【技術實現步驟摘要】
本專利技術涉及電動汽車充電樁檢定和分群，具體為一種基于多層感知機神經網絡的充電樁分群方法及系統。
技術介紹
1、充電樁規模的快速增長對檢定工作帶來巨大挑戰，當前人工檢定的方式已經越來越難以滿足充電樁全面檢定的需求。為此，有大量研究人員開始探索基于數據驅動方式的充電樁誤差分析和檢定技術，如基于能量守恒的充電樁誤差系數計算方法、基于標準車與充電樁互動的檢定方案等。然而，現有的技術方案難以有效保障誤差分析的準確性，也難以實現全面動態的誤差控制。
2、計量保證方案是采用核查標準和傳遞標準全面考核計量室的檢定測試系統，利用數理統計方法對那些參加的計量保證方案的計量單位檢定質量進行控制，并通過分析評定檢定過程的總不確定度，及時發現問題，反饋信息，使傳遞誤差盡量減小并確保量值傳遞的質量，是計量領域中運用閉環反饋控制思想實現誤差控制的一種重要技術，被廣泛應用于電阻標準、電池標準等的檢定和誤差控制中。將其運用于充電樁的檢定中可有效實現全面動態的誤差控制和超差樁的判斷。計量保證方案要求參與檢定的對象具有相同的誤差分布，否則難以保證方案的有效性，而實際充電樁幾乎難以保證所有充電樁誤差分布都相同，因此不可避免導致計量保證方案產生誤判和漏判。如果應用的充電樁誤差系數差異太大，可能導致誤判率和漏判率很大，計量保證方案的應用效果將很差。
3、在現有技術cn118011308b一種充電樁計量失準檢測方法、系統、終端及介質中公開了根據所采集的充電站電量量測值、各個充電樁電量量測值，以及各個充電樁的交直流轉換效率擬合值建立計量誤差辨識模型；
4、現有技術中對各個充電樁分別進行誤差計算，雖然可以保證各充電樁都能滿足誤差范圍，但是沒辦法保證同一批充電樁中的誤差分布相同，這樣在計量保證方案中就無法保證檢測結果的準確性，所以需要對充電樁進行分群，保證同一批的充電樁具有相同的誤差分布。
技術實現思路
1、為了解決上述現有技術中存在的問題，本專利技術提出了一種基于多層感知機神經網絡的充電樁分群方法及系統。
2、本專利技術的技術方案如下：
3、一方面，本專利技術提出一種基于多層感知機神經網絡的充電樁分群方法，具體步驟包括：
4、采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件；
5、結合已有的充電樁數據，采用預訓練的多層感知機神經網絡獲得充電樁顯式標簽與誤差系數的關聯關系；
6、利用獲得的關聯關系分析待分群的各充電樁顯式標簽，預測待分群的各充電樁的誤差系數，即將待分群的充電樁的顯式標簽輸入預訓練的多層感知機神經網絡模型，計算輸出各充電樁誤差系數的預測值；
7、根據個體充電樁誤差系數的邊界條件和待分群的各充電樁的誤差系數對待分群的各充電樁進行分群。
8、作為優選實施方式，所述采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件步驟具體為：
9、以各充電樁的誤差系數xi的均值xt作為計量保證方案的虛擬核查標準值，計算條件概率：
10、p1≤γ1；
11、p2≤γ2；
12、式中，γ1和γ2分別為采用計量保證方案時的誤判率和漏判率最大允許值，p1為各充電樁誤差系數均值通過t檢驗且各充電樁的誤差系數中出現超差的概率，p2為各充電樁誤差系數均值未通過t檢驗且各充電樁的誤差系數中未出現超差的概率；
13、根據上兩式的條件概率計算得到為滿足誤判率和漏判率要求，個體充電樁誤差系數的邊界條件：
14、f(xi)≤0；
15、式中，f()函數表示各充電樁的誤差系數需要滿足的函數關系。
16、作為優選實施方式，所述采用多層感知機神經網絡獲得充電樁顯式標簽與誤差系數的關聯關系步驟具體為：
17、將充電樁的顯式標簽作為輸入特征，所述顯示標簽包括生產廠家、生產日期、型號、批次、安裝位置、戶內/戶外、交流/直流、每月使用頻次、每月充電電量；
18、對顯示標簽中的類別型變量進行獨熱編碼處理，對顯示標簽中的數值型變量進行標準化處理，得到經過預處理的輸入特征向量；
19、使用預訓練的多層感知機神經網絡模型，以經過預處理的輸入特征向量作為輸入，輸出充電樁誤差系數的預測值。
20、作為優選實施方式，所述根據個體充電樁誤差系數的邊界條件和待分群的各充電樁的誤差系數對待分群的各充電樁進行分群步驟具體為：
21、將各充電樁的預測誤差系數作為輸入，采用高斯混合模型對各充電樁的預測誤差系數進行聚類；計算每個充電樁誤差系數的高斯概率密度函數，具體為：
22、
23、式中，zk為第k個高斯分布的隱變量(k＝1,2,…,q，q為高斯分布數)，zk＝1表示充電樁j屬于第k個高斯分布，zk＝0則表示不屬于；σk、μk分別為第k個高斯組件的協方差矩陣和均值；yj表示每個充電樁的誤差系數；
24、計算第j個充電樁的誤差系數屬于第k個高斯分布的后驗概率，具體計算公式如下：
25、
26、式中，πl為第l個高斯分布的權重，滿足
27、接著更新模型的參數πk，σk、μk：
28、
29、最后根據每個充電樁誤差系數屬于每個高斯分布的后驗概率p(zk|yj)，將每個充電樁誤差系數分配到具有最大后驗概率的群，即完成各待分群充電樁的分群。
30、另一方面，本專利技術提出一種基于多層感知機神經網絡的充電樁分群系統，包括：
31、邊界條件計算模塊，采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件；
32、關聯關系計算模塊，結合已有的充電樁數據，采用預訓練的多層感知機神經網絡獲得充電樁顯式標簽與誤差系數的關聯關系；
33、誤差系數計算模塊，利用獲得的關聯關系分析待分群的各充電樁顯式標簽，預測待分群的各充電樁的誤差系數，即將待分群的充電樁的顯式標簽輸入預訓練的多層感知機神經網絡模型，計算輸出各充電樁誤差系數的預測值；
34、充電樁分群模塊，根據個體充電樁誤差系數的邊界條件和待分群的各充電樁的誤差系數對待分群的各充電樁進行分群。
35、作為優選實施方式，所述采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件步驟具體為：
36、以各充電樁的誤差系數xi的均值xt作為計量保證方案的虛擬核查標準值，計算條件概率：
37、p1≤γ1；
38、p2≤γ2；
39、式中，γ1和γ2分別為采用計量保證方案時的誤判率和漏判率最大值，p本文檔來自技高網...
【技術保護點】
1.一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，所述采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件步驟具體為：
3.根據權利要求1所述的一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，所述采用多層感知機神經網絡獲得充電樁顯式標簽與誤差系數的關聯關系步驟具體為：
4.根據權利要求1所述的一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，所述根據個體充電樁誤差系數的邊界條件和待分群的各充電樁的誤差系數對待分群的各充電樁進行分群步驟具體為：
5.一種基于多層感知機神經網絡的充電樁分群系統，其特征在于，包括：
6.根據權利要求5所述的一種基于多層感知機神經網絡的充電樁分群系統，其特征在于，所述采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件步驟具體為：
7.根據權利
8.根據權利要求5所述的一種基于多層感知機神經網絡的充電樁分群系統，其特征在于，所述根據個體充電樁誤差系數的邊界條件和待分群的各充電樁的誤差系數對待分群的各充電樁進行分群步驟具體為：
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1至4任一權利要求所述的一種基于多層感知機神經網絡的充電樁分群方法。
...【技術特征摘要】
1.一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，所述采用預置計量保證方案確定待測充電樁群中的超差個體時，計算在預設誤判率和漏判率下的個體充電樁誤差系數需滿足的邊界條件步驟具體為：
3.根據權利要求1所述的一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，所述采用多層感知機神經網絡獲得充電樁顯式標簽與誤差系數的關聯關系步驟具體為：
4.根據權利要求1所述的一種基于多層感知機神經網絡的充電樁分群方法，其特征在于，所述根據個體充電樁誤差系數的邊界條件和待分群的各充電樁的誤差系數對待分群的各充電樁進行分群步驟具體為：
5.一種基于多層感知機神經網絡的充電樁分群系統，其特征在于，包括：
【專利技術屬性】
技術研發人員：賴國書，張煌輝，葉強，邵海明，黃天富，張穎，陳子琳，黃洪濤，陳啟榕，詹文，曹舒，王文靜，胡曉旭，林雨欣，童承鑫，陳適，郭銀婷，
申請(專利權)人：國網福建省電力有限公司營銷服務中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。