本發(fā)明屬于電動汽車充電設(shè)備誤差，具體而言，涉及一種高溫地區(qū)的電動汽車充電設(shè)備誤差檢測方法。

背景技術(shù)：

1、電動汽車作為一種環(huán)保、節(jié)能的新能源交通工具,近年來受到了廣泛關(guān)注和普及。隨著電動汽車保有量的快速增長,充電設(shè)備的使用環(huán)境也日趨復(fù)雜多樣。特別是在高溫地區(qū),充電設(shè)備在長期暴露于高溫下工作時,其內(nèi)部各類電子元器件和機(jī)械部件會發(fā)生熱失衡,從而導(dǎo)致充電過程中出現(xiàn)各種異常情況,嚴(yán)重影響充電計量的準(zhǔn)確性和可靠性。

2、目前,業(yè)界已經(jīng)針對高溫環(huán)境下的電動汽車充電設(shè)備開發(fā)了一些監(jiān)測和診斷技術(shù)。例如,有些充電設(shè)備配備了溫度傳感器,實(shí)時監(jiān)測設(shè)備內(nèi)部關(guān)鍵部位的溫度變化,當(dāng)溫度超過設(shè)定閾值時發(fā)出報警;也有一些充電設(shè)備采用低溫材料制造,提高設(shè)備本身的耐高溫性能。此外,還有一些充電設(shè)備會根據(jù)環(huán)境溫度自動調(diào)整輸出電壓和電流,以降低高溫下的功率損耗。這些技術(shù)在一定程度上能夠緩解高溫對充電設(shè)備性能的影響,但仍存在以下不足:

3、1.溫度監(jiān)測局限于設(shè)備內(nèi)部少數(shù)幾個關(guān)鍵點(diǎn),無法全面反映充電設(shè)備在高溫環(huán)境下的實(shí)際工作狀態(tài),難以精確定位故障源;

4、2.被動式的溫度調(diào)節(jié)策略,無法主動補(bǔ)償高溫環(huán)境下的各類工作參數(shù)波動,難以確保充電計量的長期穩(wěn)定性;

5、3.缺乏對充電設(shè)備高溫下的復(fù)雜電磁和機(jī)械特性的全面分析,難以建立精確的熱-電-機(jī)耦合模型,無法精準(zhǔn)預(yù)測和修正誤差。

6、綜上所述，現(xiàn)有的高溫地區(qū)的電動汽車充電設(shè)備存在計量誤差難以預(yù)測的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種高溫地區(qū)的電動汽車充電設(shè)備誤差檢測方法，能夠解決現(xiàn)有的高溫地區(qū)的電動汽車充電設(shè)備存在計量誤差難以預(yù)測的技術(shù)問題。

2、本發(fā)明是這樣實(shí)現(xiàn)的：

3、本發(fā)明提供一種高溫地區(qū)的電動汽車充電設(shè)備誤差檢測方法，其中，包括以下步驟：

4、s10、在電動汽車的充電設(shè)備充電過程中，實(shí)時獲取溫度數(shù)據(jù)、充電數(shù)據(jù)、電磁場數(shù)據(jù)以及振動數(shù)據(jù)，所述溫度數(shù)據(jù)、充電數(shù)據(jù)、電磁場數(shù)據(jù)以及振動數(shù)據(jù)均包含多個子數(shù)據(jù)；

5、s20、對每一種子數(shù)據(jù)的變化采用傅里葉變換和小波分析，得到頻譜特征集；

6、s30、對所述頻譜特征集采用貝葉斯網(wǎng)絡(luò)，判斷每一種頻譜特征集中的關(guān)鍵點(diǎn)；

7、s40、采用時間序列分析和溫度敏感度模型對每一種子數(shù)據(jù)對應(yīng)的關(guān)鍵點(diǎn)進(jìn)行計算，得到所述子數(shù)據(jù)的高溫影響波動矩陣；

8、s50、將每一種子數(shù)據(jù)的高溫影響波動矩陣，分別輸入預(yù)先訓(xùn)練好的第一誤差模型，得到每一種子數(shù)據(jù)的誤差數(shù)據(jù)，記為子數(shù)據(jù)誤差；

9、s60、采用多元線性回歸分析和主成分分析，得到每一種子數(shù)據(jù)誤差對充電設(shè)備的充電計量的影響度，并根據(jù)影響度對子數(shù)據(jù)誤差進(jìn)行加權(quán)求和；

10、s70、將加權(quán)求和后的綜合誤差輸入預(yù)先訓(xùn)練好的第二誤差模型，得到初步充電計量誤差；

11、s80、利用卡爾曼濾波器對初步充電計量誤差進(jìn)行實(shí)時校正，消除隨機(jī)噪聲和瞬時波動的影響，最終得到穩(wěn)定可靠的充電計量誤差。

12、其中，所述溫度數(shù)據(jù)的多個子數(shù)據(jù)，具體是環(huán)境溫度、充電設(shè)備的槍頭溫度、槍頭與電動汽車電池接觸面的溫度；所述充電數(shù)據(jù)的多個子數(shù)據(jù)，具體是電壓、電流、功率、充電時間、充電量；所述電磁場數(shù)據(jù)的多個子數(shù)據(jù)，具體是充電設(shè)備周圍的電場強(qiáng)度、磁場強(qiáng)度、電磁干擾強(qiáng)度；所述振動數(shù)據(jù)的多個子數(shù)據(jù)，具體是充電槍頭的振動頻率、振幅、加速度。

13、其中，所述第一誤差模型采用深度殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；所述第二誤差模型采用嵌入長短期記憶網(wǎng)絡(luò)的混合模型；

14、所述第二誤差?？紤]各子數(shù)據(jù)誤差之間的相互作用和非線性關(guān)系。

15、具體而言，所述第一誤差模型采用深度殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以resnet-50作為骨干網(wǎng)絡(luò),并對resnet中的卷積層、批歸一化層、激活函數(shù)層和殘差連接根據(jù)所述關(guān)鍵點(diǎn)的頻率進(jìn)行動態(tài)權(quán)重調(diào)整和自適應(yīng)結(jié)構(gòu)優(yōu)化,得到所述第一誤差模型的具體結(jié)構(gòu),其訓(xùn)練集構(gòu)建的步驟,具體是:獲取多組不同環(huán)境溫度、充電功率和電池狀態(tài)的實(shí)驗(yàn)室用高精度傳感器采集的每一種子數(shù)據(jù)記為精確數(shù)據(jù)，以及采用標(biāo)準(zhǔn)充電樁和實(shí)際使用中的充電設(shè)備自采集的相同條件下的數(shù)據(jù)記為普通數(shù)據(jù)，采用s10-s40的方式獲取每一種子數(shù)據(jù)的高溫影響波動矩陣作為訓(xùn)練輸入；利用所述精確數(shù)據(jù)和所述普通數(shù)據(jù)，計算各子數(shù)據(jù)的相對誤差和絕對誤差作為訓(xùn)練輸出。

16、所述第二誤差模型采用嵌入長短期記憶網(wǎng)絡(luò)（lstm）的混合模型,以transformer作為骨干網(wǎng)絡(luò),并對transformer中的多頭注意力機(jī)制、前饋神經(jīng)網(wǎng)絡(luò)、位置編碼和層歸一化進(jìn)行自適應(yīng)優(yōu)化和動態(tài)調(diào)整,并對lstm的隱藏層采用層次化的方式根據(jù)所述關(guān)鍵點(diǎn)的頻率動態(tài)調(diào)整遺忘門和輸入門的閾值,最終形成所述第二誤差模型的結(jié)構(gòu)。其訓(xùn)練集的構(gòu)建步驟，具體是：獲取多組不同充電周期、環(huán)境條件和電池類型的充電數(shù)據(jù)，采用s10-s60的步驟獲取加權(quán)求和后的綜合誤差的時序誤差作為訓(xùn)練輸入，并獲取實(shí)驗(yàn)室用的高精度電計量設(shè)備采集的充電計量，與充電設(shè)備輸出的充電計量進(jìn)行誤差計算，得到標(biāo)準(zhǔn)時序誤差作為訓(xùn)練輸出。

17、所述第一誤差模型采用深度殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以resnet-50作為骨干網(wǎng)絡(luò),并對resnet中的卷積層、批歸一化層、激活函數(shù)層和殘差連接根據(jù)所述關(guān)鍵點(diǎn)的頻率進(jìn)行動態(tài)權(quán)重調(diào)整和自適應(yīng)結(jié)構(gòu)優(yōu)化,得到所述第一誤差模型的具體結(jié)構(gòu)。具體而言:

18、1.對卷積層進(jìn)行動態(tài)核大小調(diào)整,根據(jù)關(guān)鍵點(diǎn)頻率設(shè)置不同的感受野大小。頻率越高,采用較小的卷積核;頻率越低,采用較大的卷積核。

19、2.對批歸一化層進(jìn)行自適應(yīng)調(diào)整,根據(jù)關(guān)鍵點(diǎn)頻率動態(tài)調(diào)整歸一化參數(shù)。對高頻關(guān)鍵點(diǎn),增加歸一化強(qiáng)度;對低頻關(guān)鍵點(diǎn),減少歸一化強(qiáng)度。

20、3.對激活函數(shù)層進(jìn)行非線性映射優(yōu)化,根據(jù)關(guān)鍵點(diǎn)頻率選擇不同的激活函數(shù)。對高頻關(guān)鍵點(diǎn),采用relu等快速收斂的激活函數(shù);對低頻關(guān)鍵點(diǎn),采用swish等更平滑的激活函數(shù)。

21、4.對殘差連接進(jìn)行自適應(yīng)權(quán)重分配,根據(jù)關(guān)鍵點(diǎn)頻率調(diào)整短路連接的貢獻(xiàn)度。對高頻關(guān)鍵點(diǎn),增加殘差連接的權(quán)重;對低頻關(guān)鍵點(diǎn),減少殘差連接的權(quán)重。

22、5.引入注意力機(jī)制,根據(jù)關(guān)鍵點(diǎn)頻率動態(tài)調(diào)整各特征通道的重要性,增強(qiáng)模型對不同頻率特征的感知能力。

23、所述對lstm的隱藏層采用層次化的方式根據(jù)所述關(guān)鍵點(diǎn)的頻率動態(tài)調(diào)整遺忘門和輸入門的閾值，具體是：

24、1.將lstm的隱藏層分為多個層次，每個層次對應(yīng)不同頻率范圍的關(guān)鍵點(diǎn)。例如，可以分為高頻層、中頻層和低頻層。

25、2.對每個層次的lstm單元，根據(jù)其對應(yīng)的關(guān)鍵點(diǎn)頻率范圍，動態(tài)調(diào)整遺忘門和輸入門的閾值。調(diào)整方法如下：

26、a)遺忘門閾值調(diào)整：

27、;?其中，為遺忘門輸出，為sigmoid函數(shù)，為權(quán)重矩陣，為上一時刻隱藏狀態(tài)，為當(dāng)前輸入，為偏置項(xiàng)，為基于關(guān)鍵點(diǎn)頻率的動態(tài)調(diào)整因子。

28、；

29、其中，為調(diào)整速率參數(shù)，為頻率閾值。

30、b)輸入門閾值調(diào)整：

31、;

32、其中，為輸入門輸出，為權(quán)重矩陣，為偏置項(xiàng)，為基于關(guān)鍵點(diǎn)頻率的動態(tài)調(diào)整因子。

33、；

34、其中，為調(diào)整速率參數(shù)，為頻率閾值。

35、3.對于高頻層，設(shè)置較小的遺忘門閾值和較大的輸入門閾值，使模型能夠快速響應(yīng)高頻變化：

36、設(shè)置較小的和較大的；

37、選擇較低的頻率閾值；

38、4.對于低頻層，設(shè)置較大的遺忘門閾值和較小的輸入門閾值，使模型能夠保持長期記憶：

39、設(shè)置較大的和較小的；

40、選擇較高的頻率閾值；

41、5.中頻層的參數(shù)設(shè)置介于高頻層和低頻層之間。

42、6.在訓(xùn)練過程中，通過反向傳播算法優(yōu)化、和等參數(shù)，以適應(yīng)不同頻率范圍的關(guān)鍵點(diǎn)特征。

43、7.在前向傳播過程中，根據(jù)輸入序列中關(guān)鍵點(diǎn)的實(shí)際頻率，動態(tài)計算和，從而調(diào)整遺忘門和輸入門的閾值。

44、通過這種層次化的動態(tài)調(diào)整方法，lstm模型能夠更好地捕捉不同頻率范圍的時序特征，提高對復(fù)雜時序數(shù)據(jù)的建模能力。對于高頻關(guān)鍵點(diǎn)，模型能夠快速響應(yīng)和更新；對于低頻關(guān)鍵點(diǎn)，模型能夠保持長期記憶和穩(wěn)定性。這種方法有助于提高第二誤差模型對充電計量誤差的預(yù)測準(zhǔn)確性。

45、其中，所述關(guān)鍵點(diǎn)，包括峰值點(diǎn)、突變點(diǎn)、拐點(diǎn)以及穩(wěn)定點(diǎn)。

46、其中，所述溫度敏感度模型，包括自回歸移動平均方程、指數(shù)平滑方程、溫度響應(yīng)方程、熱擴(kuò)散方程以及非線性熱傳導(dǎo)方程。

47、以下是對時間序列分析和溫度敏感度模型中各方程的公式表達(dá)和解釋:

48、1.自回歸移動平均(arma)方程以歷史時間序列數(shù)據(jù)作為輸入，以預(yù)測未來數(shù)據(jù)點(diǎn)作為輸出，考慮數(shù)據(jù)的自相關(guān)性和移動平均特性。具體表示如下：

49、；

50、式中,為t時刻的預(yù)測值;為常數(shù)項(xiàng);為自回歸項(xiàng)數(shù);為移動平均項(xiàng)數(shù);為自回歸系數(shù);為移動平均系數(shù);為白噪聲項(xiàng)。

51、參數(shù)獲取方法:

52、和通過最大似然估計法獲得,步驟如下:

53、(1)構(gòu)建似然函數(shù):

54、；

55、(2)對數(shù)似然函數(shù):

56、；

57、(3)求解最優(yōu)參數(shù):；

58、2.指數(shù)平滑方程以歷史數(shù)據(jù)和平滑參數(shù)作為輸入，以平滑后的數(shù)據(jù)序列作為輸出，考慮近期數(shù)據(jù)對預(yù)測的更大影響。具體表示如下：

59、；

60、式中,為t時刻的平滑值;為t時刻的實(shí)際觀測值;為平滑系數(shù)(0?<<?1)。

61、的獲取方法:采用網(wǎng)格搜索法,步驟如下:

62、(1)設(shè)定的搜索范圍,如[0.1,?0.9],步長為0.1；

63、(2)對每個值,計算預(yù)測誤差:；

64、(3)選擇使mse最小的值；

65、3.溫度響應(yīng)方程以環(huán)境溫度變化作為輸入，以設(shè)備溫度變化作為輸出，考慮設(shè)備對環(huán)境溫度變化的響應(yīng)特性。具體表示如下：

66、；

67、式中,為設(shè)備溫度;為時間;為熱傳遞系數(shù);為環(huán)境溫度;為熱量產(chǎn)生率;為設(shè)備質(zhì)量;為比熱容。

68、參數(shù)獲取方法:

69、通過實(shí)驗(yàn)測定,步驟如下:

70、(1)將設(shè)備置于恒溫環(huán)境中,記錄初始溫度；

71、(2)每隔固定時間間隔測量設(shè)備溫度；

72、(3)擬合曲線,得到值；

73、4.熱擴(kuò)散方程以初始溫度分布和邊界條件作為輸入，以溫度隨時間和空間的分布作為輸出，考慮熱量在充電設(shè)備中的傳播過程。具體表示如下：

74、；

75、式中,為溫度;為時間;為熱擴(kuò)散系數(shù);為拉普拉斯算子;為內(nèi)熱源;為密度;為比熱容。

76、的獲取方法:采用瞬態(tài)平面熱源法,步驟如下:

77、(1)在樣品中放置熱源探針,施加恒定熱流；

78、(2)記錄探針溫度隨時間的變化；

79、(3)擬合曲線,得到值；

80、其中,為熱流,為熱導(dǎo)率,為探針半徑

81、5.非線性熱傳導(dǎo)方程以溫度梯度和材料特性作為輸入，以熱流密度作為輸出，考慮高溫下材料熱傳導(dǎo)特性的非線性變化。具體表示如下：

82、；

83、式中,為密度;為比熱容;為溫度;為時間;為溫度依賴的熱導(dǎo)率;為溫度依賴的熱源項(xiàng)。

84、的獲取方法:采用激光閃爍法,步驟如下:

85、(1)在樣品表面施加瞬時激光脈沖；

86、(2)測量背面溫度隨時間的變化；

87、(3)擬合曲線

88、；

89、(4)根據(jù)計算不同溫度下的值；

90、些方程和參數(shù)獲取方法考慮了高溫環(huán)境下充電設(shè)備的復(fù)雜熱學(xué)行為,可以為誤差檢測提供準(zhǔn)確的數(shù)學(xué)模型支持。

91、其中,所述步驟s10,具體包括:實(shí)時獲取溫度數(shù)據(jù)、充電數(shù)據(jù)、電磁場數(shù)據(jù)以及振動數(shù)據(jù),其中溫度數(shù)據(jù)包括環(huán)境溫度、充電設(shè)備的槍頭溫度以及槍頭與電動汽車電池接觸面的溫度;充電數(shù)據(jù)包括電壓、電流、功率、充電時間和充電量;電磁場數(shù)據(jù)包括充電設(shè)備周圍的電場強(qiáng)度、磁場強(qiáng)度和電磁干擾強(qiáng)度;振動數(shù)據(jù)包括充電槍頭的振動頻率、振幅和加速度。通過全面采集反映充電設(shè)備工作狀態(tài)的多維數(shù)據(jù),為后續(xù)的頻譜特征提取和關(guān)鍵點(diǎn)識別奠定基礎(chǔ)。

92、其中,所述步驟s20,具體包括:對每一種子數(shù)據(jù)采用傅里葉變換和小波分析的方法提取頻譜特征。傅里葉變換可以將時域信號轉(zhuǎn)換為頻域信號,獲取各頻率分量的幅值和相位信息;小波分析則能夠在時頻域上對信號進(jìn)行多尺度分解,獲取不同時間段和頻率段內(nèi)的特征。通過這兩種信號處理技術(shù),深入挖掘每一種子數(shù)據(jù)的頻譜特征,奠定后續(xù)關(guān)鍵點(diǎn)識別和誤差分析的基礎(chǔ)。

93、其中,所述步驟s30,具體包括:采用貝葉斯網(wǎng)絡(luò)對所述頻譜特征集進(jìn)行分析和建模,識別出每一種頻譜特征集中的關(guān)鍵點(diǎn),如峰值點(diǎn)、突變點(diǎn)、拐點(diǎn)和穩(wěn)定點(diǎn)等。貝葉斯網(wǎng)絡(luò)能夠有效表示變量之間的概率依賴關(guān)系,通過學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的依賴關(guān)系,準(zhǔn)確預(yù)測和推斷新數(shù)據(jù)中的關(guān)鍵點(diǎn)。這些關(guān)鍵點(diǎn)反映了子數(shù)據(jù)在高溫條件下的變化規(guī)律,對于后續(xù)的誤差分析和建模至關(guān)重要。

94、其中,所述步驟s40,具體包括:采用時間序列分析和溫度敏感度模型,對步驟s30中識別的每一種子數(shù)據(jù)關(guān)鍵點(diǎn)進(jìn)行計算和分析,得到其高溫影響下的波動矩陣。時間序列分析方法包括自回歸移動平均模型和指數(shù)平滑模型,能夠預(yù)測時間序列數(shù)據(jù)的變化趨勢;溫度敏感度模型包括溫度響應(yīng)方程、熱擴(kuò)散方程和非線性熱傳導(dǎo)方程,可以描述高溫環(huán)境下設(shè)備溫度變化的動態(tài)特性。通過這些數(shù)學(xué)模型的應(yīng)用,量化每一種子數(shù)據(jù)在高溫條件下的波動情況,為后續(xù)的誤差分析提供依據(jù)。

95、其中,所述步驟s50,具體包括:將步驟s40得到的每一種子數(shù)據(jù)的高溫影響波動矩陣,分別輸入預(yù)先訓(xùn)練好的第一誤差模型,從而獲得每一種子數(shù)據(jù)的誤差數(shù)據(jù)。第一誤差模型采用了深度殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并對其中的關(guān)鍵模塊如卷積層、批歸一化層、激活函數(shù)層和殘差連接進(jìn)行了動態(tài)權(quán)重調(diào)整和自適應(yīng)結(jié)構(gòu)優(yōu)化。這些改進(jìn)措施能夠使模型更好地捕捉不同頻率范圍關(guān)鍵點(diǎn)的特征,提高對高溫環(huán)境下復(fù)雜數(shù)據(jù)的學(xué)習(xí)和擬合能力。

96、其中,所述步驟s60,具體包括:采用多元線性回歸分析和主成分分析,計算每一種子數(shù)據(jù)誤差對充電設(shè)備充電計量的影響度,并根據(jù)影響度對子數(shù)據(jù)誤差進(jìn)行加權(quán)求和。多元線性回歸分析建立子數(shù)據(jù)誤差與充電計量誤差的數(shù)學(xué)模型,量化各子數(shù)據(jù)誤差對充電計量的貢獻(xiàn);主成分分析則能夠識別子數(shù)據(jù)誤差中的主要影響因素,進(jìn)一步優(yōu)化回歸模型。通過加權(quán)求和的方式,將各子數(shù)據(jù)誤差綜合為一個代表總體誤差的指標(biāo),為后續(xù)的誤差修正提供依據(jù)。

97、其中,所述步驟s70,具體包括:將步驟s60中得到的加權(quán)求和后的綜合誤差,輸入預(yù)先訓(xùn)練好的第二誤差模型,從而得到初步的充電計量時序誤差。第二誤差模型采用了嵌入長短期記憶網(wǎng)絡(luò)的混合模型,以transformer為骨干網(wǎng)絡(luò),并對其關(guān)鍵模塊如多頭注意力機(jī)制、前饋神經(jīng)網(wǎng)絡(luò)等進(jìn)行自適應(yīng)優(yōu)化和動態(tài)調(diào)整。此外,lstm的隱藏層采用了層次化的方式,根據(jù)關(guān)鍵點(diǎn)頻率動態(tài)調(diào)整遺忘門和輸入門的閾值,以更好地捕捉不同頻率范圍的時序特征,提高對復(fù)雜時序數(shù)據(jù)的建模能力。

98、其中,所述步驟s80,具體包括:利用卡爾曼濾波器對步驟s70中得到的初步充電計量時序誤差進(jìn)行實(shí)時校正,消除隨機(jī)噪聲和瞬時波動的影響,最終得到穩(wěn)定可靠的充電計量誤差。卡爾曼濾波器是一種遞歸算法,能夠根據(jù)系統(tǒng)的狀態(tài)方程和觀測方程,對狀態(tài)變量進(jìn)行最優(yōu)估計。在本專利中,卡爾曼濾波器被用來消除充電計量誤差時序數(shù)據(jù)中的隨機(jī)噪聲和瞬時波動,從而得到更平滑、更穩(wěn)定的誤差指標(biāo),確保最終的充電計量誤差結(jié)果是可靠的。

99、與現(xiàn)有技術(shù)相比較，本發(fā)明提供的一種高溫地區(qū)的電動汽車充電設(shè)備誤差檢測方法的有益效果是：

100、1.全面感知充電設(shè)備在高溫環(huán)境下的工作狀態(tài)。除了監(jiān)測設(shè)備內(nèi)部的溫度,還實(shí)時獲取電壓、電流、功率、充電時間、充電量等充電數(shù)據(jù),以及設(shè)備周圍的電磁場和振動數(shù)據(jù),構(gòu)建多維的工作狀態(tài)感知體系,為后續(xù)的誤差分析和補(bǔ)償?shù)於ɑA(chǔ)。

101、2.精細(xì)建立熱-電-機(jī)耦合模型。采用傅里葉變換、小波分析等信號處理技術(shù),提取各類工作數(shù)據(jù)的頻譜特征,結(jié)合貝葉斯網(wǎng)絡(luò)、時間序列分析、溫度敏感度模型等數(shù)學(xué)建模方法,深入挖掘高溫環(huán)境下充電設(shè)備各項(xiàng)參數(shù)的變化規(guī)律,建立起精準(zhǔn)的熱-電-機(jī)耦合模型。

102、3.動態(tài)預(yù)測和修正充電計量誤差?；谇笆龅臒?電-機(jī)耦合模型,采用深度殘差神經(jīng)網(wǎng)絡(luò)和嵌入lstm的混合模型,分別針對各子數(shù)據(jù)誤差和綜合誤差進(jìn)行預(yù)測和修正,最終采用卡爾曼濾波器對充電計量誤差進(jìn)行實(shí)時校正,確保充電結(jié)果的穩(wěn)定可靠。

103、與現(xiàn)有技術(shù)相比,本發(fā)明方法能夠全面感知充電設(shè)備在高溫條件下的工作狀態(tài),精確建立起熱-電-機(jī)耦合模型,并采用先進(jìn)的機(jī)器學(xué)習(xí)算法對充電計量誤差進(jìn)行動態(tài)預(yù)測，解決了現(xiàn)有的高溫地區(qū)的電動汽車充電設(shè)備存在計量誤差難以預(yù)測的技術(shù)問題。