买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：珠海市贡峰新能源开发有限公司

摘要：本发明公开了一种电瓶车违规充电的检测方法，包括如下步骤：S1、在电瓶车和充电桩上安装传感器，实时采集电流、电压、温度充电数据，并在边缘设备上进行初步处理；S2、通过自监督学习生成伪标签；S3、通过数据增强技术生成不同视图，利用对比学习模型SimCLR训练模型在不同视图下学习充电过程的特征表示；S4、使用变分自动编码器对正常充电数据进行建模，生成正常充电过程的分布模型；S5、在边缘计算节点上部署训练好的SimCLR对比学习模型和VAE模型，实时处理传感器数据，当检测到异常充电行为时，系统立即发出报警信号，通知用户或管理系统采取措施。本发明通过结合机器学习算法和边缘计算技术，为电瓶车违规充电检测提供了高效、精准的解决方案。

主权项：1.一种电瓶车违规充电的检测方法，其特征在于，包括如下步骤：S1、在电瓶车和充电桩上安装传感器，实时采集电流、电压、温度充电数据，并在边缘设备上进行初步处理；S2、通过自监督学习生成伪标签；S3、通过数据增强技术生成不同视图，利用对比学习模型SimCLR训练模型在不同视图下学习充电过程的特征表示；S4、使用变分自动编码器对正常充电数据进行建模，生成正常充电过程的分布模型；S5、在边缘计算节点上部署训练好的SimCLR对比学习模型和VAE模型，实时处理传感器数据，当检测到异常充电行为时，系统立即发出报警信号，通知用户或管理系统采取措施；所述S2具体包括：S21、将边缘设备上初步处理的充电数据It、Vt、Tt、Pt和ΔPt进行数据预处理；S22、使用自监督学习方法生成伪标签，对未标注数据进行自动标注，将充电数据分为正常充电数据和潜在异常充电数据；S23、设计对比学习任务，通过数据增强技术生成不同视图，添加噪声、时序扰动，得到增强后的数据视图X1和X2；S24、使用SimCLR模型进行对比学习，通过最大化相同充电过程在不同视图下的特征表示相似度，训练对比学习模型；S25、设定损失函数L为对比损失函数： 其中，sim表示相似度函数，h表示模型的特征表示，τ为温度参数；S26、通过优化损失函数L，训练SimCLR模型，使其能够在不同视图下学习到充电过程的特征表示；S27、利用训练好的SimCLR模型对充电数据进行表征，将伪标签数据输入模型，获取充电过程的特征表示；所述S3具体包括：S31、使用经过数据增强后的充电数据视图X1和X2，对增强后的充电数据视图进行标准化处理： 其中，X为原始数据视图，μ为数据的均值，σ为数据的标准差；S32、设定对比学习模型SimCLR的架构，包括编码器网络f·和投影头g·：hi＝fX′i,zi＝ghi；其中，hi为通过编码器网络f·提取的特征表示，zi为通过投影头g·得到的特征向量，X′i为标准化后的数据视图；S33、计算增强视图X′1和X′2的特征表示h1和h2，和对应的投影向量z1和z2：h1＝fX′1,h2＝fX′2；z1＝gh1,z2＝gh2；其中，X′1和X′2是经过标准化处理后的增强视图，h1和h2是通过编码器网络，f·提取的特征表示，z1和z2是通过投影头，g·得到的特征向量；S34、定义对比学习的不同损失函数L′： 其中，τ为温度参数，控制相似度分布的平滑度，zi,1和zi,2为投影向量，||zi,1||和||zi,2||为对应向量的范数，N为批次大小；S35、通过优化损失函数L′进行模型训练，更新编码器网络f·和投影头g·的参数，使其在不同视图下最大化相同充电过程的特征表示相似度；S36、训练完成后，将SimCLR模型保存，并将其部署到边缘计算节点，以便实时处理和分析充电数据；S37、利用训练好的SimCLR模型对实时采集的充电数据进行特征提取，生成充电过程的特征表示，为后续的异常检测提供输入数据；所述S4具体包括：S41、获取通过SimCLR模型处理后的充电数据的特征表示h；S42、构建变分自动编码器模型，VAE模型包括编码器网络qφz|h和解码器网络pθh|z，其中h表示输入特征，z表示潜在变量；S43、使用正常充电数据特征h训练VAE模型，通过最大化以下证据下界损失函数进行优化： 其中，LELBO表示证据下界的损失函数，表示期望值，期望是在潜在变量z上，根据编码器分布qφz|h计算的，logz表示在给定潜在变量z的情况下，由解码器生成输入特征h的对数概率，DKL表示Kullback-Leibler散度，用于衡量两个分布之间的差异，qφz|h表示编码器网络，给定输入特征h后生成潜在变量z的分布，pz表示潜在变量z的先验分布；S44、编码器网络qφz|h将输入的正常充电数据特征h映射到潜在变量z的分布： 其中，N表示正态分布，μφh表示由编码器网络生成的均值，表示由编码器网络生成的方差；S45、解码器网络pθh|z根据潜在变量z生成与正常充电数据特征h相似的重构特征 其中，μθz表示由解码器网络生成的均值，表示由解码器网络生成的方差；S46、在训练过程中，通过最小化重构误差和Kullback-Leibler散度的加权和，优化VAE模型的参数φ和θ： 其中，L是重构样本的数量，zl是从qφz|h中采样的潜在变量；Kullback-Leibler散度的计算： 其中，J是潜在变量的维度，和分别表示第j维的方差和均值；S47、使用训练好的VAE模型对实际充电数据特征进行推断，计算重构特征与实际特征h之间的重构误差并根据重构误差的大小来识别异常充电行为；所述S5具体包括：S51、在边缘计算节点上部署训练好的SimCLR对比学习模型和变分自动编码器模型；S52、实时获取边缘设备上采集的充电数据特征表示ht，其中ht表示在时间t时刻的特征；S53、将实时充电数据特征表示ht输入SimCLR模型，提取其特征表示hsimclrt；S54、将提取的特征表示hsimclrt输入VAE模型，计算其潜在变量zt：zt＝qφz|hsimclrt；其中，qφz|hsimclrt表示由VAE模型的编码器网络生成的潜在变量分布；S55、使用VAE模型的解码器网络，根据潜在变量zt生成重构特征表示 其中，pθh|zt表示由VAE模型的解码器网络生成的重构特征分布；S56、计算实际特征表示hsimclrt与重构特征表示之间的重构误差其中重构误差： 其中，N表示特征的维度，hsimclr,it和分别表示第i维的实际特征值和重构特征值；S57、将计算得到的重构误差与预设的阈值∈进行比较，当重构误差大于阈值∈时，识别为异常充电行为，并发出报警信号；S58、当检测到异常充电行为时，系统立即通知用户或管理系统采取措施。

全文数据：

权利要求：

百度查询： 珠海市贡峰新能源开发有限公司 一种电瓶车违规充电的检测方法