CN117435984A - 一种充电桩故障预测方法及系统 - Google Patents
一种充电桩故障预测方法及系统 Download PDFInfo
- Publication number
- CN117435984A CN117435984A CN202311418957.3A CN202311418957A CN117435984A CN 117435984 A CN117435984 A CN 117435984A CN 202311418957 A CN202311418957 A CN 202311418957A CN 117435984 A CN117435984 A CN 117435984A
- Authority
- CN
- China
- Prior art keywords
- data
- charging pile
- fault
- index
- power supply
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims description 91
- 238000011156 evaluation Methods 0.000 claims description 75
- 230000008569 process Effects 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种充电桩故障预测方法及系统,涉及数据处理分析技术领域,本发明根据充电桩的特点,获取充电桩的历史故障数据和故障类似,综合生成健康状态指数来对历史故障的数据进行特征标记,并关联与其相关的故障类型,实时采集充电过程中的特征数据,构建充电桩的健康评价指数,通过将健康评价指数和健康状态指数的比较结果,通过评价阈值确定与现有运行中的数据特征最贴近的健康状态指数,通过历史的故障类型预测当前充电桩的故障类型,创造性地构建了健康状态指数来对故障数据进行标记,通过比较法预测故障类型,不需要大量的数据进行训练,降低了预测的难度,即使存在少量的历史数据,也能够进行准确的预测。
Description
技术领域
本发明涉及数据处理分析技术领域,具体为一种充电桩故障预测方法及系统。
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,直流充电桩需要从电源获得电能,使用变流器将交流电转换为直流电,一旦车辆连接好,充电桩会开始向电动车辆输送直流电能。
直流充电桩的主要故障问题有三个方面:输入电源部分故障、输出电源部分故障和内部主要元器件故障,输入电源部分故障指的是和外部交流电源的连接出现故障,造成接入的电源不稳定或者波动较大,输出电源部分故障指的是输出直流电的部分故障,造成输出的电压或者电流过低,无法满足重点需求,内部主要元器件故障所指的是内部的元器件,例如散热、变流器等主要元器件故障,造成充电桩无法正常逆变、温度过高等情况。
现有技术的不足:现有技术中针对充电桩故障预测的方法通常依据大模型进行预测,例如公开号为CN 115238752 A提供的一种基于人工智能的充电桩故障预测系统,大模型在进行预测时,需要大量的原始数据进行训练,但是目前我国的充电桩的型号、厂家众多,每一个厂家的充电桩的工作方式、流程均有很大的差别,使用大模型预测需要训练不同的模型,需要大量的数据,加上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,需要一种能够根据有限的历史数据,高效预测充电桩故障的方法。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种充电桩故障预测方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种充电桩故障预测方法,具体步骤包括:
获取充电桩的历史故障数据和故障类型,以及充电过程中的实时特征数据;
根据故障数据生成充电桩的健康状态指数,并将故障类型和健康状态指数相关联,构成故障样本数据库;
依据充电过程中的实时特征数据,构建充电桩的健康评价指数;
将健康评价指数依次和故障样本数据库内的健康状态指数进行比较,并将比较的结果和预设的评价阈值进行对比;
确定与健康评价指数最接近的健康状态指数数据,并获取最接近的健康状态指数相关联的故障类型;
依据最接近的健康状态指数对应的故障类型,预测当前充电桩的故障类型。
进一步地,所述充电桩的故障数据包括充电桩发生故障时,充电桩的输入电源的电压、电流的波形数据和频率波形数据、充电桩的输出电源的电压和电流的波形数据,以及充电桩内部的温度数据和噪音数据。
进一步地,所述健康状态指数包括供电状态指数、充电状态指数和硬件状态指数;
所述供电状态指数由充电桩发生故障时,充电桩的输入电源的电压和电流波形数据进行数据分析处理后建立;
所述充电状态指数由充电桩发生故障时,充电桩的输出电源的电压和电流波形数据进行数据分析处理后建立;
所述硬件状态指数由充电桩发生故障时,充电桩内部的温度数据和噪音数据进行数据分析处理后建立。
进一步地,生成所述供电状态指数所依据的具体逻辑为:
依据充电桩发生故障时,充电桩的输入电源的电压波形数据获取最大的电压幅值数据Uinmax和最小的电压幅值数据Uinmin,并计算二者之间的间隔时间ΔtinU;
依据充电桩发生故障时,充电桩的输入电源的电流波形数据获取最大的电流幅值数据Iinmax和最小的电流幅值数据Iinmin,并计算二者之间的间隔时间ΔtinI;
对充电桩的输入电源的频率波形数据进行等时间间隔采集,获取一组充电桩输入电源的输入频率数据组;
针对输入频率数据组,计算其中的最大频率数据finmax和最小频率数据finmin,以及输入频率数据组内部频率数据的方差σf 2;
构建供电状态指数Jzin,所依据的具体表达式为:
其中,α为电源指数权重,β为频率指数权重,其中α+β=1,且α≥β>0,Tout为充电桩输入电源的额定周期;
进一步地,生成所述充电状态指数所依据的具体逻辑为:
依据充电桩的输出电源的电压和电流波形数据,进行等时间间隔采集,获取一组充电桩输出电源的输出电压数据组和输出电流数据组;
依据输出电压数据组计算输出电压的平均值Upout和输出电压数据组内部电压数据的方差σU 2;
依据输出电流数据组计算输出电流的平均值Ipout和输出电压数据组内部电压数据的方差σI 2;
结合充电桩的额定输出电压参数和电流参数,构建充电状态指数Jzout,所依据的具体表达式为:
其中,Ue、Ie分别为充电桩的额定输出电压和电流。
进一步地,生成所述硬件状态指数所依据的具体逻辑为:
依据充电桩内部的温度数据T和噪音数据n,并结合充电桩正常工作时的内部温度数据T0和噪声数据n0,生成硬件状态指数Jzyj所依据的具体表达式为:
其中,γ为温度权重系数,δ为噪音权重系数,且γ>δ>0。
进一步地,所述构成故障样本数据库的具体方法为:
将所述故障类型赋予故障标签,每个故障类型对应一个故障标签,将赋予故障标签的所述故障类型与其对应的供电状态指数、充电状态指数和硬件状态指数相关联,构成故障样本数据库内一个故障类型的元素,依据所有的样本标签,收集所有故障类型的元素构成故障样本数据库。
进一步地,充电过程中的实时特征数据包括充电桩实时的输入电源的频率数据fin、电压数据Uin和电流数据Iin,充电桩实时的输出的电压数据Uout和电流数据Iout,以及充电桩内部的实时噪音数据nt和温度数据Tt,构建的充电桩的健康评价指数包括供电评价指数、充电评价指数和硬件评价指数;
生成供电评价指数Jpin所依据的具体表达式为:
其中,α为电源指数权重,且α>0,Tout为充电桩输入电源的额定周期。
生成充电评价指数Jpout所依据的具体表达式为:
其中,Ue、Ie分别为充电桩的额定输出电压和电流;
生成硬件评价指数Jpyj所依据的具体表达式为:
其中,γ为温度权重系数,δ为噪音权重系数,且γ>δ>0,T0和n0分别为充电桩正常工作时的内部温度数据和噪声数据。
进一步地,确定最接近的健康状态指数数据,并获取对应的故障类型,所依据的具体逻辑为:
首先将供电评价指数Jpin与故障样本数据库内的所有供电状态指数Jzin进行比较,当存在|Jpin-Jzin|≤YJin的状态时,将Jzin所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签;
若不存在|Jpin-Jzin|≤YJin的状态时,将充电评价指数Jpout和故障样本数据库内所有的充电状态指数Jzout进行比较,当存在|Jpout-Jzout|≤YJout时,将Jzout所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签;
若不存在|Jpout-Jzout|≤YJout的状态时,将硬件评价指数Jpyj和故障样本数据库内所有的硬件状态指数Jzyj进行比较,当存在|Jpyj-Jzyj|≤YJyj时,将Jzyj所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签;
依据故障类型和故障标签的对应关系,根据故障标签获取对应的故障类型,将该故障类型预测为充电桩的故障类型;
若依旧不存在|Jpyj-Jzyj|≤YJyj的状态,预测充电桩不存在故障;
其中,YJin、YJout和YJyj分表示预测的供电状态阈值、充电状态阈值和硬件状态阈值。
基于相同的发明构思,本发明另外还提供一种充电桩故障预测系统,所述预测系统用于执行上述的充电桩故障预测方法,包括:
数据采集模块,用于获取充电桩的历史故障数据和故障类型,以及充电过程中的实时特征数据;
数据库构建模块,用于根据故障数据生成充电桩的健康状态指数,并将故障类型和健康状态指数相关联,构成故障样本数据库;
实时数据采集模块,用于依据充电过程中的实时特征数据,构建充电桩的健康评价指数;
状态比较模块,用于将健康评价指数依次和故障样本数据库内的健康状态指数进行比较,并将比较的结果和预设的评价阈值进行对比;
参数对比模块,确定与健康评价指数最接近的健康状态指数数据,并获取最接近的健康状态指数相关联的故障类型;
故障预测模块,用于依据最接近的健康状态指数对应的故障类型,预测当前充电桩的故障类型。
与现有技术相比,本发明的有益效果是:
本发明根据充电桩的特点,获取充电桩的历史故障数据和故障类似,综合生成健康状态指数来对历史故障的数据进行特征标记,并关联与其相关的故障类型,实时采集充电过程中的特征数据,构建充电桩的健康评价指数,通过将健康评价指数和健康状态指数的比较结果,通过评价阈值确定与现有运行中的数据特征最贴近的健康状态指数,通过历史的故障类型预测当前充电桩的故障类型,因此,本发明只要充电桩存在历史故障,既能够进行故障的预测,而且随着历史故障类型的增多,则预测的效果也会越来越准确;
相对于现有技术中大模型的预测方法,本发明创造性地构建了健康状态指数来对故障数据进行标记,通过比较法预测故障类型,不需要大量的数据进行训练,降低了预测的难度,即使存在少量的历史数据,也能够进行准确的预测,实现对充电桩不同故障类型的精准判断,能够快速了解并解决故障,帮助运维人员快速查看并解决故障问题,提升了充电桩的运维效率和安全性。
附图说明
图1为本发明整体方法流程示意图;
图2为本发明整体系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“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。
实施例:
请参阅图1,本发明提供一种技术方案:
一种充电桩故障预测方法,具体步骤包括:
步骤1:获取充电桩的历史故障数据和故障类型,以及充电过程中的实时特征数据。
本实施例中,所述充电桩的故障数据包括充电桩发生故障时,充电桩的输入电源的电压、电流的波形数据和频率波形数据、充电桩的输出电源的电压和电流的波形数据,以及充电桩内部的温度数据和噪音数据。
由于直流充电桩的主要故障问题有三个方面:输入电源部分故障、输出电源部分故障和内部主要元器件故障,而在输入电源部分故障部分,主要的表现就是连接的交流电的数据出现异常,如谐波、电源不稳定时,均会出现充电桩的输入电源的电压、电流的波形数据和频率波形数据出现异常,本实施例中的历史输入电源的电压、电流的波形数据和频率波形数据并不是指某一特制的数据,而是指故障发生时,输入电源的电压、电流和频率的模拟量波形数据。
在出现输出电源部分故障情况时,主要的表现为输出的电压、电流等出现明显降低等异常,相同的,本实施例中的历史输入电源的电压、电流的波形数据和频率波形数据并不是指某一特制的数据,而是指故障发生时,输出电源的电压和电流的模拟量波形数据。
在出现内部主要元器件故障时,会出现内部元器件的超负荷工作或者停止工作,超负荷工作时,相应的发热量就会增大,而且一些开关元器件例如变流器等,工作噪声会明显地增大,停止工作时发热量和噪声会异常地减小,所以通过采集充电桩内部的温度数据T和噪音数据n能够反映充电桩内部的硬件的工作情况。
步骤2:根据故障数据生成充电桩的健康状态指数,并将故障类型和健康状态指数相关联,构成故障样本数据库。
进一步地,所述健康状态指数包括供电状态指数、充电状态指数和硬件状态指数;
所述供电状态指数由充电桩发生故障时,充电桩的输入电源的电压和电流波形数据进行数据分析处理后建立;
所述充电状态指数由充电桩发生故障时,充电桩的输出电源的电压和电流波形数据进行数据分析处理后建立;
所述硬件状态指数由充电桩发生故障时,充电桩内部的温度数据和噪音数据进行数据分析处理后建立。
本实施例中,依据充电桩的工作特点,沿着电流的流动方向,将故障类型分为三大类,即输入电源部分故障、输出电源部分故障和内部主要元器件故障,因为输入电源部分故障也可能会引起输出电源部分和内部主要元器件出现类似故障的情况,因此本实施例针对三个部分分别构建供电状态指数、充电状态指数和硬件状态指数来反映三个部分的故障情况。
进一步地,生成所述供电状态指数所依据的具体逻辑为:
依据充电桩发生故障时,充电桩的输入电源的电压波形数据获取最大的电压幅值数据Uinmax和最小的电压幅值数据Uinmin,并计算二者之间的间隔时间ΔtinU。
依据充电桩发生故障时,充电桩的输入电源的电流波形数据获取最大的电流幅值数据Iinmax和最小的电流幅值数据Iinmin,并计算二者之间的间隔时间ΔtinI。
对充电桩的输入电源的频率波形数据进行等时间间隔采集,获取一组充电桩输入电源的输入频率数据组。
本实施例中,等时间间隔采集电源的频率波形数据,指的是隔固定时间获取一次电源输入的交流电的频率,构成频率数据组,正常状态下频率数据组内部的频率数据之间的误差较小,若是较大,则说明频率不稳定,可能存在谐振等情况。
针对输入频率数据组,计算其中的最大频率数据finmax和最小频率数据finmin,以及输入频率数据组内部频率数据的方差σf 2;
构建供电状态指数Jzin,所依据的具体表达式为:
其中,α为电源指数权重,β为频率指数权重,其中α+β=1,且α≥β>0,Tout为充电桩输入电源的额定周期。
本实施例中,最大的电压幅值数据Uinmax和最小的电压幅值数据Uinmin的差值越大时,说明输入电源的电压波动越大,间隔时间ΔtinU小,此时说明电压波动的频次越高,电压波动的越频繁,输入电源的供电状态越差,供电状态指数Jzin越大。
最大的电流幅值数据Iinmax和最小的电流幅值数据Iinmin越大,说明输入电源的电流波动越大,间隔时间ΔtinI越小,说明电流波动的频次越高,供电电流的稳定性越差,输入电源的供电状态越差,供电状态指数Jzin越大。
最大频率数据finmax和最小频率数据finmin之间的差值越大,说明频率波动的范围越高,而方差σf 2越大,说明频率数据组内部频率数据越分散,频率的变化越杂乱,频率波动的范围越高、频率的变化越杂乱说明此时入电源的供电状态越差,供电状态指数Jzin越大。
进一步地,生成所述充电状态指数所依据的具体逻辑为:
依据充电桩的输出电源的电压和电流波形数据,进行等时间间隔采集,获取一组充电桩输出电源的输出电压数据组和输出电流数据组。
等时间间隔采集电源的输出电压数据和输出电流数据的方法和上述频率采集的方法相同。
依据输出电压数据组计算输出电压的平均值Upout和输出电压数据组内部电压数据的方差σU 2。
依据输出电流数据组计算输出电流的平均值Ipout和输出电压数据组内部电压数据的方差σI 2。
结合充电桩的额定输出电压参数和电流参数,构建充电状态指数Jzout,所依据的具体表达式为:
其中,Ue、Ie分别为充电桩的额定输出电压和电流。
本实施例中,所述输出电压的平均值Upout和输出电流的平均值Ipout能够表示充电桩输出的电压和电流是否过高或者过低,反映充电桩输出的电压、电流是否偏离正常的输出范围,|Upout-Ue|越大,表示输出电压偏离正常电压范围的程度越高,输出的电源越不稳定,充电状态指数Jzout越大。
若是越大,表示输出电流偏离正常电压范围的程度越高,输出的电源越不稳定,充电状态指数Jzout越大。
而方差σU 2和方差σI 2则反映输出的电压和电流的稳定程度,虽然直流充电桩的输出电流方向不变,本实施例为了系统反馈电压和电流的稳定程度,设定该充电桩的输出电源频率为1,当方差σU 2和方差σI 2越大时,说明输出的电压和电流的稳定程度越差,此时输出的电源越不稳定,充电状态指数Jzout越大。
进一步地,生成所述硬件状态指数所依据的具体逻辑为:
依据充电桩内部的温度数据T和噪音数据n,并结合充电桩正常工作时的内部温度数据T0和噪声数据n0,生成硬件状态指数Jzyj所依据的具体表达式为:
其中,γ为温度权重系数,δ为噪音权重系数,且γ>δ>0。
由于输出的电压和电流增大时,说明输出的负载也在变大,此时充电桩内部相应的温度和噪声在正常情况下也会变大,本实施例采用输出电压的平均值Upout和输出电流的平均值Ipout的乘积,与充电桩的额定输出电压和电流之比来对充电桩内部的温度数据T和噪音数据n进行修正,正常情况下,充电桩内部的温度数据T和噪音数据n会随着输出电压的平均值Upout和输出电流的平均值Ipout的增大而进行增大,即温度和噪声会随着负载的变化进行变化。
例如当输出电压的平均值Upout和输出电流的平均值Ipout正常时,充电桩内部的温度数据T和噪音数据n越大,说明其内部的负载出现异常增大的情况,此时硬件状态指数Jzyj越大,当充电桩内部的温度数据T和噪音数据n越小时,此时说明其内部的负载出现异常减小的情况,可能有设备停止工作,此时硬件状态指数Jzyj越小。
相应地,当输出电压的平均值Upout和输出电流的平均值Ipout异常时,比如偏大时,充电桩内部的温度数据T和噪音数据n相对稳定,说明此时内部组件有的超负荷工作,有的已经断路,此时硬件状态指数Jzyj也会偏大。
本实施例中,所述构成故障样本数据库的具体方法为:
将所述故障类型赋予故障标签,每个故障类型对应一个故障标签,将赋予故障标签的所述故障类型与其对应的供电状态指数、充电状态指数和硬件状态指数相关联,构成故障样本数据库内一个故障类型的元素,依据所有的样本标签,收集所有故障类型的元素构成故障样本数据库。
故障标签是用于标识和分类故障类型的一种标记,用于跟踪和识别充电桩系统中的故障类型,将故障类型与该故障类型对应的供电状态指数、充电状态指数和硬件状态指数关联起来。
步骤3:依据充电过程中的实时特征数据,构建充电桩的健康评价指数。
本实施例中,充电过程中的实时特征数据包括充电桩实时的输入电源的频率数据fin、电压数据Uin和电流数据Iin,充电桩实时地输出的电压数据Uout和电流数据Iout,以及充电桩内部的实时噪音数据nt和温度数据Tt,构建的充电桩的健康评价指数包括供电评价指数、充电评价指数和硬件评价指数。
进一步地,生成供电评价指数Jpin所依据的具体表达式为:
其中,α为电源指数权重,且α>0,Tout为充电桩输入电源的额定周期。
本实施例中,供电评价指数Jpin与供电状态指数Jzin相对应,当实时采集的电压数据Uin和电流数据Iin越大时,说明输入电源的电压波动越大,输入电源的供电状态越差,供电评价指数Jpin越大,Tout 2/fin 2其本质上是实时的输入电源的周期数据fin和充电桩输入电源的额定周期的乘积,因此当输入电源的频率数据fin越高时,此时周期越小,供电评价指数Jpin越大。
生成充电评价指数Jpout所依据的具体表达式为:
其中,Ue、Ie分别为充电桩的额定输出电压和电流。
本实施例中,充电评价指数Jpout和充电状态指数Jzout相对应,当充电桩实时的输出的电压数据Uout和电流数据Iout和充电桩的额定输出电压和电流偏移越大时,此时充电评价指数Jpout越高。
生成硬件评价指数Jpyj所依据的具体表达式为:
其中,γ为温度权重系数,δ为噪音权重系数,且γ>δ>0,T0和n0分别为充电桩正常工作时的内部温度数据和噪声数据。
所述硬件评价指数Jpyj和硬件状态指数Jzyj相对应,采用输出的电压数据Uout和电流数据Iout的乘积,与充电桩的额定输出电压和电流之比来对充电桩内部的实时噪音数据nt和温度数据Tt进行修正,修正方法与上述修正方法相同。
充电桩内部的实时噪音数据nt和温度数据Tt,说明其内部的负载出现异常增大的情况,此时硬件评价指数Jpyj越小,当充电桩内部的实时噪音数据nt和温度数据Tt越小时,此时说明其内部的负载出现异常减小的情况,可能有设备停止工作,此时硬件评价指数Jpyj越小。
步骤4:将健康评价指数依次和故障样本数据库内的健康状态指数进行比较,并将比较的结果和预设的评价阈值进行对比。
本实施例中,通过健康状态指数中的供电状态指数、充电状态指数和硬件状态指数来表征标记充电桩的历史故障数据,相当于充电桩发生故障时的表现情况,而该情况通过数据形式的供电状态指数、充电状态指数和硬件状态指数来进行标记。
健康评价指数中的供电评价指数、充电评价指数和硬件评价指数来表示充电桩中的实时情况,该情况通过供电评价指数、充电评价指数和硬件评价指数来进行标记。
步骤5:确定与健康评价指数最接近的健康状态指数数据,并获取最接近的健康状态指数相关联的故障类型。
本实施例中,预测的故障情况可能不止一种,其采用梯度对比的方法,依据比较的结果和预设的评价阈值进行对比,确定最接近的健康状态指数数据的具体逻辑为:
首先将供电评价指数Jpin与故障样本数据库内的所有供电状态指数Jzin进行比较,当存在|Jpin-Jzin|≤YJin的状态时,将Jzin所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签,|Jpin-Jzin|≤YJin,预测充电桩的故障情况为输入电源部分故障,且故障样本数据库内存在类似情况,二者可能存在相同的故障类型,因为输入电源部分故障会引起输出电源部分故障和内部主要元器件故障的情况出现,因此首先将供电评价指数Jpin与故障样本数据库内的所有供电状态指数Jzin进行比较。
若不存在|Jpin-Jzin|≤YJin的状态时,将充电评价指数Jpout和故障样本数据库内所有的充电状态指数Jzout进行比较,当存在|Jpout-Jzout|≤YJout时,将Jzout所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签,预测充电桩的故障情况为输出电源部分故障,且故障样本数据库内存在类似情况,二者可能存在相同的故障类型,因为输出电源部分故障会引起内部主要元器件故障的情况出现,因此排除掉输入电源部分故障的情况后,先将供电评价指数Jpin与故障样本数据库内的所有供电状态指数Jzin进行比较。
若不存在|Jpout-Jzout|≤YJout的状态时,将硬件评价指数Jpyj和故障样本数据库内所有的硬件状态指数Jzyj进行比较,当存在|Jpyj-Jzyj|≤YJyj时,将Jzyj所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签,预测充电桩的故障情况为内部主要元器件故障,且故障样本数据库内存在类似情况。
其中,YJin、YJout和YJyj分表示预测的供电状态阈值、充电状态阈值和硬件状态阈值。
步骤6:依据最接近的健康状态指数对应的故障类型,预测当前充电桩的故障类型。
本实施例中,依据故障类型和故障标签的对应关系,根据故障标签获取对应的故障类型,将该故障类型预测为充电桩的故障类型;
若依旧不存在|Jpyj-Jzyj|≤YJyj的状态,预测充电桩不存在故障。
通过评价阈值确定与现有运行中的数据特征最贴近的健康状态指数,通过历史的故障类型预测当前充电桩的故障类型,本实施例只要充电桩存在历史故障,既能够进行故障的预测,而且随着历史故障类型的增多,则预测的效果也会越来越准确;
相对于现有技术中大模型的预测方法,本实施例创造性的构建了健康状态指数来对故障数据进行标记,通过比较法预测故障类型,不需要大量的数据进行训练,降低了预测的难度,即使存在少量的历史数据,也能够进行准确的预测,实现对充电桩不同故障类型的精准判断,能够快速了解并解决故障,帮助运维人员快速查看并解决故障问题,提升了充电桩的运维效率和安全性。
请参阅图2,基于相同的发明构思,本发明另外还提供一种充电桩故障预测系统,所述预测系统用于执行上述的充电桩故障预测方法,包括:
数据采集模块,用于获取充电桩的历史故障数据和故障类型,以及充电过程中的实时特征数据:
数据库构建模块,用于根据故障数据生成充电桩的健康状态指数,并将故障类型和健康状态指数相关联,构成故障样本数据库;
实时数据采集模块,用于依据充电过程中的实时特征数据,构建充电桩的健康评价指数;
状态比较模块,用于将健康评价指数依次和故障样本数据库内的健康状态指数进行比较,并将比较的结果和预设的评价阈值进行对比;
参数对比模块,确定与健康评价指数最接近的健康状态指数数据,并获取最接近的健康状态指数相关联的故障类型;
故障预测模块,用于依据最接近的健康状态指数对应的故障类型,预测当前充电桩的故障类型上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够、电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种充电桩故障预测方法,其特征在于,具体步骤包括:
获取充电桩的历史故障数据和故障类型,以及充电过程中的实时特征数据;
根据故障数据生成充电桩的健康状态指数,并将故障类型和健康状态指数相关联,构成故障样本数据库;
依据充电过程中的实时特征数据,构建充电桩的健康评价指数;
将健康评价指数依次和故障样本数据库内的健康状态指数进行比较,并将比较的结果和预设的评价阈值进行对比;
确定与健康评价指数最接近的健康状态指数数据,并获取最接近的健康状态指数相关联的故障类型;
依据最接近的健康状态指数对应的故障类型,预测当前充电桩的故障类型。
2.根据权利要求1所述的一种充电桩故障预测方法,其特征在于:所述充电桩的故障数据包括充电桩发生故障时,充电桩的输入电源的电压、电流的波形数据和频率波形数据、充电桩的输出电源的电压和电流的波形数据,以及充电桩内部的温度数据和噪音数据。
3.根据权利要求2所述的一种充电桩故障预测方法,其特征在于:所述健康状态指数包括供电状态指数、充电状态指数和硬件状态指数;
所述供电状态指数由充电桩发生故障时,充电桩的输入电源的电压和电流波形数据进行数据分析处理后建立;
所述充电状态指数由充电桩发生故障时,充电桩的输出电源的电压和电流波形数据进行数据分析处理后建立;
所述硬件状态指数由充电桩发生故障时,充电桩内部的温度数据和噪音数据进行数据分析处理后建立。
4.根据权利要求3所述的一种充电桩故障预测方法,其特征在于:生成所述供电状态指数所依据的具体逻辑为:
依据充电桩发生故障时,充电桩的输入电源的电压波形数据获取最大的电压幅值数据Uinmax和最小的电压幅值数据Uinmin,并计算二者之间的间隔时间ΔtinU;
依据充电桩发生故障时,充电桩的输入电源的电流波形数据获取最大的电流幅值数据Iinmax和最小的电流幅值数据Iinmin,并计算二者之间的间隔时间ΔtinI;
对充电桩的输入电源的频率波形数据进行等时间间隔采集,获取一组充电桩输入电源的输入频率数据组;
针对输入频率数据组,计算其中的最大频率数据finmax和最小频率数据finmin,以及输入频率数据组内部频率数据的方差σf 2;
构建供电状态指数Jzin,所依据的具体表达式为:
其中,α为电源指数权重,β为频率指数权重,其中α+β=1,且α≥β>0,Tout为充电桩输入电源的额定周期。
5.根据权利要求4所述的一种充电桩故障预测方法,其特征在于:生成所述充电状态指数所依据的具体逻辑为:
依据充电桩的输出电源的电压和电流波形数据,进行等时间间隔采集,获取一组充电桩输出电源的输出电压数据组和输出电流数据组;
依据输出电压数据组计算输出电压的平均值Upout和输出电压数据组内部电压数据的方差σU 2;
依据输出电流数据组计算输出电流的平均值Ipout和输出电压数据组内部电压数据的方差σI 2;
结合充电桩的额定输出电压参数和电流参数,构建充电状态指数Jzout,所依据的具体表达式为:
其中,Ue、Ie分别为充电桩的额定输出电压和电流。
6.根据权利要求5所述的一种充电桩故障预测方法,其特征在于:生成所述硬件状态指数所依据的具体逻辑为:
依据充电桩内部的温度数据T和噪音数据n,并结合充电桩正常工作时的内部温度数据T0和噪声数据n0,生成硬件状态指数Jzyj所依据的具体表达式为:
其中,γ为温度权重系数,δ为噪音权重系数,且γ>δ>0。
7.根据权利要求3所述的一种充电桩故障预测方法,其特征在于:所述构成故障样本数据库的具体方法为:
将所述故障类型赋予故障标签,每个故障类型对应一个故障标签,将赋予故障标签的所述故障类型与其对应的供电状态指数、充电状态指数和硬件状态指数相关联,构成故障样本数据库内一个故障类型的元素,依据所有的样本标签,收集所有故障类型的元素构成故障样本数据库。
8.根据权利要求7所述的一种充电桩故障预测方法,其特征在于:充电过程中的实时特征数据包括充电桩实时的输入电源的频率数据fin、电压数据Uin和电流数据Iin,充电桩实时的输出的电压数据Uout和电流数据Iout,以及充电桩内部的实时噪音数据nt和温度数据Tt,构建的充电桩的健康评价指数包括供电评价指数、充电评价指数和硬件评价指数;
生成供电评价指数Jpin所依据的具体表达式为:
其中,α为电源指数权重,且α>0,Tout为充电桩输入电源的额定周期;
生成充电评价指数Jpout所依据的具体表达式为:
其中,Ue、Ie分别为充电桩的额定输出电压和电流;
生成硬件评价指数Jpyj所依据的具体表达式为:
其中,γ为温度权重系数,δ为噪音权重系数,且γ>δ>0,T0和n0分别为充电桩正常工作时的内部温度数据和噪声数据。
9.根据权利要求8所述的一种充电桩故障预测方法,其特征在于:确定最接近的健康状态指数数据,并获取对应的故障类型,所依据的具体逻辑为:
首先将供电评价指数Jpin与故障样本数据库内的所有供电状态指数Jzin进行比较,当存在|Jpin-Jzin|≤YJin的状态时,将Jzin所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签;
若不存在|Jpin-Jzin|≤YJin的状态时,将充电评价指数Jpout和故障样本数据库内所有的充电状态指数Jzout进行比较,当存在|Jpout-Jzout|≤YJout时,将Jzout所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签;
若不存在|Jpout-Jzout|≤YJout的状态时,将硬件评价指数Jpyj和故障样本数据库内所有的硬件状态指数Jzyj进行比较,当存在|Jpyj-Jzyj|≤YJyj时,将Jzyj所对应的健康状态指数数据确定为最接近的健康状态指数数据,获取对应的故障标签;
依据故障类型和故障标签的对应关系,根据故障标签获取对应的故障类型,将该故障类型预测为充电桩的故障类型;
若依旧不存在|Jpyj-Jzyj|≤YJyj的状态,预测充电桩不存在故障;
其中,YJin、YJout和YJyj分表示预测的供电状态阈值、充电状态阈值和硬件状态阈值。
10.一种充电桩故障预测系统,其特征在于:所述预测系统用于执行权利要求1-9任一项所述的充电桩故障预测方法,包括:
数据采集模块,用于获取充电桩的历史故障数据和故障类型,以及充电过程中的实时特征数据;
数据库构建模块,用于根据故障数据生成充电桩的健康状态指数,并将故障类型和健康状态指数相关联,构成故障样本数据库;
实时数据采集模块,用于依据充电过程中的实时特征数据,构建充电桩的健康评价指数;
状态比较模块,用于将健康评价指数依次和故障样本数据库内的健康状态指数进行比较,并将比较的结果和预设的评价阈值进行对比;
参数对比模块,确定与健康评价指数最接近的健康状态指数数据,并获取最接近的健康状态指数相关联的故障类型;
故障预测模块,用于依据最接近的健康状态指数对应的故障类型,预测当前充电桩的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311418957.3A CN117435984A (zh) | 2023-10-30 | 2023-10-30 | 一种充电桩故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311418957.3A CN117435984A (zh) | 2023-10-30 | 2023-10-30 | 一种充电桩故障预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117435984A true CN117435984A (zh) | 2024-01-23 |
Family
ID=89547629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311418957.3A Withdrawn CN117435984A (zh) | 2023-10-30 | 2023-10-30 | 一种充电桩故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435984A (zh) |
-
2023
- 2023-10-30 CN CN202311418957.3A patent/CN117435984A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | A data-driven method for IGBT open-circuit fault diagnosis based on hybrid ensemble learning and sliding-window classification | |
CN109033499B (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
Zhang et al. | A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction | |
Li et al. | A model-data-hybrid-driven diagnosis method for open-switch faults in power converters | |
CN109271741B (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
Luchetta et al. | MLMVNNN for parameter fault detection in PWM DC–DC converters and its applications for buck and boost DC–DC converters | |
CN109359894A (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
WO2021103678A1 (zh) | 一种电解电容寿命实时在线诊断及寿命预测的方法 | |
CN103471729A (zh) | 一种装置温度预警方法及其应用 | |
US11635467B2 (en) | Evaluation device, computer program, and evaluation method | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
Bao et al. | Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm | |
CN113991760B (zh) | 交直流混联受端电网直流闭锁多资源紧急控制优化方法 | |
Zhang et al. | Review of online learning for control and diagnostics of power converters and drives: Algorithms, implementations and applications | |
CN109359742B (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN117435984A (zh) | 一种充电桩故障预测方法及系统 | |
CN113361802A (zh) | 一种基于人工智能的电力负荷识别与预测方法 | |
Xia et al. | State of Health Estimation of Lithium-Ion Batteries Using Neuron Network and 1kHz Impedance Data | |
Žarković et al. | Power transformers asset management based on machine learning | |
Catelani et al. | MLMVNN for parameter fault detection in PWM DC-DC converters and its applications for buck DC-DC converter | |
CN115219842A (zh) | 一种机电设备故障定位及报警保护装置 | |
Li et al. | A framework for model-based diagnostics and prognostics of switched-mode power supplies | |
Hariyanto et al. | Study of static security assessment accuracy results using random forest with various types of training and test datasets | |
Zhao et al. | Improved particle filter remaining life prediction method for switch mode power supply using variance of case temperature | |
CN118209823B (zh) | 基于电力大数据的电网系统异常节点定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240123 |