机电变换器控制系统中充电器充电预测方法与流程

1.本发明涉及机电技术领域，且更确切地涉及一种机电变换器控制系统中充电器充电预测方法。


背景技术：

2.在机电技术领域中，变换器是将信源发出的信息按一定的目的进行变换的装置，变换器控制系统能够实现变换器信息变化的控制，在具体应用过程中，通常由控制器控制两个开关元件的开关操作，机电变换器控制系统工作过程在电压控制模式下，电压增加到所需的输出以对电池充电。在当前控制模式下，将能量设置为要为充电器供电的水平。其中电源部分通常采用充电器实现实现数据信息的充电。充电器一旦没有电或者存在充电不足，直接会影响机电变换器控制系统的正常工作。变换器控制系统中大多采用直流供电，如何实现充电器状况预测是关系到机电变换器控制系统能否正常工作的关键，现有技术中通常跟踪充放电过程中的电流和电压为基础，但并不能显示电池的具体状态，在预警时，影响机电变换器控制系统的正常工作状态并且预警精度不高，充电器充电能力滞后。


技术实现要素：

3.针对上述技术的不足，本发明公开一种机电变换器控制系统中充电器充电预测方法，能够实现充电器充电预测并显示当前用电情况，当存在电量不足时，能够实现预警提醒，大大提高了充电器充电预测能力。
4.为了实现上述技术效果，本发明采用以下技术方案：一种机电变换器控制系统中充电器充电预测方法，其中包括以下步骤：步骤1、获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；历史充电数据信息至少包括充电器性能参数、日充电周期天数、周充电周期天数、年充电周期天数和故障数据周期；当前充电数据信息至少包括充电器性能参数、充电时长、已经使用时长、历史故障数据信息、充电器使用寿命和充电器寿命；步骤2、构建卷积神经网络模型，将步骤1中的各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；步骤3、在卷积神经网络模型中加入volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；步骤4、充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；步骤5、通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。
5.作为本发明进一步的技术方案，在步骤1中，获取机电变换器控制系统中充电器历史充电数据信息的方法通过查阅历史数据库数据信息；获取机电变换器控制系统中充电器
当前充电数据信息的方法是通过状态检测电路实现，其中所述状态检测电路采用lm239d四路电压比较器的检测电路。
6.作为本发明进一步的技术方案，状态检测电路检测充电器当前数据信息的方法为：lm239d四路电压比较器设置为三路数据信息，三路电压比较器的比较阈值分别设置为 10v、 7v和 5v；三个输出的逻辑数值可以结合起来确定相应的充电状态，并在比较器输入端增加mmbd4148se型开关二极管，将输入cp信号电压范围钳制在-12v至 12v；电压比较器每次输出信号后，还采用tlp121型光电耦合器将cp信号隔离后输出检测结果，数据检测信息至少包括电压、电流和功率，检测状态至少包括健康工作状态、疲惫工作状态和劳损工作状态。
7.作为本发明进一步的技术方案，cnn神经网络模型包括输入层、卷积层、线性整流层、池化层、全连接层和volterra模型，其中所述输入层的输出端与所述卷积层的输入端连接，所述卷积层的输出端与线性整流层的输入端连接，所述线性整流层的输出端与所述池化层的输入端连接，所述池化层的输出端与所述全连接层的输入端连接，所述volterra模型为所述cnn神经网络模型的输出端。
8.作为本发明进一步的技术方案，cnn神经网络模型的工作方法为:在输入层输入充电器的数据信息和机电变换器控制系统的运行状态数据信息，cnn神经网络模型前一层输入的特征矩阵与学习的卷积核进行二维卷积，卷积后的二者数据信息经过激活函数输出特征矩阵，并且三者之间的维度满足，则输入层输出函数记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式（1）中，是cnn神经网络模型卷积分网络层数，为卷积核，为偏置，为层输出，为层输入；表示在cnn神经网络模型中层具有的卷积核，其中的下标表示第i个卷积层的初始值，的上标表示卷积分网络层数，然后对输入的cnn神经网络模型的数据信息进行降维处理，则卷积层输出数据信息函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）机电变换器控制系统运行过程中充电器输出的实际参数数据信息为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式（3）中，为通过第一层卷积分输出的参数数据信息，为通过第二层卷积分输出的参数数据信息，为通过第层卷积分输出的参数数据信息， 为通过第一层卷积分输出的卷积分处理信息，为通过第二层卷积分输出的卷积分处理信息，为通过第层卷积分输出的卷积分处理信息，为通过第一层卷积分输出的所有充电器预测数据信息值，则误差函数输出为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（4）中，充电器输出的实际输出数据信息与理想状态下输出的数据信息的差异；理论误差输出值，表示实际输出值；然后在进行权值调整，按最小化误差的方法调整权值矩阵，在随后的数据输出时，当e
p
的值介于0和1时，表示充电器处于健康状态，当e
p
的值大于1时，表示充电器正在使用过程中，并且仍旧余电，当e
p
的值大于2时，表示充电器濒临充电，当e
p
的值大于3时，表示充电器无电，需要充电，当e
p
的值大于4时，表示充电器处于劳损状态。通过这种方式识别和计算，大大提高了充电器应用能力。
9.作为本发明进一步的技术方案，沃尔泰拉volterra模型构建如下：充电器充电信息定义为初始离散函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中表示充电器运行状态下产生的电负荷数值，表示电负荷产生时机电变换器控制系统运行状态，表示机电变换器控制系统运行状态下充电器输出下一个时段电负荷量；机电变换器控制系统在不同时间段输出的运行数据变化为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中表示机电变换器控制系统在充电器输出下一个时间段电负荷后预测数据，在已知当前机电变换器控制系统运行状态下，对充电器预测电负荷数值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中表示机电变换器控制系统下一个时间段运行中产生的电负荷数据预测值，则volterra模型记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式（4）中，表示机电变换器控制系统处于正常工作状态下充电器自适应预测系数，表示对充电器充电过程中进行预测的预测函数基准值，表示机电变换器控制系统运行中的系统电负荷输入值，是机电变换器控制系统后续工作状态下对充电器进行预测得到的多形态电负荷数值；机电变换器控制系统在正常工作状态下，充电器当前预测函数为：
ꢀꢀꢀꢀꢀꢀꢀ
（9）其中真实的预测值与理想的预测值之差：
ꢀꢀ
(10)。
10.一种机电变换器控制系统中充电器充电预测装置，包括以下模块:fpga控制模块,用于控制电变换器控制系统中充电器充电预测；数据采集模块,获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；计算模块,构建卷积神经网络模型，将数据采集模块采集各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；在卷积神经网络模型中加入volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；预测模块，用于实现充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；数据输出模块，通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。其中：所述fpga控制模块分别与计算模块和数据输出模块连接，所述数据采集模块输出端与计算模块连接，所述计算模块的输出端与预测模块的输入端连接。
11.积极有益效果本发明通过获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息，对该数据信息应用改进卷积神经网络模型的方式实现数据计算，通过volterra模型提高了卷积神经网络模型的故障诊断能力，大大提高了机电变换器控制系统中充电器历史充电数据信息和当前数据信息分析能力。本发明还通过状态检测电路检测充电器当前数据信息，提高了充电器数据信息的获取能力，该研究能够检测出诸如电压、电流和功率等数据信息，并能够分析出充电器的健康工作状态、疲惫工作状态和劳损工作状态等多种数据信息，大大提高了充电器应用能力。
附图说明
12.图1为本发明充电器预测方法示意图；图2为本发明状态检测硬件电路示意图；图3为本发明中卷积分计算模型整体架构示意图；图4为本发明中卷积分计算单个模型架构示意图；图5为本发明充电器预测硬件结构示意图。
具体实施方式
13.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
14.一种机电变换器控制系统中充电器充电预测方法，其中包括以下步骤：
步骤1、获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；历史充电数据信息至少包括充电器性能参数、日充电周期天数、周充电周期天数、年充电周期天数和故障数据周期；当前充电数据信息至少包括充电器性能参数、充电时长、已经使用时长、历史故障数据信息、充电器使用寿命和充电器寿命；步骤2、构建卷积神经网络模型，将步骤1中的各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；步骤3、在卷积神经网络模型中加入volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；步骤4、充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；步骤5、通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。
15.在步骤1中，获取机电变换器控制系统中充电器历史充电数据信息的方法通过查阅历史数据库数据信息；获取机电变换器控制系统中充电器当前充电数据信息的方法是通过状态检测电路实现，其中所述状态检测电路采用lm239d四路电压比较器的检测电路。
16.在上述步骤中，状态检测电路检测充电器当前数据信息的方法为：lm239d四路电压比较器设置为三路数据信息，三路电压比较器的比较阈值分别设置为 10v、 7v和 5v；三个输出的逻辑数值可以结合起来确定相应的充电状态，并在比较器输入端增加mmbd4148se型开关二极管，将输入cp信号电压范围钳制在-12v至 12v；电压比较器每次输出信号后，还采用tlp121型光电耦合器将cp信号隔离后输出检测结果，数据检测信息至少包括电压、电流和功率，检测状态至少包括健康工作状态、疲惫工作状态和劳损工作状态。
17.在具体应用中，对电能数据信息进行采集时还，还可以包括数据在传输和存储过程中出现的数据异常和数据缺失信息，通过充电器发热能量进行评估，在充电器工作过程中出现故障等因素时，比如出现导致实测功率数据偏差较大时，如果不对数据进行处理而直接预测失误时，可以将充电器的损耗功率给算上。
18.在具体应用中，卷积神经网络（convolutional neural network, cnn）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数。
19.在上述实施例中，cnn神经网络模型包括输入层、卷积层、线性整流层、池化层、全连接层和volterra模型，其中所述输入层的输出端与所述卷积层的输入端连接，所述卷积层的输出端与线性整流层的输入端连接，所述线性整流层的输出端与所述池化层的输入端连接，所述池化层的输出端与所述全连接层的输入端连接，所述volterra模型为所述cnn神经网络模型的输出端。
20.在上述实施例中，卷积层（convolutional layer）是卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条
和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。线性整流层（rectified linear units layer, relu layer）的活性化函数（activation function）使用线性整流（rectified linear units, relu）。池化层（pooling layer）通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。全连接层（ fully-connected layer）, 把所有局部特征结合变成全局特征，用来计算最后每一类的得分。
21.在上述实施例中，cnn神经网络模型的工作方法为:在输入层输入充电器的数据信息和机电变换器控制系统的运行状态数据信息，cnn神经网络模型前一层输入的特征矩阵与学习的卷积核进行二维卷积，卷积后的二者数据信息经过激活函数输出特征矩阵，并且三者之间的维度满足，则输入层输出函数记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式（1）中，是cnn神经网络模型卷积分网络层数，为卷积核，为偏置，为层输出，为层输入；表示在cnn神经网络模型中层具有的卷积核，其中的下标表示第个卷积层的初始值，的上标表示卷积分网络层数，然后对输入的cnn神经网络模型的数据信息进行降维处理，则卷积层输出数据信息函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）机电变换器控制系统运行过程中充电器输出的实际参数数据信息为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式（3）中， 为通过第一层卷积分输出的参数数据信息，为通过第二层卷积分输出的参数数据信息，为通过第n层卷积分输出的参数数据信息， 为通过第一层卷积分输出的卷积分处理信息，为通过第二层卷积分输出的卷积分处理信息，为通过第n层卷积分输出的卷积分处理信息，为通过第一层卷积分输出的所有充电器预测数据信息值，则误差函数输出为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（4）中，充电器输出的实际输出数据信息与理想状态下输出的数据信息的差异；理论误差输出值，表示实际输出值；然后在进行权值调整，按最小化误差的方法调整权值矩阵，在随后的数据输出时，当e
p
的值介于0和1时，表示充电器处于健康状态，当e
p
的值大于1时，表示充电器正在使用过程中，并且仍旧余电，当e
p
的值大于2时，表示充电器濒临充电，当e
p
的值大于3时，表示充电
器无电，需要充电，当e
p
的值大于4时，表示充电器处于劳损状态。通过这种方式识别和计算，大大提高了充电器应用能力。
22.在上述实施例中，沃尔泰拉volterra模型构建如下：充电器充电信息定义为初始离散函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中表示充电器运行状态下产生的电负荷数值，表示电负荷产生时机电变换器控制系统运行状态，表示机电变换器控制系统运行状态下充电器输出下一个时段电负荷量；为了提高预测算法的预测能力，在预测基础上加入反馈结构，大大提高了系统预测能力，通过已知机电变换器控制系统运行数据下，机电变换器控制系统在不同时间段输出的运行数据变化为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中表示机电变换器控制系统在充电器输出下一个时间段电负荷后预测数据，在已知当前机电变换器控制系统运行状态下，对充电器预测电负荷数值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中表示机电变换器控制系统下一个时间段运行中产生的电负荷数据预测值，对于联供系统的长期预测，需要搭建一种反馈结构，保证预测值不会过于偏离实际；如果预测算法不能够充分模拟联供系统的运行状态，则其长期预测精准性就会降低，如果搭建的反馈结构不稳定，也将影响算法的长期预测数据的精准度。
23.则volterra模型记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式（4）中，表示机电变换器控制系统处于正常工作状态下充电器自适应预测系数，表示对充电器充电过程中进行预测的预测函数基准值，表示机电变换器控制系统运行中的系统电负荷输入值，是机电变换器控制系统后续工作状态下对充电器进行预测得到的多形态电负荷数值；在本研究设计的反馈系统中，忽略反馈计算产生的误差，对于反馈结构产生的输出信号表示为：
ꢀꢀꢀꢀꢀꢀ
(9)其中，表示反馈结构输入的变量。正常情况下，反馈信号是前一个点的一步预测值，从实验中得到真实数据，真实的输入信号矢量写作：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)因此，机电变换器控制系统在正常工作状态下，充电器当前预测函数为：
ꢀꢀꢀꢀꢀꢀ
（11）其中真实的预测值与理想的预测值之差：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)由于前一预测值，当基函数与反馈函数可导，并且预测误差也较小时，有：
ꢀꢀꢀꢀꢀꢀꢀ
(13)屏蔽冷热负荷对电负荷的干扰，对预测误差进行分析得到：
ꢀꢀꢀꢀꢀꢀꢀ
(14)其中，为含有反馈信号的分量。因此，反馈预测误差：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)在系统预测多形态电负荷数值中，当定点为时，如果，则前一点的一步预测误差被放大，使系统预测值产生较大偏差；反之，若，则反馈的预测误差被压缩。
24.通过预测模型，能够将机电变换器控制系统正常工作时的状态以及充电器的使用情况有机结合起来，充电器工作状态与充电器电负荷归纳整理相关联。提取充电器运行的各项因素数据，进而预测机电变换器控制系统工作状态下各种数据信息预测值，通过采集充电器在工作过程中的各种数据形态，将多形态电负荷数据拟合分析，根据机电变换器控制系统实际运行电负荷数值预测出长期数值；对于充电器预测中干扰因素通过相关性检验进行分析。在本技术中，该申请大大提高了充电器预测能力。
25.一种机电变换器控制系统中充电器充电预测装置，包括以下模块:fpga控制模块,用于控制电变换器控制系统中充电器充电预测；数据采集模块,获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；计算模块,构建卷积神经网络模型，将数据采集模块采集各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；在卷积神经网络模型中加入volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；
预测模块，用于实现充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；数据输出模块，通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。
26.在具体应用中，整个硬件集成了四核arm cortex-a53处理系统（ps）和fpga可编程逻辑（pl）。其中xczu7ev拥有16nm制造技术和丰富的超级内存，可缓解fpga芯片上存储器资源不足的缓冲和存储需求。arm处理器实现了fpga与软件pe之间指令和卷积结果的数据传输，实现了全连接层和softmax功能。fpga由直接存储器存取（direct memory access，dma）、控制器、输入缓冲区、输出缓冲区和硬件pe组成。硬件pe负责卷积层、池层和非线性函数。片内缓冲区，包括输入缓冲区和输出缓冲区，为硬件计算准备数据并存储结果。其中：所述fpga控制模块分别与计算模块和数据输出模块连接，所述数据采集模块输出端与计算模块连接，所述计算模块的输出端与预测模块的输入端连接。
27.虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

技术特征：
1.一种机电变换器控制系统中充电器充电预测方法，其特征在于：包括以下步骤：步骤1、获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；历史充电数据信息至少包括充电器性能参数、日充电周期天数、周充电周期天数、年充电周期天数和故障数据周期；当前充电数据信息至少包括充电器性能参数、充电时长、已经使用时长、历史故障数据信息、充电器使用寿命和充电器寿命；步骤2、构建卷积神经网络模型，将步骤1中的各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；步骤3、在卷积神经网络模型中加入volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；其中所述卷积神经网络模型为基于cnn神经网络模型的模型；步骤4、充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；步骤5、通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。2.根据权利要求1所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：在步骤1中，获取机电变换器控制系统中充电器历史充电数据信息的方法通过查阅历史数据库数据信息；获取机电变换器控制系统中充电器当前充电数据信息的方法是通过状态检测电路实现，其中所述状态检测电路采用lm239d四路电压比较器的检测电路。3.根据权利要求2所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：检测电路检测充电器当前数据信息的方法为：lm239d四路电压比较器设置为三路数据信息，三路电压比较器的比较阈值分别设置为 10v、 7v和 5v；三个输出的逻辑数值可以结合起来确定相应的充电状态，并在比较器输入端增加mmbd4148se型开关二极管，将输入cp信号电压范围钳制在-12v至 12v；电压比较器每次输出信号后，还采用tlp121型光电耦合器将cp信号隔离后输出检测结果，数据检测信息至少包括电压、电流和功率，检测状态至少包括健康工作状态、疲惫工作状态和劳损工作状态。4.根据权利要求1所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：cnn神经网络模型包括输入层、卷积层、线性整流层、池化层、全连接层和volterra模型，其中所述输入层的输出端与所述卷积层的输入端连接，所述卷积层的输出端与线性整流层的输入端连接，所述线性整流层的输出端与所述池化层的输入端连接，所述池化层的输出端与所述全连接层的输入端连接，所述volterra模型为所述cnn神经网络模型的输出端。5.根据权利要求4所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：所述cnn神经网络模型的工作方法为:在输入层输入充电器的数据信息和机电变换器控制系统的运行状态数据信息，cnn神经网络模型前一层输入的特征矩阵与学习的卷积核进行二维卷积，卷积后的二者数据信息经过激活函数输出特征矩阵，并且三者之间的维度满足，则输入层输出函数记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式（1）中，是cnn神经网络模型卷积分网络层数，为卷积核，为偏置，为层输出，为层输入；表示在cnn神经网络模型中层具有的卷积核，其中的下标表示第个卷积层的初始值，的上标表示卷积分网络层数，然后对输入的cnn神经网络模型的数据信息进行降维处理，则卷积层输出数据信息函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）机电变换器控制系统运行过程中充电器输出的实际参数数据信息为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式（3）中，为通过第一层卷积分输出的参数数据信息，为通过第二层卷积分输出的参数数据信息，为通过第层卷积分输出的参数数据信息， 为通过第一层卷积分输出的卷积分处理信息，为通过第二层卷积分输出的卷积分处理信息，为通过第层卷积分输出的卷积分处理信息，为通过第一层卷积分输出的所有充电器预测数据信息值，则误差函数输出为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（4）中，充电器输出的实际输出数据信息与理想状态下输出的数据信息的差异；理论误差输出值，表示实际输出值；然后在进行权值调整，按最小化误差的方法调整权值矩阵，在随后的数据输出时，当e
p
的值介于0和1时，表示充电器处于健康状态，当e
p
的值大于1时，表示充电器正在使用过程中，并且仍旧余电，当e
p
的值大于2时，表示充电器濒临充电，当e
p
的值大于3时，表示充电器无电，需要充电，当e
p
的值大于4时，表示充电器处于劳损状态，通过这种方式识别和计算，大大提高了充电器应用能力。6.根据权利要求1所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：沃尔泰拉volterra模型构建如下：充电器充电信息定义为初始离散函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中表示充电器运行状态下产生的电负荷数值，表示电负荷产生时机电变换器控制系统运行状态，表示机电变换器控制系统运行状态下充电器输出下一个时段电负荷量；机电变换器控制系统在不同时间段输出的运行数据变化为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中表示机电变换器控制系统在充电器输出下一个时间段电负荷后预测数据，在已知当前机电变换器控制系统运行状态下，对充电器预测电负荷数值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中表示机电变换器控制系统下一个时间段运行中产生的电负荷数据预测值，则volterra模型记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式（4）中，表示机电变换器控制系统处于正常工作状态下充电器自适应预测系数，表示对充电器充电过程中进行预测的预测函数基准值，表示机电变换器控制系统运行中的系统电负荷输入值，是机电变换器控制系统后续工作状态下对充电器进行预测得到的多形态电负荷数值；机电变换器控制系统在正常工作状态下，充电器当前预测函数为：
ꢀꢀꢀꢀꢀꢀꢀ
(9)其中真实的预测值与理想的预测值之差：
ꢀꢀꢀ
(10)。7.一种机电变换器控制系统中充电器充电预测装置，包括以下模块:fpga控制模块,用于控制电变换器控制系统中充电器充电预测；数据采集模块,获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；计算模块,构建卷积神经网络模型，将数据采集模块采集各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；在卷积神经网络模型中加入volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；预测模块，用于实现充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；数据输出模块，通过多次迭代计算，通过故障诊断方法实现充电数据信息预测；其中：所述fpga控制模块分别与计算模块和数据输出模块连接，所述数据采集模块输出端与计算模块连接，所述计算模块的输出端与预测模块的输入端连接。

技术总结
本发明公开一种机电变换器控制系统中充电器充电预测方法，包括以下步骤：步骤1、获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；步骤2、构建卷积神经网络模型，将步骤1中的各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；步骤3、在卷积神经网络模型中加入Volterra模型；步骤4、充电器充电数据预测；输出判断结果；步骤5、通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。本发明能够实现充电器充电预测并显示当前用电情况，当存在电量不足时，能够实现预警提醒，大大提高了充电器充电预测能力。充电器充电预测能力。充电器充电预测能力。


技术研发人员：郭昌京
受保护的技术使用者：深圳市森树强电子科技有限公司
技术研发日：2022.04.20
技术公布日：2022/5/25