核心訴求

1、市場規模大：發改委《充電樁建設指南指出計劃》，到2020年全國建成超過480萬個充電樁，整個市場規模將達900億；

2、定期強制性檢測：國家電網要求存量市場充電樁每年必須定期檢查并出具報告，新增充電樁全部聯網并要求強制測試；

3、運維成本高：現場故障較多，且現場運維人力成本高、環境復雜；

4、行業痛點強：目前針對充電樁運維已經有技術方案，但傳統廠商一般基于傳統數據庫搭建方案，很難應對大數據和擴容的挑戰，且數據利用率往往不高。

圖片來源：百度AI開放平臺

解決方案

第一步：通過百度云的新能源云平臺下的云端模型訓練機制，對充電樁檢測設備進行大數據模型訓練；

第二步：同時再通過百度邊緣計算BIE將算法部署在本地智能邊緣，形成本地充電樁的數字化孿生；

第三步：檢測人員可先用設備進行充電作業過程的數據采集，然后通過檢測設備進行充電作業的效果分析算法，并讓設備再進行多維度的函數進行分析；

第四步：讓充電器檢測裝置將分析好的數據結果傳回至百度云的天工物聯網上，使全部線下檢測設備擁有實時化輸出作業的功能，最終讓線上的云端檢測平臺實現信息同步化的能力。

方案解決的原理模型圖：

圖片來源：百度AI開放平臺

接入百度工業大數據的運維解決方案后的提升效果：

圖片來源：百度AI開放平臺

合作成果

1、使用BIE實現邊緣計算，尤其是在一些離線環境如地下停車場也可以實現AI應用；

2、通過內置的百度天工卡基于MQTT協議將數據上傳到云端；

3、在云上使用了百度的大數據平臺包括時序數據庫來實現數據存儲、分析；

4、在云上的模型生產環境Jarvis當中實現剛才提到的針對BMS等不同系統的異常診斷模型。

本案例中使用產品：百度數據科學平臺、百度邊緣計算BIE

百度數據科學平臺：https://cloud.baidu.com/product/jarvis.html

百度邊緣計算BIE：https://cloud.baidu.com/product/bie.html

注：案例內容來源百度AI開放平臺