[发明专利]一种多元融合感知智能充电系统及方法

权利要求书

1.一种多元融合感知智能充电系统，其特征在于，包括至少两台充电设备，每台充电设备设有边缘感知单元，各个边缘感知单元进行数据共享形成局域关联感知网络服务体；

感知网络服务体内各个边缘感知单元对获取的感知数据进行本地处理和边缘计算，处理后的感知数据实时上传到云处理系统。

2.如权利要求1所述的多元融合感知智能充电系统，其特征在于，所述边缘感知单元通过充电总控单元获取充电数据、充电设备本地故障信息及业务交互数据。

3.如权利要求1所述的多元融合感知智能充电系统，其特征在于，所述边缘感知单元通过各个传感器获取环境数据、视觉数据和听觉数据。

4.如权利要求1所述的多元融合感知智能充电系统，其特征在于，所述边缘感知单元至少包括全景感知数据集成层、数据处理层和数据应用层；

全景感知数据集成层，被配置为：原始数据的来源，包括全景感知硬件层、全景感知协议采集层和全景感知数据清洗层，自动化获取及筛选数据；

数据处理层，被配置为：对有效原始数据进行存储和感知数据的共享融合，然后进行数据序列化及融合处理。

5.如权利要求4所述的多元融合感知智能充电系统，其特征在于，所述数据处理层包括感知数据融合存储层、数据序列化层和神经网络计算层；

感知数据融合存储层，被配置为：感知数据单特征数据融合形成同一时刻下的单条原始数据集并分块存储；

数据序列化层，被配置为：一次性从数据集读取一定时刻范围内的数据集，并序列化为一定结构的样本数据；

神经网络计算层，被配置为：执行边缘计算及云计算，形成结果并记录。

6.一种多元融合感知智能充电系统的故障检测方法，其特征在于，应用于权利要求1-5任一项所述的多元融合感知智能充电系统，包括以下步骤：

获取边缘感知单元得到的感知数据；

对获取到的数据进行关联，并对关联后的数据进行特征提取，采用长短期记忆神经网络得到未来某一时刻的故障预测结果；

根据故障预测结果、充电桩状态信号量及设备磨损数据，得到不同充电状态下的时基向量，时基向量与参数矩阵的运算结果输入多层感知机的激活函数中，得到各个故障在未来某一时刻产生的概率。

7.如权利要求6所述的多元融合感知智能充电系统的故障检测方法，其特征在于，采用Apriori算法对获取到的数据进行关联，具体为：

获取与各个充电故障类型相关联的感知数据集合；

给定初始信号最小支持阀值，根据故障等级进行不同故障的梯度下降权重均衡，按照故障的权重等级生成不同的最小支持度阀值；

扫描数据集合，形成包含信号出现频次的候选集并计算支持度，找出所有支持度大于或等于带权重的最小支持阈值的数据集，组成充电设备第一频繁信号数据集；

对第一频繁信号数据集中的信号进行再组合，组成包含多个信号的第二频繁信号数据集，计算信号支持度，找出大于带权重的最小支持阈值的第三频繁信号数据集；

找到包含最大信号项数量的频繁信号数据集，依次循环查找每个故障类型对应的数据集找到满足动态最小支持度的最大并集；

根据最大并集得到数据点阵，数据点阵排列上将与故障类型关联紧密的特征按照关联程度紧密排列。

8.如权利要求6所述的多元融合感知智能充电系统的故障检测方法，其特征在于，采用卷积神经网络进行特征提取，将特征提取得到的特征向量按时基输入到长短期记忆神经网络中，通过遗忘门、输入门和输出门，提取信号特征在时间序列上的依赖关系；

进行多个时间序列的预测，经卷积逆变换得到原始预测结果，原始预测结果与当前充电状态和充电设备磨损数据合并后输入全连接层进行最终故障概率的预测。