CN111025041A - 电动汽车充电桩监测方法及其系统、计算机设备、介质 - Google Patents

Abstract

本发明提供电动汽车充电桩监测方法及其系统、计算机设备、介质，包括如下步骤：获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；获取充电桩退化至异常时所对应的功率因数临界值；根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。本发明能够对电动汽车充电桩的状态进行监测和根据监测数据确定是否对充电桩进行维修。

Description

电动汽车充电桩监测方法及其系统、计算机设备、介质

技术领域

本发明涉及充电桩领域，特别涉及一种电动汽车充电桩监测方法及其系统、计算机设备、介质。

背景技术

随着我国电动汽车产业的发展，电动汽车的销售和保有量不断增长，随之配套的充电服务也得到了长足进步。其中，充电桩是电动汽车使用最为广泛的充电设备，对于补给电动汽车的动力能源，促进电动汽车的普及推广具有不可替代的重要作用。在此背景下，为保障充电设备安全、稳定的运行，及时地对充电设备的状态进行评估预测，并根据其状态开展视情维修显得非常重要。

目前一些充电设备厂商为充电桩配套了监控系统，具有实时采集、保存充电桩的状态参数的功能，然而这些参数往往只是用于实时的观察和显示，然后被保存在数据库中，没有得到进一步有效、充分的利用。另一方面，虽然国家结合我国电动汽车充电设备发展的实际，于2016年发布了和充电设备有关的多个国家标准，新标准也增加了充电安全性方面的规定，但是没有提出对充电桩普适的关键参数的监控标准和方法。目前，对电动汽车充电设备的健康管理模式仍停留在定期维修或者故障后维修的阶段。这种维修模式效率不高，手段落后，且对健康的充电桩进行定期维修也会导致维修资源的浪费，不利于最大化的发挥充电桩的经济效益。

发明内容

本发明旨在提出一种电动汽车充电桩监测方法及其系统、计算机设备、介质，以对电动汽车充电桩的状态进行监测并根据监测数据确定是否对充电桩进行维修。

第一方面，本发明实施例提出一种电动汽车充电桩监测方法，包括如下步骤：

获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；

将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；

获取充电桩退化至异常时所对应的功率因数临界值；

根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。

其中，将所述第一时间序列输入预先训练好的极限学习机模型进行预测输出第二时间序列包括：

步骤S101、将第一时间序列作为输入时间序列

输入所述极限学习机模型进行处理得到输出时间序列

步骤S102、将时间序列

与

合并组成新的向量，并作为新的模型的输入时间序列

按照预定迭代次数返回步骤S1进行迭代循环；

步骤S103、根据多次迭代得到的输入时间序列

得到第二时间序列。

其中，所述极限学习机模型训练过程如下：

步骤201、利用充电桩历史监控数据生成训练和测试数据，按照一定间隔e将监控数据的时间序列进行间隔采样，采样长度为t+d,(t>d)，将每个采样的序列分割为一个样本的输入x_in＝{x₁,x₂,...,x_t}和相应的输出x_out＝{x_t+1,x_t+2,...,x_t+d}，则每个样本为x＝{x_in,x_out}，按照预设的比例，将所有样本分为训练集和测试集；

步骤202、设置极限学习机的输入节点、隐含节点和输出节点个数以建立极限学习机模型；其中，输入节点数为训练样本输入的维度，即t；输出节点数为训练样本输出的维度d；隐含层节点数初始取n＝10d，利用正态分布随机初始化输入层和隐含层之间的权值矩阵W和偏置向量b；

步骤203、利用训练样本集合x，按照极限学习机批处理方式对建立的极限学习机模型进行训练，计算其输出权值

其中，H＝g(W.X+b)为隐含层输出，I为对角矩阵，C为预设值；

步骤204、将测试样本的输入时间序列输入建立的极限学习机模型，计算其输出时间序列；并将预测的时间序列和测试样本的输出时间序列进行对比得到两者的均方根误差；若均方根误差满足预设精度阈值，则极限学习机模型训练完成，否则增加隐含层节点数目n＝n+100，并返回步骤202。

其中，所述获取充电桩退化至异常时所对应的功率因数临界值包括：

步骤301、给定初始正常时间序列{X_normal}和其后需要判断的时间序列{X_new}；

步骤302、计算正常时间序列的均值Mean和方差Var；

步骤303、利用拉依达准则逐一比较时间序列{X_new}中的每一个值x_{new_i}和均值Mean的差值；

步骤304、若差值满足|x_{new_i}-Mean|<3Var，则将新的值x_{new_i}加入原来的正常时间序列，即{X_normal}＝{X_normal,x_{new_i}}，令i＝i+1并返回步骤302；若|x_{new_i}-Mean|>3Var，则i＝i+1，并进入步骤305；

步骤305、利用拉依达准则比较值x_{new_i}和均值Mean的差值，若差值满足|x_{new_i}-Mean|<3Var，则将值x_{new_i}加入原来的正常序列，并返回步骤302；若|x_{new_i}-Mean|>3Var，则将值x_{new_i}计为功率因数临界值。

其中，所述根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修包括：

确定所述第二时间序列中功率因数与所述功率因数临界值对应状态变化时间次序；

判断充电桩充电时间是否到达所述状态变化时间次序，若是，则确定需对充电桩进行维修，若否，则确定不需对充电桩进行维修。

其中，所述方法还包括：

获取充电桩的充电监控数据；

根据所述充电监控数据生成第一时间序列。

第二方面，本发明实施例提出一种电动汽车充电桩监测系统，其用于实现实施例所述的电动汽车充电桩监测方法，包括：

序列获取单元，用于获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；

序列预测单元，用于将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；

临界值获取单元，用于获取充电桩退化至异常时所对应的功率因数临界值；

维修判断单元，用于根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。

其中，所述系统还包括：

监控数据获取单元，用于获取充电桩的充电监控数据；

序列生成单元，用于根据所述充电监控数据生成第一时间序列。

第三方面，本发明实施例提出一种计算机设备，包括：根据实施例所述的电动汽车充电桩监测系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据实施例所述电动汽车充电桩监测方法的步骤。

第四方面，本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例所述电动汽车充电桩监测方法的步骤。

本发明实施例提出一种电动汽车充电桩监测方法及其系统、计算机设备、介质，其只需要提供充电桩的历史数据，利用极限学习机从历史数据中学习，获取其状态的变化趋势。由于实际充电桩的监测参数真实的反映了其电气特性、使用特性和环境等各个因数，因此不再需要建立数学模型或者该设备有关的其他信息，只要有足够的充电桩的状态参数的监测数据就可以应用，所以本发明实施例具有很好的通用性，可以广泛适用与各类充电桩设备。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一中一种电动汽车充电桩监测方法流程示意图。

图2为本发明实施例一中充电桩功率因数曲线示意图。

图3为本发明实施例一中极限学习机训练流程示意图。

图4为本发明实施例一中步骤S300的具体流程示意图。

图5为本发明实施例二中一种电动汽车充电桩监测系统流程示意图。

具体实施方式

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的一部分实施例，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的前提下所获得的所有其它实施例，都属于本发明保护的范围。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构，而省略了与本发明关系不大的其他细节。

实施例一

本发明实施例一提出一种电动汽车充电桩监测方法，图1为本发明实施例一的方法的流程示意图，参阅图1，所述方法包括如下步骤：

步骤S100、获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；

具体而言，如图2所示，第一时间序列为已知数据，通过对充电桩的充电状态进行监控得到每一次充电的平均功率因数值，然后按充电次序进行排列得到第一时间序列，其中，图2中曲线上的点的横坐标表示充电次数，纵坐标表示平均功率因数值。

步骤S200、将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数值预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；

具体而言，如图2所示，第二时间序列为预测数据，表示在第一时间序列的基础上，后续每一次充电，对应的充电桩功率因数值为多少。

步骤S300、获取充电桩退化至异常时所对应的功率因数临界值。

具体而言，所述功率因数临界值指的是，当充电桩的功率因数下降至功率因数临界值时，充电桩的状态则退化至异常，此时，需要充电桩进行维护。

步骤S400、根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。

具体而言，当充电桩的功率因数下降至功率因数临界值时，如图2所示，对应的充电次数达到556次，因此，通过监控充电桩充电次数，当达到556次时或接近556次，则对充电桩进行维修。

其中，所述方法还包括：

获取充电桩的充电监控数据；

根据所述充电监控数据生成第一时间序列。

具体而言，将充电桩截止目前的参数监控数据，从最近一点开始向前取t个点作为模型的第一时间序列

每一个点表示一次充电，点的值表示充电过程中平均功率因数值，最近一点为最后一次充电。

其中，将步骤S200包括：

步骤S101、将第一时间序列

作为输入时间序列输入所述极限学习机模型进行处理得到输出时间序列

步骤S102、将时间序列

与

合并组成新的向量，并从后向前取t个点作为新的模型的输入时间序列

作为新的模型的输入时间序列

按照预定迭代次数返回步骤S1进行迭代循环，直至完成迭代次数；

步骤S103、根据多次迭代得到的输入时间序列

得到第二时间序列。

其中，参阅图3，所述极限学习机模型训练过程如下：

步骤201、利用充电桩历史监控数据生成训练和测试数据，按照一定间隔e将监控数据的时间序列进行间隔采样，采样长度为t+d,(t>d)，将每个采样的序列分割为一个样本的输入x_in＝{x₁,x₂,...,x_t}和相应的输出x_out＝{x_t+1,x_t+2,...,x_t+d}，则每个样本为x＝{x_in,x_out}，按照预设的比例，将所有样本分为训练集和测试集；

举例而言，由于充电桩的功率因数对充电效率和充电时间有很大影响，能体现充电桩的健康状态，因此选择该参数的历史监控数据作为训练和测试样本数据。样本的输入为40维度，即连续40次充电的平均功率因数，输出为这40次充电接下来10次的平均功率因数。选取的充电桩功率因数历史监控数据的500个点作为训练和测试样本。将其中的前400个数据作为训练集，后100个作为测试集，则可以生成199个训练样本和49个测试样本。

步骤202、设置极限学习机的输入节点、隐含节点和输出节点个数以建立极限学习机模型；其中，输入节点数为训练样本输入的维度，即t；输出节点数为训练样本输出的维度d；隐含层节点数初始取n＝10d，利用正态分布随机初始化输入层和隐含层之间的权值矩阵W和偏置向量b；

举例而言，设置极限学习机的输入节点为40个、输出节点为10个。初始隐含层节点数n＝400，然后利用正态分布随机初始化输入层和隐含层之间的权值矩阵W和偏置向量b。并给定预设精度阈值err_th＝0.0001。

步骤203、利用训练样本集合X，按照极限学习机批处理方式对建立的极限学习机模型进行训练，计算其输出权值

其中，H＝g(W.X+b)为隐含层输出，I为对角矩阵，C为常数。

步骤204、将测试样本的输入时间序列输入建立的极限学习机模型，计算其输出时间序列；并将预测的时间序列和测试样本的输出时间序列进行对比得到两者的均方根误差；若均方根误差满足预设精度阈值，则极限学习机模型训练完成，否则增加隐含层节点数目n＝n+100，并返回步骤202。

举例而言，将预测的时间序列和测试样本的输出进行对比，计算两者的均方根误差。在n＝400的情况下，计算得到的精度err＝0.0000554<err_th满足要求，因此无需再增加隐含层节点数，训练完毕。

在一实施例中，参阅图4，所述步骤S300包括：

步骤301、给定初始正常时间序列{X_normal}和其后需要判断的时间序列{X_new}；

步骤302、计算正常时间序列的均值Mean和方差Var；

步骤303、利用拉依达准则逐一比较时间序列{X_new}中的每一个值x_new__i和均值Mean的差值；

步骤304、若差值满足|x_{new_i}-Mean|<3Var，则将新的值x_new__i加入原来的正常时间序列，即{X_normal}＝{X_normal,x_{new_i}}，令i＝i+1并返回步骤302；若|x_{new_i}-Mean|>3Var，则i＝i+1，并进入步骤305；

步骤305、利用拉依达准则比较值x_{new_i}和均值Mean的差值，若差值较小，满足|x_{new_i}-Mean|<3Var，则将值x_{new_i}加入原来的正常序列，并返回步骤302；若满足|x_{new_i}-Mean|>3Var，则将值x_{new_i}计为功率因数临界值：x_cr＝x_{new_i}。

具体而言，随着充电桩的不断运行，会出现设备的损耗，老化等情况，会经历从正常运行到异常再到故障等几个阶段，依据状态参数判断设备状态是一个有效手段，然而参数值在什么范围处于正常，什么范围属于异常往往需要专家具有很强的经验或者通过大量的实验得到，有时很难给出这样一个临界值。本实施例提出利用数理统计的拉依达准则进行判断，方便实施，解决了分析参数需要经验或实验的难题。

其中，所述步骤S400包括：

步骤401、确定所述第二时间序列中功率因数与所述功率因数临界值对应状态变化时间次序；

步骤402、判断充电桩充电时间是否到达所述状态变化时间次序，若是，则确定需对充电桩进行维修，若否，则确定不需对充电桩进行维修。

具体而言，参阅图2，可取前200点的数据作为{X_normal}，从201至600点作为{X_new}，556点为临界点，当充电达到第556次时，充电桩状态退化到异常，建议到时对该充电桩进行维修检查。

本实施例方法不需要对各个型号的充电桩进行专门的数学建模，或者通过试验确定其状态参数的状态转折点，方法只需要提供充电桩监控参数的历史数据，利用数据训练极限学习机模型，从而挖掘数据中蕴含的健康信息，预测充电桩的未来状态，并给出相应的维修意见，有效提高充电桩的健康管理的自动化水平。

实施例二

如图5所示，本发明实施例二提出一种电动汽车充电桩监测系统，其用于实现实施例一所述的电动汽车充电桩监测方法，包括：

序列获取单元1，用于获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；

序列预测单元2，用于将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；

临界值获取单元3，用于获取充电桩退化至异常时所对应的功率因数临界值；

维修判断单元4，用于根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。

在一实施例中，还包括：

监控数据获取单元5，用于获取充电桩的充电监控数据；

序列生成单元6，用于根据所述充电监控数据生成第一时间序列。

需说明的是，实施例二所述系统与实施例一所述方法对应，因此，实施例二所述系统未详述部分可以参阅实施例一所述方法的内容得到，此处不再赘述。

需说明的是，基于本文内容，所属领域的技术人员可以清楚地了解到，本发明实施例可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)实现上述各个实施例所述的方法/系统。

实施例三

本发明实施例三提出一种计算机设备，包括：根据实施例所述的电动汽车充电桩监测系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据实施例一所述电动汽车充电桩监测方法的步骤。

当然，所述计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。

实施例四

本发明实施例四提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述电动汽车充电桩监测方法的步骤。

以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电动汽车充电桩监测方法，其特征在于，包括如下步骤：

获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；

将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；

获取充电桩退化至异常时所对应的功率因数临界值；

根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。

2.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，将所述第一时间序列输入预先训练好的极限学习机模型进行预测输出第二时间序列包括：

步骤S101、将第一时间序列作为输入时间序列

输入所述极限学习机模型进行处理得到输出时间序列

步骤S102、将时间序列

与

合并组成新的向量，并作为新的模型的输入时间序列

按照预定迭代次数返回步骤S1进行迭代循环；

步骤S103、根据多次迭代得到的输入时间序列

得到第二时间序列。

3.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，所述极限学习机模型训练过程如下：

步骤201、利用充电桩历史监控数据生成训练和测试数据，按照一定间隔e将监控数据的时间序列进行间隔采样，采样长度为t+d,(t>d)，将每个采样的序列分割为一个样本的输入x_in＝{x₁,x₂,...,x_t}和相应的输出x_out＝{x_t+1,x_t+2,...,x_t+d}，则每个样本为x＝{x_in,x_out}，按照预设的比例，将所有样本分为训练集和测试集；

步骤202、设置极限学习机的输入节点、隐含节点和输出节点个数以建立极限学习机模型；其中，输入节点数为训练样本输入的维度，即t；输出节点数为训练样本输出的维度d；隐含层节点数初始取n＝10d，利用正态分布随机初始化输入层和隐含层之间的权值矩阵W和偏置向量b；

步骤203、利用训练样本集合x，按照极限学习机批处理方式对建立的极限学习机模型进行训练，计算其输出权值

其中，H＝g(W.X+b)为隐含层输出，I为对角矩阵，C为预设值；

步骤204、将测试样本的输入时间序列输入建立的极限学习机模型，计算其输出时间序列；并将预测的时间序列和测试样本的输出时间序列进行对比得到两者的均方根误差；若均方根误差满足预设精度阈值，则极限学习机模型训练完成，否则增加隐含层节点数目n＝n+100，并返回步骤202。

4.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，所述获取充电桩退化至异常时所对应的功率因数临界值包括：

步骤301、给定初始正常时间序列{X_normal}和其后需要判断的时间序列{X_new}；

步骤302、计算正常时间序列的均值Mean和方差Var；

步骤303、利用拉依达准则逐一比较时间序列{X_new}中的每一个值x_{new_i}和均值Mean的差值；

步骤304、若差值满足|x_{new_i}-Mean|<3Var，则将新的值x_{new_i}加入原来的正常时间序列，即{X_normal}＝{X_normal,x_{new_i}}，令i＝i+1并返回步骤302；若|x_{new_i}-Mean|>3Var，则i＝i+1，并进入步骤305；

步骤305、利用拉依达准则比较值x_{new_i}和均值Mean的差值，若差值满足|x_{new_i}-Mean|<3Var，则将值x_{new_i}加入原来的正常序列，并返回步骤302；若|x_{new_i}-Mean|>3Var，则将值x_{new_i}计为功率因数临界值。

5.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，所述根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修包括：

确定所述第二时间序列中功率因数与所述功率因数临界值对应状态变化时间次序；

判断充电桩充电时间是否到达所述状态变化时间次序，若是，则确定需对充电桩进行维修，若否，则确定不需对充电桩进行维修。

6.如权利要求1所述的电动汽车充电桩监测方法，其特征在于，还包括：

获取充电桩的充电监控数据；

根据所述充电监控数据生成第一时间序列。

7.一种电动汽车充电桩监测系统，用于实现权利要求1-5任一项所述的电动汽车充电桩监测方法，其特征在于，包括：

序列获取单元，用于获取第一时间序列；所述第一时间序列包括过去时间内按充电时间次序排序的多个平均功率因数值，其中每一平均功率因数值指每一次充电过程中充电桩的平均功率因数值；

序列预测单元，用于将所述第一时间序列输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，输出第二时间序列；所述第二时间序列包括未来时间内按充电时间次序排序的多个平均功率因数值；

临界值获取单元，用于获取充电桩退化至异常时所对应的功率因数临界值；

维修判断单元，用于根据所述第二时间序列和所述功率因数临界值确定是否需对充电桩进行维修。

8.如权利要求7所述的电动汽车充电桩监测系统，其特征在于还包括：

监控数据获取单元，用于获取充电桩的充电监控数据；

序列生成单元，用于根据所述充电监控数据生成第一时间序列。

9.一种计算机设备，包括：根据权利要求7-8中任一项所述的电动汽车充电桩监测系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据权利要求1-6中任一项所述电动汽车充电桩监测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-6中任一项所述电动汽车充电桩监测方法的步骤。

Images