(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111433121.1 (22)申请日 2021.11.29 (71)申请人 国网河北省电力有限公司经济技 术 研究院 地址 050000 河北省石家庄市裕华区富强 大街27号 申请人 国家电网有限公司 (72)发明人 夏静　刘雪飞　马国真　王云佳　 徐晓彬　张泽亚　胡珀　庞凝　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 代理人 彭竞驰 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06F 30/27(2020.01) G06F 16/21(2019.01) B60L 53/60(2019.01) (54)发明名称 电动车充电监测方法、 装置和终端设备 (57)摘要 本申请适用于充电监测技术领域， 公开了一 种电动车充电监测方法、 装置和终端设备。 上述 电动车充电监测方法包括： 获取用户历史用电数 据， 所述用户历史用电数据包括电动车充电时用 户用电数据和日常用户用电数据； 根据所述用户 历史用电数据建立历史用电数据 样本集， 基于所 述历史用电数据样本集训练电动车充电监测模 型； 将用户实时用电数据输入训练后的电动车充 电监测模型， 得到充电监测结果； 在所述充电监 测结果表征电动车充电时， 向充电监测示警装置 发送示警信号。 解决了 现有技术中难以监测到电 动车的不合规充电问题， 实现了对电动车或电动 车电瓶充电的实时监测 和预警。 权利要求书2页 说明书8页 附图4页 CN 114118277 A 2022.03.01 CN 114118277 A 1.一种电动车充电监测方法， 其特 征在于， 包括： 获取用户历史用电数据， 所述用户历史用电数据包括电动车充电时用户用电数据和日 常用户用电数据； 根据所述用户历史用电数据建立历史用电数据样本集， 基于所述历史用电数据样本集 训练电动车充电监测模型； 将用户实时用电数据输入训练后的电动车充电监测模型， 得到充电监测结果； 在所述充电监测结果表征电动车充电时， 向充电监测示警装置发送示警信号。 2.如权利要求1所述的电动车充电监测方法， 其特征在于， 所述历史用电数据样本集包 括训练集和 测试集， 所述基于所述历史用电数据样本集训练电动车充电监测模型， 包括： 基于所述训练集， 构建CNN ‑GRU神经网络分类模型； 通过遗传算法优化所述CNN ‑GRU神 经网络分类模型的模型参数， 训练电动车充电监测模型； 电动车充电监测模 型包含CNN ‑GRU 神经网络分类模型。 3.如权利要求2所述的电动车充电监测方法， 其特征在于， 所述基于所述训练集， 构建 CNN‑GRU神经网络分类模型， 包括： 通过CNN网络对训练集数据进行 卷积操作， 提取 所述训练集数据的第一特 征向量； 对所述第一特 征向量进行最大值池化操作， 并通过全连接层输出， 得到第二特 征向量； 将所述第二特征向量输入GRU网络进行模型训练， 输出第三特征向量， 构建所述CNN ‑ GRU神经网络分类模型。 4.如权利要求3所述的电动车充电监测方法， 其特 征在于， 所述GRU网络的运 算公式为： rt＝ δ(Wrxt+Rrht‑1+br) zt＝ δ(Wzxt+Rzht‑1+bz) 其中， xt表示t时刻的输入， rt表示重置门， Wr为重置门的权值， Rr为t时刻的前一时刻隐 藏层重置门的权值； zt表示更新门， Wz为更新门的权值， Rz为t时刻的前一个时间点隐藏层更 新门的权值； 为候选隐藏层， Wh为候选隐藏层的权值， Rh为t时刻前一个时间点隐藏层的 权重； ht表示隐藏层， 即最终输出结果； b表示偏置矩阵， 函数δ( ·)和 分别表示 sigmoid和tangent激活函数。 5.如权利要求2所述的电动车充电监测方法， 其特征在于， 所述通过遗传算法优化所述 CNN‑GRU神经网络分类模型的模型参数， 训练电动车充电监测模型， 包括： 初始化种群， 所述种群中的个 体表征CN N‑GRU神经网络分类模型的模型参数； 以CNN‑GRU神经网络分类模型对所述训练集分类输出的准确率为适应度， 评估种群个 体的适应度值； 以所述适应度值为依据， 通过所述遗传算法进行迭代， 得到最优模型参数， 基于所述训 练集对具有最优模型参数的CNN ‑GRU神经网络分类模型进行训练， 得到所述电动车充电监 测模型。 6.如权利要求5所述的电动车充电监测方法， 其特征在于， 所述通过遗传算法优化所述权　利　要　求　书 1/2 页 2 CN 114118277 A 2CNN‑GRU神经网络分类模型的模型参数， 训练电动车充电监测模型， 还 包括： 将测试集数据输入到所述电动车充电监测模型中， 以电动车充电情况判断的误差率对 所述电动车充电监测模型进行评估； 若误差率超过 预设数值， 对所述电动车充电监测模型重新进行训练。 7.如权利要求5所述的电动车充电监测方法， 其特征在于， 所述CNN ‑GRU神经网络分类 模型的模型参数包括 最优网络结构参数、 优化器 类型及全连接层神经 元数。 8.一种电动车充电监测装置， 其特 征在于， 包括： 数据获取模块， 用于获取用户历史用电数据， 所述用户历史用电数据包括电动车充电 时用户用电数据和日常用户用电数据； 训练模块， 用于根据所述用户历史用电数据建立历史用电数据样本集， 基于所述历史 用电数据样本集训练电动车充电监测模型； 充电监测模块， 用于将用户实时用电数据输入训练后的 电动车充电监测模型， 得到充 电监测结果； 发送模块， 用于在所述充电监测结果表征电动车充电时， 向充电监测示警装置发送示 警信号。 9.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至7 中任一项所述电动车充电监测方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至7中任一项 所述电动车充电监测方 法的步骤。权　利　要　求　书 2/2 页 3 CN 114118277 A 3