一种居民小区电动汽车充放电行为监控方法及系统与流程

1.本发明属于电动汽车监控技术领域，具体涉及一种居民小区电动汽车充放电行为监控方法及系统。


背景技术：

2.随着电动汽车的普及，居民小区内的电动汽车数量逐渐增多，为了保障居民小区供电稳定和安全，需要对电动汽车充放电行为进行监控和管理。目前，已有一些相关技术可实现电动汽车充放电行为的监测，但往往只能监测单个充电桩或电动汽车，无法实现对整个小区内所有电动汽车充电行为的全局监控。不能进行全局监测和管理，无法有效预防居民小区的电力安全问题。其中一些系统主要用于单个充电桩或少数充电桩的监测，此外，这些系统的监测数据也较为简单，缺乏全面性和准确性。


技术实现要素：

3.为解决居民小区电动汽车充放电行为监控的问题，本发明提供了一种居民小区电动汽车充放电行为监控方法及系统，本发明实现了对居民小区电动汽车充放电行为的全局可视化监控，能够实时预警异常情况，有助于保障居民小区的电力安全和供电稳定。同时，本发明具有操作简便、监测效果准确、稳定可靠。
4.为达到上述目的，本发明采用以下技术方案予以实现：
5.一种居民小区电动汽车充放电行为监控方法，包括：
6.采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；
7.根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；
8.调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；
9.响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。
10.作为本发明的进一步改进，所述小区基本信息包括：小区户数、小区固定车位数量、小区共享车位数量、充电桩数量、小区类别、小区房价、小区建造年代；
11.所述充电桩数据包括充电状态数据；
12.所述台区数据包括充电桩所属台区、配变容量、配变非充电负载。
13.作为本发明的进一步改进，所述充电曲线分别按照日、周、月、年可视化展示充电曲线，监控报警数据根据充电功率和非充电负载监控；
14.所述充电曲线及预测曲线显示在同一曲线上，充电曲线按照总时段、尖时段、峰时段、平时段、谷时段进行显示。
15.作为本发明的进一步改进，所述采集居民小区相关数据后还将居民小区相关数据
录入数据库中；根据实时采集数据，更新数据库中的数据。
16.作为本发明的进一步改进，所述根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线，包括：
17.将小区基本信息、充电桩信息和台区信息中的充电功率数据分别进行预处理得到按照时间序列分组后的数据，并转化为日、周、月、年不同频度；分别采用均值方差归一化处理得到数据集；
18.将数据集划分为训练集、验证集和测试集；
19.构造gru神经网络模型，采用训练集对gru神经网络模型进行训练，采用验证集进行验证得到训练好的gru神经网络模型；使用测试数据集在训练好的gru神经网络模型中进行预测，分别得出日、周、月、年频度的预测结果，作为预测未来一段时间的充电行为。
20.作为本发明的进一步改进，所述gru神经网络模型为：
21.z
t
＝σ(wz·
[h
t-1
，x
t
])
[0022]rt
＝σ(wr·
[h
t-1
，x
t
])
[0023][0024][0025]
其中z
t
代表更新门，用于决定要丢弃的信息和要添加的新信息；r
t
代表重置门，重置门用于决定丢弃先前信息的程度；h
t
代表候选记忆，h
t-1
代表上一时刻的候选记忆，代表记忆门，wz代表计算更新门的参数，wr代表计算重置门的参数，x
t
代表输入数据。
[0026]
作为本发明的进一步改进，所述采用训练集对gru神经网络模型进行训练步骤中，还包括：
[0027]
使用各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均作为损失函数，使用均方对数误差作为网络的监控指标，进行整体训练，训练结束后再进行验证。
[0028]
本发明第二个目的是提供一种居民小区电动汽车充放电行为监控系统，包括：
[0029]
数据采集模块，用于采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；
[0030]
数据处理模块，用于根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；
[0031]
地图调用模块，用于调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；
[0032]
可视化显示模块，用于响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。
[0033]
本发明第三个目的是提供一种电子设备，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，所述处理器执行所述计算机程序时实现所述居民小区电动汽车充放电行为监控方法的步骤。
[0034]
本发明第四个目的是提供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，所述计算机程序被处理器执行时实现所述居民小区电动汽车充放电行为
监控方法的步骤。
[0035]
与现有技术相比，本发明具有以下有益效果：
[0036]
本发明提供的居民小区电动汽车充放电行为全局可视化监控方法，能够监控整个小区内的所有电动汽车充放电行为，全面而准确地了解电动汽车的充电状态，全局监控能力强；利用数据处理模块对采集的数据进行处理和分析，生成充放电行为的全局监控数据，能够提供更全面和准确的监控数据，数据处理能力强，并且可以实时全面可视化显示；通过可视化监控模块将全局监控数据可视化展示，便于管理人员进行实时监控和预警，操作简单方便，可视化效果好，便于直观快捷的查取信息。
附图说明
[0037]
图1为本发明一种居民小区电动汽车充放电行为监控方法流程图；
[0038]
图2为本发明具体实施例给出的充放电行为监控方法流程图；
[0039]
图3为本发明具体实施例给出的小区数据以表格形式进行可视化展示；
[0040]
图4为本发明具体实施例给出的充电桩数据以表格形式进行可视化展示；
[0041]
图5为本发明具体实施例给出的台区数据以表格形式进行可视化展示；
[0042]
图6为本发明具体实施例给出的调用地图显示示意图；
[0043]
图7为本发明具体实施例给出的充电曲线示意图图；
[0044]
图8为本发明提供的一种居民小区电动汽车充放电行为监控系统；
[0045]
图9为本发明提供的一种电子设备示意图。
具体实施方式
[0046]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0047]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0048]
如图1所示，本发明第一个目的是提供了一种居民小区电动汽车充放电行为监控方法，包括：
[0049]
s100，采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；
[0050]
s200，根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预
测曲线；
[0051]
s300，调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；
[0052]
s400，响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。
[0053]
为实现居民小区电动汽车充放电行为全局可视化监控，本发明可以对居民小区电动汽车充放电行为的全局可视化监控，能够实时预警异常情况，有助于保障居民小区的电力安全和供电稳定。同时，本发明具有操作简便、监测效果准确、稳定可靠。
[0054]
相比之下，本发明提供的居民小区电动汽车充放电行为全局可视化监控方法具有以下优点：
[0055]
全局监控能力强：能够监控整个小区内的所有电动汽车充放电行为，全面而准确地了解电动汽车的充电状态。
[0056]
数据处理能力强：利用数据处理模块对采集的数据进行处理和分析，生成充放电行为的全局监控数据，能够提供更全面和准确的监控数据。
[0057]
可视化效果好：通过可视化监控模块将全局监控数据可视化展示，便于管理人员进行实时监控和预警，操作简单方便。
[0058]
其中，步骤s100中，所述小区基本信息包括：小区户数、小区固定车位数量、小区共享车位数量、充电桩数量、小区类别、小区房价、小区建造年代。充电桩数据包括充电状态数据。台区数据包括充电桩所属台区、配变容量、配变非充电负载。
[0059]
为了更好地显示充电信息，步骤s200中，充电曲线分别按照日、周、月、年可视化展示充电曲线，监控报警数据根据充电功率和非充电负载监控。充电曲线及预测曲线显示在同一曲线上，充电曲线按照总时段、尖时段、峰时段、平时段、谷时段进行显示。更多更详细的显示充电曲线信息，使得充电过程实时可视化监控。
[0060]
本技术实施例在进行数据采集时，还进行数据存储，例如采集居民小区相关数据后还将居民小区相关数据录入数据库中；根据实时采集数据，更新数据库中的数据。
[0061]
本技术能够进行充电行为预测，步骤s200中，具体是根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线，包括如下步骤：
[0062]
将小区基本信息、充电桩信息和台区信息中的充电功率数据分别进行预处理得到按照时间序列分组后的数据，并转化为日、周、月、年不同频度；分别采用均值方差归一化处理得到数据集；
[0063]
将数据集划分为训练集、验证集和测试集；
[0064]
构造gru神经网络模型，采用训练集对gru神经网络模型进行训练，采用验证集进行验证得到训练好的gru神经网络模型；使用测试数据集在训练好的gru神经网络模型中进行预测，分别得出日、周、月、年频度的预测结果，作为预测未来一段时间的充电行为。
[0065]
上述步骤中，具体实施例采用的gru神经网络模型为：
[0066]zt
＝σ(wz·
[h
t-1
，x
t
])
[0067]rt
＝σ(wr·
[h
t-1
，x
t
])
[0068]
[0069][0070]
其中z
t
代表更新门，用于决定要丢弃的信息和要添加的新信息；r
t
代表重置门，重置门用于决定丢弃先前信息的程度；h
t
代表候选记忆，h
t-1
代表上一时刻的候选记忆，代表记忆门，wz代表计算更新门的参数，wr代表计算重置门的参数，x
t
代表输入数据。
[0071]
其中，所述采用训练集对gru神经网络模型进行训练步骤中，还包括：
[0072]
使用各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均作为损失函数，使用均方对数误差作为网络的监控指标，进行整体训练，训练结束后再进行验证。
[0073]
步骤s400中，响应于用户的充放电行为监控请求，可以是用户的请求指令，或者用户在界面的操作指令，通过人机交互终端输入或在系统的操作，执行可视化展示充电曲线、监控报警数据及预测曲线。执行可视化展示可以是全部同时展示，也可以是逐级展示(如通过子模块的形式)。
[0074]
以下结合具体实施例和附图对本发明的方法进行详细说明。
[0075]
实施例
[0076]
如图2所示，具体实施例给出的充放电行为监控方法流程图，包括如下步骤：
[0077]
1.采集居民小区相关数据
[0078]
1)小区基本信息：小区户数、小区固定车位数量、小区共享车位数量、充电桩数量、小区类别、小区房价、小区建造年代；
[0079]
作为具体实施例，小区数据、充电桩、台区，以表格形式进行可视化展示，如图3、图4及图5所示。且每个可视化显示界面还具有搜索框，用于进行搜索筛选。
[0080]
2)充电桩数据：充电曲线；
[0081]
3)台区数据：充电桩所属台区、配变容量、配变非充电负载；
[0082]
2.整理上一步采集的充电桩、台区和小区相关数据，数据录入数据库中；
[0083]
3.地图展示充电桩、台区、小区；如图6所示；
[0084]
4.充电桩、台区和小区分别按照日、周、月、年可视化展示充电曲线，并根据充电功率和非充电负载监控；如图7所示；
[0085]
5.分别对充电桩、台区和小区充电曲线进行人工智能预测，绘制出预测曲线；
[0086]
6.全局可视化展示充电曲线、监控预警、预测曲线。
[0087]
其中，预测曲线的获得采用如下方法：
[0088]
小区、台区、充电桩分别预测，预测步骤和方法大致相同。将小区、台区、充电桩的充电功率数据分别进行预处理得到按照时间序列分组后的数据，并转化为日、周、月、年不同频度。分别采用均值方差归一化的标准化处理，公式如下：
[0089][0090]
其中：其中x为要归一化的值，x
scale
为归一化之后的值，μ为样本的平均值，s为样本的标准差。
[0091]
进一步的，训练集、验证集和测试集的划分具体为：6:2:2。
[0092]
进一步的，构造gru神经网络模型：
[0093]zt
＝σ(wz·
[h
t-1
，x
t
])
[0094]rt
＝σ(wr·
[h
t-1
，x
t
])
[0095][0096][0097]
其中z
t
代表更新门，用于决定要丢弃的信息和要添加的新信息；r
t
代表重置门，重置门用于决定丢弃先前信息的程度；h
t
代表候选记忆，h
t-1
代表上一时刻的候选记忆，代表记忆门，wz代表计算更新门的参数，wr代表计算重置门的参数，x
t
代表输入数据。
[0098]
进一步的，对模型进行训练：使用平均绝对误差作为损失函数，即各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均，使用均方对数误差作为网络的监控指标，即对数损失函数的平均值的平方，进行整体训练。
[0099]
进一步的，使用测试数据集在训练好的模型中进行预测，分别得出日、周、月、年频度的预测结果，即未来一段时间的充电行为。
[0100]
尖峰平谷具体时间分段按照电网的分断显示：
[0101]
上午11点至下午1点、下午4点至5点、合计3小时，尖峰电费单价为1.302元/度，每年的7月1日至9月30日有尖峰，其余月份两段尖峰时间分别划在高峰和平峰内；高峰时间段为上午10点至下午3点、下午6点至晚9点，电费单价为0.9463元/度；平峰时间段为上午7点至10点、下午3点至6点、晚9点至11点，电费单价为0.6587元/度；低谷时间段为晚上11电至次日早7点，电费单价为0.3801元/度。以上是2013年7月1日新改的尖峰时间段，变动是将2012年晚8点至9点的尖峰时间段调至下午4点至5点。
[0102]
如图8所示，本发明提供一种居民小区电动汽车充放电行为监控系统，包括：
[0103]
数据采集模块，用于采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；
[0104]
数据处理模块，用于根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；
[0105]
地图调用模块，用于调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；
[0106]
可视化显示模块，用于响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。
[0107]
实际系统平台设计中，可视化显示模块为显示器或其他显示器件，包括键盘和鼠标等人机互动装置，或触控界面。充电曲线及预测曲线可以单独界面显示，也可以作为区域地图显示的二级界面，在用户电机区域地图上展示小区基本信息、充电桩信息和台区信息时，显示充电曲线的启动界面，响应于用户的充放电行为监控请求进行显示。
[0108]
本发明实施例的数据采集模块中，所述小区基本信息包括：小区户数、小区固定车位数量、小区共享车位数量、充电桩数量、小区类别、小区房价、小区建造年代；
[0109]
所述充电桩数据包括充电状态数据；
[0110]
所述台区数据包括充电桩所属台区、配变容量、配变非充电负载。
[0111]
本发明实施例的数据处理模块中，所述充电曲线分别按照日、周、月、年可视化展示充电曲线，监控报警数据根据充电功率和非充电负载监控；
[0112]
所述充电曲线及预测曲线显示在同一曲线上，充电曲线按照总时段、尖时段、峰时段、平时段、谷时段进行显示。
[0113]
为了更好地存储和调用数据，本发明还包括数据库模块，用于在采集居民小区相关数据后还将居民小区相关数据录入数据库中；根据实时采集数据，更新数据库中的数据。
[0114]
本发明实施例的数据处理模块中，所述根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线，包括：
[0115]
将小区基本信息、充电桩信息和台区信息中的充电功率数据分别进行预处理得到按照时间序列分组后的数据，并转化为日、周、月、年不同频度；分别采用均值方差归一化处理得到数据集；
[0116]
将数据集划分为训练集、验证集和测试集；
[0117]
构造gru神经网络模型，采用训练集对gru神经网络模型进行训练，采用验证集进行验证得到训练好的gru神经网络模型；使用测试数据集在训练好的gru神经网络模型中进行预测，分别得出日、周、月、年频度的预测结果，作为预测未来一段时间的充电行为。
[0118]
为了更好地获得预测曲线，本发明实施例采用训练集对gru神经网络模型进行训练步骤中，还包括：
[0119]
使用各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均作为损失函数，使用均方对数误差作为网络的监控指标，进行整体训练，训练结束后再进行验证。
[0120]
如图9所示，本发明第三个目的是提供一种电子设备，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，所述处理器执行所述计算机程序时实现所述居民小区电动汽车充放电行为监控方法的步骤。
[0121]
所述居民小区电动汽车充放电行为监控方法包括以下步骤：
[0122]
采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；
[0123]
根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；
[0124]
调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；
[0125]
响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。
[0126]
本发明第四个目的是提供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，所述计算机程序被处理器执行时实现所述居民小区电动汽车充放电行为监控方法的步骤。
[0127]
所述居民小区电动汽车充放电行为监控方法包括以下步骤：
[0128]
采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；
[0129]
根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；
[0130]
调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；
[0131]
响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。
[0132]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0133]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0134]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0135]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0136]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种居民小区电动汽车充放电行为监控方法，其特征在于，包括：采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。2.根据权利要求1所述的一种居民小区电动汽车充放电行为监控方法，其特征在于，所述小区基本信息包括：小区户数、小区固定车位数量、小区共享车位数量、充电桩数量、小区类别、小区房价、小区建造年代；所述充电桩数据包括充电状态数据；所述台区数据包括充电桩所属台区、配变容量、配变非充电负载。3.根据权利要求1所述的一种居民小区电动汽车充放电行为监控方法，其特征在于，所述充电曲线分别按照日、周、月、年可视化展示充电曲线，监控报警数据根据充电功率和非充电负载监控；所述充电曲线及预测曲线显示在同一曲线上，充电曲线按照总时段、尖时段、峰时段、平时段、谷时段进行显示。4.根据权利要求1所述的一种居民小区电动汽车充放电行为监控方法，其特征在于，所述采集居民小区相关数据后还将居民小区相关数据录入数据库中；根据实时采集数据，更新数据库中的数据。5.根据权利要求1所述的一种居民小区电动汽车充放电行为监控方法，其特征在于，所述根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线，包括：将小区基本信息、充电桩信息和台区信息中的充电功率数据分别进行预处理得到按照时间序列分组后的数据，并转化为日、周、月、年不同频度；分别采用均值方差归一化处理得到数据集；将数据集划分为训练集、验证集和测试集；构造gru神经网络模型，采用训练集对gru神经网络模型进行训练，采用验证集进行验证得到训练好的gru神经网络模型；使用测试数据集在训练好的gru神经网络模型中进行预测，分别得出日、周、月、年频度的预测结果，作为预测未来一段时间的充电行为。6.根据权利要求5所述的一种居民小区电动汽车充放电行为监控方法，其特征在于，所述gru神经网络模型为：z
t
＝σ(w
z
·
[h
t-1
，x
t
])r
t
＝σ(w
r
·
[h
t-1
，x
t
])])其中z
t
代表更新门，用于决定要丢弃的信息和要添加的新信息；r
t
代表重置门，重置门
用于决定丢弃先前信息的程度；h
t
代表候选记忆，h
t-1
代表上一时刻的候选记忆，代表记忆门，w
z
代表计算更新门的参数，w
r
代表计算重置门的参数，x
t
代表输入数据。7.根据权利要求5所述的一种居民小区电动汽车充放电行为监控方法，其特征在于，所述采用训练集对gru神经网络模型进行训练步骤中，还包括：使用各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均作为损失函数，使用均方对数误差作为网络的监控指标，进行整体训练，训练结束后再进行验证。8.一种居民小区电动汽车充放电行为监控系统，其特征在于，包括：数据采集模块，用于采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；数据处理模块，用于根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；地图调用模块，用于调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；可视化显示模块，用于响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。9.一种电子设备，其特征在于，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，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述居民小区电动汽车充放电行为监控方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述居民小区电动汽车充放电行为监控方法的步骤。

技术总结
本发明公开了一种居民小区电动汽车充放电行为监控方法及系统，属于电动汽车监控技术领域，包括：采集居民小区相关数据，相关数据包括小区基本信息、充电桩信息和台区信息；根据充电桩信息绘制充电曲线，并根据最大负载得到监控报警数据；根据小区基本信息、充电桩信息和台区信息采用人工智能预测未来一段时间的充电行为，得到预测曲线；调用居民小区所在区域地图，并在区域地图上展示小区基本信息、充电桩信息和台区信息；响应于用户的充放电行为监控请求，可视化展示充电曲线、监控报警数据及预测曲线。本发明实现了对居民小区电动汽车充放电行为的全局可视化监控，能够实时预警异常情况，有助于保障居民小区的电力安全和供电稳定。稳定。稳定。


技术研发人员：李思纤 陆敏怡 傅敏杰 张天尘 李天宇
受保护的技术使用者：国网上海市电力公司
技术研发日：2023.04.18
技术公布日：2023/7/20