CN109063785A - 充电桩故障检测方法及终端设备 - Google Patents
充电桩故障检测方法及终端设备 Download PDFInfo
- Publication number
- CN109063785A CN109063785A CN201810968037.1A CN201810968037A CN109063785A CN 109063785 A CN109063785 A CN 109063785A CN 201810968037 A CN201810968037 A CN 201810968037A CN 109063785 A CN109063785 A CN 109063785A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- operating status
- fault
- fault detection
- fault type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明适用于充电桩检测技术领域，提供了一种充电桩故障检测方法及终端设备。所述方法包括：根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立，若故障类型理论结果与对应的故障类型真实结果一致，根据充电桩故障检测及修复模型确定充电桩的运行状态对应的故障修复理论方案，若故障修复理论方案与的充电桩运行状态对应的故障修复真实方案一致，则根据充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。采用上述方案后，提高了故障充电桩的修复效率，满足了用户对充电桩的使用需求。
Description
技术领域
本发明属于充电桩检测技术领域，尤其涉及一种充电桩故障检测方法及终端设备。
背景技术
充电桩类似于加油站里面的加油机，可以固定在地面或墙壁，安装于公共建筑和居民小区停车场或充电站内，可以根据不同的电压等级为各种型号的电动汽车充电。充电桩的输入端与交流电网直接连接，输出端都装有充电插头用于为电动汽车充电。
但是，充电桩在使用过程中，故障频繁发生，当发生故障时，充电桩的显示屏操作界面只显示故障提示，用户不能再进行操作，导致无法充电，需要技术人员到现场进行操作，无法自行恢复为正常状态，降低了充电桩的快充服务质量，耗费了人力物力，无法满足用户对充电桩的使用要求。
发明内容
有鉴于此，本发明实施例提供了一种充电桩故障检测方法及终端设备，以解决现有技术中的充电桩需要技术人员到现场进行操作，无法自行恢复为正常状态，降低了充电桩的快充服务质量，耗费了人力物力的问题。
本发明实施例的第一方面提供了一种充电桩故障检测方法，包括：
根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立；
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案；
若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
作为进一步的技术方案，所述方法还包括：
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果的步骤。
作为进一步的技术方案，所述样本库根据充电桩的运行状态建立包括：
监控充电桩的运行状态；
若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态；
若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态；
根据所述运行状态和所述运行状态的标记结果建样本库。
作为进一步的技术方案，所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果包括：
根据充电桩故障检测及修复模型获取样本库中的运行状态的一维时间序列信号；
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号；
根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征；
将所述故障类型特征转换成一维故障类型特征，并从所述一维故障类型特征中提取特征形成终特征；
将所述终特征转换为所述运行状态对应的故障类型理论结果。
作为进一步的技术方案，所述根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度；
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行运行状态的故障类型特征提取。
本发明实施例的第二方面提供了一种充电桩故障检测系统，包括：
故障类型理论结果确定模块，用于根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立；
故障修复理论方案确定模块，用于若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案；
待测充电桩检测模块，用于若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
作为进一步的技术方案，所述系统还包括：
故障类型理论结果确定子模块，用于若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果的步骤。
作为进一步的技术方案，所述故障类型理论结果确定模块还用于：
监控充电桩的运行状态；
若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态；
若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态；
根据所述运行状态和所述运行状态的标记结果建立充电桩故障运行状态样本库。
本发明实施例的第三方面提供了一种充电桩故障检测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本发明实施例与现有技术相比存在的有益效果是：采用上述方案后，根据充电桩的运行状态建立充电桩运行状态样本库，并利用神经网络建立充电桩故障类型检测及修复模型，根据充电桩故障类型检测及修复模型待测充电桩的故障类型及修复方案，并自动对故障充电桩进行修复，不需要工作人员到现场进行修复，提高了故障充电桩的修复效率，满足了用户对充电桩的使用需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的充电桩故障检测方法的步骤流程图；
图2是本发明另一实施例提供的充电桩故障检测方法的步骤流程图；
图3是本发明实施例提供的充电桩故障检测系统的结构示意图；
图4是本发明实施例提供的充电桩故障检测终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，为本发明实施例提供的一种充电桩故障检测方法的步骤流程图，包括：
步骤S101，根据充电桩故障检测及修复模型确定所述样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立。
具体的，通过现场试验，现场记录和数据仿真等技术手段，获取充电桩的不同运行状态对应的充电桩的使用情况，确定不同的充电桩的运行状态能否使用继续进行充电，例如正常状态对应的为充电桩正常可使用，缺电状态对应的为充电桩缺电不可使用，当充电桩存在故障时对应的为充电桩故障不可使用等。根据神经网络建立充电桩故障类型检测及修复模型，充电桩故障类型检测及修复模型包括数据映射层，特征提取层和分类识别层三层。将样本库中的运行状态代入到充电桩故障检测及修复模型中，充电桩故障检测及修复模型根据运行状态对应得出故障类型理论结果。
步骤S102，若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案。
具体的，判断得出的故障类型理论结果与样本库中的故障类型真实结果是否一致，若一致，代表根据神经网络构建的充电桩故障检测及修复模型已经具备充电桩故障类型判断功能。其中，为了保障结果的真实性，可以进行多次判断，将不同类型的运行信息通过充电桩故障检测及修复模型进行判断，得到故障类型理论结果，再看故障类型理论结果与故障类型真实结果是否一致，若均一致，则认为充电桩故障检测及修复模型已经具备充电桩故障类型判断功能。若有一次不一致，则认为充电桩故障检测及修复模型还不具备充电桩故障类型判断功能，需要重新调整模型。
步骤S103，若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
具体的，充电桩故障检测及修复模型能够根据确定的故障类型理论结果确定故障修复理论方案，然后再判断确定的故障修复理论方案与样本库中的充电桩运行状态对应的故障修复真实方案是否一致，若一致，则说明充电桩故障检测及修复模型已经具备了故障修复方案确定的功能，然后还可以根据确定的故障修复方案自动对充电桩就行远程修复。其中，为了保障结果的真实性，可以进行多次判断，将不同类型的运行信息通过充电桩故障检测及修复模型进行判断，得到故障类型理论结果，在根据故障类型理论结果确定故障修复理论方案，再看故障修复理论方案与故障修复真实方案是否一致，若均一致，则认为充电桩故障检测及修复模型已经具备充电桩故障修复方案确定功能。若有一次不一致，则认为充电桩故障检测及修复模型还不具备充电桩故障修复方案确定功能，需要重新调整模型。若确定充电桩故障检测及修复模型已经具备了故障修复方案确定功能，同时还要判断充电桩故障检测及修复模型能否远程自动修复充电桩，若能则代表充电桩故障检测及修复模型构建成功。
采用上述方案后，根据充电桩的运行状态建立充电桩运行状态样本库，并利用神经网络建立充电桩故障类型检测及修复模型，根据充电桩故障类型检测及修复模型待测充电桩的故障类型及修复方案，并自动对故障充电桩进行修复，不需要工作人员到现场进行修复，提高了故障充电桩的修复效率，满足了用户对充电桩的使用需求。
此外，在一个具体实施例中，所述方法还包括：
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果的步骤。
具体的，样本库中的充电桩运行状态有多个，每个运行状态对应不同的运行类型，有的运行类型充电桩可以进行充电，有的运行类型充电桩不能进行充电，若充电桩故障类型检测及修复模型确定的充电桩运行状态对应的故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，代表充电桩故障类型检测及修复模型还存在缺陷，根据预存的梯度下降法、故障类型真实结果和神经网络对充电桩故障检测及修复模型进行调整，调整完成后重新根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果，然后再重新进行判断，直至符合要求为止。
此外，如图2所示，在一个具体实施例中，所述样本库根据充电桩的运行状态建立包括：
步骤S201，监控充电桩的运行状态。
步骤S202，若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态。
步骤S203，若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态。
步骤S204，根据所述运行状态和所述运行状态的标记结果建立样本库。
首先，监控充电桩的不同运行状态，然后分别判断不同运行状态的充电桩能否正常使用，若可以标记该运行状态为正常状态。若不可以，确定具体的故障原因，并标记该运行状态为故障状态，即不能使用状态，同时还要存储上具体的不同故障的修复方案，统一存储成充电桩故障运行状态的样本库。
此外，在一个具体实施例中，所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果包括：
根据充电桩故障检测及修复模型获取样本库中的运行状态的一维时间序列信号。根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号。根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征。将所述故障类型特征转换成一维故障类型特征，并从所述一维故障类型特征中提取特征形成终特征。将所述终特征转换为所述运行状态对应的故障类型理论结果。
具体的，充电桩故障检测及修复模型包括数据映射层，特征提取层和分类识别层三层，数据映射层利用卷积神经网络，根据样本库中的运行状态，将样本库中的运行状态信息的一维时间序列信号映射成多维时间序列信号，优选的，可以建立1000个尺寸为1*100卷积核，将运行状态信息的一维时间序列信号映射成1000维时间序列信号，其中卷积核的卷积步长为1；为了使卷积后的数据长度保持不变，卷积时采用了在运行状态信息的一维时间序列信号前后加0的“SAME”的卷积模式，在一维时间序列信号前后添加零的个数均为100-1＝99个；卷积核的数据大小为1*100，其初值设置为0.01(1/100)，最终值是通过梯度下降(Gradient Decent Algorithm，GDA)最优估计方法得到。
特征提取层包括建立深度神经网络(Deep Neural Network,DNN)，并利用池化(pooling)和丢弃(dropout)等机制，从多维时间序列信号中提取故障类型特征，其中，池化是为了降低数据维度，池化核的大小为3x3，为了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。
分类识别层包括建立全连接层(fully connected layer)和逻辑回归等降维输出层结合标签库标签，实现故障类型特征分类识别，其中全连接层为三层，第一层作用是将特征输出层的多维数据变成一维数据，第二层和第三层的作用是进一步故障类型特征特征提取，逻辑回归层是将全连接层的输出转化为0，1两个值，优选的，可以用y’表示，当输出y’＝1时表示故障类型特征提取的准确，当输出y’＝0时表示故障类型特征提取的不准确。
此外，在一个具体实施例中，所述根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行运行状态的故障类型特征提取。
具体的，根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行故障类型特征提取。池化是为了降低数据维度，池化核的大小为3x3，为了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。
如图3所示，为本发明实施例提供的一种充电桩故障检测系统的结构示意图，包括：
故障类型理论结果确定模块301，用于根据充电桩故障检测及修复模型确定所述样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立。
故障修复理论方案确定模块302，用于若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案；
待测充电桩检测模块303，用于若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
此外，在一个具体实施例中，所述系统还包括：
故障类型理论结果确定子模块，用于若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据所述充电桩故障检测及修复模型确定所述样本库中的运行状态对应的故障类型理论结果的步骤。
此外，在一个具体实施例中，所述故障类型理论结果确定模块还用于：
监控充电桩的运行状态。
若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态。
若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态。
根据所述运行状态和所述运行状态的标记结果建立样本库。
此外，在一个具体实施例中，所述故障类型理论结果确定模块还用于：
根据充电桩故障检测及修复模型获取所述样本库中的运行状态的一维时间序列信号。
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号。
根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征。
将所述故障类型特征转换成一维故障类型特征，并从所述一维故障类型特征中提取特征形成终特征。
将所述终特征转换为所述运行状态对应的故障类型理论结果。
此外，在一个具体实施例中，所述故障类型理论结果确定模块还用于：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行运行状态的故障类型特征提取。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的充电桩故障检测终端设备的示意图，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如充电桩故障检测程序。所述处理器40执行所述计算机程序42时实现上述各个充电桩故障检测方法实施例中的步骤，例如图1所示的步骤101至105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至305的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述充电桩故障检测终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
根据充电桩故障检测及修复模型确定所述样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立。
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案。
若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果的步骤。
所述样本库根据充电桩的运行状态建立包括：
监控充电桩的运行状态。
若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态。
若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态。
根据所述运行状态和所述运行状态的标记结果建立样本库。
所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果包括：
根据充电桩故障检测及修复模型获取样本库中的运行状态的一维时间序列信号。
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号。
根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征。
将所述故障类型特征转换成一维故障类型特征，并从所述一维故障类型特征中提取特征形成终特征。
将所述终特征转换为所述运行状态对应的故障类型理论结果。
所述根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行运行状态的故障类型特征提取。
所述充电桩故障检测终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述充电桩故障检测终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是充电桩故障检测终端设备4的示例，并不构成对充电桩故障检测终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述充电桩故障检测终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述充电桩故障检测终端设备4的内部存储单元，例如充电桩故障检测终端设备4的硬盘或内存。所述存储器41也可以是所述充电桩故障检测终端设备4的外部存储设备，例如所述充电桩故障检测终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述充电桩故障检测终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述充电桩故障检测终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种充电桩故障检测方法，其特征在于，包括：
根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立；
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案；
若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
2.如权利要求1所述的充电桩故障检测方法，其特征在于，还包括：
若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果的步骤。
3.如权利要求1所述的充电桩故障检测方法，其特征在于，所述样本库根据充电桩的运行状态建立包括：
监控充电桩的运行状态；
若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态；
若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态；
根据所述运行状态和所述运行状态的标记结果建立样本库。
4.如权利要求1所述的充电桩故障检测方法，其特征在于，所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果包括：
根据充电桩故障检测及修复模型获取样本库中的运行状态的一维时间序列信号；
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号；
根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征；
将所述故障类型特征转换成一维故障类型特征，并从所述一维故障类型特征中提取特征形成终特征；
将所述终特征转换为所述运行状态对应的故障类型理论结果。
5.如权利要求4所述的充电桩故障检测方法，其特征在于，所述根据预存的深度神经网络从所述多维时间序列信号中提取运行状态的故障类型特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度；
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行运行状态的故障类型特征提取。
6.一种充电桩故障检测系统，其特征在于，包括：
故障类型理论结果确定模块，用于根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果，其中，所述充电桩故障检测及修复模型根据神经网络建立，所述样本库根据充电桩的运行状态建立；
故障修复理论方案确定模块，用于若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果一致，则根据所述充电桩故障检测及修复模型确定所述充电桩的运行状态对应的故障修复理论方案；
待测充电桩检测模块，用于若所述故障修复理论方案与所述样本库中的充电桩运行状态对应的故障修复真实方案一致，则根据所述充电桩故障检测及修复模型确定待测充电桩的故障类型及修复方案。
7.如权利要求6所述的充电桩故障检测系统，其特征在于，还包括：
故障类型理论结果确定子模块，用于若所述故障类型理论结果与所述样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降法、所述故障类型真实结果和所述神经网络，调整所述充电桩故障检测及修复模型，并将调整后的充电桩故障检测及修复模型作为新的充电桩故障检测及修复模型，重新执行所述根据充电桩故障检测及修复模型确定样本库中的运行状态对应的故障类型理论结果的步骤。
8.如权利要求6所述的充电桩故障检测系统，其特征在于，所述故障类型理论结果确定模块还用于：
监控充电桩的运行状态；
若判定所述运行状态对应的充电桩不能正常使用，确定所述运行状态对应的充电桩故障，并标记所述运行状态为故障状态；
若判定所述运行状态对应的充电桩能正常使用，标记所述运行状态为正常状态；
根据所述运行状态和所述运行状态的标记结果建立样本库。
9.一种充电桩故障检测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810968037.1A CN109063785B (zh) | 2018-08-23 | 2018-08-23 | 充电桩故障检测方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810968037.1A CN109063785B (zh) | 2018-08-23 | 2018-08-23 | 充电桩故障检测方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063785A true CN109063785A (zh) | 2018-12-21 |
| CN109063785B CN109063785B (zh) | 2021-03-16 |
Family
ID=64756756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810968037.1A Active CN109063785B (zh) | 2018-08-23 | 2018-08-23 | 充电桩故障检测方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063785B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143053A (zh) * | 2018-08-23 | 2019-01-04 | 国网河北省电力有限公司沧州供电分公司 | 温度补偿校验方法及终端设备 |
| CN110091748A (zh) * | 2019-05-21 | 2019-08-06 | 广州小鹏汽车科技有限公司 | 电动车辆充电异常的处理方法、装置和车辆 |
| CN110232142A (zh) * | 2019-06-03 | 2019-09-13 | 国家电网有限公司 | 充电桩故障检测方法、系统及终端设备 |
| CN110619321A (zh) * | 2019-10-12 | 2019-12-27 | 国电南瑞南京控制系统有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 |
| CN111391694A (zh) * | 2020-02-29 | 2020-07-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种充电站运行维护的多层次快速数据监测方法和系统 |
| CN112307202A (zh) * | 2019-07-29 | 2021-02-02 | 中移(苏州)软件技术有限公司 | 一种文本信息的修正方法、云计算系统和计算机存储介质 |
| CN112433122A (zh) * | 2020-11-23 | 2021-03-02 | 广州橙行智动汽车科技有限公司 | 充电桩可用状态检测方法、装置、设备及存储介质 |
| CN113433409A (zh) * | 2021-06-30 | 2021-09-24 | 青岛科技大学 | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 |
| CN113657442A (zh) * | 2021-07-08 | 2021-11-16 | 广州杰赛科技股份有限公司 | 电动汽车充电设备的故障诊断方法、装置及存储介质 |
| CN116010853A (zh) * | 2023-02-13 | 2023-04-25 | 深圳市田科信息技术有限公司 | 充电桩设备故障预测方法及系统、计算机可读存储介质 |
| CN116466237A (zh) * | 2023-03-23 | 2023-07-21 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1197861A2 (en) * | 2000-05-26 | 2002-04-17 | General Electric Company | System and method for diagnosing and validating a machine over a network using waveform data |
| US20140188777A1 (en) * | 2012-12-27 | 2014-07-03 | General Electric Company | Methods and systems for identifying a precursor to a failure of a component in a physical system |
| CN105782071A (zh) * | 2016-03-04 | 2016-07-20 | 长沙有色冶金设计研究院有限公司 | 一种基于概率神经网络的水隔离矿浆泵故障诊断方法 |
| CN107194465A (zh) * | 2017-06-16 | 2017-09-22 | 华北电力大学（保定） | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
| CN107707392A (zh) * | 2017-09-26 | 2018-02-16 | 厦门集微科技有限公司 | 通道修复方法及装置、终端 |
| CN108256654A (zh) * | 2018-01-02 | 2018-07-06 | 中电长城(长沙)信息技术有限公司 | 一种设备报障和故障诊断方法及系统 |
-
2018
- 2018-08-23 CN CN201810968037.1A patent/CN109063785B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1197861A2 (en) * | 2000-05-26 | 2002-04-17 | General Electric Company | System and method for diagnosing and validating a machine over a network using waveform data |
| US20140188777A1 (en) * | 2012-12-27 | 2014-07-03 | General Electric Company | Methods and systems for identifying a precursor to a failure of a component in a physical system |
| CN105782071A (zh) * | 2016-03-04 | 2016-07-20 | 长沙有色冶金设计研究院有限公司 | 一种基于概率神经网络的水隔离矿浆泵故障诊断方法 |
| CN107194465A (zh) * | 2017-06-16 | 2017-09-22 | 华北电力大学（保定） | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
| CN107707392A (zh) * | 2017-09-26 | 2018-02-16 | 厦门集微科技有限公司 | 通道修复方法及装置、终端 |
| CN108256654A (zh) * | 2018-01-02 | 2018-07-06 | 中电长城(长沙)信息技术有限公司 | 一种设备报障和故障诊断方法及系统 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143053B (zh) * | 2018-08-23 | 2020-12-01 | 国网河北省电力有限公司沧州供电分公司 | 温度补偿校验方法及终端设备 |
| CN109143053A (zh) * | 2018-08-23 | 2019-01-04 | 国网河北省电力有限公司沧州供电分公司 | 温度补偿校验方法及终端设备 |
| CN110091748A (zh) * | 2019-05-21 | 2019-08-06 | 广州小鹏汽车科技有限公司 | 电动车辆充电异常的处理方法、装置和车辆 |
| CN110232142A (zh) * | 2019-06-03 | 2019-09-13 | 国家电网有限公司 | 充电桩故障检测方法、系统及终端设备 |
| CN112307202B (zh) * | 2019-07-29 | 2022-12-13 | 中移(苏州)软件技术有限公司 | 一种文本信息的修正方法、云计算系统和计算机存储介质 |
| CN112307202A (zh) * | 2019-07-29 | 2021-02-02 | 中移(苏州)软件技术有限公司 | 一种文本信息的修正方法、云计算系统和计算机存储介质 |
| CN110619321A (zh) * | 2019-10-12 | 2019-12-27 | 国电南瑞南京控制系统有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 |
| CN110619321B (zh) * | 2019-10-12 | 2022-07-29 | 国电南瑞南京控制系统有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 |
| CN111391694A (zh) * | 2020-02-29 | 2020-07-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种充电站运行维护的多层次快速数据监测方法和系统 |
| CN111391694B (zh) * | 2020-02-29 | 2023-08-11 | 国网江苏省电力有限公司苏州供电分公司 | 一种充电站运行维护的多层次快速数据监测方法和系统 |
| CN112433122A (zh) * | 2020-11-23 | 2021-03-02 | 广州橙行智动汽车科技有限公司 | 充电桩可用状态检测方法、装置、设备及存储介质 |
| CN113433409A (zh) * | 2021-06-30 | 2021-09-24 | 青岛科技大学 | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 |
| CN113657442A (zh) * | 2021-07-08 | 2021-11-16 | 广州杰赛科技股份有限公司 | 电动汽车充电设备的故障诊断方法、装置及存储介质 |
| CN116010853A (zh) * | 2023-02-13 | 2023-04-25 | 深圳市田科信息技术有限公司 | 充电桩设备故障预测方法及系统、计算机可读存储介质 |
| CN116466237A (zh) * | 2023-03-23 | 2023-07-21 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
| CN116466237B (zh) * | 2023-03-23 | 2024-04-02 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063785B (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063785A (zh) | 充电桩故障检测方法及终端设备 | |
| CN102622463B (zh) | 基于图模一致性的设计图自动检查校验的方法 | |
| CN102576311B (zh) | 用于通过优化性能模型提高软件执行时间的方法和系统 | |
| CN102682406B (zh) | 用于插电式电动车辆的配电网改进方法和系统 | |
| CN106130185B (zh) | 一种基于状态监测信息的变电站监控系统建模方法 | |
| CN106383939B (zh) | 一种基于ssd文件的虚端子自动连接方法 | |
| CN103268450B (zh) | 基于测试的移动智能终端系统安全评估体系模型与评估方法 | |
| CN106531654A (zh) | 一种芯片输入引脚测试方法和装置 | |
| CN104461887A (zh) | 一种基于动态模型的嵌入式软件黑盒测试用例生成方法 | |
| CN104375943A (zh) | 一种基于静态模型的嵌入式软件黑盒测试用例生成方法 | |
| CN115330275A (zh) | 一种退役电池的梯次利用方法及装置 | |
| CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
| CN113010160A (zh) | 一种基于SysML的智慧城市场景建模方法 | |
| CN107679423A (zh) | 分区完整性检查方法及装置 | |
| CN109360265A (zh) | 一种用于核电站管理的三维模型结构树生成的方法及装置 | |
| CN116738932B (zh) | 锂电池梯次利用的电芯压差优化方法及装置 | |
| CN110209469A (zh) | Dcn架构资源检测方法、装置、设备及计算机存储介质 | |
| CN109034623A (zh) | 电网规划数据处理方法及终端设备 | |
| CN110103761A (zh) | 新能源车的充电故障追溯方法与系统、服务器及存储介质 | |
| CN106910050A (zh) | 基于无线传输的定值电子交接与自动核对系统及其操作方法 | |
| CN109446642A (zh) | 一种电网设备启动方案智能编写方法及装置 | |
| CN115328786A (zh) | 一种基于区块链的自动化测试方法、装置和存储介质 | |
| CN109066973A (zh) | 一种智能变电站的可视化方法、系统及终端设备 | |
| CN103995925A (zh) | 一种模拟仿真母线保护装置的软件系统 | |
| CN108563568A (zh) | 一种基于聚类分析的应用性能瓶颈检测与诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |