CN115858609A - 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备 - Google Patents

Abstract

本申请提供的一种电动汽车充电桩状态监测方法、故障鉴定方法及电子设备。将获取的包括充电桩运行状态和影响运行状态因素的数据集通过滑动窗口方式形成时间序列矩阵图，再将得到的时间序列矩阵图输入已训练的基于卷积神经网络和长短期记忆网络的混合网络模型，以实现对电动汽车充电桩运行状态的监测，提高了监测结果的准确性。此外，利用K‑均值聚类方法进行充电桩运行异常数据的故障识别，并结合上述充电桩状态监测方法实现了充电桩异常数据故障类型的鉴定，以提高充电桩运行过程中的安全性。

Description

电动汽车充电桩状态监测方法、故障鉴定方法及电子设备

技术领域

本申请涉及电动汽车充电桩智能检测技术领域，尤其涉及一种电动汽车充电桩状态监测方法、故障鉴定方法及电子设备。

背景技术

随着电动汽车安全事故的增加，电动汽车的安全问题受到越来越多的关注，尤其是电动汽车充电过程中产生的安全问题，因此需要对电动汽车充电桩的运行状态进行监测，以避免充电过程中产生的安全问题。在相关技术中，利用极限学习机模型和反向传播神经网络实现了对电动汽车充电桩运行状态的监测。然而，无法准确地识别充电桩的异常运行状态和故障原因仍是目前亟待解决的问题。

发明内容

有鉴于此，本申请的目的在于提出一种电动汽车充电桩状态监测方法、故障鉴定方法及电子设备。

基于上述目的，本申请提供了一种电动汽车充电桩状态监测方法，包括：

获取充电桩的运行状态数据集；

根据所述运行状态数据集形成时间序列矩阵图；其中，所述时间序列矩阵图基于滑动窗口算法得到的；

将所述时间序列矩阵图输入已训练的基于卷积神经网络和长短期记忆网络的混合网络模型；

基于卷积神经网络提取数据特征；

根据所述数据特征基于长短期记忆网络进行数据预测，得到预测运行数据，以实现对充电桩状态的实时监测。

具体地，所述获取充电桩的运行状态数据集，包括：

将所述运行状态数据集进行属性选择处理；

根据马尔可夫链蒙特卡罗算法，将属性选择处理后的运行状态数据集进行缺失填补处理；

根据主成分分析方法，将缺失填补处理后的运行状态数据集进行数据约简处理。

可选地，所述将所述运行状态数据集进行属性选择处理，包括：

分别计算所述数据集中的数据样本在每个属性上的平均值和标准偏差；

根据所述平均值和所述标准偏差对所述数据样本在每个属性上的取值进行标准化处理，以完成所述属性选择处理过程。

可选地，所述根据马尔可夫链蒙特卡罗算法，将属性选择处理后的运行状态数据集进行缺失填补处理，包括：

获取属性选择处理后的运行状态数据集；

分别计算所述属性选择处理后的运行状态数据集的均值向量和协方差矩阵；

根据所述均值向量和所述协方差矩阵得到缺失数据；

判断所述缺失数据是否正确；

若所述缺失数据正确，根据所述缺失数据和所述属性选择处理后的运行状态数据集得到完整的运行状态数据集，以完成所述缺失填补处理过程。

可选地，所述获取充电桩的运行状态数据集，包括：

将充电桩的运行状态数据和影响充电桩运行状态的数据相结合，作为所述运行状态数据集。

可选地，所述影响充电桩运行状态的数据包括气象变化的数据、电价变化的数据和使用日期的数据。

基于上述目的，本申请还提供了一种电动汽车充电桩故障鉴定方法，包括：

获取电动车充电桩的实际运行数据和运行状态数据集；

根据所述运行状态数据集，通过所述电动汽车充电桩状态监测方法，得到所述充电桩的预测运行数据；

将所述实际运行数据与所述预测数据进行对比，判断所述实际运行数据是否异常；

若所述实际运行数据异常，根据所述实际运行数据和预设的故障类型，确定所述电动车充电桩的目标故障类型；其中，所述预设的故障类型是基于一定数量的充电桩的运行异常数据进行K-均值聚类后得到的。

进一步地，所述方法还包括通过以下方法得到所述预设的故障类型：

获取一定数量的充电桩的运行异常数据集；

根据K-均值聚类方法对所述运行异常数据集中的数据进行分类；

根据数据分类结果匹配对应的充电桩故障类型，以得到所述预设的故障类型。

可选地，所述根据K-均值聚类方法对所述运行异常数据集中的数据进行分类，包括：

根据肘点法计算K的值；

在所述运行异常数据集中随机选取K个点，作为K个聚类中心；

根据所述K个聚类中心，将所述运行异常数据集中的数据进行聚类分类，得到K个类簇；

计算K个类簇的均值，并在均值位置重新选取K个聚类中心；

重新进行分类计算，直至所述聚类中心小于设定的阈值，得到分类结果。

基于上述目的，本申请还提供了一种电子设备，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如上任意一实施例所述的电动汽车充电桩状态监测方法和/或故障鉴定方法。

从上面所述可以看出，本申请提供的一种电动汽车充电桩状态监测方法、故障鉴定方法及电子设备，将获取的包括充电桩运行状态和影响运行状态因素的数据集通过滑动窗口方式形成时间序列矩阵图，再将得到的时间序列矩阵图输入已训练的基于卷积神经网络和长短期记忆网络的混合网络模型，以实现对电动汽车充电桩运行状态的监测，提高了监测结果的准确性。另一方面，利用K-均值聚类方法进行充电桩运行异常数据的故障识别，并结合上述充电桩状态监测方法实现了充电桩异常数据故障类型的鉴定，以提高充电桩运行过程中的安全性。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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为本申请实施例的一种电动汽车充电桩状态监测方法的流程图；

图2为本申请实施例的获取充电桩的运行状态数据集中数据处理方法的流程图；

图3为本申请实施例的数据处理方法中属性选择处理的流程图；

图4为本申请实施例的数据处理方法中缺失填补处理的流程图；

图5为本申请实施例的数据处理方法中数据约简处理的流程图；

图6为本申请实施例的时间序列矩阵的示意图；

图7为本申请实施例的长短期记忆网络架构的示意图；

图8为本申请实施例的基于卷积神经网络和长短期记忆网络的混合网络模型结构的示意图；

图9为本申请实施例的一种电动汽车充电桩故障鉴定方法的流程图；

图10为本申请实施例的一种电动汽车充电桩故障鉴定方法中获得预设的故障类型的方法的流程图；

图11为本申请实施例的一种电动汽车充电桩故障鉴定方法中根据K-均值聚类方法对所述运行异常数据集中的数据进行分类的流程图；

图12为本申请实施例的一种电动汽车充电桩状态监测方法和暂态电流均值异常分析法对比实验结果图；

图13为本申请实施例的异常数据聚类实验结果图；

图14为本申请实施例的一种电动汽车充电桩故障鉴定电子设备示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

随着电动汽车的发展，其负荷聚集效应也越来越大，电动汽车充电负荷成为了一种重要的负荷需求。由于电动汽车充电负荷在时间和空间上存在较强的随机性，其负荷的监测存在着固定模型的缺失，导致监控困难。另外，与其相关的安全事故也频频发生，例如，在2020年5月到8月短短的3个月内，就发生了79起新能源汽车安全事故，一共牵扯车辆96辆，其中20％左右的电动汽车是处于充电状态。因此需要研究电动汽车负荷、温度等运行状态数据并对其进行预测以作为监测充电桩是否正常运行的指标。

近年来，神经网络技术发展迅速并得以在电力系统中应用。在相关技术中，基于极限学习机模型对电动汽车充电桩进行运行状态检测技术提供了电动汽车充电桩监测方法。该方法将获取的电动汽车充电桩每一次充电过程中充电桩的平均功率因数值输入预先训练好的极限学习机模型进行未来时间内充电桩功率因数预测，再根据获取的充电桩退化至异常时所对应的功率因数临界值确定是否需对充电桩进行维修。上述技术虽然可以实现对电动汽车充电桩的状态进行监测和根据监测数据确定是否对充电桩进行维修，但极限学习机模型的学习速度缓慢，从而使得系统计算时间增多，且学习率难以确定且易陷入局部最小值，容易出现过度训练，引起泛化性能下降等问题，并且该监测方法仅能对充电桩的异常运行状态进行判断，无法准确识别充电桩异常运行及故障原因。

对于电动汽车充电桩的短期负荷预测，存在相关技术利用反向传播神经网络对其建立预测模型，实现电动汽车充电桩负荷的预测。然而，该技术存在以下缺点：一：在样本特征量的提取方面，该方案是基于人工选择的输入数据类型，事实上对于电动汽车充电桩负荷这种不存在确定模型的带时标的非线性负荷预测，该方案缺少对表层数据对于时标特征的深度挖掘和提取步骤；二：该方案用来训练神经网络的样本要求不存在缺失或者畸形样本，但如果训练样本中存在很小的噪声，训练神经网络所需的时间将会大大增加且神经网络的预测结果会受到影响；三：反向传播神经网络属于传统人工神经网络，输入参数过于复杂会导致网络训练困难，导致其往往需要大量训练集样本才能实现准确预测结果。另外，该方案只能对训练样本组成的测试集进行准确预测，对于训练集之外的电动汽车充电桩运行工况，该方案欠佳。

针对上述问题，本申请实施例提供了一种电动汽车充电桩状态监测方法，该方法结合了具有优秀数据特征提取特性的卷积神经网络(Convolutional Neural Network，CNN)，和能够充分反映输入时间序列数据中的长期历史过程的长短期记忆网络(Longshort-term memory，LSTM)，结合滑动窗口算法，有效地克服了单一CNN或者LSTM神经网络不能挖掘非连续数据之间蕴含的有效信息和潜在关系的缺点，实现了电动汽车充电桩运行状态的监测，提高了监测结果的准确率。

本申请实施例还提供了一种电动汽车充电桩故障鉴定方法，该方法利用海量历史充电桩不同故障类型下的运行数据，包括各个模块的电压、电流、温度、阻抗等，结合K-均值聚类方法，识别了充电桩故障状态下异常数据的变化特性，实现了充电桩出现异常数据时的可能故障原因的鉴定，提高了充电桩运行过程中的安全性。

图1为本申请实施例的一种电动汽车充电桩状态监测方法的流程图，包括：

S101：获取充电桩的运行状态数据集。

为实现电动汽车充电桩运行状态的合理预测，综合考虑气象、电价、日期等因素对充电桩数据的影响，以充电桩检测的运行数据结合气象因素、经济因素、日期因素，共同作为神经网络模型的输入数据，进行后续迭代训练。气象因素可以包括气温、湿度、风速、风向、降雨可能性和气压，经济因素可以包括峰谷平电价，日期因素可以包括周日期、工作日/节假日。

在一些实施例中，选取电动汽车充电桩负荷数据、电压、电流、温度等数据并结合气象、电价等充电桩运行数据的影响因素，作为充电桩运行状态数据集的组成内容。具体的运行状态数据汇总如表1所示：

表1：充电桩运行状态数据汇总表

在本步骤中，需要对获取的运行状态数据集进行处理，具体地，如图2所示，为本申请实施例的获取充电桩的运行状态数据集中数据处理方法的流程图：

S201：将所述运行状态数据集进行属性选择处理。

不同来源的数据属性不同，而属性不同是无法进行度量分析的，所以必然会导致监测结果出现偏差。为此，通过属性选择处理，可以使得数据之间的属性达到统一。

进一步地，属性指数据类别，属性选择即为特征选择，对影响因素较小的无关属性进行剔除，例如采集到的数据中包括充电桩建设成本等关联性不大的属性，则可删除对应内容。

在本步骤中，具体处理过程参见图3，为本申请实施例的数据处理方法中属性选择处理的流程图：

S301：分别计算所述数据集中的数据样本在每个属性上的平均值和标准偏差。

进一步地，数据样本指最原始未经过处理的充电桩数据，可以包括运行数据(时刻，当前时刻下的电负荷、温度、电压、电流等)、气象因素数据、经济因素数据、以及可能存在的其他无关数据。

在一些实施例中，设数据样本为S＝{x₁,x₂,…,x_n}，先求得数据样本在第j个属性上的平均值和标准偏差，计算公式如下：

/>

其中，x_1j，x_2j，…，x_nj表示数据样本在第j个属性上的取值；m_j表示数据样本在第j个属性上的平均值；s_j表示数据样本在第j个属性上的标准偏差。

S302：根据所述平均值和所述标准偏差对所述数据样本在每个属性上的取值进行标准化处理，以完成所述属性选择处理过程。

在一些实施例中，利用下述公式对数据样本在每个属性上的取值进行标准化处理：

其中，z_ij表示标准化的第i个数据样本的第j个属性上的值。

S202：根据马尔可夫链蒙特卡罗算法，将属性选择处理后的运行状态数据集进行缺失填补处理。如图2所示：

在数据处理过程中，无法避免的会丢失一定的数据点，而一旦一些关键数据点缺失，整个数据就会失去作用，也就没有了存在价值，同时也会影响数据挖掘的结果，因此，需要进行缺失值填补处理。

在本步骤中，采用马尔科夫蒙特卡洛(Markov chain Monte Carlo，MCMC)算法进行填补，具体流程如图4所示，为本申请实施例的数据处理方法中缺失填补处理的流程图：

S401：获取属性选择处理后的运行状态数据集。

S402：分别计算所述属性选择处理后的运行状态数据集的均值向量和协方差矩阵。

S403：根据所述均值向量和所述协方差矩阵得到缺失数据。

S404：判断所述缺失数据是否正确。

S405：若所述缺失数据正确，根据所述缺失数据和所述属性选择处理后的运行状态数据集得到完整的运行状态数据集，以完成所述缺失填补处理过程。

需要说明的是，在判断缺失数据是否正确时，首先模拟人工补完数据集，即得到的完整的运行状态数据集，之后验证两个维度的指标，即均值向量和协方差矩阵，来判断人工补完的数据集是否符合要求。具体地，同时计算原始数据集，即属性选择处理后的运行状态数据集，的均值向量与协方差矩阵，以及人工补完数据集的均值向量与协方差矩阵，若二者小于设定值，则认为补充的缺失数据合理，符合原始数据集的特征；若不同则重新计算。

S203：根据主成分分析方法，将缺失填补处理后的运行状态数据集进行数据约简处理。如图2所示：

电动汽车充电桩数据规模较大，若都用于数据挖掘分析当中，工作量将是巨大的。因此，需要对其进行约简，在减少数据量的同时，并不破坏原有数据完整性，只是减少了与研究目的不相关的冗余数据。

在本步骤中，采用主成分分析方法实现数据约简，具体过程如图5所示，为本申请实施例的数据处理方法中数据约简处理的流程图：

S501：排列缺失填补处理后的运行状态数据集，并组成样本矩阵。

S502：计算样本相关系数矩阵。

S503：利用雅可比方法求相关系数矩阵的特征值和相应的特征向量。

S504：按从大到小的顺序排列特征向量。

S505：选取前k个向量作为主成分，并写出主成分表达式。

S506：计算主成分载荷。

S507：得到最终主成分。

在对获取的运行状态数据集处理完成后，如图1所示：

S102：根据所述运行状态数据集形成时间序列矩阵图。

电动汽车充电桩运行状态等数据实际上都是相互独立的时间序列。为了耦合这些影响负荷的特征信息，参考自然语言处理中的词向量表示方法，将某一时刻的负荷值由与其相关的特征串联成向量表示，进而形成一个全新的时间序列数据。每一时刻的运行状态数据均由与其相关的特征共同表示。然后再使用滑动窗口方式依次将输入的时间序列数据生成特征图，输入的特征图也按时间序列排列，如图6所示，为本申请实施例的时间序列矩阵的示意图，其中，t表示该坐标轴以时间为尺度；T表示间隔为5min的某一具体时刻；T+n表示T时刻往后n个5min间隔的时刻。

S103：将所述时间序列矩阵图输入已训练的基于卷积神经网络和长短期记忆网络的混合网络模型。

S104：基于卷积神经网络提取数据特征。

S105：根据所述数据特征基于长短期记忆网络进行数据预测，得到预测运行数据，以实现对充电桩状态的实时监测。

在步骤S103至S105中，进一步地，在模型的构建过程中，CNN模型采用局部连接和共享权值的方式，直接从原始数据中通过卷积层和池化层交替使用来获取有效表征，自动提取数据的局部特征，并建立稠密、完备的特征向量。其计算公式为：

c_t＝f(W_CNN×n_t+b_CNN)

其中，W_CNN为电动汽车充电数据卷积层中滤波器的权重系数，即卷积核；n_t为t时刻的电动汽车充电数据；×表示卷积运算；b_CNN为电动汽车充电数据卷积运算的偏差系数；f为卷积运算的激活函数；c_t为经过卷积之后提取的电动汽车充电数据序列。

进一步地，在模型的构建过程中，LSTM网络的基本单元架构如图7所示，其中，LSTM网络的基本单元包括遗忘门、输入门和输出门。遗忘门中输入x_t与状态记忆单元S_t-1、中间输出h_t-1共同决定状态记忆单元遗忘部分。输入门中的x_t分别经过sigmoid和tanh函数变化后共同决定状态记忆单元中的保留向量。中间输出h_t由更新后的S_t与输出o_t共同决定，计算公式如下：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)

S_t＝g_t×i_t+S_t-1×f_t

其中，f_t，i_t，g_t，o_t，h_t和S_t分别为遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态；W_fx，W_fh，W_ix，W_ih，W_gx，W_gh，W_ox和W_oh分别为相应门与输入x_t和中间输出h_t-1相乘的矩阵权重；b_f，b_i，b_g和b_o分别为相应门的偏置项；×表示向量中元素按位相乘；σ表示sigmoid函数变化；

表示tanh函数变化。

需要说明的是，在本实施例中，将均方误差(Mean Squared Error，MSE)作为LSTM的损失函数，其计算公式如下：

其中，n为样本数；

为网络的输出；y_i为期望输出。

在一些实施例中，如图8所示，为本申请实施例的基于卷积神经网络和长短期记忆网络的混合网络模型结构的示意图，其中，CNN部分主要负责特征提取，LSTM部分主要负责负荷预测。具体地，CNN部分可以包括卷积层(Conv2D)、最大池化层(MaxPooling2D)、扁平化层(Flatten)，其中，卷积层用于进行输入数据特征的提取和变换映射，从而获得数据的特征表示；最大池化层用于降低计算负担、增强特征的鲁棒性，改善网络输入，避免过拟合；扁平化层用于将多维的输入数据进行一维化处理，以便与LSTM部分进行连接。LSTM部分在网络最后接入全连接层(Dense)，作为维度变换以得到理想的输出量。

需要说明的是，神经网络的输入需要进行归一化处理：

其中，x_i代表神经网络输入或者输出数据，x_min为神经网络输入或输出数据的最小值，x_max为输入和输出数据的最大值，x′_i为归一化后的数据。归一化处理用于提高神经网络的训练速度和训练精度。

需要说明的是，由于训练及测试过程中所用数据均为归一化的数据，则所得辨识结果也是归一化后的数据，因此，输出结果需要进行反归一化处理：x_i＝x′_i(x_max-x_min)+x_min，以恢复原本的量纲。

图9为本申请实施例的一种电动汽车充电桩故障鉴定方法的流程图，包括：

S901：获取电动车充电桩的实际运行数据和运行状态数据集。

其中，实际运行数据可以是用户自行采集，或从检测平台获取。

S902：根据所述运行状态数据集，通过电动汽车充电桩运行状态监测方法，得到所述充电桩的预测运行数据。

S903：将所述实际运行数据与所述预测数据进行对比，判断所述实际运行数据是否异常。

需要说明的是，在判断实际运行数据是否异常时，预测数据作为参考数据(即充电桩正常运行状态数据)，实际数据偏离预测数据一定程度时，则认为其存在异常。上述偏离预测数据一定程度，即为设定的阈值。阈值可以人工设置，具体根据工程实际经验或者算法应用场景需求设置。在一些实施例中，可以参考大量仿真数据以及实际现场算法运行结果，设定阈值为10％，实际上可以根据充电桩的老化程度或者数据量测精确级放大或者缩小阈值窗口以减小误判率。

S904：若所述实际运行数据异常，根据所述实际运行数据和预设的故障类型，确定所述电动车充电桩的目标故障类型。

在本步骤中，预设的故障类型获得方法，如图10所示，具体包括：

S1001：获取一定数量的充电桩的运行异常数据集。

需要说明的是，充电桩的运行异常数据集可以包括时刻、电负荷、温度、电压、电流等。

S1002：根据K-均值聚类方法对所述运行异常数据集中的数据进行分类。

K-均值聚类是一种矢量量化方法，最初来自信号处理，是数据挖掘中聚类分析的常用方法。算法的目的是将n个观测值划分为K个聚类，其中每个观测值属于具有最近均值的聚类，作为聚类的原型。由于K-均值聚类算法无法自动确定聚类中心的个数K，因此，采用“肘点法”，通过选取不同的K值，画出损失函数曲线，选取“肘点”处的值作为最佳K值。

在本步骤中，具体地，如图11所示，为本申请实施例的一种电动汽车充电桩故障鉴定方法中根据K-均值聚类方法对所述运行异常数据集中的数据进行分类的流程图，包括：

S1101：根据肘点法计算K的值。

S1102：在所述运行异常数据集中随机选取K个点，作为K个聚类中心。

S1103：根据所述K个聚类中心，将所述运行异常数据集中的数据进行聚类分类，得到K个类簇。

S1104：计算K个类簇的均值，并在均值位置重新选取K个聚类中心。

S1105：重新进行分类计算，直至所述聚类中心小于设定的阈值，得到分类结果。

需要说明的是，在本实施例中，采用均方误差MSE作为损失函数进行K值计算。

S1003：根据数据分类结果匹配对应的充电桩故障类型，以得到所述预设的故障类型。

本申请实施例提供了一种电动汽车充电桩状态监测方法。该方法实现了电动汽车充电桩运行状态的监测，提高了监测结果的准确性。此外，本申请实施例还提供了一种电动车充电桩故障鉴定方法。该方法利用K-均值聚类方法，并基于上述充电桩状态监测方法，实现了充电桩异常运行数据的识别与故障鉴定，提高了充电桩运行过程中的安全性。

为进一步阐述技术效果，如图12和图13所示，对本申请实施例进行了实验对比。为验证本申请实施例提出方法的科学有效性，以天津市某电动汽车充电站运行数据为例进行测试分析。对该充电站内充电桩运行数据进行采集，并进行预处理操作，得到规范化样本数据。对电动汽车充电桩正常运行数据、异常运行数据及原因进行分类收集，以便后续数据预测以及聚类分类等操作。

图12为本申请实施例的一种电动汽车充电桩状态监测方法和暂态电流均值异常分析法对比实验结果图，具体地：

基于提出的CNN-LSTM网络混合模型，进行电动汽车充电桩正常运行数据的预测。对CNN-LSTM网络混合模型具体参数设置如下：

设计CNN 4层卷积层，卷积核数目依次设为32，64，128和256。考虑到目前设备采集的短期负荷实际数据采集频率为每5min一个点，为充分利用现有负荷数据，本实验将卷积核大小设为3×3，在池化层中，池的大小为2，通过卷积层中的特征映射使用最大池化来减小输出维度大小，经过连续4次卷积和最大池化操作，得到2×2×256的三维向量数组，其中256为通道数。然后执行扁平层操作，将三维向量数组压成长度为1024的一维向量数组，作为全局特征提取。

在LSTM神经网络部分，本实验将LSTM网络相关参数设置如下：(1)隐藏神经元数设置为15；(2)最大迭代次数设为110；(3)Dropout设置为0.7；(4)Batch Size设置为10；(5)学习率设为0.01。值得注意的是，在LSTM网络最后加入了全连接层作为维度变换以得到理想的输出量。

通过对比CNN-LSTM网络混合模型预测数据以及实际运行数据，设置偏差阈值为10％，若实际运行数据与预测数据的偏差大于10％，则判定该数据为异常运行数据。

为了分析CNN-LSTM网络混合模型判断异常数据的准确性,将本实验方案和暂态电流均值异常分析方案对2000份充电端口的运行数据进行分析,这2000份数据中包含有1500份设备正常运行数据,以及各种异常数据500份,分别利用这两种分析方案对数据进行处理,并统计数据处理结果,对比设备运行状态诊断正确率，对比结果如图12所示。其中实线表示利用本实验方案的混合网络算法进行分析的准确率,虚线表示利用暂态电流均值异常分析方案的准确率,通过图像得知,本实验方案的准确率在95％以上,平均准确率达到97％；采用暂态电流均值异常分析方案的准确率平均在93％，所以本实验方案(即本申请实施例)具备高的准确率。

图13为本申请实施例的异常数据聚类实验结果图，具体地：

常见的故障类型，主要是由仪器故障、机械故障和通信故障引起的顶部事件，考虑到电动汽车充电桩的常见故障类型，可将充电桩异常状态数据分为控制器故障、断路器故障、充电枪故障、通信故障四类。对收集到的上述四类电动汽车充电桩异常运行数据集合进行预处理操作后，使用本申请实施例提出的K-均值聚类算法进行数据的特征挖掘工作。为验证方法的有效性，本算例挑选了已知故障原因的温度和负荷的电动汽车充电桩异常运行数据，通过K-均值聚类算法进行故障识别，结果如图13所示。

参见图13，采样点中存在三部分数据异常，与聚类分类结果对照可知，场景①温度数据正常，负荷数据偏差较大，该异常原因为充电枪故障；场景②温度向上偏差较大，负荷数据正常，该异常原因为断路器故障；场景③温度数据与负荷数据向两个方向产生较大偏差，该异常原因为控制器故障。上述聚类分析结果与实际情况相符，本申请实施例提出的方法具备有效性。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。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上述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。

基于同一技术构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，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上任意一实施例所述的电动汽车充电桩状态监测方法和/或故障鉴定方法。

图14示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的电动汽车充电桩状态监测方法和/或故障鉴定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电动汽车充电桩状态监测方法，其特征在于，包括：

获取充电桩的运行状态数据集；

根据所述运行状态数据集形成时间序列矩阵图；其中，所述时间序列矩阵图基于滑动窗口算法得到的；

将所述时间序列矩阵图输入已训练的基于卷积神经网络和长短期记忆网络的混合网络模型；

基于卷积神经网络提取数据特征；

根据所述数据特征基于长短期记忆网络进行数据预测，得到预测运行数据，以实现对充电桩状态的实时监测。

2.根据权利要求1所述的方法，其特征在于，所述获取充电桩的运行状态数据集，具体包括：

将所述运行状态数据集进行属性选择处理；

根据马尔可夫链蒙特卡罗算法，将属性选择处理后的运行状态数据集进行缺失填补处理；

根据主成分分析方法，将缺失填补处理后的运行状态数据集进行数据约简处理。

3.根据权利要求2所述的方法，其特征在于，所述将所述运行状态数据集进行属性选择处理，包括：

分别计算所述数据集中的数据样本在每个属性上的平均值和标准偏差；

根据所述平均值和所述标准偏差对所述数据样本在每个属性上的取值进行标准化处理，以完成所述属性选择处理过程。

4.根据权利要求2所述的方法，其特征在于，所述根据马尔可夫链蒙特卡罗算法，将属性选择处理后的运行状态数据集进行缺失填补处理，包括：

获取属性选择处理后的运行状态数据集；

分别计算所述属性选择处理后的运行状态数据集的均值向量和协方差矩阵；

根据所述均值向量和所述协方差矩阵得到缺失数据；

判断所述缺失数据是否正确；

若所述缺失数据正确，根据所述缺失数据和所述属性选择处理后的运行状态数据集得到完整的运行状态数据集，以完成所述缺失填补处理过程。

5.根据权利要求1所述的方法，其特征在于，所述获取充电桩的运行状态数据集，包括：

将充电桩的运行状态数据和影响充电桩运行状态的数据相结合，作为所述运行状态数据集。

6.根据权利要求5所述的方法，其特征在于，所述影响充电桩运行状态的数据包括气象变化的数据、电价变化的数据和使用日期的数据。

7.一种电动汽车充电桩故障鉴定方法，其特征在于，包括：

获取电动车充电桩的实际运行数据和运行状态数据集；

根据所述运行状态数据集，通过如权利要求1至6任意一项所述的方法，得到所述充电桩的预测运行数据；

将所述实际运行数据与所述预测数据进行对比，判断所述实际运行数据是否异常；

若所述实际运行数据异常，根据所述实际运行数据和预设的故障类型，确定所述电动车充电桩的目标故障类型；其中，所述预设的故障类型是基于一定数量的充电桩的运行异常数据进行K-均值聚类后得到的。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括通过以下方法得到所述预设的故障类型：

获取一定数量的充电桩的运行异常数据集；

根据K-均值聚类方法对所述运行异常数据集中的数据进行分类；

根据数据分类结果匹配对应的充电桩故障类型，以得到所述预设的故障类型。

9.根据权利要求8所述的方法，其特征在于，所述根据K-均值聚类方法对所述运行异常数据集中的数据进行分类，包括：

根据肘点法计算K的值；

在所述运行异常数据集中随机选取K个点，作为K个聚类中心；

根据所述K个聚类中心，将所述运行异常数据集中的数据进行聚类分类，得到K个类簇；

计算K个类簇的均值，并在均值位置重新选取K个聚类中心；

重新进行分类计算，直至所述聚类中心小于设定的阈值，得到分类结果。

10.一种电子设备，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如权利要求1至9任意一项所述的方法。

Images