CN109190670B - 一种基于可扩展提升树的充电桩故障预测方法 - Google Patents
一种基于可扩展提升树的充电桩故障预测方法 Download PDFInfo
- Publication number
- CN109190670B CN109190670B CN201810868080.0A CN201810868080A CN109190670B CN 109190670 B CN109190670 B CN 109190670B CN 201810868080 A CN201810868080 A CN 201810868080A CN 109190670 B CN109190670 B CN 109190670B
- Authority
- CN
- China
- Prior art keywords
- charging pile
- data
- fault
- fault prediction
- tree
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于可扩展提升树的充电桩故障预测方法,方法主要包含两个阶段,第一阶段包括以下步骤:首先采集充电桩各部件的故障特征状态信号以及充电桩的故障信息到数据分析平台,作为模型训练样本数据;数据分析平台采用Xgboost算法对接收的大量练样本数据进行训练,得到一个达到一定精度满意度的充电桩故障预测模型;第二阶段,当数据分析平台再次接收到充电桩的状态信号时,将利用训练好的Xgboost模型对充电桩的故障状态做出判断。本发明利用人工智能技术解决了充电桩故障预测问题,并具有极高的准确度,可以降低充电桩人工维护检修成本,节省大量的人力和财力资源。
Description
技术领域
本发明属于电动汽车充电桩故障预测技术领域,尤其涉及一种基于可扩展提升树Xgboost的电动汽车充电桩故障预测方法。
背景技术
电动汽车充电站作为电动汽车能源补给来源,是发展电动汽车所必须的重要配套基础设施。然而目前充电桩企业普遍存在充电桩维护不到位的现象,部分地区还出现了不少的故障桩和僵尸桩,这些问题严重影响用户充电体验制约了电动汽车行业的发展。可以说实现充电桩的故障智能化预测,进行及时的维护维修,使充电桩更安全、稳定的工作对提高充电桩的使用效率具有重大意义。
对于故障预测与诊断问题,目前国内外基于数据驱动的解决思路取得较好成效的技术有RNN、FMM-CART等,而这些方法应用的设备都不是充电桩。专门针对电动汽车充电桩故障问题,林越等提出一种基于AP-HMM的混合模型,文章刊登于广西师范大学学报(自然科学版)。此文章提出的AP-HMM混合模型具有一定普适性,主要适用于速度要求低的设备故障问题,不足之处在于此文章只针对继电器进行实验,而充电桩是一个多模块的复杂系统,应该考虑多模块的故障特征成分进行综合分析判断,另外,这些方法在速度上普遍存在劣势。
发明内容
针对现有充电桩故障预测技术速度上的不足、考虑的故障特征成分不够全面等问题,并结合充电桩各部件信号数据的特点以及故障预测任务的类型,本发明提出了一种基于可扩展提升树Xgboost的电动汽车充电桩故障预测方法。
本发明的技术方案:
一种基于可扩展提升树的充电桩故障预测方法,步骤如下:
步骤1:获得充电桩各部件的电压信号以及充电总谐波失真数据,具体包括开关驱动信号、电子锁驱动信号、急停信号、门禁信号、电压的总谐波失真和电流的总谐波失真;将上述获得的数据与充电桩的故障数据一起发送到数据分析平台;充电桩的故障数据是指充电桩是否发生故障的标签信息;
步骤2:数据分析平台采用Xgboost算法对接收的数据进行训练,得到充电桩故障预测模型;Xgboost是采用boosting方法的集成学习算法,弱学习器为CART决策树;对于充电桩故障预测问题,充电桩故障预测模型的学习目标为二分类的逻辑回归,损失函数为对数损失函数,为了提高充电桩故障预测模型预测准确率需对关键参数进行调优操作;关键参数包括树深度、子样本、colsample_bytree、min_child_weight和学习率eta,具体步骤如下:
(2.1)把步骤1得到的数据作为训练样本数据,划分为两部分,一部分用作模型的训练和验证,另一部分用作模型的测试;
(2.2)首先,将步骤(2.1)中的划分得到的验证数据用作充电桩故障预测模型训练的性能评估数据集,然后设置迭代次数,迭代次数的设置应该足够大以确保能够在训练过程中判断出最佳的迭代次数,充电桩故障预测模型的评估函数设为F1得分,最后对充电桩故障预测模型的关键参数进行初始化;
(2.3)调优树深度:首先增大或减小树深度,观察F1得分的变化,如果F1得分变大,则继续对应增大或减小树深度,如果F1得分变小,则向相反方向调整树深度值;
(2.4)在找到最佳树深度后,调整子样本,从1调整到一个小于1的值,如果F1得分变大则继续减小子样本,如果F1得分变小则增大子样本,以此类推,直到增大为1;
(2.5)调整min_child_weight,调整方法同步骤(2.3);
(2.6)调整colsample_bytree,调整方法同步骤(2.4);
(2.7)调整学习率eta,调整方法同步骤(2.3),得到最佳的迭代轮次,并保存模型;
充电桩故障预测模型的建立的具体过程包括以下步骤:
(2.8)将初始预测值赋值为0;
(2.9)从根节点开始,根据每个特征将训练数据进行排序,采用贪心法计算每个特征的增益,选择增益最大的特征作为分裂特征,并将训练数据映射到相应的叶子节点,对生成的叶子节点递归进行此操作直到达到限制条件,决策树生成过程结束;
(2.10)然后由损失函数的一阶导数和二阶导数计算得到决策树叶子节点的权值,作为下一棵树的拟合目标;
(2.11)回到步骤(2.9),递归执行到满足条件为止,充电桩故障预测模型建立完毕;
步骤3:当数据分析平台再次接收到充电桩的状态信号时,将利用训练好的充电桩故障预测模型对充电桩的故障状态做出预测;数据分析平台再次接收到的充电桩的状态信号仅包含充电桩各部件的电压信号以及充电总谐波失真数据,不包含充电桩的故障信息;将数据分析平台再次接收到的充电桩的状态信号输入到训练好的充电桩故障预测模型得到充电桩的故障状态的预测结果;预测结果是由充电桩故障预测模型训练过程中建立的K棵决策树的结果加权,在经过Sigmoid函数得到的概率值。
与现有技术相比本发明提出的基于Xgboost的电动汽车充电桩故障预测方法考虑了充电桩多故障特征成分进行分析判断,提升了充电桩故障预测的速度,并且进一步提升了故障识别的准确度。另外,此发明具有较好的实际意义,利用人工智能技术代替人工维护检修,可以节省大量的人力和财力资源。
附图说明
图1为本发明的流程图;
图2为Xgboost算法参数调优流程图;
图3为Xgboost模型建立过程示意图;
图4为Xgboost模型充电桩故障预测过程示意图。
具体实施方式
下面结合技术方案和附图,给出本发明实施过程的详细描述。
本发明公开的基于Xgboost(Extreme Gradient Boosting)算法的电动汽车充电桩的故障预测方法,总体流程图如附图1所示。
首先需要获得充电桩各部件的电压信号数据,并和充电桩的故障信息一起发送到数据分析平台,具体来说各部件的电压信号数据包括开关、电子锁、急停按钮、门禁等常见充电桩电路模块的电压信号以及电压、电流的总谐波失真数据。以上所述的充电桩常见模块的电压信号可以通过电压电流采集电路获得,充电桩的故障信息可以通过技术工人诊断获得或者简单的由用户上传,然后将全部信息汇总后发送回数据分析平台。
当数据平台的数据量积累到一定数量后,数据分析平台采用Xgboost算法对接收的大量充电桩状态数据进行训练,得到一个达到一定精度的充电桩故障预测模型,要想获得具有令人满意的精确度的模型,需要进行如附图2所示的繁琐的参数调优过程。对于充电桩故障预测问题,模型的学习目标可以首先确定为二分类的逻辑回归,对于模型的其它参数需要单独调整,具体如下:
(2.1)将训练样本数据划分为两部分,一部分用作模型的训练和验证,另一部分用作模型的测试,根据总的样本量确定比例,例如总样本有10万左右,比例可以是8:1:1,充电桩故障预测模型的评估函数设为F1得分。
(2.2)初始化模型参数eta等于0.1,数深度为10,子样本为1,colsample_bytree为0.2,min_child_weight为5,将迭代次数设成一个较大的值如10000,并为训练过程设置一个监视列表即(1)划分得到的验证数据,用作模型训练的性能评估数据集,观察每一次迭代的模型F1得分变化,如果F1得分变小,则停止程序;
(2.3)调整树深度参数,首先增大或者减小深度参数,例如深度减小为8观察F1得分的变化,如果F1得分变大,则继续减小深度,如果F1得分变小则向相反方向调整深度值;
(2.4)在找到最佳深度值后,调整子样本参数,从1调整到一个小于1的值如0.8,如果F1得分变大则继续减小子样本如0.7,如果F1得分变小则增大子样本参数如0.9,以此类推;
(2.5)调整min_child_weight参数,调整方法同步骤(2.3);
(2.6)调整colsample_bytree参数,调整方法同步骤(2.4);
(2.7)调整学习率eta,调整方法同步骤(2.3),得到最佳的迭代轮次,并保存模型;
Xgboost模型为采用boosting方法的集成学习算法,弱学习器为CART决策树,可以看成是由K棵树{f1,f2,...,fk}组成的加法模型,目标函数由损失函数和正则项两部分组成,损失函数采用了二阶泰勒展开进行逼近。模型的建立过程包括以下步骤:
(2.8)将初始预测值赋值为0;
(2.9)从根节点开始,根据每个特征将训练数据进行排序,采用贪心法计算每个特征的收益;注意此处的收益为分裂节点分裂前的最优值减去左子树的最优值和右子数的最优值,此处的最优值由目标函数的二阶泰勒展开推导得到;选择收益最大的特征作为分裂特征,并将样本数据映射到相应的叶子节点;对生成的叶子节点递归进行此操作直到达到一定的限制条件,决策树生成过程结束;
(2.10)然后由损失函数的一阶导数和二阶导数得到计算(2.9)中生成的决策树叶子节点的权值,作为下一棵树的拟合目标;
(2.11)回到第(2.9)步,递归执行到满足特定条件为止,模型建立完毕。
到此为止Xgboost模型已经训练完成。当数据分析平台再次接收到充电桩的状态信号时,需要注意的是此时的充电桩的状态信号仅包含充电柱各部件的电压、电流信号数据以及电压、电流的总谐波失真信号不包含充电桩的故障信息即充电桩是否发生故障的标签信息,利用训练好的Xgboost模型对充电桩的故障状态做出判断即由模型训练过程中建立的K棵决策树的结果加权求和,在经过Sigmoid函数得到概率值,整个过程如附图4所示。到此,整个充电桩故障预测流程结束。
本发明利用人工智能技术解决了充电桩故障预测问题,速度上有较大提升,并具有极高的准确度,可以替代人工巡检,有效降低充电桩人工维护检修成本,节省人力和财力资源。
Claims (1)
1.一种基于可扩展提升树的充电桩故障预测方法,其特征在于,步骤如下:
步骤1:获得充电桩各部件的电压信号以及充电桩总谐波失真数据,具体包括开关驱动信号、电子锁驱动信号、急停信号、门禁信号、电压的总谐波失真和电流的总谐波失真;将上述获得的数据与充电桩的故障数据一起发送到数据分析平台;充电桩的故障数据是指充电桩是否发生故障的标签信息;
步骤2:数据分析平台采用Xgboost算法对接收的数据进行训练,得到充电桩故障预测模型;Xgboost是采用boosting方法的集成学习算法,弱学习器为CART决策树;对于充电桩故障预测问题,充电桩故障预测模型的学习目标为二分类的逻辑回归,损失函数为对数损失函数,为了提高充电桩故障预测模型预测准确率需对关键参数进行调优操作;关键参数包括树深度、子样本、colsample_bytree、min_child_weight和学习率eta,具体步骤如下:
(2.1)把步骤1得到的数据作为训练样本数据,划分为两部分,一部分用作模型的训练和验证,另一部分用作模型的测试;
(2.2)首先,将步骤(2.1)中的划分得到的验证数据用作充电桩故障预测模型训练的性能评估数据集,然后设置迭代次数,迭代次数的设置应该足够大以确保能够在训练过程中判断出最佳的迭代次数,充电桩故障预测模型的评估函数设为F1得分,最后对充电桩故障预测模型的关键参数进行初始化;
(2.3)调优树深度:首先增大或减小树深度,观察F1得分的变化,如果F1得分变大,则继续对应增大或减小树深度,如果F1得分变小,则向相反方向调整树深度;
(2.4)在找到最佳树深度后,调整子样本,从1调整到一个小于1的值,如果F1得分变大则继续减小子样本,如果F1得分变小则增大子样本,以此类推,直到增大为1;
(2.5)调整min_child_weight,调整方法同步骤(2.3);
(2.6)调整colsample_bytree,调整方法同步骤(2.4);
(2.7)调整学习率eta,调整方法同步骤(2.3),得到最佳的迭代轮次,并保存模型;
充电桩故障预测模型的建立的具体过程包括以下步骤:
(2.8)将初始预测值赋值为0;
(2.9)从根节点开始,根据每个特征将训练数据进行排序,采用贪心法计算每个特征的增益,选择增益最大的特征作为分裂特征,并将训练数据映射到相应的叶子节点,对生成的叶子节点递归进行此操作直到达到限制条件,决策树生成过程结束;
(2.10)然后由损失函数的一阶导数和二阶导数计算得到决策树叶子节点的权值,作为下一棵树的拟合目标;
(2.11)回到步骤(2.9),递归执行到满足条件为止,充电桩故障预测模型建立完毕;
步骤3:当数据分析平台再次接收到充电桩的状态信号时,将利用训练好的充电桩故障预测模型对充电桩的故障状态做出预测;数据分析平台再次接收到的充电桩的状态信号仅包含充电桩各部件的电压信号以及充电桩总谐波失真数据,不包含充电桩的故障信息;将数据分析平台再次接收到的充电桩的状态信号输入到训练好的充电桩故障预测模型得到充电桩的故障状态的预测结果,预测结果是由充电桩故障预测模型训练过程中建立的K棵决策树的结果加权,再经过Sigmoid函数得到概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868080.0A CN109190670B (zh) | 2018-08-02 | 2018-08-02 | 一种基于可扩展提升树的充电桩故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868080.0A CN109190670B (zh) | 2018-08-02 | 2018-08-02 | 一种基于可扩展提升树的充电桩故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190670A CN109190670A (zh) | 2019-01-11 |
CN109190670B true CN109190670B (zh) | 2020-04-07 |
Family
ID=64920444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810868080.0A Active CN109190670B (zh) | 2018-08-02 | 2018-08-02 | 一种基于可扩展提升树的充电桩故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190670B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829236B (zh) * | 2019-01-31 | 2023-04-18 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及系统 |
CN109886328B (zh) * | 2019-02-14 | 2021-07-23 | 国网浙江省电力有限公司电力科学研究院 | 一种电动汽车充电设施故障预测方法与系统 |
CN111832653A (zh) * | 2019-07-17 | 2020-10-27 | 山东电工电气集团有限公司 | 基于XGboost算法的避雷器缺陷诊断方法及系统 |
CN111784023A (zh) * | 2019-08-08 | 2020-10-16 | 沈阳工业大学 | 一种短时邻近雾能见度预测方法 |
FI20195682A1 (en) * | 2019-08-15 | 2021-02-16 | Liikennevirta Oy / Virta Ltd | CHARGING STATION MONITORING METHOD AND APPARATUS |
CN110569278A (zh) * | 2019-08-21 | 2019-12-13 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据分析的变压器缺陷评估方法 |
CN110956010B (zh) * | 2019-11-01 | 2023-04-18 | 国网辽宁省电力有限公司阜新供电公司 | 基于梯度提升树的大规模新能源接入电网稳定性辨识方法 |
CN110849617A (zh) * | 2019-11-22 | 2020-02-28 | 深圳市通用互联科技有限责任公司 | 传送带故障检测方法、装置、计算机设备和存储介质 |
CN110988563B (zh) * | 2019-12-23 | 2022-04-01 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111337764A (zh) * | 2020-02-14 | 2020-06-26 | 重庆国翰能源发展有限公司 | 充电桩故障诊断系统、方法及存储介质 |
CN112270227A (zh) * | 2020-10-16 | 2021-01-26 | 广东石油化工学院 | 一种油膜涡动与摩擦并发故障分析方法及分析系统 |
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 |
CN112699605B (zh) * | 2020-12-28 | 2022-09-16 | 山东鲁软数字科技有限公司智慧能源分公司 | 一种充电桩故障元件预测方法及系统 |
CN112801315A (zh) * | 2021-01-28 | 2021-05-14 | 国网河北省电力有限公司电力科学研究院 | 电力二次设备的状态诊断方法、装置及终端 |
CN113561830A (zh) * | 2021-07-26 | 2021-10-29 | 阳光电源股份有限公司 | 一种用于充电桩的急停开关保护方法、装置及充电桩 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950327B (zh) * | 2010-09-09 | 2012-05-23 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
US10558766B2 (en) * | 2015-12-31 | 2020-02-11 | Palo Alto Research Center Incorporated | Method for Modelica-based system fault analysis at the design stage |
CN106886851A (zh) * | 2017-02-03 | 2017-06-23 | 国网安徽省电力公司 | 基于电能表状态检修的电能表备品备件预测方法 |
CN106980922A (zh) * | 2017-03-03 | 2017-07-25 | 国网天津市电力公司 | 一种基于大数据的输变电设备状态评价方法 |
-
2018
- 2018-08-02 CN CN201810868080.0A patent/CN109190670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109190670A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190670B (zh) | 一种基于可扩展提升树的充电桩故障预测方法 | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
CN111612029B (zh) | 机载电子产品故障预测方法 | |
CN115015760B (zh) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN112083331A (zh) | 一种提升锂离子电池荷电状态估计精度的融合方法 | |
CN115603464B (zh) | 一种基于数字孪生的电网操作票智能生成管理系统 | |
CN110619442A (zh) | 一种基于强化学习的车辆泊位预测方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN111932396A (zh) | 一种配电网拓扑网络自动识别方法 | |
CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN117435956A (zh) | 一种基于igwo-adam-bp神经网络的电化学储能电池数据分析方法 | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
CN117273491A (zh) | 一种基于深度强化学习的电力网络故障恢复动态决策方法 | |
CN117272783A (zh) | 一种基于云边协同多模型融合的动力电池寿命预测方法 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 |
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 |