本发明专利技术属于电网信息化领域，具体为基于BP神经网络的充电设备故障率分析系统和方法，其系统包括数据预处理模块、指标体系构建模块、模型构建模块和分析决策模块。数据预处理模块对从车联网平台导出的数据进行预处理；指标体系构建模块从多个维度全面构造影响充电设备故障率的指标，形成充电设备故障率分析指标体系；模型构建模块根据故障率分析指标体系构建充电设备的多维度宽表数据，构建并训练BP神经网络模型对充电设备故障率进行预测；分析决策模块多维度分析影响充电设备故障率的因素，为决策提供数据支撑。本发明专利技术能充分利用充电设备运行的多维度信息，对充电设备故障率进行全面有效预测，为提高设备投资收益率提供了有效的支撑。支撑。支撑。
【技术实现步骤摘要】
基于BP神经网络的充电设备故障率分析系统和方法
[0001]本专利技术属于电网信息化领域，具体为基于BP神经网络的充电设备故障率分析系统和方法。
技术介绍
[0002]目前能源与环境已成为当前全球最为关注的问题，随着“碳达峰”与“碳中和”新业态的发展，传统燃油汽车作为消耗石油资源和污染环境的大户，正在不断受到新型清洁能源汽车的冲击。电动汽车以电代油，能够实现“零排放”与“低噪音”，是缓解石油资源紧张、城市大气污染严重问题的重要手段，是推进交通发展模式转变的有效载体。
[0003]目前电动汽车研发力度持续加大，在发展电动汽车的同时，还要兼顾充电设施的发展。建设电动汽车充电站，实现电动汽车与电网间能量转换，是推动电动汽车产业发展的基础。面向需求，政府提出了“新基建”战略目标，其中充电桩作为电动汽车的“加油站”，是“新基建”的重要领域之一。
[0004]随着充电桩数量的迅速提升，充电设备的运行状态监测成为了不得不重点关注的问题，通过采集已运行充电桩的相关数据，并对其进行数据整理、筛选、汇总后，在获取数据的基础上运用数据统计分析计算方法结合具体业务建立相应指标体系，建立监测分析模型、预测模型，分析预测充电设备故障率，全面剖析影响充电桩稳定运行的异常因素，为提高设备运行效率以及向用户提供更好的充电服务和发展具有重要意义。然而，目前在充电设备故障率分析预测领域研究还处于起步阶段，现有技术大多是基于单一设备运行数据进行设备故障分析与预测，未能充分利用充电设备的多维度信息，无法对充电换设备故障及引起故障因素进行全面感知，亟需相关研究来填补空白。
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供基于BP神经网络的充电设备故障率分析系统，以解决现有技术中大多是基于单一硬件设备运行数据进行相应的故障识别与预测，未能充分利用充电设备运行的多维度信息，无法对充电设备故障率进行全面有效预测，无法准确分析设备故障率的真实原因，导致设备故障率较高且服务质量不佳的问题，在充电交易中提升了设备使用效率，减少设备故障率和客户投诉，提高设备投资收益率。
[0006]本专利技术的另一目的是提供基于BP神经网络的充电设备故障率分析方法。
[0007]本专利技术基于BP神经网络的充电设备故障率分析系统，包括：
[0008]数据预处理模块，用于对从车联网平台导出的相关数据进行预处理；
[0009]指标体系构建模块，用于根据数据预处理模块的预处理结果，将充电设备故障率与实际业务场景相联系，根据业务实际情况从多个维度全面构造影响充电设备故障率的指标，形成充电设备故障率分析指标体系；
[0010]模型构建模块，用于根据故障率分析指标体系构建充电设备的多维度宽表数据，构建并训练BP神经网络模型对充电设备故障率进行预测，得到充电设备故障率的预测结
果。
[0011]在优先的实施例中，本专利技术的充电设备故障率分析系统还包括：
[0012]分析决策模块，用于根据BP神经网络模型预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。
[0013]在本专利技术优选的分析系统中，指标体系构建模块将结合充电设备的基础属性、设备属性、自身属性、时间特性多个维度构建衍生指标；所构建的故障率分析指标体系，其数据维度包括：地理位置、设备投运年限、天气因素、充电站类型、生产厂家、节假日及统计指标，并通过对设备投运年限进行统计分析后按照其数据分布特征对投运年限进行模糊处理，对充电站按照充电站类型进行模糊处理。BP神经网络模型包括输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，输入层节点数与故障率分析指标体系中数据维度一致，隐含层的神经元个数采用遍历方法同时根据测试集和训练集的均方误差来确定，输出节点数为1。
[0014]本专利技术基于BP神经网络的充电设备故障率分析方法，包括以下步骤：
[0015]S1、对从车联网平台导出的充电桩信息、充电桩维修等数据进行预处理，包括数据清洗、数据规约、数据缺失值填补、数据错误格式修改；
[0016]S2、根据预处理结果，将充电设备故障率与具体业务过程相联系，根据业务实际情况结合数据统计分析方法构造全面刻画影响充电设备故障率的各项指标，并形成充电设备故障率分析指标体系；
[0017]S3、根据充电设备故障率分析指标体系构建对应的多维度宽表数据，构建BP神经网络模型对充电设备故障率进行预测。
[0018]在优先的实施例中，本专利技术充电设备故障率分析方法还包括以下步骤：
[0019]S4、根据BP神经网络模型的预测结果，即预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。
[0020]优选地，步骤S3构建的BP神经网络模型包括输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，输入层节点数与故障率分析指标体系中数据维度一致，隐含层的神经元个数采用遍历方法同时根据测试集和训练集的均方误差来确定，输出节点数为1。
[0021]进一步优选地，BP神经网络模型的网络结构大小为(d,q,l)，其中d为输入层节点数，q为隐含层节点数，l为输出层节点数；BP神经网络模型的构建过程，包括以下步骤：
[0022]步骤301、构建宽表数据与充电设备故障率对应关系的样本数据，并对样本数据进行归一化处理，形成故障率样本集，并将故障率样本集按照比例划分为训练集与测试集，其中训练集x
k
∈R
n
,y
k
∈R，(x
k
,y
k
)为输入训练样本，m为样本总数，R表示实数空间；
[0023]步骤302、分别给定不同的隐含层节点数q来确定不同的网络结构，对不同隐含层节点数的网络分别进行步骤303
‑
308；
[0024]步骤303、设置各网络各权值和阈值进行初始化，
[0025](1)计算缩放因子：
[0026](2)初始化任一层的权值ω
ij
为[
‑
0.5,0.5]之间的随机值；
[0027](3)重新初始化权值ω
ij
：
[0028][0029](4)对隐含层的第i个神经元，设置偏置为一个[
‑
ω
ij
,ω
ij
]之间的随机值；
[0030]设定激活函数f，隐含层与输出层的神经元均使用Sigmoid函数；
[0031]步骤304、将故障率对应的多维宽表数据作为神经网络的输入，经隐含层、输出层加权处理后获得输出数据并计算期望输出的误差平方和；
[0032]步骤305、计算隐含层、输出层各层间权值和阈值的梯度项；
[0033]步骤306、修正隐含层、输出层各层间的权值和阈值；
...
【技术保护点】
【技术特征摘要】
1.基于BP神经网络的充电设备故障率分析系统，其特征在于，包括：数据预处理模块，用于对从车联网平台导出的相关数据进行预处理；指标体系构建模块，用于根据数据预处理模块的预处理结果，将充电设备故障率与实际业务场景相联系，根据业务实际情况从多个维度全面构造影响充电设备故障率的指标，形成充电设备故障率分析指标体系；模型构建模块，用于根据故障率分析指标体系构建充电设备的多维度宽表数据，构建并训练BP神经网络模型对充电设备故障率进行预测，得到充电设备故障率的预测结果。2.根据权利要求1所述的充电设备故障率分析系统，其特征在于，还包括：分析决策模块，用于根据BP神经网络模型预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。3.根据权利要求1所述的充电设备故障率分析系统，其特征在于，充电设备故障率定义为：将交易结束原因中的异常掉电、充电设备故障、TCU故障或BMS通信异常故障定义为故障，同时将故障次数除以总交易次数定义为充电设备故障率。4.根据权利要求1所述的充电设备故障率分析系统，其特征在于，指标体系构建模块将结合充电设备的基础属性、设备属性、自身属性、时间特性多个维度构建衍生指标；所构建的故障率分析指标体系，其数据维度包括：地理位置、设备投运年限、天气因素、充电站类型、生产厂家、节假日及统计指标，并通过对设备投运年限进行统计分析后按照其数据分布特征对投运年限进行模糊处理，对充电站按照充电站类型进行模糊处理。5.根据权利要求1所述的充电设备故障率分析系统，其特征在于，BP神经网络模型包括输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，输入层节点数与故障率分析指标体系中数据维度一致，隐含层的神经元个数采用遍历方法同时根据测试集和训练集的均方误差来确定，输出节点数为1。6.基于BP神经网络的充电设备故障率分析方法，其特征在于，包括以下步骤：S1、对从车联网平台导出的充电桩信息、充电桩维修等数据进行预处理，包括数据清洗、数据规约、数据缺失值填补、数据错误格式修改；S2、根据预处理结果，将充电设备故障率与具体业务过程相联系，根据业务实际情况结合数据统计分析方法构造全面刻画影响充电设备故障率的各项指标，形成充电设备故障率分析指标体系；S3、根据充电设备故障率分析指标体系构建对应的多维度宽表数据，构建BP神经网络模型对充电设备故障率进行预测。7.根据权利要求6所述的充电设备故障率分析方法，其特征在于，还包括以下步骤：S4、根据BP神经网络模型的预测结果，即预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。...
【专利技术属性】
技术研发人员：李慧慧，卢亚楠，孙铁城，宋贵元，
申请(专利权)人：佰聆数据股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。