基于物理信息神经网络的充电桩计量误差监测方法及系统与流程

本发明涉及充电桩检测，特别涉及一种基于物理信息神经网络的充电桩计量误差监测方法及系统。

背景技术：

1、随着全球能源结构转型和“双碳”战略的深入推进，电动汽车产业正迎来前所未有的发展机遇。充电桩作为电动汽车能源补给的关键基础设施，其数量呈现爆发式增长。在充电桩规模迅速扩张的同时，其计量准确性和可靠性问题日益凸显。充电桩作为贸易结算的重要计量器具，其计量精度直接关系到广大用户的切身利益和电动汽车产业的健康发展。

2、在充电桩运行过程中，其计量误差来源复杂多样。充电桩计量误差可能来源于以下几个方面：一是设备自身因素，包括分流器、计量芯片、电流传感器等关键器件的老化和温漂。二是环境因素干扰，包括温度、湿度、电磁干扰等。三是电网质量影响，包括电压波动、谐波干扰、频率偏差等。

3、现有常规定模式主要按照检定规程采用实负荷检定法对充电桩进行检定，需携带大功率负载箱到现场进行测试。这种检定模式存在以下不足之处：一是需要占用充电桩进行计量测试，影响场站正常运营；二是检定成本高，包括设备运输、人工操作、时间成本等；三是覆盖面有限，受限于检定资源、新建充电站数量增多等情况，导致无法对所有充电桩实行按期检定。

4、近年来，市面上涌现出大量计量误差在线监测方法，但现有在线监测技术大多采用大数据分析和传统机器学习方法进行充电桩误差监测，主要存在以下不足：一是纯数据驱动模型缺乏物理约束，容易出现"黑箱"问题，结果缺乏可解释性；二是对非平稳工况适应性差，遇到不同的充电场景时，模型泛化能力不足。

5、因此，现有充电桩计量误差监测方式要么存在检定效率低、成本高、覆盖面窄的问题，要么存在可解释性差、泛化能力不足的缺陷，无法满足电动汽车产业快速发展背景下对充电桩计量监管的精准化、高效化需求。研发一种准确性高、可解释性强、适配复杂工况的充电桩计量误差监测技术，已成为当前行业发展的迫切需求，对保障用户权益、规范行业秩序、推动电动汽车产业持续健康发展具有重要意义。

技术实现思路

1、本发明要解决的技术问题，在于提供一种基于物理信息神经网络的充电桩计量误差监测方法及系统，解决现有充电桩计量误差监测方式效率低、成本高、可解释性弱和准确性低等问题。

2、第一方面，本发明提供了基于物理信息神经网络的充电桩计量误差监测方法，包括如下步骤：

3、步骤s1、根据三相总表对充电桩群进行区分，通过采集装置、终端电能表及三相总表采集充电相关数据，得到历史充电数据集，并进行预处理得到按照时序分布的计量数据集，将所述计量数据集作为样本数据集；

4、步骤s2、基于充电站内整体三相总表与个体电能分表总和的能量守恒物理定律构建一结合物理知识和深度学习的物理信息神经网络算法模型，利用所述样本数据集对所述模型进行训练，得到训练后的模型；

5、步骤s3、按一定频率采集待测充电桩的电能表数据，导入上述训练好的模型，输出待测充电桩电能误差值。

6、进一步的，所述步骤s1具体包括：根据三相总表对充电桩群进行区分，按照充电桩进行数据采集，利用采集装置、终端电能表及三相总表采集充电相关数据，得到历史充电数据集，所述历史充电数据集包括采集模块获取的数据、终端电能表监听到的数据及三相总表固定时间间隔冻结的电能值；其中，采集模块用于采集电压、电流、电能值和时间，所述采集模块的数据精度高于终端电能表和三相总表；

7、对所述历史充电数据集进行数据筛选清洗与数据插值预处理，形成按照时序分布的计量数据集，将所述计量数据集作为样本数据集，并从中提取实际输出值、模型输入量和物理量值；

8、所述实际输出值为预先安装的采集装置采集到的精准数据，包括电能值和时间，作为真实值，所述模型输入量为监听到的终端电能表的电能值，所述物理量包括监听电压、电流和电能值；

9、将其中的实际输出值与模型输入量进行数据标准化处理，按照比例划分训练数据集与测试数据集；其中，训练数据集用于作为模型训练过程中的输入，测试数据集用于评估训练完成后模型的泛化能力。

10、进一步的，所述采集模块安装在预设的部分代表站点充电桩内，所述采集模块采用485监听的方式对电能数据进行监听，并通过霍尔传感器、电压传感器进行电流和电压数据采集；

11、所述采集模块进一步包括交流模组和直流模组，所述直流模组和交流模组一同用于直流充电桩的数据采集，所述交流模组还用于交流充电桩的数据采集。

12、进一步的，所述步骤s2包括：

13、根据充电站的拓扑结构和能量守恒定律，得到公式如下：；

14、式中，为站点三相总表电能值，n为站内直流充电桩个数，为站内第i个直流充电桩电能值，为第i个直流充电桩的转换效率，为第i个直流充电桩的计量误差值，为站内第j个交流充电桩电能值，m为站内交流充电桩个数，为第j个交流充电桩的计量误差值，为站内其他损耗，包含损失与站内公共服务设施等消耗；

15、采用对电能值进行中心差分的方式获得t时刻站内充电桩消耗总功率，公式表示为：；

16、构建所述模型对应的损失函数，所述损失函数通过结合物理损失函数和数据损失函数构造得到，计算关系式如下：；；；；

17、其中，为数据损失项，为物理损失项，为数据损失项权重，为物理损失项权重，为模型输出的第i个直流充电桩计量误差值，为模型输出的第j个交流充电桩计量误差值，为第i个直流充电桩计量误差真实值，为第j个交流充电桩计量误差真实值，n为非线性方程组的个数，即样本个数，为t时刻站内充电桩消耗总功率，为站内第i个直流充电桩t时刻的功率，为站内第j个交流充电桩t时刻的功率，为第i个直流充电桩t时刻的计量误差值，为第j个交流充电桩t时刻的计量误差值，为第i个直流充电桩t时刻的转换效率。

18、进一步的，所述步骤s2还包括，采用adam优化器对损失权重和神经网络隐藏层权重、偏置进行调节优化，使得整体损失函数数值最小。

19、第二方面，本发明提供了基于物理信息神经网络的充电桩计量误差监测系统，包括：

20、样本数据获取模块，用于根据三相总表对充电桩群进行区分，通过采集装置、终端电能表及三相总表采集充电相关数据，得到历史充电数据集，并进行预处理得到按照时序分布的计量数据集，将所述计量数据集作为样本数据集；

21、模型创建与训练模块，用于基于充电站内整体三相总表与个体电能分表总和的能量守恒物理定律构建一结合物理知识和深度学习的物理信息神经网络算法模型，利用所述样本数据集对所述模型进行训练，得到训练后的模型；

22、误差监测模块，用于按一定频率采集待测充电桩的电能表数据，导入上述训练好的模型，输出待测充电桩电能误差值。

23、进一步的，所述样本数据获取模块具体包括：根据三相总表对充电桩群进行区分，按照充电桩进行数据采集，利用采集装置、终端电能表及三相总表采集充电相关数据，得到历史充电数据集，所述历史充电数据集包括采集模块获取的数据、终端电能表监听到的数据及三相总表固定时间间隔冻结的电能值；其中，采集模块用于采集电压、电流、电能值和时间，所述采集模块的数据精度高于终端电能表和三相总表；

24、对所述历史充电数据集进行数据筛选清洗与数据插值预处理，形成按照时序分布的计量数据集，将所述计量数据集作为样本数据集，并从中提取实际输出值、模型输入量和物理量值；

25、所述实际输出值为预先安装的采集装置采集到的精准数据，包括电能值和时间，作为真实值，所述模型输入量为监听到的终端电能表的电能值，所述物理量包括监听电压、电流和电能值；

26、将其中的实际输出值与模型输入量进行数据标准化处理，按照比例划分训练数据集与测试数据集；其中，训练数据集用于作为模型训练过程中的输入，测试数据集用于评估训练完成后模型的泛化能力。

27、进一步的，所述模型创建与训练模块包括：

28、根据充电站的拓扑结构和能量守恒定律，得到公式如下：；

29、式中，为站点三相总表电能值，n为站内直流充电桩个数，为站内第i个直流充电桩电能值，为第i个直流充电桩的转换效率，为第i个直流充电桩的计量误差值，为站内第j个交流充电桩电能值，m为站内交流充电桩个数，为第j个交流充电桩的计量误差值，为站内其他损耗，包含损失与站内公共服务设施等消耗；

30、采用对电能值进行中心差分的方式获得t时刻站内充电桩消耗总功率，公式表示为：；

31、构建所述模型对应的损失函数，所述损失函数通过结合物理损失函数和数据损失函数构造得到，计算关系式如下：；；；；

32、其中，为数据损失项，为物理损失项，为数据损失项权重，为物理损失项权重，为模型输出的第i个直流充电桩计量误差值，为模型输出的第j个交流充电桩计量误差值，为第i个直流充电桩计量误差真实值，为第j个交流充电桩计量误差真实值，n为非线性方程组的个数，即样本个数，为t时刻站内充电桩消耗总功率，为站内第i个直流充电桩t时刻的功率，为站内第j个交流充电桩t时刻的功率，为第i个直流充电桩t时刻的计量误差值，为第j个交流充电桩t时刻的计量误差值，为第i个直流充电桩t时刻的转换效率。

33、进一步的，所述模型创建与训练模块还包括：采用adam优化器对损失权重和神经网络隐藏层权重、偏置进行调节优化，使得整体损失函数数值最小。

34、本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：

35、1、通过将基于充电场站拓扑结构的能量守恒物理定律嵌入深度学习神经网络框架，在损失函数中加入物理方程约束，使神经网络在学习数据特征的同时，满足基本的物理规律，以便在充电桩计量误差监测场景中，有效提升模型监测的准确性和可解释性；

36、2、本发明方法可适用于不同地域环境、多样充电桩构成的工况场景；

37、3、由于物理损失的引入可有效减少样本数量的输入，在收敛速度方面也得到一定的改善，整体模型具有较强的泛化能力、小样本学习能力以及具备多物理场耦合建模的拓展能力，满足现阶段充电桩误差计量监测需求，有着极强的实用性和广阔的应用前景；

38、4、本发明的误差值的计算基于充电站三相总表 - 个体分表的能量守恒定律，计算误差值的同时，帮助场站运营方分析能量流失原因（如线损过大、某台桩计量异常），有利于优化场站的能量管理和成本控制。