CN113156243A - 故障预测方法和预测系统 - Google Patents

Abstract

本申请实施例涉及一种故障预测方法和预测系统，故障预测方法，应用于服务器，预测方法包括：获取充电桩故障时的充电数据；对充电数据进行特征提取，以分别获取各次充电桩故障对应的特征充电信息；通过故障定性分析划分各次充电桩故障至对应的预设故障类型，以生成各预设故障类型的训练样本集；分别根据各训练样本集进行训练，以生成各预设故障类型对应的故障模型，故障模型用于充电桩进行故障预测。在本申请实施例中，通过特征提取的步骤可以准确地获取充电数据中的有效数据，再分别针对不同的预设故障类型建立对应的故障模型，可以进一步提高数据分析速度，从而提升充电桩的故障预测效率和维护效率。

Description

故障预测方法和预测系统

技术领域

本申请实施例涉及充电桩技术领域，特别是涉及一种故障预测方法和预测系统。

背景技术

电动汽车的发展正成为汽车行业发展的主流，2019年底，全球电动乘用车的累计销量已经突破700万辆，相应得充电基础设施，特别是充电桩的建设得到了世界各国的重视。

但是，由于充电桩技术尚处于快速发展的阶段，未形成统一的行业标准，导致了维护、维修的困难，也造成了坏桩率偏高。传统的故障检测需要根据特定的充电桩采用不同的方式，因此故障检测和维护的复杂性高、耗时长，从而导致对充电桩的维护效率较低。

发明内容

本申请实施例提供了一种故障预测方法和预测系统，可以优化充电桩的维护效率。

一种故障预测方法，应用于服务器，所述预测方法包括：

获取充电桩故障时的充电数据；

对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息；

根据所述故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集；

分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测。

在其中一个实施例中，所述充电数据包括充电桩测试获得的原始数据，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，包括：

分别对各次所述充电桩故障对应的原始数据进行特征提取，以获取充电时长、充电深度和充电功率中的至少一种并作为所述特征充电信息。

在其中一个实施例中，所述充电数据还包括各次所述充电桩故障对应的充电车型和/或充电桩类型，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，还包括：

将所述充电车型和/或所述充电桩类型作为对应的充电桩故障的所述特征充电信息。

在其中一个实施例中，所述充电数据还包括各次所述充电桩故障对应的充电时间和充电地点，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，还包括：

根据所述充电时间和所述充电地点获取充电桩故障时的温度信息和/或湿度信息，将所述温度信息和/或所述湿度信息作为对应的充电桩故障的所述特征充电信息。

在其中一个实施例中，还包括：

更新所述训练样本集，并根据更新后的所述训练样本集获取最新的所述故障模型。

在其中一个实施例中，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，包括：

当所述充电数据存在异常数据点时，对所述异常数据点的数据进行清洗或填充，以生成处理后的所述充电数据；

对处理后的所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息。

一种故障预测方法，应用于充电桩，所述预测方法包括：

发送充电桩故障时的充电数据至服务器；

接收所述服务器根据充电桩故障时的充电数据生成的故障模型；

根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

在其中一个实施例中，所述根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率，包括：

根据实时的充电数据和本地的所述故障模型判断当前是否发生充电桩故障；

当发生充电桩故障时，发送模型获取请求至服务器，以指示服务器发送最新的所述故障模型；

接收最新的所述故障模型，并根据实时的充电数据和最新的所述故障模型预测各故障类型的发生概率。

在其中一个实施例中，还包括：

发送当前的故障类型和实时的充电数据至所述服务器，以使所述服务器根据当前的故障类型和实时的充电数据更新训练样本集。

一种故障预测系统，包括：

服务器，用于获取充电桩故障时的充电数据；对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息；根据所述故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集；分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测；

充电桩，包括通信器，所述通信器用于与所述服务器进行数据通讯，所述充电桩用于发送充电桩故障时的充电数据至服务器；接收所述服务器根据充电桩故障时的充电数据生成的故障模型；根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

在其中一个实施例中，所述充电桩还包括：

传感器，用于获取所述充电数据，并通过RS485、光纤、以太网、蓝牙和无线网络中的至少一种输出获取到的所述充电数据。

上述故障预测方法和预测系统，所述故障预测方法，应用于服务器，所述预测方法包括：获取充电桩故障时的充电数据；对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息；根据所述故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集；分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测。在本申请实施例中，通过特征提取的步骤可以准确地获取充电数据中的有效数据，从而可以基于有效数据快速地建立故障模型，而且，通过分别针对不同的预设故障类型建立对应的故障模型，可以进一步提高根据故障模型进行故障预测时的数据分析速度，从而综合提升充电桩的故障预测效率和维护效率。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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为一实施例的故障预测方法的应用环境图；

图2为一实施例的故障预测方法的流程图之一；

图3为一实施例的步骤S204的子流程图；

图4为一实施例的故障预测方法的流程图之二；

图5为一实施例的步骤S406的子流程图；

图6为一实施例的故障预测装置的结构框图之一；

图7为一实施例的故障预测装置的结构框图之二。

具体实施方式

为了便于理解本申请实施例，下面将参照相关附图对本申请实施例进行更全面的描述。附图中给出了本申请实施例的首选实施例。但是，本申请实施例可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请实施例的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本文中在本申请实施例的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请实施例。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本申请提供的故障预测方法，可以应用于如图1所示的应用环境中，本实施例的应用环境包括充电桩和服务器，其中，充电桩可以通过物联网通信器与服务器进行通信。充电桩用于与电动汽车连接，从而为电动汽车进行充电。服务器是一个云端平台或服务器平台，且具备充足的存储和计算能力，服务器能够接收电动汽车充电桩发送的信息，并进行处理和存储，具体地，本实施例中的服务器可以通过独立的服务器或者是多个服务器组成的服务器集群来实现。

图2为一实施例的故障预测方法的流程图之一，本实施例的故障预测方法以应用于图1中的服务器为例进行说明，参考图2，所述预测方法包括步骤S202至S208。

步骤S202，获取充电桩故障时的充电数据。

其中，充电数据是指充电桩进行充电操作相关的数据，包括但不限于电性数据、时间数据等。充电桩故障时的充电数据包括充电桩被确认发生故障的故障时刻，以及故障时刻前预设时长内的上述数据。可以理解的是，通过获取一段时长内的多个数据，可以对上述多个数据进行拟合和分析，从而更加准确地生成故障模型。

步骤S204，对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息。

具体地，一个服务器可以与多个充电座通信连接，以获取较多数量的充电桩故障时的充电数据，以实现充电桩故障的大数据分析。每次充电桩故障时都会有对应的一组电性数据、时间数据等充电数据，因此，可以分别对每次充电桩故障的充电数据进行特征提取，以获取对应的特征充电信息，并滤除对故障预测结果的贡献较小的数据，从而进行更加准确、快速的预测。

步骤S206，根据所述故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集。

通过对充电桩提供的故障数据进行聚类分析，可以产生对特定的充电桩故障的描述模型，每个描述模型具有对应的故障特性，因此划分至同一训练样本集的特征充电信息具有相同的故障特性。具体地，可以先设定一些常见的预设故障类型，并对每个充电桩故障进行分类，以使同一训练样本集中的全部数据均对应于同一个预设故障类型，以确保基于训练样本集生成的故障模型的准确性。

步骤S208，分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测。

具体地，可以以神经网络模型为基础进行模型的训练，并利用深度学习的方法对模型的结构和参数进行优化，以使故障模型可以根据外部输入的特征充电信息判断发生该故障模型所述对应的充电桩故障的可能性。

在本实施例中，通过上述步骤S202至S208，基于历史故障的充电数据并结合特征提取的方法，可以准确地获取充电数据中的有效数据，从而可以基于有效数据快速地建立充电桩的故障模型，而且，通过分别针对不同的预设故障类型建立对应的故障模型，充电桩基于上述故障模型进行自发检测和预测时，可以有效数据分析速度，并及早地发现充电桩的故障问题，从而不仅可以降低充电桩的人工维护的难度，还可以降低充电桩产生严重的故障概率，综合提升了充电桩的故障预测效率和维护效率，进而提高了充电桩的利用率，减少了由于中断充电服务带来的直接成本和间接成本，大大提升了用户的充电体验。

在其中一个实施例中，所述充电数据包括充电桩测试获得的原始数据，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，包括：分别对各次所述充电桩故障对应的原始数据进行特征提取，以获取充电时长、充电深度和充电功率中的至少一种并作为所述特征充电信息。

可以理解的是，原始测试数据较为复杂，且通常无法直观地表达被测试对象的运行状态，因此，在本实施例中，充电桩可以将原始数据直接发送给服务器，即，在充电桩侧无需对原始数据进行处理，从而降低了充电桩侧的数据分析压力，而且，服务器由于具有较强的分析运算能力，可以对原始数据进行有效的数据筛选、数据提取等操作，从而提高提取到的特征充电信息的准确性，进而提高充电模型的准确性。

可选地，充电桩向服务器发送充电数据的操作可以是由充电桩发起的，例如，充电桩可以在每完成一次充电操作后，将当次充电操作过程中的充电数据发送给服务器。

可选地，充电桩向服务器发送充电数据的操作也可以是由服务器发起的，例如，服务器可以每间隔一定时间向充电桩发送一次数据获取请求，并在数据获取请求中携带其需要获取的数据项目信息，充电桩响应于上述数据获取请求，发送数据项目信息对应的充电数据至服务器。在本实施例中，由于服务器连接至多个不同的充电桩，而多个充电桩的类型可能存在差异，且不同类型的充电桩生成的充电数据也通常不完全相同。因此，服务器可以针对不同类型的充电桩获取相应的数据项目信息，从而在确保获取需要的充电数据的前提下，有效减少其他数据的发送量，从而降低充电桩与服务器之间的通讯压力。

承上述说明，可以利用概率统计的方法对充电数据进行计算，以获得充电功率、充电时长、充电深度等特征充电信息，从而便于采用统一的数据模型描述故障检测的问题。不同类型的充电桩具有不同的机械、电气特性，故障的描述和检测方式也各不相同，这造成了充电桩维护的复杂性。但是，所有充电桩的充电数据之间具有相通性，从充电数据提取的特征充电信息具有通用性，从而可以降低充电桩故障的预测难度。进一步地，充电功率、充电时长、充电深度等特征在各个故障模型中的作用占比可以不同，具体系数的确定可以通过模型训练获取，从而更加准确地进行故障预测。

在其中一个实施例中，所述充电数据还包括各次所述充电桩故障对应的充电车型和/或充电桩类型，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，还包括：将所述充电作为对应的充电桩故障的所述特征充电信息。

具体地，在实际的充电过程中，部分充电车型和部分充电桩类型之间的兼容性不足，即，兼容性较差的充电车型和充电桩类型之间进行充电操作时，产生充电桩故障的几率较高。此外，也可能存在部分充电车型由于自身的设计原因，更容易引发充电桩故障。因此，可以在故障模型中加入充电车型和/或充电桩类型的因素，从而可以在故障预测时针对特定的充电车型和/或充电桩类型进行更加快速、准确的预测，以使充电桩可以只基于自身类型对应的故障模型进行运算和匹配，从而进一步提高预测效率和准确性。

在其中一个实施例中，所述充电数据还包括各次所述充电桩故障对应的充电时间和充电地点，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，还包括：根据所述充电时间和所述充电地点获取充电桩故障时的温度信息和/或湿度信息，将所述温度信息和/或所述湿度信息作为对应的充电桩故障的所述特征充电信息。

具体地，在实际的充电过程中，部分天气更容易引发充电桩故障。例如，当处于雷雨天气环境时，雷电可能导致充电桩的瞬时承压过大，雨水可能导致充电桩内部元件短路。当处于高温天气环境时，充电桩可能散热能力不足，导致内部温度过高。因此，可以在故障模型中加入温度信息和/或湿度信息的因素，从而可以在故障预测时针对特定的温度信息和/或湿度信息进行更加快速、准确的预测，进一步提高预测效率。

在其中一个实施例中，故障预测方法还包括：更新所述训练样本集，并根据更新后的所述训练样本集获取最新的所述故障模型。可以理解的是，模型的准确性都是有时效性的，随着电动汽车的增多，充电桩故障会有不同的形态，因此，必须根据更多的充电数据积累对故障模型进行相应的调整，以保证故障模型的准确性。

图3为一实施例的步骤S204的子流程图，参考图3，在本实施例中，步骤S204对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，包括步骤S302至S304。

步骤S302，当所述充电数据存在异常数据点时，对所述异常数据点的数据进行清洗或填充，以生成处理后的所述充电数据。

具体地，异常数据点可以包括缺失的数据点和错误的数据点，上述异常数据点可能是数据通信错误或充电桩的传感器出错导致的。可以理解的是，异常数据点会导致建立的故障模型错误，从而影响故障预测的准确性，因此，需要对异常数据点进行处理。例如，可以对缺失的数据点进行数据填充，即，可以通过数据插值进行数据补充。还可以对错误的数据点进行数据清洗，即，可以通过概率测试检测并通过数据平滑进行数据清洗。

步骤S304，对处理后的所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息。

通过上述步骤S302至S304，基于处理后的充电数据生成故障模型，可以使训练获得的故障模型鲁棒性更强、更准确，从而有效提升故障预测的准确性。

图4为一实施例的故障预测方法的流程图之二，本实施例的故障预测方法以应用于图中的充电桩为例进行说明，具体是应用于充电桩中的控制器，充电桩中的控制器是一个具备一定计算和计算能力的计算机系统，可以是单片机、嵌入式系统或工控机等。参考图4，所述预测方法包括步骤S402至S406。

步骤S402，发送充电桩故障时的充电数据至服务器；

步骤S404，接收所述服务器根据充电桩故障时的充电数据生成的故障模型；

步骤S406，根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

其中，可以通过传感器对充电桩的充电操作进行测试，以获取充电过程的原始数据，并经由图1中的物联网通信器将充电数据发送至服务器。进一步地，充电桩可以对实时获取的充电数据进行较为简单的特征提取，从而在不会大量增加充电桩的数据处理压力、且无需服务器运算支持的前提下，更加快速和准确地进行故障的离线预测，并告知用户可能是哪些故障，以及每一种故障的可能性，从而使充电桩的维护人员可以更加快速地进行检查和维修。

图5为一实施例的步骤S406的子流程图，参考图5，在本实施例中，步骤S406根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率，包括步骤S502至S506。

步骤S502，根据实时的充电数据和本地的所述故障模型判断当前是否发生充电桩故障；

步骤S504，当发生充电桩故障时，发送模型获取请求至服务器，以指示服务器发送最新的所述故障模型；

步骤S506，接收最新的所述故障模型，并根据实时的充电数据和最新的所述故障模型预测各故障类型的发生概率。

其中，本地的故障模型是指充电桩上次获取并保存的故障模型，最新的故障模型是指服务器根据最新的训练样本集生成的故障模型，由于一个服务器通常连接至多个充电桩，因此，服务器的训练样本集通常也是随着不同的充电桩发生故障而实时更新的。在本实施例中，当确定发生充电桩故障时，获取最新的故障模型并进行预测，可以进一步提高故障预测的准确性。

应该理解的是，虽然各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，还包括：发送当前的故障类型和实时的充电数据至所述服务器，以使所述服务器根据当前的故障类型和实时的充电数据更新训练样本集。具体地，通过发送当前的故障类型和实时的充电数据，可以实现训练样本集和故障模型的动态更新，以确保故障检测能够适应充电场景的实时变化。

图6为一实施例的故障预测装置的结构框图之一，参考图6，本申请实施例还提供了一种故障预测装置，包括数据获取模块110、特征提取模块120、故障聚类模块130和模型生成模块140。

数据获取模块110用于获取充电桩故障时的充电数据。特征提取模块120用于对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息。故障聚类模块130用于根据所述故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集。模型生成模块140用于分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测。

图7为一实施例的故障预测装置的结构框图之二，参考图7，本申请实施例还提供了一种故障预测装置，包括故障预测装置，包括数据发送模块210、模型接收模块220和故障预测模块230。

数据发送模块210用于发送充电桩故障时的充电数据至服务器。模型接收模块220用于接收所述服务器根据充电桩故障时的充电数据生成的故障模型。故障预测模块230用于根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

可以理解的是，关于故障预测装置的具体限定可以参见上文中对于故障预测方法的限定，在此不再赘述。上述故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

继续参考图1，本申请实施例还提供了一种故障预测系统，包括服务器和充电桩。

服务器，用于获取充电桩故障时的充电数据；对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息；根据所述故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集；分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测；

充电桩，包括通信器，所述通信器用于与所述服务器进行数据通讯，所述充电桩用于发送充电桩故障时的充电数据至服务器；接收所述服务器根据充电桩故障时的充电数据生成的故障模型；根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

在其中一个实施例中，所述充电桩还包括：传感器，用于获取所述充电数据，并通过RS485、光纤、以太网、蓝牙和无线网络中的至少一种输出获取到的所述充电数据。

本申请实施例还提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史充电数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障预测方法。

本申请实施例还提供了一种计算机设备，该计算机设备可以是充电桩，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障预测方法。

本申请实施例还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。因此，本申请实施例专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种故障预测方法，其特征在于，应用于服务器，所述预测方法包括：

获取充电桩故障时的充电数据；

对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息；

根据故障特性划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集；

分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测。

2.根据权利要求1所述的预测方法，其特征在于，所述充电数据包括充电桩测试获得的原始数据，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，包括：

分别对各次所述充电桩故障对应的原始数据进行特征提取，以获取充电时长、充电深度和充电功率中的至少一种并作为所述特征充电信息。

3.根据权利要求2所述的预测方法，其特征在于，所述充电数据还包括各次所述充电桩故障对应的充电车型和/或充电桩类型，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，还包括：

将所述充电车型和/或所述充电桩类型作为对应的充电桩故障的所述特征充电信息。

4.根据权利要求2所述的预测方法，其特征在于，所述充电数据还包括各次所述充电桩故障对应的充电时间和充电地点，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，还包括：

根据所述充电时间和所述充电地点获取充电桩故障时的温度信息和/或湿度信息，将所述温度信息和/或所述湿度信息作为对应的充电桩故障的所述特征充电信息。

5.根据权利要求1所述的预测方法，其特征在于，还包括：

更新所述训练样本集，并根据更新后的所述训练样本集获取最新的所述故障模型。

6.根据权利要求1所述的预测方法，其特征在于，所述对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息，包括：

当所述充电数据存在异常数据点时，对所述异常数据点的数据进行清洗或填充，以生成处理后的所述充电数据；

对处理后的所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息。

7.一种故障预测方法，其特征在于，应用于充电桩，所述预测方法包括：

发送充电桩故障时的充电数据至服务器；

接收所述服务器根据充电桩故障时的充电数据生成的故障模型；

根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

8.根据权利要求7所述的预测方法，其特征在于，所述根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率，包括：

根据实时的充电数据和本地的所述故障模型判断当前是否发生充电桩故障；

当发生充电桩故障时，发送模型获取请求至服务器，以指示服务器发送最新的所述故障模型；

接收最新的所述故障模型，并根据实时的充电数据和最新的所述故障模型预测各故障类型的发生概率。

9.根据权利要求7所述的预测方法，其特征在于，还包括：

发送当前的故障类型和实时的充电数据至所述服务器，以使所述服务器根据当前的故障类型和实时的充电数据更新训练样本集。

10.一种故障预测系统，其特征在于，包括：

服务器，用于获取充电桩故障时的充电数据；对所述充电数据进行特征提取，以分别获取各次所述充电桩故障对应的特征充电信息；根据故障特性分别划分各次所述充电桩故障至对应的预设故障类型，以生成各所述预设故障类型的训练样本集；分别根据各所述训练样本集进行训练，以生成各所述预设故障类型对应的故障模型，所述故障模型用于充电桩进行故障预测；

充电桩，包括通信器，所述通信器用于与所述服务器进行数据通讯，所述充电桩用于发送充电桩故障时的充电数据至服务器；接收所述服务器根据充电桩故障时的充电数据生成的故障模型；根据实时的充电数据和所述故障模型判断当前是否发生充电桩故障，并当发生充电桩故障时，预测各故障类型的发生概率。

Images