本發(fā)明涉及充電樁通訊控制系統(tǒng)，具體而言，涉及一種充電樁通訊自修復(fù)控制系統(tǒng)及自修復(fù)方法。

背景技術(shù)：

1、在電動(dòng)汽車充電過(guò)程中，車樁通訊的穩(wěn)定性直接影響充電效率與用戶體驗(yàn)?，F(xiàn)有技術(shù)中，充電樁車樁通訊系統(tǒng)普遍存在以下問(wèn)題：首先，故障檢測(cè)手段依賴簡(jiǎn)單的通訊狀態(tài)判斷（如超時(shí)重試），難以精準(zhǔn)識(shí)別故障類型（如線路短路、協(xié)議沖突或電磁干擾）；其次，故障修復(fù)高度依賴人工排查，維修人員需逐一檢查硬件連接、協(xié)議配置等，平均耗時(shí)長(zhǎng)達(dá)4小時(shí)，導(dǎo)致充電樁長(zhǎng)時(shí)間停用，運(yùn)維成本高昂。此外，傳統(tǒng)系統(tǒng)缺乏自適應(yīng)能力，無(wú)法適應(yīng)多樣化的通訊協(xié)議更新，導(dǎo)致新協(xié)議兼容性問(wèn)題頻發(fā)。隨著車樁通訊協(xié)議多樣化，現(xiàn)有系統(tǒng)的局限性愈發(fā)突出。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種充電樁通訊自修復(fù)控制系統(tǒng)及自修復(fù)方法，以改善上述傳統(tǒng)系統(tǒng)缺乏自適應(yīng)能力，無(wú)法適應(yīng)多樣化的通訊協(xié)議更新，導(dǎo)致新協(xié)議兼容性問(wèn)題頻發(fā)的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例提供了如下技術(shù)方案：

3、一方面，本技術(shù)實(shí)施例提供了一種充電樁通訊自修復(fù)控制系統(tǒng)，所述系統(tǒng)包括：數(shù)據(jù)采集模塊，用于通過(guò)部署在充電樁與電動(dòng)汽車通訊接口處的傳感器實(shí)時(shí)采集通訊數(shù)據(jù)，所述通訊數(shù)據(jù)包括通訊狀態(tài)、數(shù)據(jù)傳輸速率、錯(cuò)誤數(shù)據(jù)包數(shù)量和通訊協(xié)議交互信息，并對(duì)所述通訊數(shù)據(jù)進(jìn)行清洗和歸一化處理；故障診斷模塊，由卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)融合構(gòu)成，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取預(yù)處理后通訊數(shù)據(jù)的局部特征，所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)用于分析時(shí)間序列依賴關(guān)系，輸出故障類型診斷結(jié)果；故障自修復(fù)模塊，根據(jù)所述故障類型診斷結(jié)果執(zhí)行修復(fù)操作：若為軟件通訊故障，則自動(dòng)重新加載通訊協(xié)議?；蛘{(diào)整協(xié)議參數(shù)配置；若為硬件通訊故障，則觸發(fā)預(yù)警并切換至備用通訊線路；若為電磁干擾故障，則調(diào)整通訊線路或增強(qiáng)抗干擾措施。

4、可選地，故障診斷模型中的卷積神經(jīng)網(wǎng)絡(luò)包含3個(gè)卷積層和3個(gè)池化層，用于提取不同尺度的局部特征，所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)包含2層網(wǎng)絡(luò)，用于捕捉長(zhǎng)期時(shí)序依賴關(guān)系；

5、故障自修復(fù)模塊針對(duì)協(xié)議沖突故障，自動(dòng)比對(duì)當(dāng)前通訊協(xié)議與預(yù)設(shè)協(xié)議庫(kù)的差異，并動(dòng)態(tài)更新協(xié)議配置參數(shù)。

6、可選地，還包括通信協(xié)調(diào)模塊，用于協(xié)調(diào)所述數(shù)據(jù)采集與預(yù)處理模塊、深度學(xué)習(xí)故障診斷模型和故障自修復(fù)策略模塊的運(yùn)行流程，并與充電樁的充電控制模塊及管理平臺(tái)通信，實(shí)時(shí)上傳故障信息和接收遠(yuǎn)程指令，并在通訊不穩(wěn)定時(shí)，向充電控制模塊發(fā)送指令降低充電功率，直至通訊恢復(fù)穩(wěn)定。

7、第二方面，本實(shí)施例提供了一種基于充電樁通訊自修復(fù)控制系統(tǒng)的自修復(fù)方法，所述方法包括：

8、響應(yīng)于用戶訂單指令，數(shù)據(jù)采集模塊向當(dāng)前新能源汽車的bms發(fā)送通訊請(qǐng)求，進(jìn)而使bms反饋當(dāng)前新能源汽車的車輛信息，所述車輛信息包括車輛型號(hào)和車輛電池信息；

9、數(shù)據(jù)采集模塊將所述車輛信息發(fā)送至故障診斷模塊，以使故障診斷模塊檢測(cè)充電功率預(yù)設(shè)運(yùn)行庫(kù)中是否存在與所述車輛型號(hào)一致的充電功率曲線，若不存在，則判定與bms出現(xiàn)通訊異常，并生成車輛型號(hào)無(wú)法匹配的通訊異常指令，并將通訊異常指令發(fā)送至故障自修復(fù)模塊，以使故障診斷模型調(diào)取車輛電池信息，并基于車輛電池信息生成與所述車輛型號(hào)相匹配的充電功率曲線；并基于充電功率曲線與bms建立新的通訊協(xié)議，以使充電樁按照所述充電功率曲線對(duì)新能源汽車進(jìn)行充電。

10、可選地，基于車輛電池信息生成與所述車輛型號(hào)相匹配的充電功率曲線,包括：

11、解析車輛電池信息得到單體電壓、單體溫度和電池類型，并基于單體電壓和標(biāo)準(zhǔn)電壓之間壓差，構(gòu)建電池模塊對(duì)應(yīng)的壓差分布圖，基于電池類型確定單體的熱阻系數(shù)，所述熱阻系數(shù)由新能源汽車的電池供應(yīng)商提供，并燒錄在車輛電池信息中；

12、基于電壓值大小對(duì)多個(gè)單體電壓進(jìn)行排序，進(jìn)而構(gòu)建電壓幅度曲線，基于預(yù)設(shè)波動(dòng)斜率框選多個(gè)基礎(chǔ)電壓?jiǎn)误w，所述波動(dòng)斜率的起點(diǎn)與電壓幅度曲線的起點(diǎn)重合，并從電壓幅度曲線的起點(diǎn)開始，選擇多個(gè)連續(xù)的電壓值在設(shè)波動(dòng)斜率下方的單體電壓，并將選中的單體電壓標(biāo)記為基礎(chǔ)電壓?jiǎn)误w；

13、計(jì)算多個(gè)基礎(chǔ)電壓?jiǎn)误w的第一均值電壓，并基于第一均值電壓與標(biāo)準(zhǔn)電壓的差值構(gòu)建多個(gè)電壓閾值范圍，并基于多個(gè)電壓閾值范圍在壓差分布圖中構(gòu)建每個(gè)電壓閾值范圍對(duì)應(yīng)的單體分布種群；

14、基于距離類的聚類算法在每個(gè)單體分布種群中構(gòu)建核心聚集區(qū)，多個(gè)單體分布種群對(duì)應(yīng)的核心聚集區(qū)彼此不重疊，并計(jì)算每個(gè)核心聚集區(qū)對(duì)應(yīng)的第二均值電壓，并基于第二均值電壓計(jì)算與標(biāo)準(zhǔn)電壓之間的差值、核心聚集區(qū)中的單體數(shù)量和核心聚集區(qū)中單體分布形狀構(gòu)建，構(gòu)建核心聚集區(qū)在充電過(guò)程的時(shí)間-熱量堆積圖；

15、基于單體溫度構(gòu)建溫度云圖，并將時(shí)間-熱量堆積圖疊加至溫度云圖上，進(jìn)而得到電池模塊在充電過(guò)程中的第一電池?zé)崃孔兓茍D，并基于當(dāng)前的環(huán)境溫度和電池類型計(jì)算第一電池?zé)崃孔兓茍D的動(dòng)態(tài)散熱分布圖，通過(guò)疊加第一電池?zé)崃孔兓茍D和對(duì)應(yīng)的動(dòng)態(tài)散熱分布圖得到電池模塊在充電過(guò)程中的第二電池?zé)崃孔兓茍D，并基于第二電池?zé)崃孔兓茍D制定對(duì)應(yīng)的充電功率曲線，并將車輛型號(hào)、充電功率曲線、壓差分布圖和環(huán)境溫度錄入大數(shù)據(jù)存儲(chǔ)服務(wù)器，作為后期的充電功率匹配用神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)。

16、可選地，基于當(dāng)前的環(huán)境溫度和電池類型計(jì)算第一電池?zé)崃孔兓茍D的動(dòng)態(tài)散熱分布圖，包括：

17、基于當(dāng)前環(huán)境溫度構(gòu)建環(huán)境溫度場(chǎng)，并依次對(duì)第一電池?zé)崃孔兓茍D和環(huán)境溫度場(chǎng)進(jìn)行歸一化處理；

18、通過(guò)兩層3d卷積層提取歸一化處理后的第一電池?zé)崃孔兓茍D的時(shí)空局部特征，并通過(guò)多頭自注意力機(jī)制捕獲時(shí)間維度全局依賴關(guān)系，生成時(shí)序增強(qiáng)特征；

19、將歸一化處理后的環(huán)境溫度場(chǎng)經(jīng)雙線性插值至與第一電池?zé)崃孔兓茍D對(duì)應(yīng)的分辨率，并與所述時(shí)序增強(qiáng)特征進(jìn)行通道拼接，形成融合特征；

20、將所述融合特征輸入預(yù)設(shè)的物理約束模型，然后按照時(shí)序生成對(duì)應(yīng)的動(dòng)態(tài)散熱分布圖。

21、所述物理約束模型構(gòu)建局部區(qū)域的散熱量的方式為：

22、提取融合特征中環(huán)境溫度通道，并生成溫度敏感系數(shù)矩陣，并將溫度敏感系數(shù)矩陣與卷積核權(quán)重按元素進(jìn)行相乘，進(jìn)而得到初始散熱量；

23、提取融合特征中的電池溫度，并基于電池溫度與環(huán)境溫度之間的溫差調(diào)整方向一致性閾值，并基于方向一致性閾值通過(guò)損失函數(shù)計(jì)算得到梯度修正后的散熱量，然后基于梯度修正后的散熱量逐幀構(gòu)建多個(gè)散熱分布圖，進(jìn)而構(gòu)成動(dòng)態(tài)散熱分布圖。

24、可選地，基于第二電池?zé)崃孔兓茍D制定對(duì)應(yīng)的充電功率曲線，包括：

25、基于預(yù)設(shè)安全充電溫度閾值構(gòu)建第一安全溫度參照面，并基于某一時(shí)刻的第二電池?zé)崃孔兓茍D凸出于第一安全溫度參照面部分的體積降低對(duì)應(yīng)時(shí)刻的預(yù)設(shè)充電功率，進(jìn)而得到修正后的預(yù)設(shè)充電功率，并基于當(dāng)前的電壓一致性波動(dòng)圖，進(jìn)一步降低整個(gè)修正后的預(yù)設(shè)充電功率，得到充電功率曲線。

26、可選地，所述電壓一致性波動(dòng)圖的構(gòu)建方式為：

27、基于電壓閾值范圍最低的一個(gè)單體分布種群對(duì)應(yīng)的均值電壓和單體數(shù)量結(jié)合壓差分布圖對(duì)應(yīng)的均值電壓通過(guò)加權(quán)算法計(jì)算得到基礎(chǔ)電壓，進(jìn)而構(gòu)建基礎(chǔ)電壓底座；

28、將基礎(chǔ)電壓底座擬合至壓差分布圖，以使壓差分布圖扣除基礎(chǔ)電壓底座部分進(jìn)而得到電壓一致性波動(dòng)圖，所述電壓一致性波動(dòng)圖用于表征電池模塊中的多個(gè)單體的電壓浮動(dòng)情況。

29、第三方面，本技術(shù)實(shí)施例提供了一種高壓電氣設(shè)備局部放電類型識(shí)別設(shè)備，所述設(shè)備包括存儲(chǔ)器和處理器。

30、存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；處理器用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述充電樁通訊自修復(fù)控制系統(tǒng)的步驟。

31、第四方面，本技術(shù)實(shí)施例提供了一種介質(zhì)，所述介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述充電樁通訊自修復(fù)控制系統(tǒng)的步驟。

32、本發(fā)明的有益效果為：

33、本發(fā)明所述的充電樁通訊自修復(fù)控制系統(tǒng)，基于cnn與lstm的深度學(xué)習(xí)模型，能夠同時(shí)捕捉通訊數(shù)據(jù)的局部特征（如異常數(shù)據(jù)包格式）和時(shí)序依賴關(guān)系（如周期性干擾），診斷準(zhǔn)確率較傳統(tǒng)方法提升30%～50%，顯著減少誤判和漏判；

34、其次通過(guò)故障自修復(fù)策略模塊，系統(tǒng)可針對(duì)軟件協(xié)議錯(cuò)誤自動(dòng)重載配置，并針對(duì)電磁干擾調(diào)整通訊參數(shù)，將平均修復(fù)時(shí)間從4小時(shí)縮短至30分鐘內(nèi)，大幅降低人工干預(yù)需求。

35、其次，深度學(xué)習(xí)模型支持在線更新，能夠?qū)W習(xí)新通訊協(xié)議下的正常與異常模式，確保系統(tǒng)在協(xié)議迭代或環(huán)境變化時(shí)仍保持高穩(wěn)定性。

36、本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書闡述，并且，部分地從說(shuō)明書中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明實(shí)施例了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。