CN117445735A - 云边协同的充电预警方法、设备及介质 - Google Patents
云边协同的充电预警方法、设备及介质 Download PDFInfo
- Publication number
- CN117445735A CN117445735A CN202311785253.XA CN202311785253A CN117445735A CN 117445735 A CN117445735 A CN 117445735A CN 202311785253 A CN202311785253 A CN 202311785253A CN 117445735 A CN117445735 A CN 117445735A
- Authority
- CN
- China
- Prior art keywords
- fault
- cloud
- data
- early warning
- edge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003745 diagnosis Methods 0.000 claims abstract description 122
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 238000012423 maintenance Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000007774 longterm Effects 0.000 claims abstract description 16
- 238000002955 isolation Methods 0.000 claims description 89
- 238000012360 testing method Methods 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 42
- 238000010606 normalization Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 23
- 230000005484 gravity Effects 0.000 claims description 19
- 230000000306 recurrent effect Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 230000003213 activating effect Effects 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 8
- 208000032953 Device battery issue Diseases 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种云边协同的充电预警方法、设备及介质，属于新能源充电技术领域，可以有效地为电动汽车充电设备的安全稳定运行提供有效安全预警服务。该方法包括：根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；基于边缘端短期预警结果和云端中长期诊断结果，确定云边协同安全运维策略；基于云边协同安全运维策略输出云边协同预警诊断结果。
Description
技术领域
本发明属于新能源充电技术领域，更具体地，涉及一种云边协同的充电预警方法、设备及介质。
背景技术
随着电动汽车充电设施建设规模不断扩大，充电安全问题日益凸显。因此，如何对充电安全状况进行及时预警，以有效规避潜在安全风险，保证充电过程的可靠性和安全性，成为电力和交通领域重要的研究热点。
发明内容
本发明提出一种云边协同的充电预警方法、设备及介质，可以有效地为电动汽车充电设备的安全稳定运行提供有效安全预警服务。
针对上述问题，本发明采用如下技术方案：
第一方面，提供一种云边协同的充电预警方法，包括：
S1，根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；
S2，根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；
S3，基于边缘端短期预警结果和云端中长期诊断结果，确定云边协同安全运维策略；
S4，基于云边协同安全运维策略输出云边协同预警诊断结果。
可选地，S1：根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果，包括：
步骤N1，选取充电设备的云端故障表征参数、实时订单数据和用采数据；
步骤N2，对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量，线性归一化公式如下：
,
其中，为线性归一化之后的实时订单数据和用采数据，为线性归一化之前的实时订单数据和用采数据，为实时订单数据和用采数据中的最大值，为实时订单数据和用采数据中的最小值；
采用重心拉格朗日插值法对充电设备数据进行插值处理，重心拉格朗日插值法公式如下：
,
其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，为第j个订单数据或用采数据的时间维度的取值，为第j个订单数据或用采数据的已记录特征值的取值，为重心权重，为插值过程中，参与计算缺失特征值的订单数据或用采数据中已记录特征值的个数，；
步骤N3，将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型；
步骤N4，建立门控循环神经网络故障诊断模型，门控循环神经网络故障诊断模型中的各单元输入输出满足：
重置门，用来控制保留前一时刻的记忆，公式为：
,
其中，为t时刻的输入；为sigmoid激活函数；为t-1时刻的隐藏状态；为输入到隐藏层的权重；为隐藏层到隐藏层的权重；为输入到隐藏层的偏置；为隐藏层到隐藏层的偏置；
更新门公式为：
，
其中，为sigmoid激活函数；为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；和分别为输入到隐藏层的偏置、隐藏层到隐藏层的偏置；
候选隐藏层公式为：
，
其中，为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置；
t时刻的隐藏状态为：
,
其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零；
步骤N5，设计门控循环神经网络参数，隐藏层的节点个数公式为：
,
其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练门控循环神经网络故障诊断模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，为向下取整；
步骤N6，选取Adam算法优化，Adam算法优化器参数的一阶动量项公式为：
,
其中，m为一阶动量项，为一阶动量加权衰减系数，为门控循环神经网络的损失函数，为门控循环神经网络损失函数对应的隐藏层的权重，表示将右侧公式更新后的数值赋值给左侧变量m；
Adam算法优化器参数的二阶动量项公式为：
,
其中，g为二阶动量项，为二阶动量加权衰减系数；
修正一阶动量项的偏差公式为：
,
修正二阶动量项的偏差公式为：
,
Adam的学习参数更新误差公式为：
,
其中，为学习参数；为学习率；为一个非常小的常量；
步骤N7，使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。
可选地，S2，根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果，包括：
步骤M1，从充电设备的边缘端监测设备获取实时故障数据，确定充电设备的故障分析结果，故障分析结果包括安全故障类型，安全故障类型包括：动力电池故障、直流充电设备故障以及配网故障；
步骤M2，基于形式化建模语言DataLog定义预警规则，并将充电设备的故障分析结果转化为三元组数据；
步骤M3，将预警规则与三元组数据输入规则推理引擎，采用前向推理引擎Leaps算法，确定充电设备的故障信息；
步骤M4，基于规则集冲突消解原理进行规则的模式匹配，当发生一个事实与多个规则相匹配的情况时，使用冲突解决算法确定冲突规则的执行顺序；
步骤M5，将充电设备的故障信息存入数据库，故障信息用于调整和优化推理规则；
步骤M6，建立充电设备的关联设备故障相关性信息流模型，生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，挖掘出新的预警规则，关联设备故障相关性信息流模型包括测试元素、故障隔离结论元素、可测试的输入元素、不可测试的输入元素和无故障的结论元素，在关联设备故障相关性信息流模型中用表示第j个测试结果，各测试结果均为二值，若输出正常，则为“0”，反之为“1”，若测试结果为“0”和为“1”时获得的信息等价，则测试是对称的，故障隔离结论包括元件、组件的功能失效、非硬件故障，故障指示缺乏、数据输入异常，在模型中用表示故障隔离结论，当对应的故障发生时，为“1”，反之为“0”，新的预警规则满足：
,
其中，为第j个测试结果，j=1,…,N，N为测试总数，为故障隔离结论，i=1,…,M，M为故障隔离结论总数，∩表示逻辑“与”，表示如果同时满足所有的测试结果，那么获得相应的故障隔离结论；
其中，若矩阵FT中，多个故障隔离结论对应的行向量相等，则说明现有的测试无法区分这些故障隔离结论，这些故障隔离结论的集合称为模糊故障隔离结论组，简称模糊组；
若矩阵FT中，按照排列顺序，某个故障隔离结论对应的行向量是首次出现的，与其前面的行向量均不相同，则该故障隔离结论是“独立”的，该行向量为“独立”行向量；
步骤M7，基于挖掘出的规则推理引擎进行短期预警，得到边缘端短期预警结果。
可选地，S3，基于边缘端短期预警结果和云端中长期诊断结果，确定云边协同安全运维策略，包括：
情况1：如果云端的门控循环神经网络故障诊断模型和边缘端的规则推理引擎都检测出故障，则认定为云服务和边缘端设备的安全预警一致，需要立即采取故障修复措施；或者，
情况2：如果云端的门控循环神经网络故障诊断模型检测出故障，而边缘端的规则推理引擎未检测出故障，则进行问题溯因分析，根据云端数据来源确定检测结果不一致的原因，检测结果不一致的原因包括模型参数不准确或者边缘端硬件故障；
情况3：如果边缘端的规则推理引擎检测出故障，而云端的门控循环神经网络故障诊断模型未检测出故障，则输出提示信息，提示信息用于提示进行现场实际探查，以确认故障情况。
可选地，S4，基于云边协同安全运维策略输出云边协同预警诊断结果，包括：
结合充电设备本地运维策略与远程运维策略，协同云边数据处理，综合分析输出预警诊断结果，预警诊断结果包括充电设施的故障类型、位置、紧急程度。
可选地，该方法还包括：
S5，基于后续的运维工单迭代和优化融合算法，更新和迭代门控循环神经网络故障诊断模型和安全运维策略，具体包括：
根据运维工单中的实际问题和反馈，获取融合算法的评估结果，并根据评估结果，对门控循环神经网络故障诊断模型参数、推理规则、数据采集策略进行调整和优化。
第二方面，提供一种云边协同的充电预警设备，包括：
云端诊断单元，用于根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；
边缘端预警单元，用于根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；
云边协同安全运维单元，用于基于边缘端短期预警结果和云端中长期诊断结果，确定云边协同安全运维策略；
输出单元，用于基于云边协同安全运维策略输出云边协同预警诊断结果。
可选地，云端诊断单元，还用于：
选取充电设备的云端故障表征参数、实时订单数据和用采数据；
对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量，线性归一化公式如下：
,
其中，为线性归一化之后的实时订单数据和用采数据，为线性归一化之前的实时订单数据和用采数据，为实时订单数据和用采数据中的最大值，为实时订单数据和用采数据中的最小值；
采用重心拉格朗日插值法对充电设备数据进行插值处理，重心拉格朗日插值法公式如下：
,
其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，为第j个订单数据或用采数据的时间维度的取值，为第j个订单数据或用采数据的已记录特征值的取值，为重心权重，为插值过程中，参与计算缺失特征值的订单数据或用采数据中已记录特征值的个数，；
将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型；
建立门控循环神经网络故障诊断模型，门控循环神经网络故障诊断模型中的各单元输入输出满足：
重置门，用来控制保留前一时刻的记忆，公式为：
,
其中，为t时刻的输入；为sigmoid激活函数；为t-1时刻的隐藏状态；为输入到隐藏层的权重；为隐藏层到隐藏层的权重；为输入到隐藏层的偏置；为隐藏层到隐藏层的偏置；
更新门公式为：
，
其中，为sigmoid激活函数；为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置；
候选隐藏层公式为：
，
其中，为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置；
t时刻的隐藏状态为：
,
其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零；
设计门控循环神经网络参数，隐藏层的节点个数公式为：
,
其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练门控循环神经网络故障诊断模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，为向下取整；
选取Adam算法优化，Adam算法优化器参数的一阶动量项公式为：
,
其中，m为一阶动量项，为一阶动量加权衰减系数，为门控循环神经网络的损失函数，为门控循环神经网络损失函数对应的隐藏层的权重，表示将右侧公式更新后的数值赋值给左侧变量m；
Adam算法优化器参数的二阶动量项公式为：
,
其中，g为二阶动量项，为二阶动量加权衰减系数；
修正一阶动量项的偏差公式为：
,
修正二阶动量项的偏差公式为：
,
Adam的学习参数更新误差公式为：
,
其中，为学习参数；为学习率；为一个非常小的常量；
使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。
可选地，边缘端预警单元，还用于：
从充电设备的边缘端监测设备获取实时故障数据，确定充电设备的故障分析结果，故障分析结果包括安全故障类型，安全故障类型包括：动力电池故障、直流充电设备故障以及配网故障；
基于形式化建模语言DataLog定义预警规则，并将充电设备的故障分析结果转化为三元组数据；
将预警规则与三元组数据输入规则推理引擎，采用前向推理引擎Leaps算法，确定充电设备的故障信息；
基于规则集冲突消解原理进行规则的模式匹配，当发生一个事实与多个规则相匹配的情况时，使用冲突解决算法确定冲突规则的执行顺序；
将充电设备的故障信息存入数据库，故障信息用于调整和优化推理规则；
建立充电设备的关联设备故障相关性信息流模型，生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，挖掘出新的预警规则，关联设备故障相关性信息流模型包括测试元素、故障隔离结论元素、可测试的输入元素、不可测试的输入元素和无故障的结论元素，在关联设备故障相关性信息流模型中用表示第j个测试结果，各测试结果均为二值，若输出正常，则为“0”，反之为“1”，若测试结果为“0”和为“1”时获得的信息等价，则测试是对称的，故障隔离结论包括元件、组件的功能失效、非硬件故障，故障指示缺乏、数据输入异常，在模型中用表示故障隔离结论，当对应的故障发生时，为“1”，反之为“0”，新的预警规则满足：
,
其中，为第j个测试结果，j=1,…,N，N为测试总数，为故障隔离结论，i=1,…,M，M为故障隔离结论总数，∩表示逻辑“与”，表示如果同时满足所有的测试结果，那么获得相应的故障隔离结论；
其中，若矩阵FT中，多个故障隔离结论对应的行向量相等，则说明现有的测试无法区分这些故障隔离结论，这些故障隔离结论的集合称为模糊故障隔离结论组，简称模糊组；
若矩阵FT中，按照排列顺序，某个故障隔离结论对应的行向量是首次出现的，与其前面的行向量均不相同，则该故障隔离结论是“独立”的，该行向量为“独立”行向量；
基于挖掘出的规则推理引擎进行短期预警，得到边缘端短期预警结果。
可选地，云边协同安全运维单元，还用于：
情况1：如果云端的门控循环神经网络故障诊断模型和边缘端的规则推理引擎都检测出故障，则认定为云服务和边缘端设备的安全预警一致，需要立即采取故障修复措施；或者，
情况2：如果云端的门控循环神经网络故障诊断模型检测出故障，而边缘端的规则推理引擎未检测出故障，则进行问题溯因分析，根据云端数据来源确定检测结果不一致的原因，检测结果不一致的原因包括模型参数不准确或者边缘端硬件故障；
情况3：如果边缘端的规则推理引擎检测出故障，而云端的门控循环神经网络故障诊断模型未检测出故障，则输出提示信息，提示信息用于提示进行现场实际探查，以确认故障情况。
可选地，输出单元，还用于：
结合充电设备本地运维策略与远程运维策略，协同云边数据处理，综合分析输出预警诊断结果，预警诊断结果包括充电设施的故障类型、位置、紧急程度。
可选地，云边协同的充电预警设备还包括：迭代和优化融合单元，用于：
基于后续的运维工单迭代和优化融合算法，优化门控循环神经网络故障诊断模型和安全运维策略，具体包括：
根据运维工单中的实际问题和反馈，获取融合算法的评估结果，并根据评估结果，对门控循环神经网络故障诊断模型参数、推理规则、数据采集策略进行调整和优化。
第三方面，提供一种电子设备，包括：处理器，处理器与存储器耦合；
其中，处理器，用于读取并执行存储器存储的程序或指令，使得电子设备执行第一方面所述的云边协同的充电预警方法。
第四方面，提供一种计算机可读存储介质，存储有程序或指令，当计算机读取并执行程序或指令时，使得计算机执行第一方面所述的云边协同的充电预警方法。
基于本发明提供的云边协同的充电预警方法、设备及介质，可以面向电动汽车充电设备进行安全预警，利用充电设备边缘端获取充电实时数据，建立规则推理引擎进行短期预警；利用云端系统将边缘端的实时分析结果与云端历史数据相结合，采用门控循环神经网络进行中长期诊断分析，制定云边协同的充电安全运维策略，得到融合边缘端、云端的综合预警诊断结果；在此基础上，根据后续的运维工单对云边协同的安全预警方法进行迭代与优化，能够有效地为电动汽车充电设备的安全稳定运行提供有效安全预警服务。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种云边协同的充电预警方法的流程示意图；
图2为本发明实施例提供的一种基于门控循环神经网络的故障诊断方法流程图；
图3为本发明实施例提供的一种基于规则推理引擎的短期预警方法的流程图；
图4为本发明实施例提供的充电过程中车-桩故障相关性信息流模型；
图5为本发明实施例提供的一种云边协同的充电预警设备的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
首先结合图1-图4，详细说明本发明实施例提供的云边协同的充电预警方法。
图1为本发明实施例提供的一种云边协同的充电预警方法的流程示意图。如图1所示，该方法包括：
步骤S1：根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果。
其中，对运行中的充电设备进行实时的诊断和检测，以确定是否存在任何故障或异常。例如，当监测数据中出现异常时，该模型可以自动发现故障，并通知运维人员进行处理。
步骤S2：根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果。
其中，基于充电设备边缘端监测数据的规则推理引擎进行短期预警：利用充电设备边缘端监测数据，通过规则推理引擎构建一个短期预警模型。
该模型根据预先设定的规则和逻辑，对充电设备的监测数据进行分析和判断。例如，我们可以设置规则来检测充电设备的电流过载、温度异常等情况，并根据这些规则来生成预警信息。
步骤S3：基于边缘端短期预警结果和云端中长期诊断结果，确定云边协同安全运维策略。
具体地，利用步骤S1和步骤S2中构建的规则推理引擎和门控循环神经网络故障诊断模型，制定云边协同安全运维策略，将短期预警功能和故障诊断功能有机结合起来，为运维人员提供实时的问题诊断和解决方案。
步骤S4：基于云边协同安全运维策略输出云边协同预警诊断结果。
具体地，综合步骤S1-S3中的规则推理引擎、门控循环神经网络故障诊断模型和安全运维策略，实现云边协同的预警诊断功能，可以将多种预测结果和诊断结果进行综合分析，并输出报告和提示。
进一步地，还可以基于后续的运维工单迭代和优化融合算法，不断更新和迭代门控循环神经网络故障诊断模型和安全运维策略。
具体地，根据新的运维工单和实际应用情况，不断更新和迭代门控循环神经网络故障诊断模型和相关的安全运维策略，通过与实际情况的反馈和验证，不断优化模型并提高诊断的效果和精度。
图2为图1中步骤S1的具体描述，本发明实施例提供的一种门控循环神经网络故障诊断方法流程图，包括以下步骤：
步骤N1，选取充电设备的云端故障表征参数、实时订单数据和用采数据。
具体地，选取充电设备云端故障表征参数，选取实时订单数据和用采数据，提取故障表征参数，如充电设施输入电压、充电设施输入电流、充电模块温度、充电模块输出电流、通信报文信息：
由某电动汽车充电设施的历史数据，包括正常数据与故障数据。整理数据集，总结了10种常见故障类型：正常状态、充电模块输出过压、充电模块输出过流、充电模块输出短路、绝缘故障、充电设施通信故障、充电模块故障、交流输入故障、交流断路器故障、充电枪故障和充电桩风扇故障，并对故障类型数据进行标签化处理。
筛选与充电设施故障有关的参数：充电模块输入电压、充电模块输入电流、充电模块输出电压、充电模块输出电流、充电模块输出功率、直流母线电压、电动汽车需求电压、电动汽车需求电流、充电模块温度、充电设备绝缘电阻、充电枪电子锁信号和充电桩风扇状态，并对故障参数数据进行标签化处理。
步骤N2，对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量。
其中，数据归一化和标准化处理将不同量纲的数据进行统一处理，使得不同单位的数据可以作为神经网络的输入参量，为后续的分析提供基础，在不涉及度量、协方差、数据不符合正态分布时，线性归一化效果较好。
当对采集的电动汽车充电数据进行分析时，会因为某些原因导致采集的数据中有部分数据无效和缺失，或者存在干扰信息的数据，因此将不同量纲的数据进行统一处理，使得不同单位的数据可以同时作为神经网络的输入参量，为后续的分析提供基础。在不涉及度量、协方差、数据不符合正态分布时，线性归一化效果较好，线性归一化公式如下：
,
其中，为线性归一化之后的实时订单数据和用采数据，为线性归一化之前的实时订单数据和用采数据，为实时订单数据和用采数据中的最大值，为实时订单数据和用采数据中的最小值。
线性归一化通过对原始数据进行线性变化，将结果映射到[0,1]之间，归一化后的数据在神经网络模型计算的过程中能够优化梯度计算，加速模型的收敛，缩短计算时间。
采用重心拉格朗日插值法对充电设施数据进行插值处理，用于解决采集的历史数据因为设备、存储等原因造成数据的不完整、部分数据缺失的情况。重心拉格朗日插值法公式如下：
,
其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，为第j个订单数据或用采数据的时间维度的取值，为第j个订单数据或用采数据的已记录特征值的取值，为重心权重，为插值过程中，参与计算缺失特征值的订单数据或用采数据中已记录特征值的个数，；
重心拉格朗日插值法的优点是只需要计算插值节点处的函数值和重心坐标，用除以可得到新的重心权重，其计算复杂度为，相较于改进前的计算复杂度更简单。
步骤N3，将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型。
例如，若充电设施每种故障类型对应1000条故障样本数据以及1000条正常样本数据，总计2000条样本数据。在本发明实施例中，可以按照4:1的比例进行数据集划分，即80%的数据作为训练集，20%的数据作为测试集。
步骤N4，建立门控循环神经网络故障诊断模型。
门控循环神经网络与传统的循环神经网络相比，在结构上更简单，只包含更新门和重置门，具有更少的参数，在充电数据有限的场景下应用具有优势。
其单元内输入输出相关公式表示如下：
重置门，用来控制保留前一时刻的记忆，即控制模型选择性地忘记或保留过去的历史信息，好处是能更加灵活地处理时序数据，并且能够学习长期依赖关系。重置门公式为：
,
其中，为sigmoid激活函数；为输入到隐藏层的权重；为t时刻的输入；为输入到隐藏层的偏置；为隐藏层到隐藏层的权重；为t-1时刻的隐藏状态；为隐藏层到隐藏层的偏置。如果当前时间步（就是t）的重置门输出接近于0，表示模型应该忘记过去的信息，只考虑当前的输入；如果接近于1，表示模型应该保留过去的信息，将其与当前输入一起用于预测下一个时间步的信息。
更新门用于控制模型选择性地更新和丢弃记忆信息，通过使用更新门，模型能够动态地适应输入特征，缓解了梯度消失问题。公式为：
,
其中，为sigmoid激活函数；为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；和分别为输入到隐藏层的偏置、隐藏层到隐藏层的偏置。
其中，当接近于1时，表示模型应该保留过去的记忆并结合当前的输入，即多考虑历史信息。而当接近于0时，表示模型应该丢弃过去的记忆，只依赖于当前的输入，即更关注最新输入的信息。
候选隐藏层，作用是计算当前时刻的候选隐藏状态，通过结合上一时刻的隐藏状态和当前时刻的输入，融合历史信息和当前信息，得到一个中间状态，是计算最终隐藏状态的重要组成部分。候选隐藏层的公式为：
,
其中，为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置。
t时刻的隐藏状态为：
,
其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零。
步骤N5，设计门控循环神经网络参数。
其中，门控循环神经网络参数包括：隐藏层的节点个数。
隐藏层的节点个数公式为：
,
其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，为向下取整。
确定诊断模型隐含层节点最优个数，隐藏节点数由10个逐渐增加到15个进行训练，寻找训练过程中最小的误差对应的节点作为最终隐藏节点个数，最终得出隐藏节点数为12时误差最小，网络最优结构确定为12-12-10。
确定门控循环神经网络的模型参数后，利用处理完成的样本数据进行网络模型训练和测试。由训练过程的精度和损失值变化过程，门控循环神经网络模型整体的精度和损失函数属于比较好的状态，在迭代60次左右达到稳定值。
步骤N6，选取Adam算法优化。
Adam算法优化器参数的一阶动量项用于衡量参数的梯度，调整模型的学习率来稳定训练过程，通过利用过去梯度的统计信息减少参数更新的方差。
Adam算法优化器参数的一阶动量项公式为：
,
其中，m为一阶动量项，为一阶动量加权衰减系数，为门控循环神经网络的损失函数，为门控循环神经网络损失函数对应的隐藏层的权重。
Adam算法优化器参数的二阶动量项用于衡量参数的梯度方差，约束一阶动量项公式避免参数更新过快，提升稳定性。Adam算法优化器参数的二阶动量项公式为：
,
其中，g为二阶动量项，为二阶动量加权衰减系数。
由于一开始时参数的估计可能偏向于0，因此需要对一阶矩估计进行补偿，以减少优化过程的偏差。Adam算法优化器的修正一阶动量项的偏差公式为：
,
类似于一阶矩估计，二阶矩估计也可能存在偏差问题，需要进行补偿，以减少优化过程的偏差。Adam算法优化器的修正二阶动量项的偏差公式为：
,
综合以上自适应学习率、处理稀疏梯度能力和利用历史梯度信息等特点，使用偏差校正后的一阶和二阶动量项来调整步长，并结合学习率控制参数更新的速度，Adam的学习参数更新误差公式为：
,
其中，为学习参数；为学习率；为一个非常小的常量。
步骤N7，使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。
模型训练平均精度为93.60%，测试平均精度为91.75%，其平均精度为92.68%，诊断模型的效果基本达到预期效果。
图3为图1中步骤S2的具体描述，是本发明实施例的一种规则推理引擎短期预警方法，该方法包括以下步骤：
步骤M1：从充电设备的边缘端监测设备获取实时故障数据，确定充电设备的故障分析结果，故障分析结果包括安全故障类型，安全故障类型包括：动力电池故障、直流充电设备故障以及配网故障。
动力电池故障主要有电池组容量降低、充电电压过高、电池组充不进电、放电电压低、自身放电放电功率大、局部高温、单体电压一致性差、电池打弧击穿、单体电池损坏等。
直流充电设备的故障现象主要有充电枪故障、充电机程序判别异常、BMS（BatteryManagement System，电池管理系统）报告异常、充电机内部通信故障、电压电流故障、与BMS通信终端故障、电子锁分合故障、过温故障、充电模块机械故障等。
交流充电设备的故障涉及到输入、输出、温度、机械等多个方面。
步骤M2，基于形式化建模语言DataLog定义预警规则，并将充电设备的故障分析结果转化为三元组数据。
具体地，基于高效的形式化建模语言DataLog进行预警规则的定义，以充电设备本体典型故障分析结果为数据源，将其转化为类似于规则填充部分的三元组形式并以文本的形式保存，作为事实部分输入推理引擎。
例如：交易订单247电量为450，则转化为三元组（交易订单247，电量，450）；
步骤M3：将预警规则与三元组数据输入规则推理引擎，采用前向推理引擎Leaps算法，确定充电设备的故障信息。
具体地，将预警规则与转换后的三元组数据输入推理引擎，推理出是否存在预警事实，同时采用并行技术中前向推理引擎Leaps算法实现高效推理。
其中，Leaps算法为并行算法，基于前向链式推理引擎，当一条规则的全部断言都被满足时，那么与该规则关联的三元组被选取，并且其关联的规则被执行。该循环一直进行下去直到没有可评估的规则为止。
步骤M4：基于规则集冲突消解原理进行规则的模式匹配，当发生一个事实与多个规则相匹配的情况时，使用冲突解决算法确定冲突规则的执行顺序。
例如，在Leaps算法冲突策略中，用于事实对象冲突策略有：先入先出策略，用于规则冲突策略有：1、规则优先级策略，即通过规则属性设置规则优先级；2、正条件元素数目策略，即正条件元素数目越多优先级越高；3、先入先出策略，越早置入议程的规则优先级越高。
步骤M5：将充电设备的故障信息存入数据库，故障信息用于调整和优化推理规则。
具体地，将推理出的充电设备故障信息实时传入数据库，增加系统及时反馈故障信息的能力，维护的历史数据有助于专家调整规则库中的规则，实现规则推理的可持续优化；
步骤M6：建立充电设备的关联设备故障相关性信息流模型，生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，挖掘出新的预警规则。
其中，信息流模型包括测试元素、故障隔离结论元素、可测试的输入元素、不可测试的输入元素和无故障的结论元素，在信息流模型中用表示第j个测试结果，各测试结果均为二值，若输出正常，则为“0”，反之为“1”，若测试结果为“0”和为“1”时获得的信息等价，则测试是对称的，故障隔离结论包括元件、组件的功能失效、非硬件故障，故障指示缺乏、数据输入异常，在模型中用表示故障隔离结论，当对应的故障发生时，为“1”，反之为“0”，新的预警规则满足：
,
其中，为第j个测试结果，j=1,…,N，N为测试总数，为故障隔离结论，i=1,…,M，M为故障隔离结论总数，∩表示逻辑“与”，表示如果同时满足所有的测试结果，那么可以获得相应的故障隔离结论；
其中，若矩阵FT中，多个故障隔离结论对应的行向量相等，则说明现有的测试无法区分这些故障隔离结论，这些故障隔离结论的集合称为模糊故障隔离结论组，简称模糊组；
若矩阵FT中，按照排列顺序，某个故障隔离结论对应的行向量是首次出现的，与其前面的行向量均不相同，则该故障隔离结论是“独立”的，该行向量为“独立”行向量。
示例性地，如图4所示，其中ti为故障序号，值为1表示故障，为0表示正常，共分为SOC（State of Charge，荷电状态）、过充过放、过温、自燃、通信、软件、机械、电气、配网等故障。针对信息流模型的关联关系生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，用于挖掘出新的预警规则，为多级设备一体化故障诊断优先级研究提供数据支撑。其中，多级设备故障相关性FT矩阵如表1所示。
表1
步骤M7：基于挖掘出的规则推理引擎进行短期预警，得到边缘端短期预警结果。
具体地，边缘端设备可以将充电设备的边缘端监测数据输入挖掘出的规则推理引擎，即可得到边缘端短期预警结果。
基于本发明实施例提供的云边协同的充电预警方法，可以面向电动汽车充电设备进行安全预警，利用充电设备边缘端获取充电实时数据，建立规则推理引擎进行短期预警；利用云端设备将边缘端的实时分析结果与云端历史数据相结合，采用门控循环神经网络进行中长期诊断分析，制定云边协同的充电安全运维策略，得到融合边缘端、云端的综合预警诊断结果；在此基础上，根据后续的运维工单对云边协同的安全预警方法进行迭代与优化，能够有效地为电动汽车充电设备的安全稳定运行提供有效安全预警服务。
上面结合图1-图4详细说明了本发明实施例提供的方法，下面结合图5和图6分别说明本发明实施例提供的云边协同的充电预警设备和电子设备。
示例性地，图5为本发明实施例还提供一种云边协同的充电预警设备的结构示意图。该云边协同的充电预警设备可以执行上述方法实施例所述的云边协同的充电预警方法。
如图5所示，本发明实施例提供一种云边协同的充电预警设备50，包括：
云端诊断单元510，用于根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；
边缘端预警单元520，用于根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；
云边协同安全运维单元530，用于基于边缘端短期预警结果和云端中长期诊断结果，确定云边协同安全运维策略；
输出单元540，用于基于云边协同安全运维策略输出云边协同预警诊断结果。
可选地，云端诊断单元510，还用于：
选取充电设备的云端故障表征参数、实时订单数据和用采数据；
对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量，线性归一化公式如下：
,
其中，为线性归一化之后的实时订单数据和用采数据，为线性归一化之前的实时订单数据和用采数据，为实时订单数据和用采数据中的最大值，为实时订单数据和用采数据中的最小值；
采用重心拉格朗日插值法对充电设备数据进行插值处理，重心拉格朗日插值法公式如下：
,
其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，为第j个订单数据或用采数据的时间维度的取值，为第j个订单数据或用采数据的已记录特征值的取值，为重心权重，为插值过程中，参与计算缺失特征值的订单数据或用采数据中已记录特征值的个数，；
将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型；
建立门控循环神经网络故障诊断模型，门控循环神经网络故障诊断模型中的各单元输入输出满足：
重置门，用来控制保留前一时刻的记忆，公式为：
,
其中，为t时刻的输入；为sigmoid激活函数；为t-1时刻的隐藏状态；为输入到隐藏层的权重；为隐藏层到隐藏层的权重；为输入到隐藏层的偏置；为隐藏层到隐藏层的偏置；
更新门公式为：
，
其中，为sigmoid激活函数；为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；和分别为输入到隐藏层的偏置、隐藏层到隐藏层的偏置；
候选隐藏层公式为：
，
其中，为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置；
t时刻的隐藏状态为：
,
其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零；
设计门控循环神经网络参数，隐藏层的节点个数公式为：
,
其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练门控循环神经网络故障诊断模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，为向下取整；
选取Adam算法优化，Adam算法优化器参数的一阶动量项公式为：
,
其中，m为一阶动量项，为一阶动量加权衰减系数，为门控循环神经网络的损失函数，为门控循环神经网络损失函数对应的隐藏层的权重，表示将右侧公式更新后的数值赋值给左侧变量m；
Adam算法优化器参数的二阶动量项公式为：
,
其中，g为二阶动量项，为二阶动量加权衰减系数；
修正一阶动量项的偏差公式为：
,
修正二阶动量项的偏差公式为：
,
Adam的学习参数更新误差公式为：
,
其中，为学习参数；为学习率；为一个非常小的常量；
使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。
可选地，边缘端预警单元520，还用于：
从充电设备的边缘端监测设备获取实时故障数据，确定充电设备的故障分析结果，故障分析结果包括安全故障类型，安全故障类型包括：动力电池故障、直流充电设备故障以及配网故障；
基于形式化建模语言DataLog定义预警规则，并将充电设备的故障分析结果转化为三元组数据；
将预警规则与三元组数据输入规则推理引擎，采用前向推理引擎Leaps算法，确定充电设备的故障信息；
基于规则集冲突消解原理进行规则的模式匹配，当发生一个事实与多个规则相匹配的情况时，使用冲突解决算法确定冲突规则的执行顺序；
将充电设备的故障信息存入数据库，故障信息用于调整和优化推理规则；
建立充电设备的关联设备故障相关性信息流模型，生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，挖掘出新的预警规则，关联设备故障相关性信息流模型包括测试元素、故障隔离结论元素、可测试的输入元素、不可测试的输入元素和无故障的结论元素，在关联设备故障相关性信息流模型中用表示第j个测试结果，各测试结果均为二值，若输出正常，则为“0”，反之为“1”，若测试结果为“0”和为“1”时获得的信息等价，则测试是对称的，故障隔离结论包括元件、组件的功能失效、非硬件故障，故障指示缺乏、数据输入异常，在模型中用表示故障隔离结论，当对应的故障发生时，为“1”，反之为“0”，新的预警规则满足：
,
其中，为第j个测试结果，j=1,…,N，N为测试总数，为故障隔离结论，i=1,…,M，M为故障隔离结论总数，∩表示逻辑“与”，表示如果同时满足所有的测试结果，那么获得相应的故障隔离结论；
其中，若矩阵FT中，多个故障隔离结论对应的行向量相等，则说明现有的测试无法区分这些故障隔离结论，这些故障隔离结论的集合称为模糊故障隔离结论组，简称模糊组；
若矩阵FT中，按照排列顺序，某个故障隔离结论对应的行向量是首次出现的，与其前面的行向量均不相同，则该故障隔离结论是“独立”的，该行向量为“独立”行向量；
基于挖掘出的规则推理引擎进行短期预警，得到边缘端短期预警结果。
可选地，云边协同安全运维单元530，还用于：
如果云端的门控循环神经网络故障诊断模型和边缘端的规则推理引擎都检测出故障，则认定为云服务和边缘端设备的安全预警一致，需要立即采取故障修复措施；或者，
如果云端的门控循环神经网络故障诊断模型检测出故障，而边缘端的规则推理引擎未检测出故障，则进行问题溯因分析，根据云端数据来源确定检测结果不一致的原因，检测结果不一致的原因包括模型参数不准确或者边缘端硬件故障；
如果边缘端的规则推理引擎检测出故障，而云端的门控循环神经网络故障诊断模型未检测出故障，则输出提示信息，提示信息用于提示进行现场实际探查，以确认故障情况。
可选地，输出单元540，还用于：
结合充电设备本地运维策略与远程运维策略，协同云边数据处理，综合分析输出预警诊断结果，预警诊断结果包括充电设施的故障类型、位置、紧急程度。
可选地，云边协同的充电预警设备50还包括：迭代和优化融合单元550，用于：
基于后续的运维工单迭代和优化融合算法，优化门控循环神经网络故障诊断模型和安全运维策略，具体包括：
根据运维工单中的实际问题和反馈，获取融合算法的评估结果，并根据评估结果，对门控循环神经网络故障诊断模型参数、推理规则、数据采集策略进行调整和优化。
示例性地，图6为本发明实施例提供的一种电子设备的结构示意图。
如图6所示，该电子设备60包括：处理器610，处理器610与存储器620耦合；
其中，处理器610，用于读取并执行存储器620存储的程序或指令，使得该电子设备60执行如上述方法实施例所述的方法。
可选地，电子设备60还可以包括收发器630，用于电子设备60与其他设备通信。
需要说明的是，为了便于说明，图5和图6仅分别示出了云边协同的充电预警设备50和电子设备60的主要部件。实际应用中，云边的协同充电预警设备50和电子设备60还可能包括图中未示出的部件或组件。
本发明实施例还提供一种计算机可读存储介质，该介质存储有程序或指令，当计算机读取并执行程序或指令时，使得计算机执行上述方法实施例所述的方法。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种云边协同的充电预警方法，其特征在于，包括：
根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；
根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；
基于所述边缘端短期预警结果和所述云端中长期诊断结果，确定云边协同安全运维策略；
基于所述云边协同安全运维策略输出云边协同预警诊断结果。
2.根据权利要求1所述的云边协同的充电预警方法，其特征在于，所述根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果，包括：
选取充电设备的云端故障表征参数、实时订单数据和用采数据；
对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量，线性归一化公式如下：
,
其中，为线性归一化之后的实时订单数据和用采数据，为线性归一化之前的实时订单数据和用采数据，为实时订单数据和用采数据中的最大值，为实时订单数据和用采数据中的最小值；
采用重心拉格朗日插值法对充电设备数据进行插值处理，重心拉格朗日插值法公式如下：
,
其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，为第j个订单数据或用采数据的时间维度的取值，为第j个订单数据或用采数据的已记录特征值的取值，为重心权重，为插值过程中，参与计算缺失特征值的订单数据或用采数据中已记录特征值的个数，；
将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型；
建立门控循环神经网络故障诊断模型，门控循环神经网络故障诊断模型中的各单元输入输出满足：
重置门，用来控制保留前一时刻的记忆，公式为：
,
其中，为t时刻的输入；为sigmoid激活函数；为t-1时刻的隐藏状态；为输入到隐藏层的权重；为隐藏层到隐藏层的权重；为输入到隐藏层的偏置；为隐藏层到隐藏层的偏置；
更新门公式为：
，
其中，为sigmoid激活函数；为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；和分别为输入到隐藏层的偏置、隐藏层到隐藏层的偏置；
候选隐藏层公式为：
，
其中，为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置；
t时刻的隐藏状态为：
,
其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零；
设计门控循环神经网络参数，隐藏层的节点个数公式为：
,
其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练门控循环神经网络故障诊断模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，为向下取整；
选取Adam算法优化，Adam算法优化器参数的一阶动量项公式为：
,
其中，m为一阶动量项，为一阶动量加权衰减系数，为门控循环神经网络的损失函数，为门控循环神经网络损失函数对应的隐藏层的权重，表示将右侧公式更新后的数值赋值给左侧变量m；
Adam算法优化器参数的二阶动量项公式为：
,
其中，g为二阶动量项，为二阶动量加权衰减系数；
修正一阶动量项的偏差公式为：
,
修正二阶动量项的偏差公式为：
,
Adam的学习参数更新误差公式为：
,
其中，为学习参数；为学习率；为一个非常小的常量；
使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。
3.根据权利要求2所述的云边协同的充电预警方法，其特征在于，所述根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果，包括：
从充电设备的边缘端监测设备获取实时故障数据，确定充电设备的故障分析结果，所述故障分析结果包括安全故障类型，所述安全故障类型包括：动力电池故障、直流充电设备故障以及配网故障；
基于形式化建模语言DataLog定义预警规则，并将充电设备的故障分析结果转化为三元组数据；
将所述预警规则与所述三元组数据输入所述规则推理引擎，采用前向推理引擎Leaps算法，确定充电设备的故障信息；
基于规则集冲突消解原理进行规则的模式匹配，当发生一个事实与多个规则相匹配的情况时，使用冲突解决算法确定冲突规则的执行顺序；
将充电设备的故障信息存入数据库，所述故障信息用于调整和优化推理规则；
建立充电设备的关联设备故障相关性信息流模型，生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，挖掘出新的预警规则，所述关联设备故障相关性信息流模型包括测试元素、故障隔离结论元素、可测试的输入元素、不可测试的输入元素和无故障的结论元素，在所述关联设备故障相关性信息流模型中用表示第j个测试结果，各测试结果均为二值，若输出正常，则为“0”，反之为“1”，若测试结果为“0”和为“1”时获得的信息等价，则测试是对称的，故障隔离结论包括元件、组件的功能失效、非硬件故障，故障指示缺乏、数据输入异常，在模型中用表示故障隔离结论，当对应的故障发生时，为“1”，反之为“0”，所述新的预警规则满足：
,
其中，为第j个测试结果，j=1,…,N，N为测试总数，为故障隔离结论，i=1,…,M，M为故障隔离结论总数，∩表示逻辑“与”，表示如果同时满足所有的测试结果，那么获得相应的故障隔离结论；
其中，若矩阵FT中，多个故障隔离结论对应的行向量相等，则说明现有的测试无法区分这些故障隔离结论，这些故障隔离结论的集合称为模糊故障隔离结论组，简称模糊组；
若矩阵FT中，按照排列顺序，某个故障隔离结论对应的行向量是首次出现的，与其前面的行向量均不相同，则该故障隔离结论是“独立”的，该行向量为“独立”行向量；
基于挖掘出的规则推理引擎进行短期预警，得到边缘端短期预警结果。
4.根据权利要求3所述的云边协同的充电预警方法，其特征在于，所述基于所述边缘端短期预警结果和所述云端中长期诊断结果，确定云边协同安全运维策略，包括：
如果云端的门控循环神经网络故障诊断模型和边缘端的规则推理引擎都检测出故障，则认定为云服务和边缘端设备的安全预警一致，需要立即采取故障修复措施；或者，
如果云端的门控循环神经网络故障诊断模型检测出故障，而边缘端的规则推理引擎未检测出故障，则进行问题溯因分析，根据云端数据来源确定检测结果不一致的原因，检测结果不一致的原因包括模型参数不准确或者边缘端硬件故障；
如果边缘端的规则推理引擎检测出故障，而云端的门控循环神经网络故障诊断模型未检测出故障，则输出提示信息，所述提示信息用于提示进行现场实际探查，以确认故障情况。
5.根据权利要求4所述的云边协同的充电预警方法，其特征在于，所述基于所述云边协同安全运维策略输出云边协同预警诊断结果，包括：
结合充电设备本地运维策略与远程运维策略，协同云边数据处理，综合分析输出预警诊断结果，所述预警诊断结果包括充电设施的故障类型、位置、紧急程度。
6.一种云边协同的充电预警设备，其特征在于，包括：
云端诊断单元，用于根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；
边缘端预警单元，用于根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；
云边协同安全运维单元，用于基于所述边缘端短期预警结果和所述云端中长期诊断结果，确定云边协同安全运维策略；
输出单元，用于基于所述云边协同安全运维策略输出云边协同预警诊断结果。
7.根据权利要求6所述的云边协同的充电预警设备，其特征在于，云端诊断单元，还用于：
选取充电设备的云端故障表征参数、实时订单数据和用采数据；
对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量，线性归一化公式如下：
,
其中，为线性归一化之后的实时订单数据和用采数据，为线性归一化之前的实时订单数据和用采数据，为实时订单数据和用采数据中的最大值，为实时订单数据和用采数据中的最小值；
采用重心拉格朗日插值法对充电设备数据进行插值处理，重心拉格朗日插值法公式如下：
,
其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，为第j个订单数据或用采数据的时间维度的取值，为第j个订单数据或用采数据的已记录特征值的取值，为重心权重，为插值过程中，参与计算缺失特征值的订单数据或用采数据中已记录特征值的个数，；
将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型；
建立门控循环神经网络故障诊断模型，门控循环神经网络故障诊断模型中的各单元输入输出满足：
重置门，用来控制保留前一时刻的记忆，公式为：
,
其中，为t时刻的输入；为sigmoid激活函数；为t-1时刻的隐藏状态；为输入到隐藏层的权重；为隐藏层到隐藏层的权重；为输入到隐藏层的偏置；为隐藏层到隐藏层的偏置；
更新门公式为：
，
其中，为sigmoid激活函数；为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；和分别为输入到隐藏层的偏置、隐藏层到隐藏层的偏置；
候选隐藏层公式为：
，
其中，为上一个时间步的隐藏状态；为当前时间步的输入；为输入到隐藏层的权重，为隐藏层到隐藏层的权重；为输入到隐藏层的偏置，为隐藏层到隐藏层的偏置；
t时刻的隐藏状态为：
,
其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零；
设计门控循环神经网络参数，隐藏层的节点个数公式为：
,
其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练门控循环神经网络故障诊断模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，为向下取整；
选取Adam算法优化，Adam算法优化器参数的一阶动量项公式为：
,
其中，m为一阶动量项，为一阶动量加权衰减系数，为门控循环神经网络的损失函数，为门控循环神经网络损失函数对应的隐藏层的权重，表示将右侧公式更新后的数值赋值给左侧变量m；
Adam算法优化器参数的二阶动量项公式为：
,
其中，g为二阶动量项，为二阶动量加权衰减系数；
修正一阶动量项的偏差公式为：
,
修正二阶动量项的偏差公式为：
,
Adam的学习参数更新误差公式为：
,
其中，为学习参数；为学习率；为一个非常小的常量；
使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。
8.根据权利要求7所述的云边协同的充电预警设备，其特征在于，边缘端预警单元，还用于：
从充电设备的边缘端监测设备获取实时故障数据，确定充电设备的故障分析结果，所述故障分析结果包括安全故障类型，所述安全故障类型包括：动力电池故障、直流充电设备故障以及配网故障；
基于形式化建模语言DataLog定义预警规则，并将充电设备的故障分析结果转化为三元组数据；
将所述预警规则与所述三元组数据输入所述规则推理引擎，采用前向推理引擎Leaps算法，确定充电设备的故障信息；
基于规则集冲突消解原理进行规则的模式匹配，当发生一个事实与多个规则相匹配的情况时，使用冲突解决算法确定冲突规则的执行顺序；
将充电设备的故障信息存入数据库，所述故障信息用于调整和优化推理规则；
建立充电设备的关联设备故障相关性信息流模型，生成多级设备故障隔离结论与测试关系相关性布尔矩阵，记作FT，挖掘出新的预警规则，所述关联设备故障相关性信息流模型包括测试元素、故障隔离结论元素、可测试的输入元素、不可测试的输入元素和无故障的结论元素，在所述关联设备故障相关性信息流模型中用表示第j个测试结果，各测试结果均为二值，若输出正常，则为“0”，反之为“1”，若测试结果为“0”和为“1”时获得的信息等价，则测试是对称的，故障隔离结论包括元件、组件的功能失效、非硬件故障，故障指示缺乏、数据输入异常，在模型中用表示故障隔离结论，当对应的故障发生时，为“1”，反之为“0”，所述新的预警规则满足：
,
其中，为第j个测试结果，j=1,…,N，N为测试总数，为故障隔离结论，i=1,…,M，M为故障隔离结论总数，∩表示逻辑“与”，表示如果同时满足所有的测试结果，那么获得相应的故障隔离结论；
其中，若矩阵FT中，多个故障隔离结论对应的行向量相等，则说明现有的测试无法区分这些故障隔离结论，这些故障隔离结论的集合称为模糊故障隔离结论组，简称模糊组；
若矩阵FT中，按照排列顺序，某个故障隔离结论对应的行向量是首次出现的，与其前面的行向量均不相同，则该故障隔离结论是“独立”的，该行向量为“独立”行向量；
基于挖掘出的规则推理引擎进行短期预警，得到边缘端短期预警结果。
9.根据权利要求8所述的云边协同的充电预警设备，其特征在于，云边协同安全运维单元，还用于：
如果云端的门控循环神经网络故障诊断模型和边缘端的规则推理引擎都检测出故障，则认定为云服务和边缘端设备的安全预警一致，需要立即采取故障修复措施；或者，
如果云端的门控循环神经网络故障诊断模型检测出故障，而边缘端的规则推理引擎未检测出故障，则进行问题溯因分析，根据云端数据来源确定检测结果不一致的原因，检测结果不一致的原因包括模型参数不准确或者边缘端硬件故障；
如果边缘端的规则推理引擎检测出故障，而云端的门控循环神经网络故障诊断模型未检测出故障，则输出提示信息，所述提示信息用于提示进行现场实际探查，以确认故障情况。
10.根据权利要求9所述的云边协同的充电预警设备，其特征在于，输出单元，还用于：
结合充电设备本地运维策略与远程运维策略，协同云边数据处理，综合分析输出预警诊断结果，所述预警诊断结果包括充电设施的故障类型、位置、紧急程度。
11.一种电子设备，其特征在于，包括：处理器，所述处理器与存储器耦合；
其中，所述处理器，用于读取并执行所述存储器存储的程序或指令，使得所述电子设备执行如权利要求1-5中任一项所述的云边协同的充电预警方法。
12.一种计算机可读存储介质，其特征在于，存储有程序或指令，当计算机读取并执行所述程序或指令时，使得所述计算机执行如权利要求1-5中任一项所述的云边协同的充电预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311785253.XA CN117445735B (zh) | 2023-12-25 | 2023-12-25 | 云边协同的充电预警方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311785253.XA CN117445735B (zh) | 2023-12-25 | 2023-12-25 | 云边协同的充电预警方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117445735A true CN117445735A (zh) | 2024-01-26 |
| CN117445735B CN117445735B (zh) | 2024-03-19 |
Family
ID=89580315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311785253.XA Active CN117445735B (zh) | 2023-12-25 | 2023-12-25 | 云边协同的充电预警方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117445735B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118033465A (zh) * | 2024-04-09 | 2024-05-14 | 北汽福田汽车股份有限公司 | 电池自放电异常识别方法、装置、车辆及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190042870A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain convolutional neural network |
| US20210056412A1 (en) * | 2019-08-20 | 2021-02-25 | Lg Electronics Inc. | Generating training and validation data for machine learning |
| US20220187894A1 (en) * | 2019-12-11 | 2022-06-16 | Chongqing University Of Posts And Telecommunications | Factory power management and control system and method based on edge-cloud coordination |
| CN116482536A (zh) * | 2023-01-30 | 2023-07-25 | 吉林大学 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
| CN116890689A (zh) * | 2023-09-08 | 2023-10-17 | 深圳市瑞凯诺科技有限公司 | 基于车辆识别的充电控制方法、装置、设备及存储介质 |
-
2023
- 2023-12-25 CN CN202311785253.XA patent/CN117445735B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190042870A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain convolutional neural network |
| US20210056412A1 (en) * | 2019-08-20 | 2021-02-25 | Lg Electronics Inc. | Generating training and validation data for machine learning |
| US20220187894A1 (en) * | 2019-12-11 | 2022-06-16 | Chongqing University Of Posts And Telecommunications | Factory power management and control system and method based on edge-cloud coordination |
| CN116482536A (zh) * | 2023-01-30 | 2023-07-25 | 吉林大学 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
| CN116890689A (zh) * | 2023-09-08 | 2023-10-17 | 深圳市瑞凯诺科技有限公司 | 基于车辆识别的充电控制方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈雄姿;于劲松;唐荻音;王英勋;: "基于贝叶斯LS-SVR的锂电池剩余寿命概率性预测", 航空学报, no. 09, 23 April 2013 (2013-04-23) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118033465A (zh) * | 2024-04-09 | 2024-05-14 | 北汽福田汽车股份有限公司 | 电池自放电异常识别方法、装置、车辆及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117445735B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| James et al. | Intelligent time-adaptive transient stability assessment system | |
| Liu et al. | A Bayesian learning based scheme for online dynamic security assessment and preventive control | |
| CN117445735B (zh) | 云边协同的充电预警方法、设备及介质 | |
| Kim et al. | A novel prognostics approach using shifting kernel particle filter of Li-ion batteries under state changes | |
| Yu | Health degradation detection and monitoring of lithium-ion battery based on adaptive learning method | |
| Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
| CN111652310B (zh) | 基于Bagging框架SVM继电器贮存寿命预测方法 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| Shang et al. | Research progress in fault detection of battery systems: A review | |
| CN110175682A (zh) | 一种基于混沌粒子群的优化核主元分析故障监测方法 | |
| Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
| Savargaonkar et al. | A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells | |
| Ke et al. | State of health estimation of lithium ion battery with uncertainty quantification based on Bayesian deep learning | |
| Lu et al. | A novel method of prediction for capacity and remaining useful life of lithium-ion battery based on multi-time scale Weibull accelerated failure time regression | |
| Ganjkhani et al. | Multi-Source Data Aggregation and Real-time Anomaly Classification and Localization in Power Distribution Systems | |
| Raghuvamsi et al. | A review on distribution system state estimation uncertainty issues using deep learning approaches | |
| Shan et al. | Review of Various Machine Learning Approaches for Predicting Parameters of Lithium-Ion Batteries in Electric Vehicles | |
| Zhao et al. | Bayesian network based imprecise probability estimation method for wind power ramp events | |
| Dang et al. | Differential Equation-Informed Neural Networks for State of Charge Estimation | |
| Cheng et al. | A prognostic framework for PEMFC based on least squares support vector regression-particle filter | |
| Afrasiabi et al. | Power System Transient Security Assessment using Unsupervised Probabilistic Deep Bayesian Neural Network | |
| Khan et al. | Outliers detection and repairing technique for measurement data in the distribution system | |
| Mao et al. | A Method of Embedded Computer Degradation Trend Prediction | |
| Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |