[发明专利]智能充电系统及其工作方法

说明书

本申请涉及智能充电的领域，其具体地公开了一种智能充电系统及其工作方法，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。这样，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。

技术领域

本发明涉及智能充电的领域，且更为具体地，涉及一种智能充电系统及其工作方法。

背景技术

由于经济发展和社会需要，电动自行车得到了快速的发展，从而成为了主要的代步工具。电动自行车充电器是实现为电动自行车蓄电池充电的装置，它实现了把市电转换为给蓄电池充电的直流电，其设计的好坏直接关系到蓄电池的使用寿命。一般而言，电动自行车充电装置是电动自行车最关键且最重要的部件。

目前电动自行车使用的铅酸蓄电池几乎都是阀控式密封铅酸蓄电池。VRLA蓄电池是铅酸蓄电池向前发展的一种，它克服了传统的开口铅酸蓄电池的定期加水和维护麻烦的缺点。但是在实际情况中，会伴有水的电解反应，特别是在充电过程的后期，当蓄电池中的硫酸铅反应快结束时，如果再继续充电的话，水就会发生电解，正极析出氧气，负极析出氢气，发生冒泡现象。

也就是，充电电流在充电过程中是随着时间符合指数呈下降规律的。即以一额定的电流给蓄电池充电，会达到一个极限值，到达这个极限值后，再继续给蓄电池充电也没用，只会对水进行分解。要继续充电，就必须减小充电电流。因此，为了更为准确地确定充电电流的控制类型，期望一种智能充电系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能充电系统及其工作方法，其通过特征编码器来提取出经过实时地采集电池单体的电压、电流、温度、压力等充电数据之间的关联特征，同时，还采用基于深度学习技术的卷积神经网络模型来挖掘出电解液表面图像的高维隐含特征，并且应用了高斯密度图来融合所述充电特征向量和所述表面特征向量，以使得分类的结果更为准确。通过这样的方式，可以得到较为准确的充电电流的控制类型，以用来判断充电电流应增大、减小，还是维持，从而就可以使得充电的效果更好。

根据本申请的一个方面，提供了一种智能充电系统，其包括：

充电数据单元，用于获取在对蓄电池进行充电的过程中实时采集的电池单体的充电数据，所述充电数据包括电压、电流、温度和压力；

向量构造单元，用于将所述电池单体的充电数据按照预定顺序转化为充电输入向量；

特征提取单元，用于使用特征编码器对所述充电输入向量进行编码以获得充电特征向量；

图像数据单元，用于获取摄像头所采集的电解液表面的图像；

卷积处理单元，用于将所述电解液表面的图像通过卷积神经网络以获得长度等于所述卷积神经网络的通道长度的表面特征向量，其中，所述卷积神经网络的最后一层对输出进行全局平均值池化以生成所述表面特征向量；

高斯密度图构造单元，用于在将所述充电特征向量和所述表面特征向量转化为相同长度后基于所述充电特征向量和所述表面特征向量之间的均值向量和协方差矩阵构造高斯密度图，其中，所述高斯密度图为：

其中，μ表示所述均值向量，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的均值生成，∑表示所述协方差矩阵，其通过计算所述充电特征向量和所述表面特征向量的对应位置的特征值的方差生成；

高斯混合模型构造单元，用于基于所述高斯密度图构建高斯混合模型，其中，所述高斯混合模型为：