CN109635854B - 基于马尔科夫链的充电桩故障预测方法及装置 - Google Patents
基于马尔科夫链的充电桩故障预测方法及装置 Download PDFInfo
- Publication number
- CN109635854B CN109635854B CN201811416027.3A CN201811416027A CN109635854B CN 109635854 B CN109635854 B CN 109635854B CN 201811416027 A CN201811416027 A CN 201811416027A CN 109635854 B CN109635854 B CN 109635854B
- Authority
- CN
- China
- Prior art keywords
- charging pile
- fault
- markov chain
- state
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 230000007704 transition Effects 0.000 claims description 90
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 39
- 238000004891 communication Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000007689 inspection Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种基于马尔科夫链的充电桩故障预测方法及装置,方法包括:获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程;根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。本申请能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修。
Description
技术领域
本申请涉及充电桩设备技术领域,具体涉及一种基于马尔科夫链的充电桩故障预测方法及装置。
背景技术
随着科技飞速发展及人们环保意识的日益提高,越来越多的电力驱动车辆受到人们的青睐。而作为电力驱动车辆的重要配套设备,充电桩也应运而生。随着越来越多的充电桩投入应用,如何发现充电桩的故障以对其进行及时维修,也成为了保证充电桩的运行质量课题中的重要研究方法。
现有技术中,充电桩的故障检测方式通常采用人工计划性巡检充电桩的方式来实现,若在巡检过程中发现故障,则针对故障充电桩进行维修。
然而,由于现有的充电桩的故障检测方式是通过人工计划性巡视来发现故障的,此种方式仅能够在人工巡检获知故障后才能够进行检修,使得针对充电桩的维修被动且效率低下,另外,由于人工计划性巡视策略缺乏定制依据,容易导致过度巡检和缺乏巡检的现象,产生资源浪费和错配。
发明内容
针对现有技术中的问题,本申请提供一种基于马尔科夫链的充电桩故障预测方法及装置,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种基于马尔科夫链的充电桩故障预测方法,包括:
获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;
其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程;
根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。
进一步地,所述充电桩故障预测方法还包括:
根据充电桩的状态转移次数建立所述充电桩的马尔科夫链预测模型,其中,所述状态转移次数为所述充电桩的非故障状态与至少一种故障状态之间的相互转换以及所述充电桩的不同的故障状态之间的相互转换的次数。
进一步地,所述根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率,包括:
根据所述初始状态概率分布以及所述目标充电桩的预测时段,应用所述马尔科夫链预测模型获取所述目标充电桩在所述预测时段内的故障概率分布;
其中,所述预测时段与所述初始时段之间的时间间隔为所述初始时段的正整数倍。
进一步地,所述根据充电桩的状态转移次数建立所述充电桩的马尔科夫链预测模型,包括:
自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个充电桩的历史运行数据;
自所述历史运行数据中提取充电桩的状态转移次数;
根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型。
第二方面,本申请提供一种基于马尔科夫链的充电桩故障预测装置,包括:
初始状态概率分布获取模块,用于获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;
其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程;
故障概率预测模块,用于根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。
进一步地,所述充电桩故障预测装置还包括:
马尔科夫链预测模型建立模块,用于根据充电桩的状态转移次数建立所述充电桩的马尔科夫链预测模型,其中,所述状态转移次数为所述充电桩的非故障状态与至少一种故障状态之间的相互转换以及所述充电桩的不同的故障状态之间的相互转换的次数。
进一步地,所述故障概率预测模块具体用于:
根据所述初始状态概率分布以及所述目标充电桩的预测时段,应用所述马尔科夫链预测模型获取所述目标充电桩在所述预测时段内的故障概率分布;
其中,所述预测时段与所述初始时段之间的时间间隔为所述初始时段的正整数倍。
进一步地,所述马尔科夫链预测模型建立模块包括:
历史运行数据获取单元,用于自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个充电桩的历史运行数据;
状态转移次数提取单元,用于自所述历史运行数据中提取充电桩的状态转移次数;
转移概率矩阵建立单元,用于根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于马尔科夫链的充电桩故障预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于马尔科夫链的充电桩故障预测方法的步骤。
由上述技术方案可知,本申请提供一种基于马尔科夫链的充电桩故障预测方法,通过获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程;根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导充电桩的智能化运维,提升充电设施资产管理和运行检修工作精益化水平,提高充电设施的运行稳定性和运行寿命,缩短故障处理时长,提高资产利用率和充电服务水平。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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他的附图。
图1为本发明实施例中的服务器S1与客户端设备B1之间的构架示意图。
图2为本发明实施例中的基于马尔科夫链的充电桩故障预测方法的流程示意图。
图3为本发明实施例中的包含有步骤000的基于马尔科夫链的充电桩故障预测方法的流程示意图。
图4为本发明实施例中的基于马尔科夫链的充电桩故障预测方法中步骤000的流程示意图。
图5为本发明实施例中的基于马尔科夫链的充电桩故障预测装置的结构示意图。
图6为本发明实施例中的包含有马尔科夫链预测模型建立模块00的基于马尔科夫链的充电桩故障预测装置的结构示意图。
图7为本发明实施例中的基于马尔科夫链的充电桩故障预测方法中马尔科夫链预测模型建立模块00的结构示意图。
图8为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有技术存在的针对充电桩的维修被动且效率低下,且存在过度巡检和缺乏巡检并产生资源浪费和错配的问题,本申请提供一种基于马尔科夫链的充电桩故障预测方法、基于马尔科夫链的充电桩故障预测装置、用于实现所述基于马尔科夫链的充电桩故障预测方法的电子设备和计算机存储介质。其中,基于马尔科夫链的充电桩故障预测方法通过获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布,其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程,以及,根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑。
基于上述内容,本申请还提供一种基于马尔科夫链的充电桩故障预测装置,该装置可以为一种服务器S1,参见图1,该服务器S1可以与至少一个客户端设备B1通信连接,所述客户端设备B1可以在线将多个充电桩的历史运行数据发送至所述服务器S1,所述服务器S1可以在线接收所述多个充电桩的历史运行数据。所述服务器S1可以在线或者离线自所述历史运行数据中提取充电桩的状态转移次数,并根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型。
而后,所述客户端设备B1可以在线将用户选定或输入的目标充电桩对应的标识发送至所述服务器S1,所述服务器S1可以在线接收目标充电桩对应的标识。所述服务器S1可以在线或离线根据该目标充电桩对应的标识获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程,并根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。之后,所述服务器S1在线将所述目标充电桩在预测时段内发生至少一种故障的概率发送至所述客户端设备B1。
基于上述内容,所述客户端设备B1可以具有显示界面,使得用户能够根据界面查看所述服务器S1发送的所述目标充电桩在预测时段内发生至少一种故障的概率结果。
可以理解的是,所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,进行基于马尔科夫链的充电桩故障预测的部分可以在如上述内容所述的服务器S1侧执行,即,如图1所示的架构,也可以所有的操作都在所述客户端设备B1中完成,且该所述客户端设备B1可以直接与电力系统进行通信连接。具体可以根据所述客户端设备B1的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成,所述客户端设备B1还可以包括处理器,用于进行基于马尔科夫链的充电桩故障预测的具体处理。
上述的客户端设备可以具有通信模块(即通信单元),可以与电力系统的远程的服务器进行通信连接,实现与所述电力系统的远程的服务器的数据传输。例如,通信单元通过所述电力系统的远程的服务器获取电力系统的遥测数据、遥信数据和电力模块监控数据,以便客户端设备根据这些相关数据构建所述充电桩的马尔科夫链预测模型。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
在本申请的一个或多个实施例中,充电桩可以固定在地面或墙壁,安装于公共建筑(公共楼宇、商场、公共停车场等)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力驱动车辆充电。其中,所述电力驱动车辆可以为电动汽车,也可以为通过电力驱动的其他类型车辆。
本申请能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑。具体通过下述实施例及两个应用场景进行具体说明。
为了能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,本申请实施例提供一种基于马尔科夫链的充电桩故障预测方法,参见图2,所述基于马尔科夫链的充电桩故障预测方法具体包括如下内容:
步骤100:获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布,其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程。
可以理解的是,所述充电桩的历史运行数据可以为预设运行时段内的历史运行数据,且该预设运行时段为后述的初始时段及预测时段的倍数。举例来说,若后续的初始时段为1天、预测时段为10天,则该预设运行时段可以为1个月、3个月或者1年等。
步骤200:根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。
可以理解的是,马尔科夫链预测模型(Markov Forecasting Model,MFM)是以俄国数学家Markov名字命名的一种方法。它将时间序列看作一个随机过程,通过对事物不同状态的初步概率和状态之间转移概率的研究,确定状态变化趋势,以预测事物的未来。它是根据事件的目前状况来预测其将来各个时刻(或时期)变动状况的一种预测方法。
在一种具体举例中,所述充电桩的故障状态至少可以包含有:烟雾报警故障、交流断路器故障、直流母线输出熔断器故障、充电机风扇故障、避雷器故障、急停按钮动作故障、柜门异常打开故障、直流母线输出接触器故障、放电接触器故障、放电电阻故障、电子锁故障、绝缘监测故障、电池反接故障、充电中控制导引故障、充电枪未归位故障、充电桩过温故障、充电枪过温故障、BMS通讯异常、输入电压过压故障、输入电压欠压故障、输出电压过压故障、输出电压欠压故障、输出过流故障、输出短路故障、TCU通讯异常、充电模块通讯告警、充电模块交流输入告警、充电模块交流输入过压告警、充电模块交流输入欠压告警、充电模块交流输入缺相告警、充电模块直流输出短路故障、充电模块直流输出过流故障、充电模块直流输出过压故障、充电模块直流输出欠压故障、充电模块过温故障和充电模块风扇故障。
从上述描述可知,本申请实施例提供的基于马尔科夫链的充电桩故障预测方法,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑。
为了能够提供更为准确且有针对性的马尔科夫链预测模型,以进一步提高预测过程的效率和预测结果的准确性,在本申请的一实施例中,本申请的基于马尔科夫链的充电桩故障预测方法还包含有模型建立步骤,参见图3,所述模型建立步骤具体包括如下内容:
步骤000:根据充电桩的状态转移次数建立所述充电桩的马尔科夫链预测模型,其中,所述状态转移次数为所述充电桩的非故障状态与至少一种故障状态之间的相互转换以及所述充电桩的不同的故障状态之间的相互转换的次数。
为了能够进一步提高充电桩的自动故障预测的准确性和可靠性,在本申请的一实施例中还提供基于马尔科夫链的充电桩故障预测方法中步骤200的具体实现方式,所述步骤200具体包括如下内容:
步骤201:根据所述初始状态概率分布以及所述目标充电桩的预测时段,应用所述马尔科夫链预测模型获取所述目标充电桩在所述预测时段内的故障概率分布,其中,所述预测时段与所述初始时段之间的时间间隔为所述初始时段的正整数倍。
为了能够通过提高数据基础的准确性和可靠性来进一步提高充电桩的自动故障预测的准确性和可靠性,在本申请的一实施例中还提供基于马尔科夫链的充电桩故障预测方法中步骤000的具体实现方式,参见图4,所述步骤000具体包括如下内容:
步骤001:自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个充电桩的历史运行数据。
步骤002:自所述历史运行数据中提取充电桩的状态转移次数。
步骤003:根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型。
基于上述内容,将本申请的基于马尔科夫链的充电桩故障预测方法通过下述离线的模型构建场景及在线的模型预测场景进行详细说明,具体内容如下:
(一)离线的模型构建场景
S1:获取多个充电桩的历史运行数据。
其中,可以从电网相关的遥测数据、遥信数据以及其他电力数据监控模块采集的历史数据中提取得到充电桩的历史运行数据。所述遥测数据为远程测量数据,是指采集并传送运行参数,包括各种电气量(线路上的电压、电流、功率等量值)和负荷潮流等。所述遥信数据为通过远程信号采集并传送的各种保护和开关量信息。
S2:自充电桩的历史运行数据中提取充电桩的状态转移次数,其中,所述状态转移次数为所述充电桩的非故障状态与故障状态之间的相互转换次数以及不同的故障状态之间的相互转换次数。
可以理解的是,所述充电桩的非故障状态即为充电桩的正常工作状态,该正常状态状态包括处于随时可为电动车辆进行充电的运行状态,以及,正在为电动车辆进行充电的电力输出状态。在一种举例中,所述非故障状态的标识可以为正常A0。
在一种举例中,所述充电桩的故障状态至少可以包含有:烟雾报警故障A1、交流断路器故障A2、直流母线输出熔断器故障A3、充电机风扇故障A4、避雷器故障A5、急停按钮动作故障A6、柜门异常打开故障A7、直流母线输出接触器故障A8、放电接触器故障A9、放电电阻故障A10、电子锁故障A11、绝缘监测故障A12、电池反接故障A13、充电中控制导引故障A14、充电枪未归位故障A15、充电桩过温故障A16、充电枪过温故障A17、BMS通讯异常A18、输入电压过压故障A19、输入电压欠压故障A20、输出电压过压故障A21、输出电压欠压故障A22、输出过流故障A23、输出短路故障A24、TCU通讯异常A25、充电模块通讯告警A26、充电模块交流输入告警A27、充电模块交流输入过压告警A28、充电模块交流输入欠压告警A29、充电模块交流输入缺相告警A30、充电模块直流输出短路故障A31、充电模块直流输出过流故障A32、充电模块直流输出过压故障A33、充电模块直流输出欠压故障A34、充电模块过温故障A35和充电模块风扇故障A36。
S3:根据多个充电桩的状态转移次数构建马尔科夫链的转移概率矩阵。
如果我们把研究对象当作一个系统,那么系统的状态是随着时间的转移而变化的。状态转移就是系统由一个时期所处的状态Si到未来所处的可能状态Sj的转变,发生这种状态转移的可能性即是转移概率。转移概率可以分为一次转移和多次转移。所谓一次转移是指系统在相邻的两个时期的状态转移,多次转移是指系统经过多个时期的状态转移。
设有一离散型随机过程(这里是充电桩状态演变过程),它所有可能的状态集合为S={1,2,…N},称其为状态空间。如果对于任一n>1,i1、i2…in-1,j>s,恒有:
P{Xn=j|X1=i1,X2=i2,…Xn-1=in-1}=P{Xn=j|Xn-1=in-1}
则称离散型随机过程{Xt,t∈T}称为马尔科夫链。
马尔科夫链的一步转移概率具有以下性质:
pij≥0(i,j=1,2,…,n)
把各状态之间的一步转移概率排成矩阵,称为状态矩阵P:
每个状态i对应状态矩阵P的第i行。
k步转移概率为系统从状态i恰好经k步转移到状态j的概率
k步转移矩阵:
n步状态转移矩阵等于一步状态转移矩阵的n次方,即:
转移概率矩阵估算方法一般有二种:一是主观概率法(缺乏历史统计资料或资料不全情况下使用)。二是统计估算法。
对于一般的情况,假定系统有m种状态S1,S2…Sm,根据系统的状态转移的历史记录,得出各状态间转移次数得分类统计表格如下表所示,由此估计状态i转移到状态j的转移概率Pij。
各状态间转移次数得分类统计表格如下表1所示:
表1
根据以上概率矩阵估计方法,结合充电桩36种主要故障类型,构造充电桩故障转移概率矩阵(37×37矩阵)如表2-1至表2-3所示,其中,表2-2的左侧接在表2-1右侧,且表2-3的左侧接在表2-2的右侧,表2-1至表2-3的首行内容组合后为A0至A36,即表2-1至表2-3组成一个完整的充电桩故障转移概率矩阵,根据表2-1至表2-3绘制充电桩故障的马尔科夫链。
表2-1
状态 | A0 | A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 | A9 | A10 | A11 | A12 |
A0 | 0.23 | 0.01 | 0.01 | 0.01 | 0.02 | 0.01 | 0.03 | 0.02 | 0.01 | 0.01 | 0.01 | 0.02 | 0.01 |
A1 | 0.21 | 0.31 | 0.01 | 0.01 | 0.02 | 0.01 | 0.01 | 0.01 | 0.01 | 0.01 | 0.01 | 0.01 | 0.01 |
A2 | 0.20 | 0.04 | 0.59 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 |
A3 | 0.08 | 0.02 | 0.00 | 0.46 | 0.00 | 0.00 | 0.00 | 0.00 | 0.04 | 0.04 | 0.04 | 0.00 | 0.00 |
A4 | 0.17 | 0.06 | 0.00 | 0.00 | 0.33 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A5 | 0.33 | 0.00 | 0.00 | 0.00 | 0.00 | 0.67 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A6 | 0.30 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.70 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A7 | 0.30 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.70 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A8 | 0.08 | 0.00 | 0.00 | 0.04 | 0.00 | 0.00 | 0.00 | 0.00 | 0.56 | 0.00 | 0.00 | 0.00 | 0.00 |
A9 | 0.10 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.70 | 0.20 | 0.00 | 0.00 |
A10 | 0.10 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.20 | 0.70 | 0.00 | 0.00 |
A11 | 0.19 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.44 | 0.00 |
A12 | 0.25 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.75 |
A13 | 0.16 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A14 | 0.25 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.08 | 0.00 |
A15 | 0.33 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A16 | 0.16 | 0.08 | 0.00 | 0.00 | 0.32 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A17 | 0.15 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A18 | 0.40 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A19 | 0.29 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A20 | 0.29 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A21 | 0.29 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A22 | 0.29 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A23 | 0.18 | 0.00 | 0.00 | 0.18 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A24 | 0.12 | 0.00 | 0.00 | 0.08 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A25 | 0.35 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A26 | 0.40 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A27 | 0.15 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A28 | 0.25 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A29 | 0.26 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A30 | 0.32 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A31 | 0.18 | 0.00 | 0.00 | 0.07 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A32 | 0.23 | 0.00 | 0.00 | 0.09 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A33 | 0.32 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A34 | 0.32 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A35 | 0.23 | 0.00 | 0.00 | 0.00 | 0.07 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A36 | 0.15 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
表2-2
状态 | A13 | A14 | A15 | A16 | A17 | A18 | A19 | A20 | A21 | A22 | A23 | A24 | A25 |
A0 | 0.01 | 0.01 | 0.02 | 0.02 | 0.02 | 0.03 | 0.03 | 0.02 | 0.03 | 0.02 | 0.03 | 0.02 | 0.06 |
A1 | 0.01 | 0.01 | 0.01 | 0.08 | 0.05 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A2 | 0.00 | 0.00 | 0.00 | 0.02 | 0.02 | 0.00 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A3 | 0.00 | 0.00 | 0.00 | 0.02 | 0.02 | 0.00 | 0.00 | 0.00 | 0.04 | 0.00 | 0.08 | 0.02 | 0.00 |
A4 | 0.00 | 0.00 | 0.00 | 0.28 | 0.06 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.02 |
A5 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A6 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A7 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A8 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.04 | 0.00 | 0.04 | 0.00 | 0.08 | 0.02 | 0.00 |
A9 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A10 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A11 | 0.00 | 0.06 | 0.31 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A12 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A13 | 0.84 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A14 | 0.00 | 0.50 | 0.00 | 0.00 | 0.00 | 0.17 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A15 | 0.00 | 0.00 | 0.67 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A16 | 0.00 | 0.00 | 0.00 | 0.40 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A17 | 0.00 | 0.00 | 0.00 | 0.00 | 0.46 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.19 | 0.00 | 0.00 |
A18 | 0.00 | 0.10 | 0.00 | 0.00 | 0.00 | 0.50 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A19 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A20 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A21 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 | 0.00 |
A22 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 |
A23 | 0.00 | 0.00 | 0.00 | 0.00 | 0.14 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.23 | 0.05 | 0.00 |
A24 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.18 | 0.20 | 0.00 |
A25 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.65 |
A26 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A27 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.13 | 0.12 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A28 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.22 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A29 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.19 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A30 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A31 | 0.00 | 0.00 | 0.00 | 0.00 | 0.04 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.09 | 0.22 | 0.00 |
A32 | 0.00 | 0.00 | 0.00 | 0.00 | 0.06 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.17 | 0.09 | 0.00 |
A33 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.28 | 0.00 | 0.00 | 0.00 | 0.00 |
A34 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.28 | 0.00 | 0.00 | 0.00 |
A35 | 0.00 | 0.00 | 0.00 | 0.16 | 0.14 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A36 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
表2-3
状态 | A26 | A27 | A28 | A29 | A30 | A31 | A32 | A33 | A34 | A35 | A36 |
A0 | 0.02 | 0.02 | 0.02 | 0.02 | 0.01 | 0.02 | 0.03 | 0.03 | 0.02 | 0.03 | 0.02 |
A1 | 0.01 | 0.01 | 0.01 | 0.00 | 0.00 | 0.02 | 0.02 | 0.02 | 0.00 | 0.05 | 0.05 |
A2 | 0.00 | 0.05 | 0.05 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A3 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.02 | 0.08 | 0.04 | 0.00 | 0.04 | 0.00 |
A4 | 0.02 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.08 | 0.00 |
A5 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A6 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A7 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A8 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.02 | 0.08 | 0.04 | 0.00 | 0.00 | 0.00 |
A9 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A10 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A11 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A12 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A13 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A14 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A15 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A16 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.04 |
A17 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.19 | 0.00 | 0.00 | 0.00 | 0.00 |
A18 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A19 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A20 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A21 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 | 0.00 |
A22 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.36 | 0.00 | 0.00 |
A23 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.02 | 0.18 | 0.00 | 0.00 | 0.02 | 0.00 |
A24 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.20 | 0.18 | 0.00 | 0.00 | 0.04 | 0.00 |
A25 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A26 | 0.60 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A27 | 0.00 | 0.19 | 0.13 | 0.13 | 0.13 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A28 | 0.00 | 0.31 | 0.22 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A29 | 0.00 | 0.32 | 0.00 | 0.23 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A30 | 0.00 | 0.40 | 0.00 | 0.00 | 0.28 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
A31 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.22 | 0.13 | 0.00 | 0.00 | 0.04 | 0.00 |
A32 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.09 | 0.29 | 0.00 | 0.00 | 0.00 | 0.00 |
A33 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.40 | 0.00 | 0.00 | 0.00 |
A34 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.40 | 0.00 | 0.00 |
A35 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.23 | 0.16 |
A36 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.38 | 0.46 |
(二)在线的模型预测场景
S4:获取目标充电桩在初始时段内的状态向量,并将其作为转移概率矩阵的初始状态概率分布。
举例来说,如表3所示,为充电桩初始状态概率矩阵(以充电桩正常状态为例),即某一天某充电桩故障概率分布。
表3
S5:根据初始状态概率分布及预测时段,应用所述转移概率矩阵获取所述目标充电桩在所述预测时段内的故障概率分布,其中,所述预测时段是所述初始时段的正整数倍。即将该状态向量乘以k步状态转移概率矩阵得到k窗口期的状态,即得到充电桩未来一段时间的故障概率分布。
举例来说:若预测第2天的故障概率分布,则初始状态向量乘以1步状态转移概率矩阵得到1窗口期的状态。
如表4-1至4-3所示,其中,表4-2的左侧接在表4-1右侧,且表4-3的左侧接在表4-2的右侧,表4-1至表4-3的首行内容组合后为A0至A36,即表4-1至表4-3组成一个完整的预测第2天充电桩的故障概率分布(初始状态概率矩阵×一步转移概率矩阵)矩阵。
表4-1
A0 | A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 | A9 | A10 | A11 | A12 |
0.23 | 0.01 | 0.01 | 0.01 | 0.02 | 0.01 | 0.03 | 0.02 | 0.01 | 0.01 | 0.01 | 0.02 | 0.01 |
表4-2
A13 | A14 | A15 | A16 | A17 | A18 | A19 | A20 | A21 | A22 | A23 | A24 |
0.01 | 0.01 | 0.02 | 0.02 | 0.02 | 0.03 | 0.03 | 0.02 | 0.03 | 0.02 | 0.03 | 0.02 |
表4-3
从上述描述可知,本申请实施例提供的基于马尔科夫链的充电桩故障预测方法,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导充电桩的智能化运维,提升充电设施资产管理和运行检修工作精益化水平,提高充电设施的运行稳定性和运行寿命,缩短故障处理时长,提高资产利用率和充电服务水平。
在软件层面,为了能够提供更为准确且有针对性的马尔科夫链预测模型,以进一步提高预测过程的效率和预测结果的准确性,本申请还提供用于实现所述基于马尔科夫链的充电桩故障预测方法的全部内容的一种基于马尔科夫链的充电桩故障预测装置的具体实施例,参见图5,所述基于马尔科夫链的充电桩故障预测装置具体包括如下内容:
初始状态概率分布获取模块10,用于获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布。
可以理解的是,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程。
故障概率预测模块20,用于根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。
本申请提供的基于马尔科夫链的充电桩故障预测装置的实施例具体可以用于执行上述实施例中的基于马尔科夫链的充电桩故障预测方法的各个实施例的全部处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本申请实施例提供的基于马尔科夫链的充电桩故障预测装置,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑。
为了能够提供更为准确且有针对性的马尔科夫链预测模型,以进一步提高预测过程的效率和预测结果的准确性,在本申请的一实施例中,本申请的基于马尔科夫链的充电桩故障预测装置还包含有马尔科夫链预测模型建立模块00,参见图6,所述马尔科夫链预测模型建立模块00具体包括如下内容:
马尔科夫链预测模型建立模块00,用于根据充电桩的状态转移次数建立所述充电桩的马尔科夫链预测模型,其中,所述状态转移次数为所述充电桩的非故障状态与至少一种故障状态之间的相互转换以及所述充电桩的不同的故障状态之间的相互转换的次数。
为了能够进一步提高充电桩的自动故障预测的准确性和可靠性,在本申请的一实施例中还提供基于马尔科夫链的充电桩故障预测装置中故障概率预测模块20具体用于根据所述初始状态概率分布以及所述目标充电桩的预测时段,应用所述马尔科夫链预测模型获取所述目标充电桩在所述预测时段内的故障概率分布,其中,所述预测时段与所述初始时段之间的时间间隔为所述初始时段的正整数倍。
为了能够通过提高数据基础的准确性和可靠性来进一步提高充电桩的自动故障预测的准确性和可靠性,在本申请的一实施例中还提供基于马尔科夫链的充电桩故障预测装置中马尔科夫链预测模型建立模块00的具体实现方式,参见图7,所述马尔科夫链预测模型建立模块00具体包括如下内容:
历史运行数据获取单元01,用于自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个充电桩的历史运行数据。
状态转移次数提取单元02,用于自所述历史运行数据中提取充电桩的状态转移次数。
转移概率矩阵建立单元03,用于根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型。
从上述描述可知,本申请实施例提供的基于马尔科夫链的充电桩故障预测装置,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导充电桩的智能化运维,提升充电设施资产管理和运行检修工作精益化水平,提高充电设施的运行稳定性和运行寿命,缩短故障处理时长,提高资产利用率和充电服务水平。
本申请的实施例还提供能够实现上述实施例中的基于马尔科夫链的充电桩故障预测方法中全部步骤的一种电子设备的具体实施方式,参见图8,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现基于马尔科夫链的充电桩故障预测装置、客户终端以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的基于马尔科夫链的充电桩故障预测方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布,其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程。
步骤200:根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。
从上述描述可知,本申请实施例提供的电子设备,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导充电桩的智能化运维,提升充电设施资产管理和运行检修工作精益化水平,提高充电设施的运行稳定性和运行寿命,缩短故障处理时长,提高资产利用率和充电服务水平。
本申请的实施例还提供能够实现上述实施例中的基于马尔科夫链的充电桩故障预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于马尔科夫链的充电桩故障预测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布,其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程。
步骤200:根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够实现充电桩的自动故障预测,预测过程高效且预测结果准确,进而能够对充电桩故障进行及时且有针对性的维修,并能够有效提高运维人员工作效率,并减轻针对充电桩的运维工作压力,同时,充电桩故障预测过程简单且具有科学依据,能够为充电桩日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导充电桩的智能化运维,提升充电设施资产管理和运行检修工作精益化水平,提高充电设施的运行稳定性和运行寿命,缩短故障处理时长,提高资产利用率和充电服务水平。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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,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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (6)
1.一种基于马尔科夫链的充电桩故障预测方法,其特征在于,包括:
获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程;
根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率;其中,根据充电桩的状态转移次数预先建立所述充电桩的马尔科夫链预测模型,建立所述充电桩的马尔科夫链预测模型的步骤包括:自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个充电桩的历史运行数据;自所述历史运行数据中提取充电桩的状态转移次数;根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型;所述状态转移次数为所述充电桩的非故障状态与至少一种故障状态之间的相互转换以及所述充电桩的不同的故障状态之间的相互转换的次数。
2.根据权利要求1所述的充电桩故障预测方法,其特征在于,所述根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率,包括:
根据所述初始状态概率分布以及所述目标充电桩的预测时段,应用所述马尔科夫链预测模型获取所述目标充电桩在所述预测时段内的故障概率分布;
其中,所述预测时段与所述初始时段之间的时间间隔为所述初始时段的正整数倍。
3.一种基于马尔科夫链的充电桩故障预测装置,其特征在于,包括:
初始状态概率分布获取模块,用于获取目标充电桩在初始时段内的状态向量,并将其作为预设的充电桩的马尔科夫链预测模型的初始状态概率分布;其中,所述充电桩的马尔科夫链预测模型用于表示所述充电桩的非故障状态与至少一种故障状态之间进行相互转换以及所述充电桩的不同的故障状态之间进行相互转换的离散事件随机过程;
故障概率预测模块,用于根据所述初始状态概率分布及所述马尔科夫链预测模型确定所述目标充电桩在预测时段内发生至少一种故障的概率;
马尔科夫链预测模型建立模块,用于根据充电桩的状态转移次数建立所述充电桩的马尔科夫链预测模型,其中,所述状态转移次数为所述充电桩的非故障状态与至少一种故障状态之间的相互转换以及所述充电桩的不同的故障状态之间的相互转换的次数;所述马尔科夫链预测模型建立模块包括:历史运行数据获取单元,用于自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个充电桩的历史运行数据;状态转移次数提取单元,用于自所述历史运行数据中提取充电桩的状态转移次数;转移概率矩阵建立单元,用于根据所述充电桩的状态转移次数与所述故障状态的种类,建立转移概率矩阵,并基于所述转移概率矩阵获取对应的马尔科夫链,以形成所述充电桩的马尔科夫链预测模型。
4.根据权利要求3所述的充电桩故障预测装置,其特征在于,所述故障概率预测模块具体用于:
根据所述初始状态概率分布以及所述目标充电桩的预测时段,应用所述马尔科夫链预测模型获取所述目标充电桩在所述预测时段内的故障概率分布;
其中,所述预测时段与所述初始时段之间的时间间隔为所述初始时段的正整数倍。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至2任一项所述基于马尔科夫链的充电桩故障预测方法的步骤。
6.一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,该计算机程序被处理器执行时实现权利要求1至2任一项所述的基于马尔科夫链的充电桩故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811416027.3A CN109635854B (zh) | 2018-11-26 | 2018-11-26 | 基于马尔科夫链的充电桩故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811416027.3A CN109635854B (zh) | 2018-11-26 | 2018-11-26 | 基于马尔科夫链的充电桩故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635854A CN109635854A (zh) | 2019-04-16 |
CN109635854B true CN109635854B (zh) | 2023-11-24 |
Family
ID=66069121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811416027.3A Active CN109635854B (zh) | 2018-11-26 | 2018-11-26 | 基于马尔科夫链的充电桩故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635854B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457736B (zh) * | 2019-06-19 | 2022-10-11 | 南京邮电大学 | Rcrss中基于马尔科夫链的火势预测 |
CN110466381B (zh) * | 2019-08-27 | 2021-06-29 | 北京智芯微电子科技有限公司 | 充电桩状态的评估方法 |
CN110543462A (zh) * | 2019-09-04 | 2019-12-06 | 陕西丝路云启智能科技有限公司 | 微服务可靠性预测方法、预测装置、电子设备及存储介质 |
CN111046458B (zh) * | 2019-11-14 | 2022-07-01 | 北京航空航天大学 | 一种基于马尔科夫链的金属屋面性能退化模型及其方法 |
CN111198982A (zh) * | 2019-12-25 | 2020-05-26 | 深圳猛犸电动科技有限公司 | 一种时间序列遥测数据的补偿方法、装置及服务器 |
CN112132195B (zh) * | 2020-09-14 | 2024-03-29 | 江西山水光电科技股份有限公司 | 一种利用马尔科夫模型分析与预测机房故障的方法 |
CN113657456B (zh) * | 2021-07-26 | 2023-08-25 | 华南理工大学 | 一种基于马尔可夫链对用户充电进行调配的有序充电方法 |
CN113609189B (zh) * | 2021-08-04 | 2023-09-22 | 北京多达通能源科技有限公司 | 一种充电桩的故障监控方法以及相关设备 |
CN113887811B (zh) * | 2021-10-13 | 2022-08-12 | 江苏明茂新能源科技有限公司 | 一种充电桩数据管理方法及系统 |
CN114021632B (zh) * | 2021-10-28 | 2023-09-12 | 国网安徽省电力有限公司营销服务中心 | 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 |
CN114132204B (zh) * | 2021-11-26 | 2023-11-03 | 国网北京市电力公司 | 充电桩维护方法、装置、非易失性存储介质及处理器 |
CN114414938B (zh) * | 2021-12-22 | 2023-06-16 | 哈尔滨光宇电气自动化有限公司 | 一种配电网故障的动态响应方法及系统 |
CN114910794A (zh) * | 2022-05-14 | 2022-08-16 | 哈尔滨理工大学 | 一种基于马尔科夫的锂离子电池状态预测方法和预测装置 |
CN115037634B (zh) * | 2022-05-30 | 2024-04-16 | 中电信数智科技有限公司 | 一种基于马氏链和贝叶斯网络的k8s网络故障预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714401A (zh) * | 2014-01-21 | 2014-04-09 | 国家电网公司 | 一种电网配变故障次数预测的方法 |
CN103954913A (zh) * | 2014-05-05 | 2014-07-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
CN104734171A (zh) * | 2015-04-16 | 2015-06-24 | 合肥工业大学 | 一种用于配电网可靠性评估的电动汽车充电站建模方法及其应用 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8498776B2 (en) * | 2009-11-17 | 2013-07-30 | GM Global Technology Operations LLC | Fault diagnosis and prognosis using diagnostic trouble code markov chains |
-
2018
- 2018-11-26 CN CN201811416027.3A patent/CN109635854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714401A (zh) * | 2014-01-21 | 2014-04-09 | 国家电网公司 | 一种电网配变故障次数预测的方法 |
CN103954913A (zh) * | 2014-05-05 | 2014-07-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
CN104734171A (zh) * | 2015-04-16 | 2015-06-24 | 合肥工业大学 | 一种用于配电网可靠性评估的电动汽车充电站建模方法及其应用 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109635854A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635854B (zh) | 基于马尔科夫链的充电桩故障预测方法及装置 | |
Davies et al. | Combined economic and technological evaluation of battery energy storage for grid applications | |
CN109596913B (zh) | 充电桩故障原因诊断方法及装置 | |
CN110429672B (zh) | 电池充电管理方法、终端设备及存储介质 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
US20080103732A1 (en) | Electrical substation monitoring and diagnostics | |
EP4068551A1 (en) | System and method for predicting failure in a power system in real-time | |
CN108181546A (zh) | 配电网故障的定位方法、定位装置及终端设备 | |
CN115765085A (zh) | 一种动力电池的过充放电阈值控制方法及装置 | |
CN112886922A (zh) | 一种光伏电站损失电量的计算方法、装置及存储介质 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
US20110264477A1 (en) | Methods and a system for use of business process management for demand response | |
CN114118595A (zh) | 用电负荷预测的方法、系统、存储介质及电子设备 | |
Abdel-Karim et al. | Short term wind speed prediction by finite and infinite impulse response filters: A state space model representation using discrete markov process | |
Bernards et al. | Statistical modelling of load profiles incorporating correlations using copula | |
CN112036682A (zh) | 一种频繁停电的预警方法及装置 | |
CN116389944A (zh) | 基于远程抄表数据采集的排查策略定制系统 | |
CN116016150A (zh) | 物理网络的预警方法、装置、电子设备、存储介质 | |
CN112329911B (zh) | 一种充电异常确定方法和装置 | |
CN115395613A (zh) | 电池充电管理方法、装置、电子设备及存储介质 | |
CN114675551A (zh) | 操作行为的确定方法和装置、存储介质及电子装置 | |
CN115374211A (zh) | 基于物联网的车间设备运行监测方法、装置和计算机设备 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN111369017A (zh) | 设备远程监控方法、装置、电子设备及可存储介质 | |
CN113676347B (zh) | 服务器的负载预测方法和装置、存储介质及电子装置 |
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 |