基于机器学习的新能源设备充电异常检测方法及系统与流程

摘要: 本技术涉及充电桩性能测试,尤其涉及基于机器学习的新能源设备充电异常检测方法及系统。背景技术:1、随着新能源汽车产业的快速发展,充电桩作为关键基础设施,其性能可靠...
基于机器学习的新能源设备充电异常检测方法及系统与流程

本技术涉及充电桩性能测试,尤其涉及基于机器学习的新能源设备充电异常检测方法及系统。

背景技术:

1、随着新能源汽车产业的快速发展,充电桩作为关键基础设施,其性能可靠性直接影响用户体验与电网安全。在充电桩的日常运行与维护中,剩余电流动作值是衡量其安全性能的重要指标之一。目前,针对充电桩剩余电流的测试主要依赖内置传感器直接采集数据,并结合标准测试环境进行性能评估。

2、然而,现有测试方法在实际应用中存在以下问题:

3、首先,充电桩内部集成了多种功能模块,在常规测试中,这些模块通常被视为对测试无影响的理想部件。然而,实际运行状态下,特别是在高频开关动作或外部电磁干扰环境下,这些模块会对剩余电流传感器的测量结果产生不可忽略的影响。现有测试标准与方法大多基于稳态或理想工况设计,难以有效消除这种由内部电路运行状态引发的测量偏差,导致测试结果与充电桩本征性能之间存在差异。

4、其次,充电桩多部署于户外或半户外环境,其运行环境具有显著的时变特性。在不同地域、不同季节乃至一天内的不同时段,环境条件均存在较大差异。现有技术在进行性能测试时,通常采用固定的环境补偿参数或简化的线性修正模型,测试过程中获得的数据往往表现出与预期不符的波动。这种波动导致同一台充电桩在不同时间点的测试结果缺乏可比性,也给不同区域充电桩的性能横向对比带来困难,影响了运维决策的准确性。

5、此外,随着充电桩的大规模组网运行,同一供电区域内多个充电桩之间通过电网拓扑结构存在电气耦合。当某一充电桩进行性能测试时,其测试结果可能受相邻充电桩运行状态的影响。然而,当前的测试方法仍以孤立单点测试为主,未能有效利用区域内多桩的协同信息,导致对单个充电桩的性能评估缺乏动态、全局的参考基准。

技术实现思路

1、基于上述问题,本发明提供基于机器学习的新能源设备充电异常检测方法及系统,通过识别并量化内部电路寄生参数干扰、构建温湿度耦合非线性修正机制,以及引入区域电气协同分析,实现了充电桩剩余电流测试从单点孤立测量向高精度、全生命周期自适应及全局可比的性能评估体系的跨越,为充电网络的高效运维提供了精准的数据支撑。

2、第一方面,本发明提供基于机器学习的新能源设备充电异常检测方法,包括:

3、获取由剩余电流传感器直接采集的待测充电桩的原始测试数据,所述原始测试数据至少包括原始剩余电流动作值;

4、识别所述待测充电桩内部位于剩余电流传感器之后且在充电回路与地之间形成非预期泄漏通路的内部辅助电路;基于所述内部辅助电路在复杂电磁环境下对测试过程的影响,结合其寄生参数,确定所述内部辅助电路引入的原始测试偏差量;

5、获取所述待测充电桩的环境特征参数;根据所述环境特征参数,构建环境耦合修正函数,对所述原始测试偏差量进行非线性修正,获得最终测试偏差量;

6、基于所述最终测试偏差量,对所述原始剩余电流动作值进行修正,获得修正后的剩余电流动作值;

7、根据所述修正后的剩余电流动作值,对所述待测充电桩的关联性能参数进行校准,获得修正后的性能参数集合;

8、根据所述修正后的性能参数集合,生成所述待测充电桩的性能测试报告。

9、优选地,所述内部辅助电路至少包括连接于充电回路与地之间的开关型隔离电路;所述基于所述内部辅助电路在复杂电磁环境下对测试过程的影响,结合其寄生参数,确定所述内部辅助电路引入的原始测试偏差量,包括:

10、构建所述内部辅助电路的高频等效模型,提取其寄生电容和寄生电感参数;

11、在第一工作条件下,施加预设频谱的干扰信号,获取第一剩余电流动作值;

12、在通过物理断开或软件屏蔽的方式使所述内部辅助电路退出工作的第二条件下,施加所述预设频谱的干扰信号,获取第二剩余电流动作值;

13、基于所述寄生参数、所述第一剩余电流动作值与所述第二剩余电流动作值的差值,计算由所述内部辅助电路引入的、随干扰频率变化的原始测试偏差量函数。

14、优选地,所述构建所述内部辅助电路的高频等效模型,包括:

15、对所述内部辅助电路进行宽频阻抗测试,获取其阻抗特性曲线;

16、基于所述阻抗特性曲线,通过等效电路拟合法提取随频率变化的寄生电容、寄生电感及寄生电阻;

17、将提取的寄生参数代入等效电路拓扑,构建包含寄生元件的集总参数等效模型,并通过与实测阻抗曲线对比进行模型验证。

18、优选地,所述环境特征参数包括预设时间段内的平均湿度与平均温度;所述根据所述环境特征参数,构建环境耦合修正函数,对所述原始测试偏差量进行非线性修正,获得最终测试偏差量,包括:

19、基于预先构建的器件老化数据库,根据所述平均湿度与平均温度,确定所述内部辅助电路中关键半导体器件的多物理场衰减系数;所述多物理场衰减系数通过预先对同型号器件进行高温高湿反偏加速老化测试并结合幂律关系模型拟合得到;

20、基于所述多物理场衰减系数,构建环境耦合修正函数,所述环境耦合修正函数包含湿度-温度交叉耦合项;

21、将所述原始测试偏差量输入所述环境耦合修正函数,通过非线性运算获得所述最终测试偏差量。

22、优选地,所述方法还包括:

23、获取所述待测充电桩所在区域内多个充电桩修正后的剩余电流动作值;

24、基于所述区域内各充电桩的物理位置、电网拓扑连接关系及历史负载数据,计算所述区域内充电桩之间的电气耦合权重矩阵;

25、根据所述电气耦合权重矩阵,对所述区域内各充电桩修正后的剩余电流动作值进行加权融合,生成所述区域的动态统计参考值;

26、将所述待测充电桩的修正后剩余电流动作值与所述动态统计参考值进行比较,生成包含横向对比分析的趋势性性能测试报告。

27、优选地,所述基于所述区域内各充电桩的物理位置、电网拓扑连接关系及历史负载数据,计算所述区域内充电桩之间的电气耦合权重矩阵,包括:

28、获取所述区域内各充电桩的物理坐标、接入同一母线的线缆长度及阻抗参数;

29、获取所述区域内各充电桩在连续时间序列上的负载电流数据,计算任意两个充电桩之间的负载波动相似度;

30、根据所述线缆长度、阻抗参数及负载波动相似度,构建电气耦合权重矩阵元素;其中,任意两桩负载波动越相似、电气距离越近的桩对,其对应权重越大。

31、优选地,所述动态统计参考值通过下式获取;包括:

32、

33、为t时刻的动态统计参考值;m为区域内充电桩数量;为第n个充电桩修正后的电流动作值;为t时刻基于第n个与第j个充电桩实时负载电流计算得出的动态同时系数函数。

34、可选地,所述根据所述环境特征参数,构建环境耦合修正函数,对所述原始测试偏差量进行非线性修正,获得最终测试偏差量,还包括:

35、获取所述待测充电桩的历史测试数据及对应的历史环境参数;

36、以所述历史环境参数为输入,以所述历史测试数据中提取的偏差修正量为输出,训练深度神经网络模型;

37、将当前的环境特征参数输入训练好的深度神经网络模型,预测当前环境下的修正系数,结合所述原始测试偏差量动态生成所述最终测试偏差量。

38、优选地,所述方法还包括:

39、将生成的所述最终测试偏差量与预设的偏差告警阈值进行比较;

40、若所述最终测试偏差量超过所述偏差告警阈值,则生成包含该充电桩标识、超差项及建议维护时间的预警信息,并将其推送至运维终端。

41、第二方面,本发明提供基于机器学习的新能源设备充电异常检测系统,用于本发明实施例基于机器学习的新能源设备充电异常检测方法,包括:

42、数据采集模块,用于获取由剩余电流传感器直接采集的待测充电桩的原始测试数据及所述待测充电桩的环境特征参数;

43、干扰识别与建模模块,用于识别内部辅助电路并构建其高频等效模型,以确定原始测试偏差量;

44、环境耦合修正模块,用于根据环境特征参数,利用非线性修正模型对原始测试偏差量进行修正,获得最终测试偏差量;

45、参数修正模块,用于基于所述最终测试偏差量对原始剩余电流动作值进行修正,并根据修正后的剩余电流动作值对关联性能参数进行校准;

46、区域协同分析模块,用于基于区域内充电桩的电气耦合关系生成动态统计参考值;

47、报告生成与预警模块,用于生成性能测试报告,并在性能参数超差时发出预警。

48、本发明的有益效果至少包括:通过对充电桩内部辅助电路进行识别与高频等效建模,能够有效剥离由寄生参数引入的测试干扰,量化其对剩余电流传感器的影响。相较于现有技术仅依赖原始采集数据或简单滤波处理的方式,本发明实现了对内部电路干扰的精细化消除,使剩余电流动作值更接近充电桩的真实本征特性,为后续性能评估提供了更准确的数据基础。针对充电桩长期暴露于户外复杂环境的实际工况,本发明引入基于温湿度等多物理场耦合的非线性修正机制。通过对器件老化特性的建模与环境特征的动态补偿,有效解决了现有技术中因环境因素导致的测试数据波动问题。采用本发明方法后,同一台充电桩在不同季节、不同地域条件下获得的测试结果具有更好的一致性与可比性,能够真实反映充电桩在全生命周期内的性能变化规律。通过构建区域内充电桩之间的电气耦合权重矩阵,并结合动态同时系数进行加权融合,本发明生成了具有全局参考意义的动态统计参考值。将单桩测试结果与该参考值进行横向对比,能够识别出偏离区域正常水平的异常桩位,为运维人员提供了趋势性分析依据,相较于现有孤立单点测试模式,本发明实现了从点评估向面分析的跨越,提升了测试数据的决策价值。