CN108363024B - 一种充电桩故障点定位的方法和装置 - Google Patents

Abstract

本发明提供了一种充电桩故障点定位的方法和装置，涉及数据分析的技术领域，该方法包括：获取多个充电桩的状态日志信息，得到目标日志信息集；对目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本；将目标测试集输入目标预警模型进行预测，得到预测结果。本发明解决了现有技术中充电桩出现故障只能通过人工经验判断充电桩故障点的技术问题，达到了通过数据整理和模型分析直接定位故障点的技术效果。

Description

一种充电桩故障点定位的方法和装置

技术领域

本发明涉及数据处理技术领域，尤其是涉及一种充电桩故障点定位的方法和装置。

背景技术

在全球能源危机和环境危机严重的大背景下，电动汽车作为一种节能环保的绿色交通工具，得到了我国积极推进与发展，充/换电站作为发展电动汽车所必须的重要配套基础设施，具有非常重要的社会效益和经济效益。充电桩在运行过程中的状态变化，故障监控，故障上报和故障定位成为充电桩运营商重点关注点，但是如何快速有效的对充电桩的故障进行定位还是一个重点难题。

针对上述问题，还未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种充电桩故障点定位的方法和装置，以缓解了解决了现有技术中充电桩出现故障只能通过人工经验判断充电桩故障点的技术问题，达到了通过数据整理和模型分析直接定位故障点的技术效果。

第一方面，本发明实施例提供了一种充电桩故障点定位的方法，该方法包括：获取多个充电桩的状态日志信息，得到目标日志信息集，其中，所述目标日志信息集包括：各个充电桩的多种状态数据，且每种所述状态数据对应的多个故障点，一个充电桩对应一个状态日志信息；对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集，其中，所述目标测试集中包含多个目标测试样本；将所述目标测试集输入目标预警模型进行预测，得到预测结果，其中，所述预测结果中包括故障充电桩或所述故障充电桩的故障点，所述目标预警模型为预先通过训练集样本进行训练之后得到的模型。

进一步地，所述目标日志信息集中包括多个目标日志信息样本，各个所述目标日志信息样本中包括各个充电桩的各个状态与各个故障点之间的关联关系，其中，每个所述目标日志信息样本中包括一个充电桩的多种状态的状态数据，且每种状态数据关联多个故障点。

进一步地，对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本包括：对所述多个目标日志信息样本进行统计，以统计第一次数和第二次数，其中，所述第一次数表征每种状态在所述多个目标日志信息样本中出现次数，所述第二次数表征所述每种状态与各个故障点之间的关联关系在所述多个目标日志信息样本中出现的次数；针对目标日志信息样本Ai，结合Apriori算法、所述第一次数和所述第二次数，确定所述状态Bm与所述故障点Cn之间的关联支持度Dmn，其中，i依次取1至N，N为所述目标日志信息样本的数量，m依次取1至H，H为所述目标日志信息样本Ai中状态的数量，n依次取1至K，K为所述目标日志信息样本Ai中所述状态Bm所对应的故障点的数量；将所述关联支持度Dmn中的小于目标关联支持度的所对应的故障点从所述目标日志信息样本Ai中删除，并基于删除之后的所述目标日志信息样本Ai确定所述目标测试样本。

进一步地，所述方法还包括：获取目标训练集；将所述目标训练集输入原始预警模型中，对所述原始预警模型进行训练，训练之后得到目标预警模型。

进一步地，所述方法还包括：基于所述目标测试样本和所述目标测试样本的预测结果对所述目标训练集进行更新，以将所述目标测试样本和所述目标测试样本的预测结果作为所述目标训练集中的训练样本对所述目标预警模型进行再次训练。

进一步地，所述方法还包括：获取多个充电桩的状态日志信息，得到目标日志信息集包括：每隔预设时间段获取所述多个充电的状态日志信息，得到目标日志信息集；对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集包括：每隔所述预设时间对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集；将所述目标测试集输入目标预警模型进行预测，得到预测结果包括：每隔所述预设时间将所述目标测试集输入目标预警模型进行预测，得到预测结果。

第二方面，本发明实施例提供了一种充电桩故障点定位的装置，所述装置包括：获取装置，处理装置和预测装置，其中，所述获取装置用于获取多个充电桩的状态日志信息，得到目标日志信息集，其中，所述目标日志信息集包括：各个充电桩的多种状态数据，且每种所述状态数据对应的多个故障点，一个充电桩对应一个状态日志信息；所述处理装置用于对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集，其中，所述目标测试集中包含多个目标测试样本；所述预测装置用于将所述目标测试集输入目标预警模型进行预测，得到预测结果，其中，所述预测结果中包括故障充电桩或所述故障充电桩的故障点，所述目标预警模型为预先通过训练集样本进行训练之后得到的模型。

进一步，所述获取装置获取到的所述目标日志信息集中包括多个目标日志信息样本，各个所述目标日志信息样本中包括各个充电桩的各个状态与各个故障点之间的关联关系，其中，每个所述目标日志信息样本中包括一个充电桩的多种状态的状态数据，且每种状态数据关联多个故障点。

进一步地，所述处理装置还用于：对所述多个目标日志信息样本进行统计，以统计第一次数和第二次数，其中，所述第一次数表征每种状态在所述多个目标日志信息样本中出现次数，所述第二次数表征所述每种状态与各个故障点之间的关联关系在所述多个目标日志信息样本中出现的次数；针对目标日志信息样本Ai，结合Apriori算法、所述第一次数和所述第二次数，确定所述状态Bm与所述故障点Cn之间的关联支持度Dmn，其中，i依次取1至N，N为所述目标日志信息样本的数量，m依次取1至H，H为所述目标日志信息样本Ai中状态的数量，n依次取1至K，K为所述目标日志信息样本Ai中所述状态Bm所对应的故障点的数量；将所述关联支持度Dmn中的小于目标关联支持度的所对应的故障点从所述目标日志信息样本Ai中删除，并基于删除之后的所述目标日志信息样本Ai确定所述目标测试样本。

进一步地，所述装置还用于：获取目标训练集；将所述目标训练集输入原始预警模型中，对所述原始预警模型进行训练，训练之后得到目标预警模型。

本发明提供了一种充电桩故障点定位的方法和装置，该方法包括：首先，获取多个充电桩的状态日志信息，得到目标日志信息集；然后，对目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本；最后，将目标测试集输入目标预警模型进行预测，得到预测结果，该方法通过预警模型对日志信息进行分析，从而解决了现有技术中充电桩出现故障只能通过人工经验判断充电桩故障点的技术问题，达到了通过数据整理和模型分析直接定位故障点的技术效果。

本发明的其他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了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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他的附图。

图1为本发明实施例提供的一种充电桩故障点定位的方法的流程图；

图2为本发明实施例提供的一种充电桩故障点定位的方法的详细流程图；

图3为本发明实施例提供的另一种充电桩故障点定位的方法的流程图；

图4为本发明实施例提供的预测模型训练流程图；

图5为本发明实施例提供的一种充电桩故障点定位的装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

根据本发明实施例，提供了一种充电桩故障点定位的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种充电桩故障点定位的方法，如图1所示，该方法包括如下步骤：

步骤S102，获取多个充电桩的状态日志信息，得到目标日志信息集，其中，所述目标日志信息集包括：各个充电桩的多种状态数据，且每种所述状态数据对应的多个故障点，一个充电桩对应一个状态日志信息。

步骤S104，对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集，其中，所述目标测试集中包含多个目标测试样本。

步骤S106，将所述目标测试集输入目标预警模型进行预测，得到预测结果，其中，所述预测结果中包括故障充电桩或所述故障充电桩的故障点，所述目标预警模型为预先通过训练集样本进行训练之后得到的模型。

本发明提供了一种充电桩故障点定位的方法和装置，该方法包括：首先，获取多个充电桩的状态日志信息，得到目标日志信息集；然后，对目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本；最后，将目标测试集输入目标预警模型进行预测，得到预测结果，该方法通过预警模型对日志信息进行分析，从而解决了现有技术中充电桩出现故障只能通过人工经验判断充电桩故障点的技术问题，达到了通过数据整理和模型分析直接定位故障点的技术效果。

具体地，所述目标日志信息集中包括多个目标日志信息样本，且每个所述目标日志信息样本中包括一个充电桩的多种状态的状态数据，且每种状态数据对应多个故障点。

在本发明实施例中，如图2所示，所述步骤S104，对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本包括：

步骤S1041，对所述多个目标日志信息样本进行统计，以统计第一次数和第二次数，其中，所述第一次数表征每种状态在所述多个目标日志信息样本中出现次数，所述第二此处表征所述每种状态与各个故障点之间的关联关系在所述多个目标日志信息样本中出现的次数。

步骤S1042，针对所述目标日志信息样本Ai，结合Apriori算法、所述第一次数和所述第二次数，确定所述状态Bm与所述故障点Cn之间的关联支持度Dmn，其中，i依次取1至N，N为所述目标日志信息样本的数量，m依次取1至H，H为所述目标日志信息样本Ai中状态的数量，n依次取1至K，K为所述目标日志信息样本Ai中所述状态Bm所对应的故障点的数量。

步骤S1043，将所述关联支持度Dmn中的小于目标关联支持度的所对应的故障点从所述目标日志信息样本Ai中删除，并基于删除之后的所述目标日志信息样本Ai确定所述目标测试样本。

在本发明实施例中，首先，对所述目标日志样本集中的每种充电桩状态出现的次数进行统计；然后，通过Apriori算法计算每种充电桩状态数据对应的每个故障点的关联支持度；最后，将关联支持度小于目标关联支持度（所述目标关联支持度为70%）的故障点从所述目标日志信息样本中删除，得到目标数据测试样本。

例如，在所述目标日志信息样本Ai，所述状态B1出现的所述第一次数为10次，所述状态B1对应的故障点C1出现的所述第二次数为8次，则所述状态B1与所述状态B1对应的故障点C1之间的关联支持度D11 = 8 / 10 * 100% = 80%。

在本发明实施例中，如图3所示，所述方法还包括：

步骤S108，获取目标训练集。

步骤S110，将所述目标训练集输入原始预警模型中，对所述原始预警模型进行训练，训练之后得到目标预警模型。

在本发明实施例中，首先，获取目标训练集，其中，所述目标训练集中包含的包含多个训练样本，每个训练样本中包含的数据与所述目标测试样本中包含的数据类型相同。

接着，将所述目标训练及的输入原始预警模型中，对所述原始预警模型进行训练，并根据所述原始预警模型输出的预测结果对所述原始预测模型进行参数调整，得到目标预警模型。

在本发明实施例中，通过对原始预警模型的训练和参数调整，得到了目标预测模型，从而能够更加精确的预测充电桩的故障点。

在本发明实施例中，如图3所示，所述方法还包括：

步骤S112，基于所述目标测试样本和所述目标测试样本的预测结果对所述目标训练集进行更新，以将所述目标测试样本和所述目标测试样本的预测结果作为所述目标训练集中的训练样本对所述目标预警模型进行再次训练。

在本发明实施例中，通过将所述目标测试样本输入所述目标预警模型，得到所述目标测试样本的测试结果，然后，将所述目标测试样本作为所述目标预测模型的输入，将所述目标测试样本的测试结果作为所述目标预测模型的输出，继续对所述目标预测模型进行训练，从而提高所述目标预测模型的预测精度，进而得到预测精度更高的预测模型。

在本发明实施例中，如图4所示，所述方法还包括：

步骤S102，获取多个充电桩的状态日志信息，得到目标日志信息集包括：

步骤202，每隔预设时间段获取所述多个充电桩的状态日志信息，得到目标日志信息集；

步骤S104，对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集包括：

步骤204，每隔所述预设时间对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测集；

步骤S106，将所述目标测试集输入目标预警模型进行预测，得到预测结果包括：

步骤S206，每隔所述预设时间将所述目标测试集输入目标预警模型进行预测，得到预测结果。

在本发明实施例中，通过按照预设时间获取多个对充电桩的状态日志信息，按照预设时间对目标日志信息集进行数据处理，以及按照预设时间所述目标测试集输入目标预警模型进行预测，得到预测结果，从而有效的对充电桩的工作状态进行了监控，同时也为目标预警模型提供了更多的训练样本，进而不断提高目标预测模型的预测精度，所述预设时间可以由充电桩维护人员自行设定，在本发明实施例中不做具体限定。

实施例二：

本发明实施例还提供了一种充电桩故障点定位的装置，该充电桩故障点定位的庄子用于执行本发明实施例上述内容所提供的充电桩故障点定位的方法，以下对本发明实施例提供的充电桩故障点定位的预测装置做具体介绍。

图5为根据本发明实施例的一种充电桩故障点定位的装置示意图，如图5所示，该机器学习模型效用的评估装置主要包括：获取装置10，处理装置20和预测装置30，其中，

所述获取装置10用于获取多个充电桩的状态日志信息，得到目标日志信息集，其中，所述目标日志信息集包括：各个充电桩的多种状态数据，且每种所述状态数据对应的多个故障点，一个充电桩对应一个状态日志信息。

所述处理装置20用于对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集，其中，所述目标测试集中包含多个目标测试样本。

所述预测装置30用于将所述目标测试集输入目标预警模型进行预测，得到预测结果，其中，所述预测结果中包括故障充电桩或所述故障充电桩的故障点，所述目标预警模型为预先通过训练集样本进行训练之后得到的模型。

在本发明实施例中，首先，获取多个充电桩的状态日志信息，得到目标日志信息集；然后，对目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本；最后，将目标测试集输入目标预警模型进行预测，得到预测结果，该装置通过预警模型对日志信息进行分析，从而解决了现有技术中充电桩出现故障只能通过人工经验判断充电桩故障点的技术问题，达到了通过数据整理和模型分析直接定位故障点的技术效果。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种充电桩故障点定位的方法，其特征在于，包括：

获取多个充电桩的状态日志信息，得到目标日志信息集，其中，所述目标日志信息集包括：各个充电桩的多种状态数据，且每种所述状态数据对应的多个故障点，一个充电桩对应一个状态日志信息；

对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集，其中，所述目标测试集中包含多个目标测试样本；

将所述目标测试集输入目标预警模型进行预测，得到预测结果，其中，所述预测结果中包括故障充电桩或所述故障充电桩的故障点，所述目标预警模型为预先通过训练集样本进行训练之后得到的模型；

其中，所述目标日志信息集中包括多个目标日志信息样本，各个所述目标日志信息样本中包括各个充电桩的各个状态与各个故障点之间的关联关系，其中，每个所述目标日志信息样本中包括一个充电桩的多种状态的状态数据，且每种状态数据关联多个故障点；

其中，对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试样本包括：

对所述多个目标日志信息样本进行统计，以统计第一次数和第二次数，其中，所述第一次数表征每种状态在所述多个目标日志信息样本中出现次数，所述第二次数表征所述每种状态与各个故障点之间的关联关系在所述多个目标日志信息样本中出现的次数；

针对目标日志信息样本Ai，结合Apriori算法、所述第一次数和所述第二次数，确定状态Bm与故障点Cn之间的关联支持度Dmn，其中，i依次取1至N，N为所述目标日志信息样本的数量，m依次取1至H，H为所述目标日志信息样本Ai中状态的数量，n依次取1至K，K为所述目标日志信息样本Ai中所述状态Bm所对应的故障点的数量；

将所述关联支持度Dmn中的小于目标关联支持度的所对应的故障点从所述目标日志信息样本Ai中删除，并基于删除之后的所述目标日志信息样本Ai确定所述目标测试样本。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取目标训练集；

将所述目标训练集输入原始预警模型中，对所述原始预警模型进行训练，训练之后得到目标预警模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于所述目标测试样本和所述目标测试样本的预测结果对所述目标训练集进行更新，以将所述目标测试样本和所述目标测试样本的预测结果作为所述目标训练集中的训练样本对所述目标预警模型进行再次训练。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个充电桩的状态日志信息，得到目标日志信息集包括：每隔预设时间段获取所述多个充电桩的状态日志信息，得到目标日志信息集；

对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集包括：每隔所述预设时间对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集；

将所述目标测试集输入目标预警模型进行预测，得到预测结果包括：每隔所述预设时间将所述目标测试集输入目标预警模型进行预测，得到预测结果。

5.一种充电桩故障点定位的装置，其特征在于，所述装置包括：获取装置，处理装置和预测装置，其中，

所述获取装置用于获取多个充电桩的状态日志信息，得到目标日志信息集，其中，所述目标日志信息集包括：各个充电桩的多种状态数据，且每种所述状态数据对应的多个故障点，一个充电桩对应一个状态日志信息；

所述处理装置用于对所述目标日志信息集进行数据处理，并将数据处理结果作为目标测试集，其中，所述目标测试集中包含多个目标测试样本；

所述预测装置用于将所述目标测试集输入目标预警模型进行预测，得到预测结果，其中，所述预测结果中包括故障充电桩或所述故障充电桩的故障点，所述目标预警模型为预先通过训练集样本进行训练之后得到的模型；

其中，所述目标日志信息集中包括多个目标日志信息样本，各个所述目标日志信息样本中包括各个充电桩的各个状态与各个故障点之间的关联关系，其中，每个所述目标日志信息样本中包括一个充电桩的多种状态的状态数据，且每种状态数据关联多个故障点；

其中，所述处理装置还用于：

对所述多个目标日志信息样本进行统计，以统计第一次数和第二次数，其中，所述第一次数表征每种状态在所述多个目标日志信息样本中出现次数，所述第二次数表征所述每种状态与各个故障点之间的关联关系在所述多个目标日志信息样本中出现的次数；

针对目标日志信息样本Ai，结合Apriori算法、所述第一次数和所述第二次数，确定状态Bm与故障点Cn之间的关联支持度Dmn，其中，i依次取1至N，N为所述目标日志信息样本的数量，m依次取1至H，H为所述目标日志信息样本Ai中状态的数量，n依次取1至K，K为所述目标日志信息样本Ai中所述状态Bm所对应的故障点的数量；

将所述关联支持度Dmn中的小于目标关联支持度的所对应的故障点从所述目标日志信息样本Ai中删除，并基于删除之后的所述目标日志信息样本Ai确定所述目标测试样本。

6.根据权利要求5所述的装置，其特征在于，所述装置还用于：

获取目标训练集；

将所述目标训练集输入原始预警模型中，对所述原始预警模型进行训练，训练之后得到目标预警模型。

Images