CN113917267A - 一种充电桩故障排查方法 - Google Patents
一种充电桩故障排查方法 Download PDFInfo
- Publication number
- CN113917267A CN113917267A CN202111207260.2A CN202111207260A CN113917267A CN 113917267 A CN113917267 A CN 113917267A CN 202111207260 A CN202111207260 A CN 202111207260A CN 113917267 A CN113917267 A CN 113917267A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- abnormality
- data
- relay
- recommendation
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种充电桩故障排查方法,其特征在于包括如下步骤:收集充电桩的实时工作状态信息;进行数据的独立性检验;基于通过独立性检验的数据构建协同矩阵,计算推荐系数;对推荐系数进行排序,选取排名靠前的若干推荐系数对应的向量;对选取的向量进行基于余弦定理的向量夹角计算,获取其中夹角最小即余弦值最大的向量对应历史时刻的充电桩状态标识,获取充电桩的异常状态和异常原因。本发明方法基于协同推荐算法,可以有效利用云平台大数据,在桩发生故障时,能快速匹配出可能的故障点并提供相关参数数据和维修方法,帮助维修人员及时检修,排除安全隐患,减少维修人员检修时间,对于经验少的人员效果尤其显著。
Description
技术领域
本发明涉及一种充电桩故障排查方法,属于充电桩检修、运维管理技术领域。
背景技术
现在充电桩的检修工作仍处于人工检修的状态,需要安排大量人员进行人工排查,既耗时又耗力,而且对于充电桩内部的欠压过流等现象需携带大量专业的仪器进行排查。这种人工巡检的机制在大量充电桩的排查需求面前脆弱得不堪一击,导致大量的充电桩因无人排查而存在巨大的安全隐患,因而被闲置。更进一步,当消费者需要使用这些充电桩时,由于被安排到异常充电桩,将严重影响消费者的使用需求,严重时将导致电动车无法正常充电而被迫拖车等。而且异常充电桩长期闲置,存在重大安全隐患。
发明内容
本发明的目的时提出一种充电桩异常巡检方法,基于协同推荐算法来辅助判断出异常点,帮助检修人员及时发现异常并定位异常原因,便于安排修理或者直接停用,切实保护消费的权益,保障使用安全。
为实现本发明目的,本发明实施例提供了一种充电桩故障排查方法,其特征在于包括如下步骤:
步骤1、收集充电桩的实时工作状态信息,包括充电桩状态标识,对除充电桩状态标识以外的数据进行归一化处理,形成数据对指标的一一映射关系;
步骤2、将所述除充电桩状态标识以外的数据分别与充电桩状态标识做独立性检验;
步骤3、基于通过所述独立性检验的数据的实时数据构建特征矩阵,基于通过所述独立性检验的数据的历史数据构建协同历史矩阵,计算充电桩的协同推荐行矩阵,得到协同推荐结果矩阵,计算所述协同推荐结果矩阵的各元素的值,得到各元素对应的推荐系数;
步骤4、将各元素对应的推荐系数从大到小排列,选取排名前设定数量个推荐系数对应的向量;
步骤5、对步骤4选取的各向量进行基于余弦定理的向量夹角计算,获取其中夹角最小即余弦值最大的向量对应历史时刻的充电桩状态标识,根据步骤1形成的数据对指标的一一映射关系,获取充电桩的异常状态和异常原因。
本发明的有益效果在于:
1、本发明方法基于协同推荐算法,可以有效利用云平台大数据,在桩发生故障时,能快速匹配出可能的故障点并提供相关参数数据和维修方法。
2、利用本发明方法,可以帮助维修人员及时检修,排除安全隐患,减少维修人员检修时间。
3、对于经验少的新手员工,本发明方法能指导他们快速定位故障,并提供相对应的故障检测方法以及维修方法。能让新手快速上手工作,提高企业效率。
4、本发明方法可以有效的利用公司云平台的大数据资源,提高协同推荐算法的精准度,同时精准度提高,也极大方便了维修人员的工作效率。本发明让公司的资源得到最大化利用,同时提高了效率。
附图说明
图1是本发明实施例独立性检验流程图;
图2是本发明实施例整体流程图。
具体实施方式
本实施例提供一种充电桩故障排查方法,如图2所示,包括如下步骤:
步骤1、通过云平台大数据,收集每个充电桩的实时工作状态信息,主要包括电压(V),电流(A),剩余电量(%),机箱综合电阻(Ω),线路综合电阻(Ω),机箱温度(T),机箱磁场强度(B),机箱磁场变化率(PB),核心负载(P),继电器工作温度(T),继电器单日累计开关次数,继电器单日累计动作时长(S),继电器粘连指数,充电桩状态标识。
由于以上的数据没有统一的规范格式(比如电压的单位为V,数值正常大于0V小于380V,该格式无法与历史数据形成有效的线性映射),因此对数据进行清洗并归一化,最终形成数据对所有指标的一一映射。通过归一化处理实现数据的值域为0到1,且变量为无量纲化的数值,才能构建基础的协同推荐函数。
主要基础变量及其归一化算法如下:
其中,本实施例对剩余电量E1,继电器粘连指数Ev这两个无量纲化且值域位于[0,100]的变量采用基本归一化法,其中xi表示变量归一化前,f(xi)表示变量归一化以后的数值:
对于除上述2个变量和充电桩状态标识以外的变量均采用离差标准化算法:其中xmin表示变量序列最小值,xmax表示变量序列最大值:
对于充电桩状态标识F,此数据为充电器对应状态标识,该变量由人工定义,标识对应时刻的充电桩的所处状态,包括以下15种情况,此变量不需要归一化:
标示 | 状态 | 异常原因 | 标示 | 状态 | 异常原因 | 标示 | 状态 | 异常原因 |
1 | 正常 | 无 | 6 | 异常 | 温度过高 | 11 | 异常 | 过压 |
2 | 异常 | 线路老化 | 7 | 异常 | 电磁干扰 | 12 | 异常 | 欠压 |
3 | 异常 | 线路融化 | 8 | 异常 | 线圈失灵 | 13 | 异常 | 过流 |
4 | 异常 | 接触不良 | 9 | 异常 | 负载过大 | 14 | 异常 | 剩余电流 |
5 | 异常 | 继电器粘连 | 10 | 异常 | 通讯异常 | 15 | 异常 | 接地异常 |
经过上述归一化处理以后,每条数据均记录为统一格式,例如21-07-08 13:40:00编号TN1001和TN1002号充电桩的数据为如下格式:
经过归一化以后上述数据为本发明技术方案实际使用的数据。
步骤2、由于计算力和协同推荐矩阵构建的需求,本发明对于上述的13个变量均各自做与充电桩状态标识(F)的独立性检验,以避免数据间由于相互不独立导致协同推荐矩阵构建后无解。本实施例采用自由度为(21)*(21)=1的X2检验(即卡方独立性检验),检验流程如图1所示。
以电压为例,本文首先对已经归一化的变量电压U和充电桩状态标识F选取194239个样本的历史数据建立推断论述为H1:电压U和充电桩状态标识F间各自独立,并构建样本频数列联表,如下:
F=1 | F>1 | 总数 | |
U>0.5 | 183964(a) | 7842(b) | 191806 |
U<=0.5 | 1754(c) | 679(d) | 2433 |
总数 | 185718 | 8521 | 194239 |
此时K2=n(ad-bc)2/[(a+b)(c+d)(a+c)(b+d)]=3249.8
即该变量的卡方检验值为3249.8,检验样本总量194239,对于本实施例基于独立性卡方99.5%的检验的临界值检验表而言,实际的临界检验系数为67.33,最终有99.5%以上的把握认为电压U与充电桩状态标识F这两个变量独立(以上检测过程中的临界检验系数可查询卡方临界值检验表单边99.5%检验样本数量大于100)。
由于篇幅原因本文不再列举每个变量的独立性检验过程,仅列出检验结果。本实施例涉及的13个变量均采用单边99.5%检验,由于部分变量经过数据清洗以后删除部分异常,所以数据量有所不同,因此有各自的临界检验系数。
变量名 | 样本总量 | 卡方检验值 | 临界系数 | 相关结论 |
电压 | 194239 | 3249.8 | 67.33 | 通过检验 |
电流 | 135780 | 139.8 | 67.33 | 通过检验 |
剩余电量 | 165382 | 18923.6 | 67.33 | 通过检验 |
机箱综合电阻 | 178034 | 21.5 | 67.33 | 未通过检验 |
线路综合电阻 | 217902 | 187.7 | 67.33 | 通过检验 |
机箱温度 | 235136 | 1880.8 | 67.33 | 通过检验 |
机箱磁场强度 | 168745 | 8548.4 | 67.33 | 通过检验 |
机箱磁场变化率 | 175382 | 21.9 | 67.33 | 未通过检验 |
核心负载 | 202178 | 1340.6 | 67.33 | 通过检验 |
继电器工作温度 | 115382 | 2198.7 | 67.33 | 通过检验 |
继电器单日累计开关次数 | 178136 | 399.6 | 67.33 | 通过检验 |
继电器单日累计动作时长 | 195576 | 49636 | 67.33 | 通过检验 |
继电器粘连指数 | 164324 | 391.7 | 67.33 | 通过检验 |
如上表所示,最终机箱综合电阻和机箱磁场变化率这2个变量未能通过独立性检验,即上述2个变量会对下一步的协同推荐矩阵的构建产生负面影响,因此将其剔除,最终留下11个变量。
步骤3、完成上述的数据归一化处理和独立性检验后,开始进行基于协同推荐算法的实时数据的协同矩阵构建。
步骤3.1对当前时刻的某一充电桩,获取其清洗后的11个变量数据构建11*1的特征矩阵Xi:
Xi=[Ui Ii Eli Rli Tgi BgiPi Tvi Nvi Tmvi Evi],
其中下标i表示充电桩的序号。
步骤3.2选取该充电桩在历史上近100天的历史数据记录构建11*100的协同历史矩阵Y:
对于历史数据的选取,需要满足数据量尽可能多以提高算法的精准度,同时也需要保证计算速度尽可能快以提高算法效率,选取时应尽可能平衡两方面的要求。
步骤3.3根据协同推荐算法需求计算出协同推荐行矩阵Ai,即由Ai=XiY/(|Xi||Y|):
如上述公式所示的1*100列的协同推荐结果矩阵,代表了100条历史数据记录与当前数据记录的推荐系数A0至A99,该系数值域为[0,1],数值越大则被推荐的可能性越高。
步骤4、将上述100个推荐系数从大到小排列,选取其中排名前10个向量,分别为Am0...Am9,此时获得了与当前的指定充电桩状态接近的10个历史时刻,这些时刻对应的充电桩状态标识F即为可能的充电桩状态。
它对应当前实时充电桩状态标识的标示值。
根据步骤1形成的数据对指标的一一映射关系,获取充电桩的异常状态和异常原因,将上述状态信息提供给专业维修人事以后,专业人员即可携带相关装备,第一时间赶赴现场处理充电桩出现的问题。
Claims (7)
1.一种充电桩故障排查方法,其特征在于包括如下步骤:
步骤1、收集充电桩的实时工作状态信息,包括充电桩状态标识,对除充电桩状态标识以外的数据进行归一化处理,形成数据对指标的一一映射关系;
步骤2、将所述除充电桩状态标识以外的数据分别与充电桩状态标识做独立性检验;
步骤3、基于通过所述独立性检验的数据的实时数据构建特征矩阵,基于通过所述独立性检验的数据的历史数据构建协同历史矩阵,计算充电桩的协同推荐行矩阵,得到协同推荐结果矩阵,计算所述协同推荐结果矩阵的各元素的值,得到各元素对应的推荐系数;
步骤4、将各元素对应的推荐系数从大到小排列,选取排名前设定数量个推荐系数对应的向量;
步骤5、对步骤4选取的各向量进行基于余弦定理的向量夹角计算,获取其中夹角最小即余弦值最大的向量对应历史时刻的充电桩状态标识,根据步骤1形成的数据对指标的一一映射关系,获取充电桩的异常状态和异常原因。
2.如权利要求1所述的充电桩故障排查方法,其特征在于所述工作状态信息还包括电压,电流,剩余电量,机箱综合电阻,线路综合电阻,机箱温度,机箱磁场强度,机箱磁场变化率,核心负载,继电器工作温度,继电器单日累计开关次数,继电器单日累计动作时长,继电器粘连指数。
3.如权利要求1所述的充电桩故障排查方法,其特征在于所述步骤3包括:
步骤3-1、获取充电桩当前时刻的通过所述独立性检验的数据,构建m*1的特征矩阵Xi,其中m表示通过所述独立性检验的数据的项数;
步骤3-2、获取充电桩近n天的通过所述独立性检验的数据,构建m*n的协同历史矩阵Y;
步骤3-3、计算充电桩的协同推荐行矩阵Ai=XiY/(/Xi//Y/),得到1*n列的协同推荐结果矩阵,计算所述协同推荐结果矩阵的n个元素的值,分别记为推荐系数A0…An-1。
4.如权利要求1所述的充电桩故障排查方法,其特征在于所述步骤2采用自由度为(2-1)*(2-1)=1的X2检验,即卡方独立性检验。
5.如权利要求1所述的充电桩故障排查方法,其特征在于所述电流,机箱综合电阻,线路综合电阻,机箱温度,机箱磁场强度,机箱磁场变化率,核心负载,继电器工作温度,继电器单日累计开关次数采用离差标准化归一化算法进行数据归一化处理;所述剩余电量、继电器粘连指数采用基本归一化算法进行数据归一化处理。
6.如权利要求1所述的充电桩故障排查方法,其特征在于所述充电桩状态标识标示及对应的状态、异常原因包括:
。
7.如权利要求1所述的充电桩故障排查方法,其特征在于所述通过独立性检验的数据包括电压,电流,剩余电量,线路综合电阻,机箱温度,机箱磁场强度,核心负载,继电器工作温度,继电器单日累计开关次数,继电器单日累计动作时长,继电器粘连指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207260.2A CN113917267A (zh) | 2021-10-15 | 2021-10-15 | 一种充电桩故障排查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207260.2A CN113917267A (zh) | 2021-10-15 | 2021-10-15 | 一种充电桩故障排查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113917267A true CN113917267A (zh) | 2022-01-11 |
Family
ID=79240864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111207260.2A Pending CN113917267A (zh) | 2021-10-15 | 2021-10-15 | 一种充电桩故障排查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113917267A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144704A (zh) * | 2022-09-02 | 2022-10-04 | 深圳永贵技术有限公司 | 电缆生产的故障检测方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006302097A (ja) * | 2005-04-22 | 2006-11-02 | Matsushita Electric Ind Co Ltd | 協調フィルタ装置 |
CN107390056A (zh) * | 2017-07-20 | 2017-11-24 | 万帮充电设备有限公司 | 检测充电桩的方法及系统 |
CN107633354A (zh) * | 2017-09-08 | 2018-01-26 | 国家电网公司 | 一种站用直流系统运行状态健康程度的综合评价方法 |
CN107748901A (zh) * | 2017-11-24 | 2018-03-02 | 东北大学 | 基于相似性局部样条回归的工业过程故障诊断方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN110466381A (zh) * | 2019-08-27 | 2019-11-19 | 北京智芯微电子科技有限公司 | 充电桩状态的评估方法 |
CN111391694A (zh) * | 2020-02-29 | 2020-07-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种充电站运行维护的多层次快速数据监测方法和系统 |
CN112036353A (zh) * | 2020-09-08 | 2020-12-04 | 岭南师范学院 | 一种基于内存的协同过滤轴承电流损伤故障识别方法 |
CN112699605A (zh) * | 2020-12-28 | 2021-04-23 | 山东鲁能软件技术有限公司智能电气分公司 | 一种充电桩故障元件预测方法及系统 |
CN113360784A (zh) * | 2021-06-22 | 2021-09-07 | 北京邮电大学 | 一种用于设备运维方案推荐的知识图谱优化的协同过滤算法 |
-
2021
- 2021-10-15 CN CN202111207260.2A patent/CN113917267A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006302097A (ja) * | 2005-04-22 | 2006-11-02 | Matsushita Electric Ind Co Ltd | 協調フィルタ装置 |
CN107390056A (zh) * | 2017-07-20 | 2017-11-24 | 万帮充电设备有限公司 | 检测充电桩的方法及系统 |
CN107633354A (zh) * | 2017-09-08 | 2018-01-26 | 国家电网公司 | 一种站用直流系统运行状态健康程度的综合评价方法 |
CN107748901A (zh) * | 2017-11-24 | 2018-03-02 | 东北大学 | 基于相似性局部样条回归的工业过程故障诊断方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN110466381A (zh) * | 2019-08-27 | 2019-11-19 | 北京智芯微电子科技有限公司 | 充电桩状态的评估方法 |
CN111391694A (zh) * | 2020-02-29 | 2020-07-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种充电站运行维护的多层次快速数据监测方法和系统 |
CN112036353A (zh) * | 2020-09-08 | 2020-12-04 | 岭南师范学院 | 一种基于内存的协同过滤轴承电流损伤故障识别方法 |
CN112699605A (zh) * | 2020-12-28 | 2021-04-23 | 山东鲁能软件技术有限公司智能电气分公司 | 一种充电桩故障元件预测方法及系统 |
CN113360784A (zh) * | 2021-06-22 | 2021-09-07 | 北京邮电大学 | 一种用于设备运维方案推荐的知识图谱优化的协同过滤算法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144704A (zh) * | 2022-09-02 | 2022-10-04 | 深圳永贵技术有限公司 | 电缆生产的故障检测方法、装置、设备及存储介质 |
CN115144704B (zh) * | 2022-09-02 | 2022-11-15 | 深圳永贵技术有限公司 | 电缆生产的故障检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199276B (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
Chiang et al. | Toward a practical performance index for predicting voltage collapse in electric power systems | |
Lu et al. | An optimal PMU placement with reliable zero injection observation | |
CN110502777A (zh) | 基于神经网络预测的igbt模块状态检测系统及方法 | |
CN111008485B (zh) | 基于神经网络的三相交流异步电机多参数寿命预测方法 | |
CN102800030B (zh) | 地区电网继电保护设备综合可靠性互动迭代评估方法 | |
CN113917267A (zh) | 一种充电桩故障排查方法 | |
CN105096694A (zh) | 一种电气设备虚拟维修训练系统仿真方法 | |
CN110942084A (zh) | 一种基于同期线损异常辨识的降损措施制定方法 | |
CN104360835A (zh) | 一种基于拓扑方式的顺控操作票自动生成方法 | |
CN104915730B (zh) | 基于权重的装备多属性维修决策方法 | |
CN113052473B (zh) | 一种基于故障率和静态安全分析的电网风险分析方法 | |
CN112446572A (zh) | 考虑瓦斯发电厂的矿山供电调度应急辅助决策支持方法 | |
CN111461475A (zh) | 一种电动汽车充电设备性能状态评价方法 | |
CN105676144A (zh) | 一种动力电池梯次利用评估方法 | |
CN117611392A (zh) | 基于电网设备资源的数字电网综合展示系统 | |
CN110458375B (zh) | 一种考虑电网潮流分布均衡度的电力系统经济调度方法 | |
Guo et al. | Big data processing and analysis platform for condition monitoring of electric power system | |
CN115689071B (zh) | 一种基于关联参数挖掘的设备故障融合预测方法及系统 | |
CN116243209A (zh) | 一种电阻柜智能监测系统 | |
CN113591396B (zh) | 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 | |
CN104104148A (zh) | 实时线损智能监控与分析定位系统 | |
CN109034538A (zh) | 一种面向变电站自动化设备运行质量的评价分析方法 | |
CN115081237A (zh) | 基于go法和共因失效的飞机电源系统可靠性分析方法 | |
CN113625115A (zh) | 一种基于调度数据的小电流接地故障选线系统 |
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 |