CN115238752A - 一种基于人工智能的充电桩故障预测系统 - Google Patents

Abstract

本发明提出一种基于人工智能的充电桩故障预测系统，包括波形分解模块、数值预测模块、故障判断模块；故障预测方法，包括以下内容；步骤S1、构建并训练数值预测模块的预测模型：获取充电桩样本数据，利用变分模态分解方法对电气数据波形进行分解处理，得到若干子波形；以不同的算法对各子波形进行训练，并选择准确率最高者作为该子波形的预测算法，即通过RMSE指标选择各子波形验证集预测效果最佳的模型；步骤S2、故障判断模块处理：获取下一窗口数据后，以电气数据的各项参数预测值为输入，将其送入已训练的SOM聚类神经网络中，得到是否存在故障或故障类型的输出，进行分类并最终得到预测结果；本发明能提升最终的故障预测精度。

Description

一种基于人工智能的充电桩故障预测系统

技术领域

本发明涉及充电桩故障预测技术领域，尤其是一种基于人工智能的充电桩故障预测系统。

背景技术

在大力推行新能源的背景下，新能源汽车行业得到快速发展。伴随着新能源汽车的普及，充电桩市场也在扩大。充电桩的安全运行以及对充电桩的及时维护有着十分重要的现实意义。充电桩分为直流充电桩与交流充电桩两种，其中直流充电桩因其较高的充电效率而被市场广泛应用。现有针对充电桩的研究集中在充电策略、负电预测等方面，对充电桩故障预测方面有所欠缺。故，需要一种能够高效预测充电桩故障的系统。

发明内容

本发明提出一种基于人工智能的充电桩故障预测系统，采用变分模态分解（Variational mode decomposition，VMD）对充电桩各电气参数波形进行分解，对各个子波形分别采用不同方法进行预测，最大限度地提升各子波形预估效果，对各预测结果进行分类评估，能提升最终的故障预测精度。

本发明采用以下技术方案。

一种基于人工智能的充电桩故障预测系统，包括波形分解模块、数值预测模块、故障判断模块；预测系统采用基于人工智能的充电桩故障预测方法，包括以下内容；

步骤S1、构建并训练数值预测模块的预测模型：获取充电桩样本数据，利用变分模态分解（Variational mode decomposition，VMD）方法对电气数据波形进行分解处理，得到若干子波形；以不同的算法对各子波形进行训练，并选择准确率最高者作为该子波形的预测算法，即通过RMSE（Root Mean Square Error，均方根误差）指标选择各子波形验证集预测效果最佳的模型；

步骤S2、故障判断模块处理：获取下一窗口数据后，以电气数据的各项参数预测值为输入，将其送入已训练的SOM聚类神经网络中，得到是否存在故障或故障类型的输出，进行分类并最终得到预测结果；

步骤S1中，充电桩样本数据为正/负样本，即故障/正常数据样本，或正常/故障数据样本。

步骤S1中，先对各项电气数据进行数据清洗，通过偏差分析、统计分析方法对异常值进行清除，并采用插值法、哑变量填充等方法对缺失值进行填充；电气数据包括开关门禁电压、电子锁驱动电压、紧急停闸电压、电压门禁电压、谐波失真电压、谐波失真电流。

步骤S1中，对各子波形进行训练时，采用的算法包括ARIMA（AutoregressiveIntegrated Moving Average model）算法、CNN（Convolutional Neural Network）算法、DBN（Deep Belief Nets）算法、级联森林算法，具体方法为：对某一电气数据的所有子波形，利用ARIMA算法、CNN算法、DBN算法、级联森林算法分别进行训练预测，并得到各自的识别准确度；然后对于某一特定子波形，选择准确度最高的算法作为该子波形的预测算法。

当步骤S1采用ARIMA算法时，包括以下步骤；

步骤A1、训练数据：基于ARIMA算法的时间序列预测特征，将已有的完整电气数据按照时间先后作为训练数据输入模型进行计算预测，每一个数据即为一个输入单元；

步骤A2、平稳化处理：对于已获得的电气参数子函数进行平稳化处理，采用差分法对序列的前后数据进行差分计算，实现数据的平稳化；

步骤A3、平稳性及白噪声检验：对平稳化后的序列进行检验，采用增强迪基-福勒检验（Augmented Dickey–Fuller Test，ADF Test）数据序列是否存在单位根，若存在，则继续进行平稳化处理；若不存在，则进行模型识别；

步骤A4、模型识别：根据序列波形的拖尾、截尾情况在AR、MA、ARMA、ARIMA模型中进行选择，不同的模型中需要确定不同的阶数参数；

步骤A5、参数估计：利用赤池信息量准则（Akaike Information Criterion，AIC）与贝叶斯信息量准则（Bayesian Information Criterion，BIC）寻求模型的最优阶数；

步骤A6、模型检验：采用D-W检验（Durbin-Watson）检验残差的自相关性，当检验值接近2时，证明残差序列不存在，模型优良，可进行最终的数据预测；反之，需要重新对模型的参数进行确定；

步骤A7、模型预测：利用最终的模型进行下一时间窗口中电气参数子波形的预测；

步骤A2中，采用的差分法包括对序列数据的一阶及二阶差分；

步骤A4中，所述的拖尾情况判断条件为：有超过5%的样本自相关系数落在2倍标准差范围之外，或者由显著非零的自相关系数衰减为小值波动的过程较为缓慢或者非常连续；所述的波形截尾指序列从某个时间点骤降至较小值；其在d阶的截尾情况判断条件为：如果样本自相关系数或偏自相关系数在最初的d阶明显超过2倍标准差范围，之后近95%的自相关系数都落在2倍标准差范围以内，同时非零自相关系数快速衰减为小值波动；

步骤A5中，依据AIC及BIC得到多个优良参数，依照奥卡姆剃刀原则（Occam'sRazor），选取较小的一组，并根据后续检验结果，依次调试。

当步骤S1采用CNN算法时，包括以下步骤；

步骤B1、训练数据：采用单变量卷积网络模型，将已有的电气参数子波形数据，按照时间顺序组成数据集，每一个数据即为一个输入单元，通过从过去的观测数据序列中学习训练以预测下一时间窗口中的数据序列；

步骤B2、建立模型：模型结构包括输入层、隐藏层、输出层，其中隐藏层包括卷积层、全连接层与线性层；

步骤B3、模型训练与预测：输入数据在形式上为1维数据，通过设定N个时间步，将其将其展开为2维张量，并进行卷积计算，之后通过全连接层将其降维至1维张量，最后通过线性层进行线性变换得到最终的预测值；

步骤B2中，卷积层后，采用ReLU函数作为激活函数，静默负值数据信息的传递，以避免负值的影响；

步骤B3中，设定时间步以通过将序列中连续的N个数据作为因变量以预测第N+1个数据，同时，卷积核尺寸不大于N×N。

当步骤S1采用DBN算法时，包括以下步骤；

步骤C1、训练数据：将已有的电气参数子波形数据按照时间顺序组成序列，作为训练数据，每一个数据即为一个输入单元；当采用受限玻尔兹曼机作为基本结构单元时，其由显层与隐藏层组成，对称连接且无自反馈，层间全连接，层内无连接；当以受限玻尔兹曼机作为基本结构单元，通过堆栈RBM构成深度置信网络DBN网络主体，在DBN最后一层连接1层BP网络，进行结果输出；

步骤C2、网络训练：一、独立无监督训练每一层受限玻尔兹曼机（RBM），以在进行特征映射时保存特征信息；二、在DBN的最后一层添加BP网络,将上一层RBM的输出特征向量作为输入特征向量,实现有监督地训练实体关系分类器，利用RBM实现BP网络权值的初始化；

受限玻尔兹曼机的训练方法包括对比散度算法，采用两层RBM堆栈；

深度置信网络的最后一层分类器包括BP网络、决策树或支持向量机。

当步骤S1采用级联森林算法时，包括以下步骤；

步骤D1、数据输入：将已有的电气参数子波形数据按照时间顺序组成序列作为训练数据，每一个数据即为一个特征单元进行输入；

步骤D2、网络结构设定：将4个随机森林进行组合构成级联层，其中包含2个随机森林和2个完全随机森林，各级联层将自身层计算结果输入到下一层。最后通过元学习器对各预测结果取平均值作为输出；

步骤D3、模型训练与预测：将训练数据作为特性向量进行输入；首先，特征向量经过级联层中4个不同的随机森林模型，得到4个长度为2的类别向量，成为增强特性向量；接着，增强特性向量与原特性向量进行拼接，作为下一级联层的输入，依次直到最后一级，通过元学习器进行增强特性向量输出，并取平均值作为最终的输出结果；

各级联层中的组成包括随机森林、完全随机森林、极端随机树；

元学习器的组成包括随机森林、梯度提升机（Gradient Boosting Machine, GBM）极端梯度提升机（eXtreme Gradient Boosting, XGBoost）、轻量梯度提升机（LightGradient Boosting Machine, LightGBM）、Catboost在模型最后一层的堆栈；

级联森林的级数根据训练效果进行自动调整，如果预测效果没有提升，则停止产生下一层。

步骤S2中，所述故障判断模块基于自适应组织神经网络（Self-organizingFeature Map，SOM），采用SOM聚类算法根据各电气参数预测值进行聚类分析，研判是否即将发生故障。

步骤S2包括以下步骤；

步骤E1、训练数据：将各项电气参数的预测值作为特征；

步骤E2、网络结构：网络包含了输入层与输出层，其中输入层即竞争层，为1维输入，输出层为2维阵列，用于SOM神经元的竞争；

步骤E3、模型训练与预测：所述方法的训练与预测步骤包括：

①初始化竞争层数值；

②依据竞争层大小初始化权重矩阵，其中一行代表竞争层中一点的权重，一列代表样本的一个属性；

③对训练集样本归一化后作为向量输入，并计算与权重矩阵中权重向量的最短欧式距离；

④以最短距离权重向量所述的竞争层点为优胜点，并据此确定邻域内的其他竞争层点；

⑤更新权值，直至满足终止条件；

⑥输出样本，按照聚类结果分类储存。

步骤S2中，神经元数量多于类别数以保证精确度；在模型训练时，训练终止的条件包括达到设定训练迭代数上限、分类误差小于设定值、网络学习率小于设定值。

一种基于人工智能的充电桩故障预测系统，包括：

电气数据监测器：采用充电桩仪表记录器，用于获取各类相关电气数据；

服务器：所述服务器内设有预测模型，所述预测模型将原始电气数据进行波形分解，数值预测，结果分类；将分类结果发送至预警系统；

预警系统：所述预警系统用于根据服务器分类结果，对充电桩运行情况发出预警。

本发明采用变分模态分解（Variational mode decomposition，VMD）对充电桩各电气参数波形进行分解，对各个子波形分别采用不同方法进行预测，能最大限度地提升各子波形预估效果，对各预测结果进行分类评估，能提升最终的故障预测精度。

本发明对充电桩故障进行预测研判，可有效提取电气参数波形特征，规避单一预测模型存在的短板，对各类数据均有较强的预测能力，可以在多种型号充电桩进行有效预测并实现自动预警。本发明可以有效降低、预防充电桩故障对设备与人员带来的不良影响与安全隐患，保证充电桩的安全可靠使用。

本发明采用VMD分解处理原始电气数据，可以有效降低原始数据序列的复杂度，以此为基础建立分解-预测-重构的预测系统框架，提升预测性能。由于预测算法均存在着适用性的问题，以及分解原始数据序列后产生的子波形各自具有不同的数据特征，采用单一算法对分解后的子波形进行预测，其预测效果无法保证，因此本发明所采用择优的方法效果更好，可规避单一算法预测的短板，具有明显的优越性。最后采用SOM神经网络进行聚类，可以规避原始数据对分类结果的影响，聚类结果具有较高的可解释性。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

附图1是本发明的系统基础框架示意图；

附图2是基于ARIMA模型的预测流程示意图；

附图3是基于卷积神经网络（CNN）模型的预测流程示意图；

附图4a是基于深度置信网络（DBN）模型的预测流程示意图；

附图4b是基于深度置信网络（DBN）模型的预测流程另一示意图；

附图5是基于级联森林模型的预测流程示意图；

附图6是基于人工智能的充电桩故障监测系统的运行示意图。

具体实施方式

如图所示，一种基于人工智能的充电桩故障预测系统，包括波形分解模块、数值预测模块、故障判断模块；预测系统采用基于人工智能的充电桩故障预测方法，包括以下内容；

步骤S1、构建并训练数值预测模块的预测模型：获取充电桩样本数据，利用变分模态分解（Variational mode decomposition，VMD）方法对电气数据波形进行分解处理，得到若干子波形；以不同的算法对各子波形进行训练，并选择准确率最高者作为该子波形的预测算法，即通过RMSE（Root Mean Square Error，均方根误差）指标选择各子波形验证集预测效果最佳的模型；

步骤S2、故障判断模块处理：获取下一窗口数据后，以电气数据的各项参数预测值为输入，将其送入已训练的SOM聚类神经网络中，得到是否存在故障或故障类型的输出，进行分类并最终得到预测结果；

步骤S1中，充电桩样本数据为正/负样本，即故障/正常数据样本，或正常/故障数据样本。

步骤S1中，先对各项电气数据进行数据清洗，通过偏差分析、统计分析方法对异常值进行清除，并采用插值法、哑变量填充等方法对缺失值进行填充；电气数据包括开关门禁电压、电子锁驱动电压、紧急停闸电压、电压门禁电压、谐波失真电压、谐波失真电流。

步骤S1中，对各子波形进行训练时，采用的算法包括ARIMA（AutoregressiveIntegrated Moving Average model）算法、CNN（Convolutional Neural Network）算法、DBN（Deep Belief Nets）算法、级联森林算法，具体方法为：对某一电气数据的所有子波形，利用ARIMA算法、CNN算法、DBN算法、级联森林算法分别进行训练预测，并得到各自的识别准确度；然后对于某一特定子波形，选择准确度最高的算法作为该子波形的预测算法。

当步骤S1采用ARIMA算法时，包括以下步骤；

步骤A1、训练数据：基于ARIMA算法的时间序列预测特征，将已有的完整电气数据按照时间先后作为训练数据输入模型进行计算预测，每一个数据即为一个输入单元；

步骤A2、平稳化处理：对于已获得的电气参数子函数进行平稳化处理，采用差分法对序列的前后数据进行差分计算，实现数据的平稳化；

步骤A3、平稳性及白噪声检验：对平稳化后的序列进行检验，采用增强迪基-福勒检验（Augmented Dickey–Fuller Test，ADF Test）数据序列是否存在单位根，若存在，则继续进行平稳化处理；若不存在，则进行模型识别，如图2所示；

步骤A4、模型识别：根据序列波形的拖尾、截尾情况在AR、MA、ARMA、ARIMA模型中进行选择，不同的模型中需要确定不同的阶数参数；

步骤A5、参数估计：利用赤池信息量准则（Akaike Information Criterion，AIC）与贝叶斯信息量准则（Bayesian Information Criterion，BIC）寻求模型的最优阶数；

步骤A6、模型检验：采用D-W检验（Durbin-Watson）检验残差的自相关性，当检验值接近2时，证明残差序列不存在，模型优良，可进行最终的数据预测；反之，需要重新对模型的参数进行确定；

步骤A7、模型预测：利用最终的模型进行下一时间窗口中电气参数子波形的预测；

步骤A2中，采用的差分法包括对序列数据的一阶及二阶差分；

步骤A4中，所述的拖尾情况判断条件为：有超过5%的样本自相关系数落在2倍标准差范围之外，或者由显著非零的自相关系数衰减为小值波动的过程较为缓慢或者非常连续；所述的波形截尾指序列从某个时间点骤降至较小值；其在d阶的截尾情况判断条件为：如果样本自相关系数或偏自相关系数在最初的d阶明显超过2倍标准差范围，之后近95%的自相关系数都落在2倍标准差范围以内，同时非零自相关系数快速衰减为小值波动；

步骤A5中，依据AIC及BIC得到多个优良参数，依照奥卡姆剃刀原则（Occam'sRazor），选取较小的一组，并根据后续检验结果，依次调试。

当步骤S1采用CNN算法时，包括以下步骤；

步骤B1、训练数据：采用单变量卷积网络模型，将已有的电气参数子波形数据，按照时间顺序组成数据集，每一个数据即为一个输入单元，通过从过去的观测数据序列中学习训练以预测下一时间窗口中的数据序列；

步骤B2、建立模型：模型结构包括输入层、隐藏层、输出层，其中隐藏层包括卷积层（隐藏层1）、全连接层（隐藏层2）与线性层（隐藏层3），如图3所示；

步骤B3、模型训练与预测：输入数据在形式上为1维数据，通过设定N个时间步，将其将其展开为2维张量，并进行卷积计算，之后通过全连接层将其降维至1维张量，最后通过线性层进行线性变换得到最终的预测值；

步骤B2中，卷积层后，采用ReLU函数作为激活函数，静默负值数据信息的传递，以避免负值的影响；

步骤B3中，设定时间步以通过将序列中连续的N个数据作为因变量以预测第N+1个数据，同时，卷积核尺寸不大于N×N。

当步骤S1采用DBN算法时，包括以下步骤；

步骤C1、训练数据：将已有的电气参数子波形数据按照时间顺序组成序列，作为训练数据，每一个数据即为一个输入单元；当采用受限玻尔兹曼机作为基本结构单元时，其由显层与隐藏层组成，对称连接且无自反馈，层间全连接，层内无连接，如图4a所示；当以受限玻尔兹曼机作为基本结构单元，通过堆栈RBM构成深度置信网络DBN网络主体，在DBN最后一层连接1层BP网络，进行结果输出，如图4b所示；

步骤C2、网络训练：一、独立无监督训练每一层受限玻尔兹曼机（RBM），以在进行特征映射时保存特征信息；二、在DBN的最后一层添加BP网络,将上一层RBM的输出特征向量作为输入特征向量,实现有监督地训练实体关系分类器，利用RBM实现BP网络权值的初始化；

受限玻尔兹曼机的训练方法包括对比散度算法，采用两层RBM堆栈；

深度置信网络的最后一层分类器包括BP网络、决策树或支持向量机。

当步骤S1采用级联森林算法时，包括以下步骤；

步骤D1、数据输入：将已有的电气参数子波形数据按照时间顺序组成序列作为训练数据，每一个数据即为一个特征单元进行输入；

步骤D2、网络结构设定：将4个随机森林进行组合构成级联层，其中包含2个随机森林和2个完全随机森林，各级联层将自身层计算结果输入到下一层。最后通过元学习器对各预测结果取平均值作为输出；

步骤D3、模型训练与预测：将训练数据作为特性向量进行输入；首先，特征向量经过级联层中4个不同的随机森林模型，得到4个长度为2的类别向量，成为增强特性向量；接着，增强特性向量与原特性向量进行拼接，作为下一级联层的输入，依次直到最后一级，通过元学习器进行增强特性向量输出，并取平均值作为最终的输出结果，如图5所示；

各级联层中的组成包括随机森林、完全随机森林、极端随机树；

元学习器的组成包括随机森林、梯度提升机（Gradient Boosting Machine, GBM）极端梯度提升机（eXtreme Gradient Boosting, XGBoost）、轻量梯度提升机（LightGradient Boosting Machine, LightGBM）、Catboost在模型最后一层的堆栈；

级联森林的级数根据训练效果进行自动调整，如果预测效果没有提升，则停止产生下一层。

步骤S2中，所述故障判断模块基于自适应组织神经网络（Self-organizingFeature Map，SOM），采用SOM聚类算法根据各电气参数预测值进行聚类分析，研判是否即将发生故障。

步骤S2包括以下步骤；

步骤E1、训练数据：将各项电气参数的预测值作为特征；

步骤E2、网络结构：网络包含了输入层与输出层，其中输入层即竞争层，为1维输入，输出层为2维阵列，用于SOM神经元的竞争；

步骤E3、模型训练与预测：所述方法的训练与预测步骤包括：

①初始化竞争层数值；

②依据竞争层大小初始化权重矩阵，其中一行代表竞争层中一点的权重，一列代表样本的一个属性；

③对训练集样本归一化后作为向量输入，并计算与权重矩阵中权重向量的最短欧式距离；

④以最短距离权重向量所述的竞争层点为优胜点，并据此确定邻域内的其他竞争层点；

⑤更新权值，直至满足终止条件；

⑥输出样本，按照聚类结果分类储存。

步骤S2中，神经元数量多于类别数以保证精确度；在模型训练时，训练终止的条件包括达到设定训练迭代数上限、分类误差小于设定值、网络学习率小于设定值。

如图6所示，一种基于人工智能的充电桩故障预测系统，包括：

电气数据监测器：采用充电桩仪表记录器，用于获取各类相关电气数据；

服务器：所述服务器内设有预测模型，所述预测模型将原始电气数据进行波形分解，数值预测，结果分类；将分类结果发送至预警系统；

预警系统：所述预警系统用于根据服务器分类结果，对充电桩运行情况发出预警。

本例中，通信采用标准化DNP3协议的以太网网络完成，其余硬件部分包括：电气数据检测器，多为充电桩仪表记录器，分析服务器采用Linux或其衍生系统，可视化界面由OpenCV搭建；通过数据检测器采集数据信息传输至分析服务器，对各项电气数据进行预测分类后将研判结果送至预警系统，实现自动预警。

Claims (10)

1.一种基于人工智能的充电桩故障预测系统，其特征在于：包括波形分解模块、数值预测模块、故障判断模块；预测系统采用基于人工智能的充电桩故障预测方法，包括以下内容；

步骤S1、构建并训练数值预测模块的预测模型：获取充电桩样本数据，利用变分模态分解方法对电气数据波形进行分解处理，得到若干子波形；以不同的算法对各子波形进行训练，并选择准确率最高者作为该子波形的预测算法，即通过均方根误差RMSE指标选择各子波形验证集预测效果最佳的模型；

步骤S2、故障判断模块处理：获取下一窗口数据后，以电气数据的各项参数预测值为输入，将其送入已训练的SOM聚类神经网络中，得到是否存在故障或故障类型的输出，进行分类并最终得到预测结果；

步骤S1中，充电桩样本数据为正/负样本，即故障/正常数据样本，或正常/故障数据样本。

2.根据权利要求1所述的一种基于人工智能的充电桩故障预测系统，其特征在于：步骤S1中，先对各项电气数据进行数据清洗，通过偏差分析、统计分析方法对异常值进行清除，并采用插值法、哑变量填充等方法对缺失值进行填充；电气数据包括开关门禁电压、电子锁驱动电压、紧急停闸电压、电压门禁电压、谐波失真电压、谐波失真电流。

3.根据权利要求1所述的一种基于人工智能的充电桩故障预测系统，其特征在于：步骤S1中，对各子波形进行训练时，采用的算法包括ARIMA算法、CNN算法、DBN算法、级联森林算法，具体方法为：对某一电气数据的所有子波形，利用ARIMA算法、CNN算法、DBN算法、级联森林算法分别进行训练预测，并得到各自的识别准确度；然后对于某一特定子波形，选择准确度最高的算法作为该子波形的预测算法。

4.根据权利要求3所述的一种基于人工智能的充电桩故障预测系统，其特征在于：当步骤S1采用ARIMA算法时，包括以下步骤；

步骤A1、训练数据：基于ARIMA算法的时间序列预测特征，将已有的完整电气数据按照时间先后作为训练数据输入模型进行计算预测，每一个数据即为一个输入单元；

步骤A2、平稳化处理：对于已获得的电气参数子函数进行平稳化处理，采用差分法对序列的前后数据进行差分计算，实现数据的平稳化；

步骤A3、平稳性及白噪声检验：对平稳化后的序列进行检验，采用增强迪基-福勒检验数据序列是否存在单位根，若存在，则继续进行平稳化处理；若不存在，则进行模型识别；

步骤A4、模型识别：根据序列波形的拖尾、截尾情况在AR、MA、ARMA、ARIMA模型中进行选择，不同的模型中需要确定不同的阶数参数；

步骤A5、参数估计：利用赤池信息量准则AIC与贝叶斯信息量准则BIC寻求模型的最优阶数；

步骤A6、模型检验：采用D-W检验检验残差的自相关性，当检验值接近2时，证明残差序列不存在，模型优良，可进行最终的数据预测；反之，需要重新对模型的参数进行确定；

步骤A7、模型预测：利用最终的模型进行下一时间窗口中电气参数子波形的预测；

步骤A2中，采用的差分法包括对序列数据的一阶及二阶差分；

步骤A4中，所述的拖尾情况判断条件为：有超过5%的样本自相关系数落在2倍标准差范围之外，或者由显著非零的自相关系数衰减为小值波动的过程较为缓慢或者非常连续；所述的波形截尾指序列从某个时间点骤降至较小值；其在d阶的截尾情况判断条件为：如果样本自相关系数或偏自相关系数在最初的d阶明显超过2倍标准差范围，之后近95%的自相关系数都落在2倍标准差范围以内，同时非零自相关系数快速衰减为小值波动；

步骤A5中，依据AIC及BIC得到多个优良参数，依照奥卡姆剃刀原则，选取较小的一组，并根据后续检验结果，依次调试。

5.根据权利要求3所述的一种基于人工智能的充电桩故障预测系统，其特征在于：当步骤S1采用CNN算法时，包括以下步骤；

步骤B1、训练数据：采用单变量卷积网络模型，将已有的电气参数子波形数据，按照时间顺序组成数据集，每一个数据即为一个输入单元，通过从过去的观测数据序列中学习训练以预测下一时间窗口中的数据序列；

步骤B2、建立模型：模型结构包括输入层、隐藏层、输出层，其中隐藏层包括卷积层、全连接层与线性层；

步骤B3、模型训练与预测：输入数据在形式上为1维数据，通过设定N个时间步，将其将其展开为2维张量，并进行卷积计算，之后通过全连接层将其降维至1维张量，最后通过线性层进行线性变换得到最终的预测值；

步骤B2中，卷积层后，采用ReLU函数作为激活函数，静默负值数据信息的传递，以避免负值的影响；

步骤B3中，设定时间步以通过将序列中连续的N个数据作为因变量以预测第N+1个数据，同时，卷积核尺寸不大于N×N。

6.根据权利要求3所述的一种基于人工智能的充电桩故障预测系统，其特征在于：当步骤S1采用DBN算法时，包括以下步骤；

步骤C1、训练数据：将已有的电气参数子波形数据按照时间顺序组成序列，作为训练数据，每一个数据即为一个输入单元；当采用受限玻尔兹曼机作为基本结构单元时，其由显层与隐藏层组成，对称连接且无自反馈，层间全连接，层内无连接；当以受限玻尔兹曼机作为基本结构单元，通过堆栈RBM构成深度置信网络DBN网络主体，在DBN最后一层连接1层BP网络，进行结果输出；

步骤C2、网络训练：一、独立无监督训练每一层受限玻尔兹曼机RBM，以在进行特征映射时保存特征信息；二、在DBN的最后一层添加BP网络,将上一层RBM的输出特征向量作为输入特征向量,实现有监督地训练实体关系分类器，利用RBM实现BP网络权值的初始化；

受限玻尔兹曼机的训练方法包括对比散度算法，采用两层RBM堆栈；

深度置信网络的最后一层分类器包括BP网络、决策树或支持向量机。

7.根据权利要求3所述的一种基于人工智能的充电桩故障预测系统，其特征在于：当步骤S1采用级联森林算法时，包括以下步骤；

步骤D1、数据输入：将已有的电气参数子波形数据按照时间顺序组成序列作为训练数据，每一个数据即为一个特征单元进行输入；

步骤D2、网络结构设定：将4个随机森林进行组合构成级联层，其中包含2个随机森林和2个完全随机森林，各级联层将自身层计算结果输入到下一层；

最后通过元学习器对各预测结果取平均值作为输出；

步骤D3、模型训练与预测：将训练数据作为特性向量进行输入；首先，特征向量经过级联层中4个不同的随机森林模型，得到4个长度为2的类别向量，成为增强特性向量；接着，增强特性向量与原特性向量进行拼接，作为下一级联层的输入，依次直到最后一级，通过元学习器进行增强特性向量输出，并取平均值作为最终的输出结果；

各级联层中的组成包括随机森林、完全随机森林、极端随机树；

元学习器的组成包括随机森林、梯度提升机GBM、极端梯度提升机XGBoost、轻量梯度提升机LightGBM、Catboost在模型最后一层的堆栈；

级联森林的级数根据训练效果进行自动调整，如果预测效果没有提升，则停止产生下一层。

8.根据权利要求1所述的一种基于人工智能的充电桩故障预测系统，其特征在于：步骤S2中，所述故障判断模块基于自适应组织神经网络SOM，采用SOM聚类算法根据各电气参数预测值进行聚类分析，研判是否即将发生故障；

步骤S2包括以下步骤；

步骤E1、训练数据：将各项电气参数的预测值作为特征；

步骤E2、网络结构：网络包含了输入层与输出层，其中输入层即竞争层，为1维输入，输出层为2维阵列，用于SOM神经元的竞争；

步骤E3、模型训练与预测：所述方法的训练与预测步骤包括：

①初始化竞争层数值；

②依据竞争层大小初始化权重矩阵，其中一行代表竞争层中一点的权重，一列代表样本的一个属性；

③对训练集样本归一化后作为向量输入，并计算与权重矩阵中权重向量的最短欧式距离；

④以最短距离权重向量所述的竞争层点为优胜点，并据此确定邻域内的其他竞争层点；

⑤更新权值，直至满足终止条件；

⑥输出样本，按照聚类结果分类储存。

9.根据权利要求8所述的一种基于人工智能的充电桩故障预测系统，其特征在于：步骤S2中，神经元数量多于类别数以保证精确度；在模型训练时，训练终止的条件包括达到设定训练迭代数上限、分类误差小于设定值、网络学习率小于设定值。

10.根据权利要求1所述的一种基于人工智能的充电桩故障预测系统，其特征在于：包括：

电气数据监测器：采用充电桩仪表记录器，用于获取各类相关电气数据；

服务器：所述服务器内设有预测模型，所述预测模型将原始电气数据进行波形分解，数值预测，结果分类；将分类结果发送至预警系统；

预警系统：所述预警系统用于根据服务器分类结果，对充电桩运行情况发出预警。

Images