随着新能源汽车产业的快速发展,电动汽车正逐步成为交通领域的重要组成部分。作为电动汽车能量补给的关键基础设施,充电桩的规模化建设与高效运行对电动汽车产业的可持续发展具有重要支撑作用。在此过程中,电能计量的准确性不仅直接关系到用户计费的公平性,还影响到电网侧负荷评估、能源管理及运营商经济效益。因此,如何在复杂电网环境下实现高精度、可靠的电能计量,已成为电动汽车充电领域亟待解决的关键问题之一。
2、然而,在实际配电网运行过程中,电能质量问题普遍存在,例如电压暂降、电压暂升、谐波畸变以及瞬态过电压等扰动。这些电能质量扰动会导致电压、电流波形发生畸变,使得传统基于理想正弦波假设的电能计量方法产生偏差。尤其是在高频采样和非线性负载条件下,电动汽车充电过程中的电流具有显著的非平稳特性,使得计量误差呈现出复杂的非线性变化规律。此外,不同类型的电能质量扰动对充电过程的影响具有显著差异,例如谐波会改变电流波形结构,电压暂降会降低充电功率,而瞬态扰动则可能引起测量系统的瞬时响应偏差。这些因素叠加,严重影响电动汽车充电桩的计量准确性和稳定性。
3、目前,针对电能计量准确性的检定主要依赖于现场检测方式,即通过标准电能表或专用检测设备对充电桩进行周期性校准。这种方法虽然具有较高的测量精度,但存在检测成本高、效率低以及难以覆盖大规模充电设施等问题,难以满足电动汽车充电网络快速扩展背景下的运维需求。尤其是在分布式充电场景中,大量充电桩分布广泛且运行环境复杂,传统人工检测方式已难以实现高效、连续的计量监测与误差校准。因此,研究一种无需现场干预、能够实现在线监测与误差校准的远程计量方法具有重要的工程意义和应用价值。
4、近年来,随着数据驱动方法的发展,基于机器学习和深度学习的电能质量分析与负荷建模技术得到了广泛关注。研究表明,通过对电压、电流信号进行特征提取与模式识别,可以有效识别不同类型的电能质量扰动,并分析其对电力设备运行的影响。在电动汽车充电领域,现有利用深度学习模型对充电负荷进行预测或对电池状态进行估计的方法,通常通过充电行为建模或电能质量分类,对于电能质量扰动如何影响计量误差问题关注不足,缺乏系统性的建模方法。同时,现有方法多基于低分辨率数据,难以捕捉瞬态扰动等高频特征,因此在复杂电能质量环境下电能计量精度难以保障。
5、此外,在计量误差建模方面,传统方法多采用基于物理机理的解析模型或简单统计方法,难以描述电能质量扰动与计量误差之间的复杂非线性关系。特别是在多种扰动叠加或动态变化的情况下,计量误差呈现出明显的时变性和非平稳性,使得传统模型难以准确预测。与此同时,现有方法大多依赖实际参考电表进行误差校准,缺乏一种能够替代物理标准表的虚拟参考机制,从而限制了远程计量技术的发展。
6、因此,如何在无需现场标准电能表参与的情况下,实现电能质量扰动环境下充电桩计量误差的准确预测与在线修正,已成为本领域亟待解决的技术问题。
技术实现思路
1、本技术的目的在于解决上述现有技术中存在的难题,提供一种充电桩远程计量误差建模与校准方法、设备和介质,旨在无需现场标准电能表参与的情况下,基于高分辨率电压、电流数据对计量误差进行准确预测与在线修正。
2、本技术是通过以下技术方案实现的:
3、本技术的第一个方面,提供了一种电动汽车充电桩远程计量误差建模与校准方法,包括:
4、获取电动汽车充电桩在电能质量扰动条件下的电压时序数据和电流时序数据;
5、基于所述电压时序数据和所述电流时序数据得到累计电能曲线,并基于所述累计电能曲线提取能量变化率和波动幅度作为能量域特征,同时提取所述电压时序数据和所述电流时序数据的时域统计特征和频域谐波特征;
6、将所述时域统计特征、所述频域谐波特征和所述能量域特征进行融合,形成多域融合特征向量;
7、将所述多域融合特征向量输入至预先训练好的计量误差预测模型,得到计量误差预测值;其中,所述计量误差预测模型包括卷积神经网络和长短期记忆网络,所述卷积神经网络用于提取所述电压时序数据和所述电流时序数据中的局部变化特征,所述长短期记忆网络用于提取拼接特征中的时序依赖关系,所述拼接特征由所述多域融合特征向量与所述局部变化特征构成;
8、根据所述计量误差预测值对所述充电桩的电能表原始计量值进行修正,得到校准后的电能计量值,所述校准后的电能计量值作为虚拟参考电能计量值,用于实现对电能计量的在线校准。
9、可选地,所述时域统计特征包括均值、均方根值、方差、峰值和波形因子中的至少一种;所述频域谐波特征包括通过傅里叶变换获得的各次谐波分量幅值和总谐波畸变率。
10、可选地,基于所述电压时序数据和所述电流时序数据得到累计电能曲线,并基于所述累计电能曲线提取能量变化率和波动幅度,包括:
11、在离散采样条件下,根据以下公式计算各采样时刻的累计电能值,各采样时刻的累计电能值按时间顺序构成所述累计电能曲线;
12、
13、其中,
e(k)为第
k个采样时刻累计消耗电能,
v(
i)为采样时刻i的电压值,
i(i)为采样时刻i的电流值,
δt为采样间隔,
k为当前采样时刻索引,取值范围为0≤
k≤
n,
n为采样点总数;
14、根据不同电能质量扰动条件下所述累计电能曲线的变化趋势,提取所述能量变化率和所述波动幅度。
15、可选地,获取电动汽车充电过程中的电压时序数据和电流时序数据之后,还包括对所述电压时序数据和所述电流时序数据进行预处理,所述预处理包括:
16、采用滑动窗口将所述电压时序数据和所述电流时序数据划分为固定长度的样本序列;
17、对所述样本序列进行归一化处理,将不同量纲的数据映射至统一尺度;
18、对存在异常的采样点采用中值滤波或插值方法进行修正。
19、可选地,所述计量误差预测模型采用均方误差作为损失函数,采用adam优化器进行训练,并通过早停策略防止过拟合。
20、可选地,所述电能质量扰动条件包括频率偏差扰动、谐波畸变扰动、电压暂降扰动、电压暂升扰动、暂态过电压扰动、暂态欠电压扰动、电压偏差扰动和电压中断扰动中的任意一种或多种。
21、可选地,将所述多域融合特征向量输入至预先训练好的计量误差预测模型之前,还包括:
22、构建初始的计量误差预测模型以及用于对初始的计量误差预测模型进行训练的数据集;
23、将所述数据集划分为训练集、验证集和测试集,划分比例为7:1:2;
24、利用所述训练集对所述计量误差预测模型进行训练,利用所述验证集对所述计量误差预测模型进行超参数调整和过拟合监控,利用所述测试集对训练后的计量误差预测模型进行性能评估;
25、其中,在数据集划分过程中,所述训练集、所述验证集和所述测试集均覆盖各类电能质量扰动条件,且不同充电过程的数据在时间上保持相互独立。
26、可选地,根据所述计量误差预测值对充电桩的电能表原始计量结果进行修正,包括:
27、将所述电能表原始计量值与所述计量误差预测值进行差值运算。
28、本技术的第二个方面,提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得安装有所述处理器的装置执行如上任一项所述的电动汽车充电桩远程计量误差建模与校准方法。
29、本技术的第三个方面,提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序运行在计算机上,所述计算机程序在运行时使得所述计算机执行如上任一项所述的电动汽车充电桩远程计量误差建模与校准方法。
30、与现有技术相比,本技术的有益效果是:
31、本技术通过同时提取时域统计特征、频域谐波特征以及能量域累计特征,构建统一的多维特征空间,全面刻画电压、电流信号在复杂电能质量扰动条件下的动态变化特性,从而突破传统单一特征或低维特征表达的局限。
32、本技术通过卷积神经网络提取电压、电流波形中的局部变化特征与瞬态扰动特征,并利用长短期记忆网络建模时间序列中的长期依赖关系,实现局部特征与时序特征的协同建模,从而建立电能质量扰动与计量误差之间的非线性映射关系,揭示不同扰动类型对计量精度的影响机制,提高了模型预测精度和泛化能力。
33、本技术通过对电能表原始计量结果引入模型预测误差进行动态修正,在无需物理标准表参与的情况下实现了远程计量误差识别与校准,大幅减少了人工现场检测的频率,显著降低了运维成本与人力投入,提高计量校准效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com