CN112699605A - 一种充电桩故障元件预测方法及系统 - Google Patents

一种充电桩故障元件预测方法及系统 Download PDF

Info

Publication number
CN112699605A
CN112699605A CN202011607042.3A CN202011607042A CN112699605A CN 112699605 A CN112699605 A CN 112699605A CN 202011607042 A CN202011607042 A CN 202011607042A CN 112699605 A CN112699605 A CN 112699605A
Authority
CN
China
Prior art keywords
charging
data
characteristic
time
fault
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
Application number
CN202011607042.3A
Other languages
English (en)
Other versions
CN112699605B (zh
Inventor
严娜
姚燕冰
王磊
张宗慧
左安太
李伟
段连君
王朋飞
刘雷
胡勇
何志超
位苏
代翠婷
马法伟
贾增东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intelligent Electrical Branch of Shandong Luneng Software Technology Co Ltd
Original Assignee
Intelligent Electrical Branch of Shandong Luneng Software Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Intelligent Electrical Branch of Shandong Luneng Software Technology Co Ltd filed Critical Intelligent Electrical Branch of Shandong Luneng Software Technology Co Ltd
Priority to CN202011607042.3A priority Critical patent/CN112699605B/zh
Publication of CN112699605A publication Critical patent/CN112699605A/zh
Application granted granted Critical
Publication of CN112699605B publication Critical patent/CN112699605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种充电桩故障元件预测方法及系统，包括：获取待预测的充电桩数据以及每一个充电过程的实时数据；提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；对每一个有效元件的特征序列进行聚类，形成所有预测元件的实时特征数据；将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。本发明以充电桩的有效充电过程为单元，提取每个过程有效属性的特征值，并对所有有效特征序列进行聚类处理，既解决了因充电过程数目不同而导致的数据维度不统一的问题，同时降低了输入数据的维度，获取充电桩的有效特征数据。

Description

一种充电桩故障元件预测方法及系统
技术领域
本发明涉及充电桩故障预测技术领域，尤其涉及一种充电桩故障元件预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
实现充电桩状态的有效监测是保证其稳定运行的重要条件。当前对充电桩的监测主要是基于单一数据的越限处理，通过上传对应的故障与告警信息，来实现元件状态的监测。但该方式信息利用单一，且往往是发生故障或告警时，才上传相应信息，无法提前预知元件的状态，且无法对多种不同类型的数据进行处理。
因此，为了提高充电桩的使用寿命，需要对充电桩的重要元件进行故障预测，以及时发现充电桩存在的潜在隐患，保证充电桩安全稳定的运行。
基于数据的方式进行故障预测是利用当前大量的数据进行设备故障的预测，是当前故障预测中的主要方法。该种方式的预测精度高低不仅与模型有关，也与提取的特征有关，若提取的特征不具有代表性，即使模型设计的很好，预测精度也不会高。同样地，若提取的特征有代表性，但模型很差，依然得不到比较理想的结果。因为充电桩重要元件预测精度的高低与特征提取的方式以及所采用的模型均有关。
当前数据提取特征的方式是对所有数据进行统一处理，获取均值、方差等。同时在进行故障预测时，故障数据要远小于正常数据，因此实际训练数据中会存在严重的不平衡。
在特征提取上，由于不同的充电桩在一定的时间内具有不同的有效充电过程，且采集的数据量中存在大量的无效数据，若直接计算所有数据的均值或者是方差来，虽能获取数据的部分特征，却忽略了每个过程所包含的细节信息，因此无法获取有效的充电桩的特征数据。
处理不平衡数据时，充电桩故障数据过少，若删除正常数据样本，虽能解决数据不平衡的问题，但此时训练数据量过少，训练模型的泛化能力差，预测精度低。若采用重复采样的方式，会出现严重的过拟合。
在模型选择上，长短时记忆网络模型(LSTM)预测时输入的信息为连续的有效信息，且采用的时间窗口是一定的。而对于充电桩来说，有效数据为非连续信息，且不同的充电桩的有效信息的时间间隔不同，因此无法采用长短模型实现故障的预测。充电桩的数据采集类型多，每个类型均为实时采集数据，单一类型的数据量大，而有效信息量少。因此如何在大量的数据中获取有效的信息，降低数据输入的维度是减少训练难度，提高预测精度的重要条件。
发明内容
有鉴于此，本发明提出了一种充电桩故障元件预测方法及系统，该方法基于有效充电过程的XGBOOT网络，以充电桩的每一个充电过程为单元，提取每个过程实时数据的特征序列，并利用K-means方法对所有特征序列进行聚类，以每个类的聚类中心作为输入模型的特征。这种处理方式既能充分利用充电桩所有的有效过程，同时解决了因不同充电桩的有效过程不同而导致的数据维度不统一的问题。
根据本发明实施例的第一个方面，提供了一种充电桩故障元件预测方法，包括：
获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；
对每一个有效元件的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有预测元件的实时特征数据；
将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。
根据本发明实施例的第二个方面，提供了一种充电桩故障元件预测系统，包括：
数据获取模块，用于获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
特征提取模块，用于提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；
聚类分析模块，用于对每一个有效元件的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有预测元件的实时特征数据；
故障预测模块，用于将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。
根据本发明实施例的第三个方面，提供了一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的充电桩故障元件预测方法。
根据本发明实施例的第四个方面，提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的充电桩故障元件预测方法。
与现有技术相比，本发明的有益效果是：
(1)本发明提出了基于有效充电过程的充电桩故障预测技术。由于不同的充电桩在一定的时间内具有不同的有效充电过程，且存在大量的无效数据，若将所有的数据输入到模型中训练，则数据维度过大，且无效信息量大，因此需要提取充电桩的特征数据。
传统机器学习在提取特征时采用计算所有数据的均值或者是方差的方式。而对于充电桩，若按照该方式提取特征数据，忽略了每个过程所包含的细节信息，因此无法获取有效的充电桩的特征数据。
本发明以充电桩的有效充电过程为单元，提取每个过程有效属性的特征值，并对所有有效特征序列进行聚类处理，既解决了因充电过程数目不同而导致的数据维度不统一的问题，同时降低了输入数据的维度，获取充电桩的有效特征数据。
为了获取电压电流时域频域的潜在特征，采用小波变换的方法获取电压电流属性的特征值，并与常规特征融合在一起形成实时数据的特征序列。同时，为了充分利用不同类型的数据，将实时数据与非实时数据进行特征融合，最终形成多类型输入的特征数据。
(2)本发明设计了不平衡数据处理方法，对于充电桩，故障数据远小于正常数据，若不进行处理会严重影响预测的精度。因此，需要对不平衡的数据进行处理。传统处理不平衡数据的方法为删除数量大的样本或者是对少量样本重复采样，对于充电桩来说，故障数据过少，若删除正常数据样本，虽能解决数据不平衡的问题，但此时训练数据量过少，训练的模型的泛化能力差，预测精度低。若采用重复采样的方式，会出现严重的过拟合。本发明采用SMOTE方法通过插值实现故障数据的扩充，既解决了数据不平衡的问题，同时保证了训练数据的数量。
(3)本发明提出采用参数配置的方式来提取充电桩的数据信息的技术。传统的预测中，所采用的历史数据均为固定数据，而本文则采用一种参数配置的方式来实现不同历史数据的应用，模型训练时采用可配置的方式设置网络的结构，通过配置不同的参数，可实现不同模型的训练，最终选择一个最优的模型作为预测模型。
(4)针对不同的元件，在采用XGBOOT获取最优的模型时，基于不同因子对训练结果的影响程度，对模型的主控因子进行调节。训练时，首先选择默认因子训练，然后基于主控因子的影响高低，选择最重要的因子进行调节，并按照先右后左，先大后小的原则，最终获取最优的模型参数。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为根据本发明实施例的充电桩故障元件预测方法流程图；
图2为根据本发明实施例的故障预测的训练过程示意图；
图3为根据本发明实施例的特征提取过程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
根据本发明实施例，提供了一种充电桩故障元件预测方法的实施例，充电桩中充电模块和充电枪是比较重要的元件，且故障率也比较高，因此实现这些重要元件的故障预测，以及时发现充电桩存在的潜在隐患，使保证充电桩安全稳定运行的重要条件。
在预测时，提取充电桩不同充电过程不同元件有效属性的特征序列，利用K-means对所有特征序列聚类获取实时数据的特征数据，同时融合非实时数据，形成多类型输入的特征数据，并将其输入到训练好的XGBOOT网络模型，实现充电桩元件的故障预测。
在训练时，基于配置的故障元件及正常元件，以过程为单元，提取充电过程中与元件有效属性的特征序列，并对所有特征序列聚类处理，获取实时数据的特征值。融合实时数据与非实时数据特征，形成训练模型的特征数据。在提取电压电流实时数据的特征时，采用小波变换的方法提取属性的潜在特征，并与常规特征融合在一起形成电压电流属性的特征序列。
在训练模型时，通过设置不同模型训练的主控因子，可实现不同模型的训练，最终选择精度最高的模型作为预测模型。
一、对于充电模块的故障预测过程
为了实现充电模块的故障预测，需要提取与充电模块故障相关的属性的特征值。充电模块的有效属性包括交流输入线电压WU(yc_dywu)、交流输入线电压VW(yc_dyvw)、交流输入线电压UV(yc_dyuv)、模块交流输入电流(yc_dlenter)、充电模块直流输出电压(yc_dyset)、充电模块直流输出电流(yc_dlset)、模块入风口环境温度(yc_twind)、模块内部温度(yc_tinside)，总共为8个属性。而对于非实时数据，采用充电桩的投入时间，基于当前的时间获取充电桩的使用时间，并以该时间为非实时数据的特征，与实时数据特征融合，形成最终输入模型的特征。
具体地，参照图1，本实施例方法包括如下过程：
(1)获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
选择需要预测的充电桩的编号、充电模块预测时所采用的历史数据的天数、充电桩的基本信息、每个充电桩多天的充电过程记录，包括充电的起始时间及结束时间，配置在指定目录下，此时预测的充电桩数量为n，充电模块的数量为6n，采用的天数为k。
读取预测充电桩的编号以及所采用的历史数据的天数k，获取所有需要预测的充电桩及天数k，并获取当前的时间，记为T1。基于当前的时间T1、预测所需天数k及预测的充电桩编号，获取每个充电桩k天前的所有充电过程的起始及终止时间。预测充电桩C1中k天前的所有过程如式(1)所示：
Figure BDA0002866146330000081
其中，一天包含多个充电过程的时间记录，若T1-1天中包含m个充电过程，则T1-1天中所有过程的时间如式(2)所示：
Figure BDA0002866146330000082
根据获取的所有充电桩不同过程的时间，利用充电桩的编号，按照单天单过程的方式依次从数据库中提取所有过程的实时数据。如提取充电桩C1中k天的实时数据，首先提取T1-1天中第一个过程的实时数据，然后依次提取，直到获取所有充电桩所有过程的实时数据。
其中，充电桩C1k天的所有过程的数量为l，则充电桩C1的所有过程的实时数据如式(3)所示：
Figure BDA0002866146330000083
其中，每个过程的实时数据，包含多个属性的实时值序列，如：V1＝{'yc_dywu':a1,a2,a3...at,...,'yc_twind':b1,b2,b3,...bt}。
(2)提取每一个充电过程中不同充电模块有效属性的特征值，去除无效充电模块，得到每一个有效充电模块在每一个充电过程的特征序列；
具体地，根据不同充电桩不同过程的实时数据，提取每个过程6个模块有效属性的特征值。充电桩一个过程的有效属性可分为两类，一类是电压电流属性，一类为温度属性，电压电流属性提取特征包括最大值、最小值、最值差、平均值、阶梯变化平均值以及相对均值变化的平均值共6个特征值，其中阶梯变化平均值、相对均值变化的平均值如式(4)-(5)所示。温度则提取最高温度、最低温度以及平均温度共3个特征值。
Figure BDA0002866146330000091
Figure BDA0002866146330000092
其中，为阶梯变化平均值、n表示采样点的数量、xi表示i时刻采样点的值，xi-1表示i-1时刻采样点的值，fvar_avg相对均值变化的平均值，favg表示平均值。
为了充分提取电压电流中的潜在时域与频域的特征信息，采用小波变换实现电压电流特征的进一步提取。
本实施例中，小波变换提取电压电流特征的过程如下所示：
1)获取充电桩中一个充电过程电压或电流的实时值序列。
2)设置小波变换的基函数以及最大分解层数，电压电流采用db4为基函数，并将最大分解层数设置为5，每一层对应不同的频段，如表3所示。利用小波变换获取每层的细节系数，每层的细节系数包括不同节点下的细节系数。
表3小波变换的不同层数对应的频率
Figure BDA0002866146330000101
3)根据获取的不同频段下的不同节点的细节系数，利用
Figure BDA0002866146330000102
获取不同频段下的能量数据。其中k代表节点数，n代表一个节点中系数的个数。
4)将所有获取的能量数据组合在一起，形成小波变换的特征序列。
将单个过程所有属性的特征值，包括小波变换的特征序列，共47个特征值排列在一起，形成一个充电模块一个过程的特征序列。
获取无效的充电模块，本实施例中，无效的充电模块是指没有充电过程或者充电过程的数量小于某一个值。根据获取的所有模块下所有过程的特征数据，基于聚类数目，设置为3，判断无效充电模块。当充电模块的充电过程的数量大于3时，则该模块为有效充电模块，否则为无效充电模块，记录无效模块所在的充电桩的编号及充电模块的编号。最终获取所有无效充电模块的编号及有效充电模块的特征序列。当然，具体的充电模块的充电过程数量可以根据需要进行设置。
由于不同的充电桩在一定的时间内具有不同的有效充电过程，且存在大量的无效数据，若将所有的数据输入到模型中训练，则数据维度过大，且无效信息量大，因此需要提取有效充电桩的特征数据。传统机器学习在提取特征时采用计算所有数据的均值或者是方差的方式。而对于充电桩，若按照该方式提取特征数据，忽略了每个过程所包含的细节信息，因此无法获取有效的充电桩的特征数据。
本实施例以充电桩的有效充电过程为单元，提取每个过程有效属性的特征值，并对所有有效特征序列进行聚类处理，既解决了因充电过程数目不同而导致的数据维度不统一的问题，同时降低了输入数据的维度，获取充电桩的有效特征数据。
(3)对每一个有效充电模块的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有充电模块的实时特征数据；
根据获取的所有有效模块的特征序列，利用k-means对模块下的所有特征序列进行聚类。每完成一次聚类，按照
Figure BDA0002866146330000111
计算每一类的聚类中心。
若在聚类过程中，出现类内为空的情况，则进行空类处理。在进行空类处理时首先统计当前聚类结果中，空类的数量，记为i。计算所有类所有样本与聚类中心的距离，并选择距离最大的前i个样本分别作为i个空类的样本(也就是把i个样本平均分到i个类里)，此时所有类内均不为空。计算每一类的聚类中心，重新聚类，当达到收敛条件时，聚类结束，此时可获取所有充电模块的聚类结果。在k-means聚类中，增加空类处理，解决了计算聚类中心时数据为nan(无穷大)的问题，从而避免输入模型的数据为nan的情况。
根据最终的聚类结果，计算每一类的聚类中心，并按照充电模块将每一类的聚类中心排列在一起，最终形成所有充电模块的实时特征数据。由于所有数据均做聚类处理且以所有类的聚类中心作为输入，因此，对于不同的充电模块，无论它有多少充电过程，最终所有模块的特征数据的维度均相同。
(4)将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。
具体地，获取非实时数据的特征。根据充电桩的编号读取充电桩的投入使用时间，并获取系统当前的时间，利用当前的时间与充电桩的投入时间，获取充电桩的使用时间，将充电桩的使用时间与实时数据的特征融合，形成最终输入模型的特征数据。
读取训练好的模型结构及参数数据，将获取的特征数据输入到模型中，输出ypre∈Rn×2，每一个值代表该样本经XGBOOT模型预测的一个分值，若该分值大于0.5，则表明该模块为故障模块，否则为正常模块。最终输出可能存在故障的充电模块以及无效的充电模块。
二、对于充电枪的故障预测过程
假如一个充电桩有2个充电枪，需要对一个充电桩的2个充电枪同时进行预测。具体的预测过程如下所示：
(1)选择需要预测的充电桩的编号、充电枪预测时所采用的历史数据的天数、充电桩的基本信息、每个充电桩多天的充电过程记录，包括充电的起始时间及结束时间，配置在指定目录下，此时预测的充电桩数量为n1，充电枪的数量为2n1，采用的天数为k1。
(2)读取预测充电桩的编号以及所采用的历史数据的天数k1，获取所有需要预测的充电桩及天数k1，并获取当前的时间，记为T1。
(3)基于当前的时间T1、预测所需天数k1及预测的充电桩编号，获取每个充电桩k1天前的所有充电过程的起始及终止时间。
(4)根据获取的所有充电桩不同过程的时间，利用充电桩的编号，按照单天单过程的方式依次从数据库中提取所有过程的实时数据。其中，每个过程的实时数据，包含多个属性的实时值序列。
提取与充电枪的有效属性的特征。充电枪的有效属性包括电子锁操作次数(ym_elockcount)、充电次数(ym_chgcount)、枪头温度(yc_tgun)以及连接确认电压(yc_dylink)共4个属性。
充电枪的非实时数据为充电桩的投入时间，基于当前时间计算获取桩的使用时间，与充电枪的实时数据融合形成充电枪输入模型的特征。
(5)根据不同充电桩不同过程的实时数据，提取每个过程2个充电枪的有效属性的特征值。充电枪属性的特征提取包括连接确认电压的平均值，温度的最大值、最小值以及平均值，电子锁的最大操作次数，充电的最大次数以及电子锁的操作次数和充电次数的关系，如式(6)所示。
frel＝max(xchg)*2-max(xelock) (6)
(6)获取无效及有效的充电枪。无效的充电枪和充电模块类似，指没有充电过程或者充电过程的数量小于某一个值。根据获取的所有充电枪下所有过程的特征数据，基于聚类数目，判断无效充电枪。当充电枪的充电过程的数量大于聚类数目时，则该充电枪为有效充电枪，否则为无效充电枪，记录无效充电枪的编号。最终获取所有无效充电枪的编号及有效充电枪的特征序列。
(7)根据获取的所有有效充电枪的特征序列，利用k-means对充电枪下的所有特征序列进行聚类。在聚类时，和充电模块类似，需要考虑类内为空的情况。
(8)根据最终的聚类结果，计算充电枪每一类的聚类中心，并按照充电枪将每一类的聚类中心排列在一起，最终形成所有充电枪的实时特征数据。
(9)获取非实时数据的特征。根据充电桩的编号读取充电桩的投入使用时间，并获取系统当前的时间，利用当前的时间与充电桩的投入时间，获取充电桩的使用时间，将充电桩的使用时间与实时数据的特征融合，形成最终输入模型的特征数据。
(10)读取训练好的模型结构及参数数据，将获取的特征数据输入到模型中，计算充电枪的预测结果。最终输出为可能存在故障的充电枪以及无效的充电枪。
模型的训练主要是基于不同的元件，实现不同元件下的模型训练。模型训练主要包括两部分，一部分是元件数据预处理，另一部分为模型参数的获取。训练的流程如图2所示，其中特征提取过程如图3所示。不同元件的训练，有效属性以及有效属性的特征提取方式会不同，同时训练时的主控因子也不同。当训练不同元件时，将基于元件的属性特点提取有效属性的特征信息，并基于当前的特征数据，配置不同的主控因子，以获取最优的模型。以下给出了充电模块的数据预处理部分以及模型参数的获取方式，充电枪的训练方式与充电模块相同。
1、关于数据预处理
(1)参数配置
将所有选择的故障模块和正常模块的编号、标签、故障时间、所利用的历史天数k、预测间隔时间t以及每个充电桩多天的充电过程记录，包括充电的起始时间及结束时间，充电桩的基本信息配置在指定目录下。
(2)提取所有有效充电过程的起止时间。
每一个充电模块的故障时间不同，针对每一个配置的充电模块，包括故障模块和正常模块，以故障或正常时间点前t天的时间为截止点，读取充电记录文件中充电模块k天前所有充电过程的起止时间。由于不同的充电模块可能在同一个充电桩上，而充电过程时间是针对充电桩的，因此在提取充电模块的故障时间时，首先获取所有模块所在的充电桩的编号，然后提取充电桩的充电过程的记录时间，即为充电模块所在的充电过程的时间记录。
(3)提取所有有效过程的实时数据。
根据获取不同编号元件的充电过程的时间，以充电桩为单元，从mongodb数据库中按照单天单过程的方式提取充电过程的实时数据，每一个过程包含多个不同编号元件多个属性的实时值序列。
(4)提取所有有效充电过程的特征值。
针对每一个充电过程，提取元件有效属性的特征值。由于一个有效的充电过程包含多个的实时数据，因此需要提取配置模块的特征值。因每一个充电模块在实时数据记录中包含多个属性，每一个属性对应一个过程的实时值序列。提取每个过程各属性的特征值。电压电流属性提取最大值、最小值、平均值、最值差、阶梯变化平均值、相对均值变化的平均值以及小波变换的能量特征。温度则提取最大温度、最小温度以及平均温度。将一个过程获取的所有特征排列在一起，形成一个过程的特征序列。
(5)去除无效充电模块
根据获取的所有过程的特征序列，每一个充电模块对应多个充电过程的特征序列，在利用K-means聚类时，首先获取无效充电模块。当一个模块的特征序列数量少于聚类数目时，该模块为无效充电模块。若为无效模块，则删除该模块，即不再利用该模块进行训练。最终获取所有有效充电模块的特征序列。
(6)利用K-means对所有有效充电过程进行聚类。
根据获取的有效充电模块的特征序列，利用k-means对充电桩的所有特征序列进行聚类，聚类数目设置为3。若在聚类过程中，出现类内为空的情况，则进行空类处理。在进行空类处理时首先统计当前聚类结果中，空类的数量，记为i。计算所有类所有样本与聚类中心的距离，并选择距离最大的前i个样本分别作为i个空类的样本(即每一个样本对应一个空类)，此时所有类内均不为空。计算每一类的聚类中心，重新聚类，当达到收敛条件时，聚类结束，此时可获取所有充电模块的聚类结果。在k-means聚类中，增加空类处理，解决了计算聚类中心时数据为nan的问题，从而避免输入模型的数据为nan的情况。
(6)提取每一类的聚类中心，形成充电模块的特征数据。
根据最终的聚类结果，计算每一类的聚类中心，并按照充电模块将每一类的聚类中心排列在一起，最终形成所有充电模块的特征数据。由于所有数据均做聚类处理且以所有类的聚类中心作为输入，因此，对于不同的充电模块，无论它有多少充电过程，最终所有模块的特征数据的维度均相同。
(7)获取非实时数据的特征。
根据充电桩的编号读取充电桩的投入使用时间，并获取系统当前的时间，利用当前的时间与充电桩的投入时间，获取充电桩的使用时间，将充电桩的使用时间与实时数据的特征融合，形成最终输入模型的特征数据。
(8)采用SMOTE扩充故障数据。
根据获取的所有充电模块的特征数据进行不平衡数据的处理。在处理前，首先计算当前所有样本中，故障样本与正常样本的数量比值，若正常样本与故障样本的数量比值大约50时，则进行平衡数据的处理，否则不进行平衡数据的处理。采用SMOTE方法实现不平衡数据的处理，其处理过程如下所示：
1)提取故障样本数据，记为Sf。
2)对每一个故障样本数据xi，且xi∈Sf。利用欧式距离公式，计算获取xi的K个邻近点。
3)利用
Figure BDA0002866146330000171
计算获取新的故障样本数据。
4)将新的故障样本数据和原有所有样本数据结合，并对所有的数据做归一化处理，形成最终输入模型的样本数据。
5)扩充故障数据的标签数据，并与原标签结合形成最终输入模型的标签数据。
对于充电桩，故障数据远小于正常数据，若不进行处理会严重影响预测的精度。因此，需要对不平衡的数据进行处理。传统处理不平衡数据的方法为删除数量大的样本或者是对少量样本重复采样，对于充电桩来说，故障数据过少，若删除正常数据样本，虽能解决数据不平衡的问题，但此时训练数据量过少，训练的模型的泛化能力差，预测精度低。若采用重复采样的方式，会出现严重的过拟合。本实施例采用SMOTE方法通过插值实现故障数据的扩充，既解决了数据不平衡的问题，同时保证了训练数据的数量。
(9)将获取的所有样本数据以及标签数据按照5:1的方式划分为训练数据和测试数据。
2、关于模型参数的获取方式：
采用XGBOOT模型训练和测试元件的故障。
XGBOOT是一种树模型，它是将很多弱分类器集合在一起形成一个强分类器。每一个弱分类器就是一个CART树形结构，CART是一种二叉树，每一个树形结构的叶子节点代表一个分值，而不是样本所属的类别。XGBOOT通过不断的分裂特征来实现一棵树的构建。由于XGBOOT是一种弱分类器的集合，因此在预测上具有更大的优势。除此之外，XGBOOT可以自定义损失函数，但需要损失函数二阶可导，由于充电桩预测本质上是对故障进行分类，因此在利用XGBOOT时采用分类的损失函数。
XGBOOT的目标函数如式(7)所示，由(7)可知，该目标函数包括两部分，一部分代表预测值与真实值的差距，即为损失函数，第二部分为正则项，
Figure BDA0002866146330000181
其中T是叶子节点的个数，λ和γ为参数，该参数控制着树形结构的复杂度。
Figure BDA0002866146330000182
XGBOOT是一种树形结构，每个叶子节点代表样本的分数，因此XGBOOT主要解决两个问题，一个是树形结构的确定，另一个为各个叶子结点分值的计算。
树形结构的确定本质上是选择分裂的特征点以及特征的切分点。XGBOOT采用贪心算法遍历所有特征值及切分点，得到最优的分裂特征点和切分点。获取最优的特征点和切分点的方式为选择增益最大的特征及对应的切分点，其中增益的计算公式如式(8)所示。同时，树的深度的增加还受到设置阈值的限制，只有增益大于某个值时才进行分裂。
Figure BDA0002866146330000183
当一个树形结构确定后，则各叶子结点的分值的计算公式及该树的目标函数的计算公式如式(9)-(10)所示：
Figure BDA0002866146330000191
Figure BDA0002866146330000192
式(10)为目标函数(7)的一种推导变形，即当树形结构及分数确定后，该树形结构的损失值则确定。式中
Figure BDA0002866146330000193
而
Figure BDA0002866146330000194
Figure BDA0002866146330000195
Figure BDA0002866146330000196
如式(11)所示，式(11)表示分类的损失函数。
Figure BDA0002866146330000197
当将元件的n个样本m个特征输入到模型中时，首先将模型会基于给定的样本和特征值，计算各特征值以及切分点的增益，确定最优的树的结构，同时树的结构中考虑了树的复杂度。当树的结构确定后，计算各个叶子节点的分值及当前的目标值。然后不断的增加树，不断的特征分裂来生成新的树，最终获取使所有样本的目标值最低的多个树形结构，即XGBOOT的最优模型。XGBOOT模型训练时，影响训练结果的是XGBOOT的主控因子，通过设置不同的主控因子，可获取不同精度的模型。
在确定模型后，预测模型的结果时，模型会根据获取的所有的树形结构以及给定样本的特征，判断该样本在该树形结构中所属的叶子结点，然后将该样本所在的所有叶子节点的分值相加，得到该样本最终的预测值。
3、对于主控因子的调节
基于以上的分析，为了充分发挥XGBOOT的优势，最重要的是设置模型训练的主控因子，通过设置最优因子来获取最优的模型。XGBOOT的主要主控因子包括max_depth、alpha、lambda、gamma、subsample、colsample_bytree、eta以及num_boost_round，各因子的含义如表4所示。不同的数据集下的最优模型均对应一组不同主控因子。在调节主控因子时，采用控制变量法的方式，即每次只修改一个因子，并从中选择预测精度最高的主控因子作为模型训练的主控因子。对于XGBOOT，eta和num_boost_round对模型的预测结果影响比较大，因此首先调节这两个主控因子，再调节其他的因子。充电枪和充电模块的输入数据的特征不同，因此最优模型的主控因子也不同。
表4 XGBOOT各主控因子的含义
Figure BDA0002866146330000201
基于以上XGBOOT的原理，充电模块和充电枪的训练的过程如下所示。
(1)基于获取的训练数据和测试数据，首先将所有的2D标签数据转化1D标签数据，然后将训练和预测数据的特征矩阵及1D标签数据转化为DMatrix形式。
(2)设置模型的训练次数，其它参数为默认值。
(3)将获取的训练数据、测试数据以及模型的主控因子输入到模型中，训练获取当前测试数据下的精度。
(4)调节模型的主控因子。首先调节学习率，任何一个参数并不是越大越好或者越小越好，因此在调节主控因子时基于参数的含义，按照先右后左、先小后大的原则调节参数。基于该原则，首先增大学习率，且调大的幅度比较小，查看验证的精度。若增大，则继续增大，且幅度也增加。若增大后效果始终低于默认值，则选择减小模型的主控因子，按照相同得方式调节其他因子，最终确定一个最优得主控因子。
(5)将训练好的模型按照预测间隔保存在指定目录下，即将预测间隔作为命名的参数之一，放在指定目录下。当配置不同得预测间隔时，可保存不同预测间隔的模型。
(6)将DMatrix形式的测试数据，输入到模型中，得到所有样本预测结果，当预测结果大于0.5，则将该值设置为1，否则为0。
(7)计算精度。将预测后的结果与实际值对比，若等于实际值，表示该样本预测正确，否则错误。则精度为正确样本的数量/总样本的数量。充电模块和充电枪最优模型的主控因子如表5所示。
表5充电模块和充电枪的XGBOOT的主控因子值
Figure BDA0002866146330000211
在训练中进行参数配置时，将故障模块和正常模块的标签、故障时间及所有模块所采用的历史数据的天数均是以文件的形式存在，故障模块和正常模块的标签、故障时间配置在一个文件中，记为F1，所有模块应用的历史天数配置在另一个文件中，记为F2。当出现新的故障信息时，只需要将故障模块的编号、标签以及故障时间添加在F1文件中，就能扩充训练数据。而想要利用更多的历史数据，可配置F2文件。此时所有样本的数据均会发生变化。当采用新的数据训练模型时将会获得不同的模型参数。因此通过采用不同的配置参数，可实现不同数据的输入。
在预测时，需要预测的充电桩的编号也是可配置的。将所有要预测的充电桩的模块编号记录在文件中。当增加新的充电桩或者不再预测某个充电桩时则根据需要对预测的充电桩进行修改，以满足实际预测的需求。
本实施例以充电桩的有效充电过程为单元，提取每个过程有效属性的特征值，并对所有有效特征序列进行聚类处理，既解决了因充电过程数目不同而导致的数据维度不统一的问题，同时降低了输入数据的维度，获取充电桩的有效特征数据，提高了预测的精度。
本实施例基于有效充电过程实现充电桩的故障预测。基于有效充电过程实现充电桩的故障预测。通过提取有效充电过程的特征数据，充分利用了充电桩的有效信息。而利用K-means对所有有效特征序列进行聚类，既统一了输入数据的维度，同时降低了输入数据的维度。该处理方式获取了充电桩的有效数据，提高了预测的精度。
在提取电压电流特征上，选择小波变换的方法，提取电压电流属性的潜在特征，提高预测的精度。对于充电桩，故障数据远小于正常数据，若不进行处理会严重影响预测的精度。因此，需要对不平衡的数据进行处理。传统处理不平衡数据的方法为删除数量大的样本或者是对少量样本重复采样，对于充电桩来说，故障数据过少，若删除正常数据样本，虽能解决数据不平衡的问题，但此时训练数据量过少，训练的模型的泛化能力差，预测精度低。若采用重复采样的方式，会出现严重的过拟合。
本实施例采用SMOTE方法通过插值实现故障数据的扩充，既解决了数据不平衡的问题，同时保证了训练数据的数量。
融合了实时数据的特征及非实时数据特征，形成了多类型特征数据的输入，在提取电压电流特征时，采用小波变换的方法。而输入数据的灵活配置，既能充分利用充电桩的历史信息，同时可基于不同的配置实现不同数据的输入。
在模型上，本实施例采用了XGBOOT网络的模型实现故障的预测。通过设置不同的主控因子，获取不同精度的模型，最终选择精度最高的模型作为元件预测模型。
实施例二
根据本发明实施例，提供了一种充电桩故障元件预测系统的实施例，包括：
数据获取模块，用于获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
特征提取模块，用于提取每一个充电过程中不同充电模块有效属性的特征值，去除无效充电模块，得到每一个有效充电模块在每一个充电过程的特征序列；
聚类分析模块，用于对每一个有效充电模块的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有充电模块的实时特征数据；
故障预测模块，用于将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。
需要说明的是，上述各模块的具体实现过程参照实施例一中公开的方法实现，具体不再赘述。
实施例三
根据本发明实施例，提供了一种终端设备的实施例，包括服务器，所述服务器包括存储器、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实施例一中的充电桩故障元件预测方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (15)

1.一种充电桩故障元件预测方法，其特征在于，包括：
获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；
对每一个有效元件的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有预测元件的实时特征数据；
将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。
2.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，所述待预测元件包括：充电模块或者充电枪；
对于充电模块，每一个充电过程的实时数据至少包括：每一个充电模块的交流输入线电压、交流输入电流、直流输出电压、直流输出电流、入风口环境温度和内部温度；
对于充电枪，每一个充电过程的实时数据至少包括：电子锁操作次数、充电次数、枪头温度以及连接确认电压。
3.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，提取每一个充电过程中待预测元件有效属性的特征值，其中，充电模块有效属性的特征值包括：
对于电压和电流属性，提取特征值包括：最大值、最小值、最值差、平均值、阶梯变化平均值以及相对均值变化的平均值；
对于温度属性，提取特征值包括：最高温度、最低温度以及平均温度。
4.如权利要求3所述的一种充电桩故障元件预测方法，其特征在于，获取充电桩中一个充电过程电压或电流的实时值序列，通过小波变换获取不同频段下的能量数据，将所述能量数据组合在一起，形成小波变换的特征序列；
将上述提取的充电模块有效属性的特征值与小波变换的特征序列组合，形成充电模块的特征序列。
5.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，提取每一个充电过程中待预测元件有效属性的特征值，其中，充电枪有效属性的特征值包括：连接确认电压的平均值，温度的最大值、最小值以及平均值，电子锁的最大操作次数，充电的最大次数以及电子锁的操作次数和充电次数的关系。
6.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，当预测元件的充电过程的数量小于设定值时，判定为无效元件。
7.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，对每一个有效充电模块或者充电枪的特征序列进行聚类，若在聚类过程中，出现类内为空的情况，则进行空类处理：
统计当前聚类结果中，空类的数量i；
计算所有类所有样本与聚类中心的距离，并选择距离最大的前i个样本分别作为i个空类的样本，此时所有类内均不为空。
8.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，所述非实时特征数据具体为充电桩的使用时间。
9.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，对于预测模型的训练过程，具体包括：
构建样本集；
计算所述样本集中，故障样本与正常样本的数量比值，若所述比值达到设定值，则进行平衡数据的处理；
计算每一个故障样本数据的K个邻近点；
利用每一个故障样本的中心点和邻近点，计算新的故障样本数据；
对新的故障样本数据与原始故障样本数据进行归一化处理，并扩充故障样本数据的标签，形成新的样本集；
将新的样本集按照设定比例划分为训练集和测试集，分别输入XGBOOT预测模型进行训练和预测。
10.如权利要求9所述的一种充电桩故障元件预测方法，其特征在于，所述构建样本集的过程具体为：
获取所有充电桩的待预测元件数据，包括故障模块和正常模块的编号、标签、故障时间、每个充电桩前k天的所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；
对每一个有效元件的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有元件的实时特征数据；
将所述实时特征数据与非实时特征数据融合，形成样本集。
11.如权利要求9所述的一种充电桩故障元件预测方法，其特征在于，
采用控制变量法的方式，分别确定不同的待预测元件的最优模型的主控因子；即每次只修改一个因子，并从中选择预测精度最高的主控因子作为XGBOOT预测模型训练的主控因子。
12.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，将融合后的数据输入到训练好的预测模型中，输出故障预测结果，具体包括：
输出的每一个值代表该数据经预测模型预测的一个分值，若该分值大于设定值，则表明该数据对应的元件为故障元件，否则为正常元件；最终输出可能存在故障的元件以及无效的元件。
13.一种充电桩故障元件预测系统，其特征在于，包括：
数据获取模块，用于获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；
特征提取模块，用于提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；
聚类分析模块，用于对每一个有效元件的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有预测元件的实时特征数据；
故障预测模块，用于将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果。
14.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-12任一项所述的充电桩故障元件预测方法。
15.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-12任一项所述的充电桩故障元件预测方法。
CN202011607042.3A 2020-12-28 2020-12-28 一种充电桩故障元件预测方法及系统 Active CN112699605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011607042.3A CN112699605B (zh) 2020-12-28 2020-12-28 一种充电桩故障元件预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011607042.3A CN112699605B (zh) 2020-12-28 2020-12-28 一种充电桩故障元件预测方法及系统

Publications (2)

Publication Number Publication Date
CN112699605A true CN112699605A (zh) 2021-04-23
CN112699605B CN112699605B (zh) 2022-09-16

Family

ID=75512381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011607042.3A Active CN112699605B (zh) 2020-12-28 2020-12-28 一种充电桩故障元件预测方法及系统

Country Status (1)

Country Link
CN (1) CN112699605B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609189A (zh) * 2021-08-04 2021-11-05 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
CN113917267A (zh) * 2021-10-15 2022-01-11 万帮数字能源股份有限公司 一种充电桩故障排查方法
CN115511106A (zh) * 2022-11-15 2022-12-23 阿里云计算有限公司 基于时序数据生成训练数据的方法、设备和可读存储介质
CN115964945A (zh) * 2022-12-27 2023-04-14 浙江长三角车联网安全技术有限公司 一种基于数据挖掘的充电桩充电失效分析方法及系统
CN116494816A (zh) * 2023-06-30 2023-07-28 江西驴宝宝通卡科技有限公司 充电桩的充电管理系统及其方法
CN116523135A (zh) * 2023-05-04 2023-08-01 南京能可瑞科技有限公司 充电桩寿命预测系统及其方法
CN117325699A (zh) * 2023-10-08 2024-01-02 江苏紫龙新能源科技有限公司 一种用于液冷超充技术的安全监控系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872863A (zh) * 2018-05-02 2018-11-23 广东工业大学 一种优化分类的电动汽车充电状态监测方法
CN109190670A (zh) * 2018-08-02 2019-01-11 大连理工大学 一种基于可扩展提升树的充电桩故障预测方法
CN109615273A (zh) * 2019-01-16 2019-04-12 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状态评价方法与系统
WO2019184862A1 (zh) * 2018-03-30 2019-10-03 比亚迪股份有限公司 电动汽车及其数据处理系统和数据处理方法
CN111539493A (zh) * 2020-07-08 2020-08-14 北京必示科技有限公司 一种告警预测方法、装置、电子设备及存储介质
CN111884334A (zh) * 2020-07-01 2020-11-03 南京合纵电力设备有限公司 一种适于无人值守低压柜的监控方法和系统
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019184862A1 (zh) * 2018-03-30 2019-10-03 比亚迪股份有限公司 电动汽车及其数据处理系统和数据处理方法
CN108872863A (zh) * 2018-05-02 2018-11-23 广东工业大学 一种优化分类的电动汽车充电状态监测方法
CN109190670A (zh) * 2018-08-02 2019-01-11 大连理工大学 一种基于可扩展提升树的充电桩故障预测方法
CN109615273A (zh) * 2019-01-16 2019-04-12 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状态评价方法与系统
CN111884334A (zh) * 2020-07-01 2020-11-03 南京合纵电力设备有限公司 一种适于无人值守低压柜的监控方法和系统
CN111539493A (zh) * 2020-07-08 2020-08-14 北京必示科技有限公司 一种告警预测方法、装置、电子设备及存储介质
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄俊革等: "基于微服务与机器学习的煤矿安全监测系统", 《应用技术学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609189A (zh) * 2021-08-04 2021-11-05 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
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
CN113917267A (zh) * 2021-10-15 2022-01-11 万帮数字能源股份有限公司 一种充电桩故障排查方法
CN115511106A (zh) * 2022-11-15 2022-12-23 阿里云计算有限公司 基于时序数据生成训练数据的方法、设备和可读存储介质
CN115511106B (zh) * 2022-11-15 2023-04-07 阿里云计算有限公司 基于时序数据生成训练数据的方法、设备和可读存储介质
CN115964945A (zh) * 2022-12-27 2023-04-14 浙江长三角车联网安全技术有限公司 一种基于数据挖掘的充电桩充电失效分析方法及系统
CN116523135A (zh) * 2023-05-04 2023-08-01 南京能可瑞科技有限公司 充电桩寿命预测系统及其方法
CN116523135B (zh) * 2023-05-04 2023-09-26 南京能可瑞科技有限公司 充电桩寿命预测系统及其方法
CN116494816A (zh) * 2023-06-30 2023-07-28 江西驴宝宝通卡科技有限公司 充电桩的充电管理系统及其方法
CN116494816B (zh) * 2023-06-30 2023-09-15 江西驴宝宝通卡科技有限公司 充电桩的充电管理系统及其方法
CN117325699A (zh) * 2023-10-08 2024-01-02 江苏紫龙新能源科技有限公司 一种用于液冷超充技术的安全监控系统
CN117325699B (zh) * 2023-10-08 2024-03-26 江苏紫龙新能源科技有限公司 一种用于液冷超充技术的安全监控系统

Also Published As

Publication number Publication date
CN112699605B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN112699605B (zh) 一种充电桩故障元件预测方法及系统
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN110851645A (zh) 一种基于深度度量学习下相似性保持的图像检索方法
CN110750524A (zh) 一种有源配电网故障特征的确定方法及系统
CN110942091B (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN114114039B (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN110990784B (zh) 一种基于梯度提升回归树的烟支通风率预测方法
CN113010504B (zh) 基于LSTM和改进K-means算法的电力数据异常检测方法及系统
CN107066555A (zh) 面向专业领域的在线主题检测方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN115656857A (zh) 一种锂离子电池剩余使用寿命的多尺度融合预测方法
CN113807568B (zh) 一种电力负荷预测方法、装置及终端设备
CN114609994A (zh) 基于多粒度正则化重平衡增量学习的故障诊断方法及装置
CN112785015A (zh) 基于案例推理的装备故障诊断方法
CN117556369A (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN114977162A (zh) 一种电动汽车充电监测方法及系统
CN113127464B (zh) 农业大数据环境特征处理方法、装置及电子设备
CN113094448B (zh) 住宅空置状态的分析方法及分析装置、电子设备
CN117349786B (zh) 基于数据均衡的证据融合变压器故障诊断方法
CN116720145B (zh) 基于数据处理的无线充电剩余时间预测方法
CN116226468B (zh) 基于网格化终端业务数据存储管理方法
CN116595363A (zh) 预测方法、装置、设备、存储介质和计算机程序产品
CN111737918A (zh) 一种针对航空发动机高压转子故障诊断的集成学习方法
CN113780405B (zh) 基于深度神经网络的空调机参数回归优化方法
CN114781699B (zh) 基于改进粒子群Conv1D-Attention优化模型的水库水位预测预警方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province, 250101

Applicant after: Shandong luruan Digital Technology Co.,Ltd. smart energy branch

Address before: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province, 250101

Applicant before: Shandong Luneng Software Technology Co.,Ltd. intelligent electrical branch

GR01 Patent grant
GR01 Patent grant