基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法技术

本发明专利技术提出一种基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法，解决了充电桩故障检测效率低、精度低的问题。首先，通过获取充电桩的相关历史典型故障数据、信息参数和运行环境等运行状态数据，分析故障桩的影响因素并确定充电桩运行状态的关键指标量，再对关键指标量进行量化量级分析处理，利用改进的层次分析法确定关键指标量的权重，搭建一种CNN和LSTM混合网络架构，利用CNN和LSTM混合网络对训练样本进行训练，并结合测试样本调整相关参数，提升分类准确率。本发明专利技术模型效率高，实用性强。性强。性强。

【技术实现步骤摘要】
基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法


[0001]本专利技术涉及电动汽车
，特别涉及一种基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法。

技术介绍

[0002]推广使用新能源汽车，尤其是电动汽车，是我国当前节能减排、推动产业升级和实现经济转型的必然选择。充电设施是新能源汽车发展的重要基础，充电设施配套率是影响新能源汽车发展的重点因素之一。然而，在充电桩运维运营中广泛存在故障类型辨识速度慢、运维周期长等问题，导致整体利用率不到10％。充电桩故障检测系统是目前电动汽车服务系统中最核心的环节，是决定服务质量好坏的决定性因素。为保障充电市场健康发展，亟需深入研究充电桩故障辨识技术，建立充电桩运行状态评价体系，为充电桩运维提供技术指导，快速定位充电桩故障，提高检修效率。
[0003]故障检测方法大多基于经验判断，目前通过深度学习技术识别的方法很少。已经提出了充电桩的有限故障检测，早期的方法是通过人工检测和建立分析模型来检测故障。这些方法和模型在一定程度上可以判断充电桩故障，但判断准确率不高。同样，随着充电桩数量的增加和设备系统的日益复杂，上述方法也难以检测故障。因此，需要更有效的方法来进行故障检测。
[0004]人工智能和机器学习得到广泛应用，也成为研究热点。这种使用神经网络学习特征和分类的方法在模式识别、图像分类等许多领域取得了非常好的效果。其中，卷积神经网络(Convolution neural network，下文简称“CNN”)是前馈神经网络的一种变体，由LeCun等人首先提出，它具有特征提取的优势并成为解决分类问题的强大模型。在过去的二十年中，CNN已成功用于解决许多研究领域的分类问题，其优势在于它能够捕获输入数据中特征的局部依赖性。长短期记忆网络(Long short term memory，下文简称“LSTM”)是循环神经网络(Recurrent neural network，下文简称“RNN”)的变体。它自从专利技术以来，已广泛用于时间序列预测，解决RNN学习过程中反向传播长时间滞后导致梯度爆炸或减小的问题，并被证明在长期和短期预测中表现良好。

技术实现思路

[0005]本专利技术的目的是：快速预测与定位充电桩故障，提高检修效率。
[0006]为了达到上述目的，本专利技术的技术方案是提供了一种基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法，其特征在于，包括以下步骤：
[0007]S1、建立充电桩运行状态指标体系
[0008]充电桩运行状态由表征充电桩性能参量的优劣情况反应出来，分为正常状态、一般缺陷状态、严重缺陷状态和危急状态，对应的状态集为V＝{v1，v2，v3，v4}，其中：v1为正常状态、v2为一般缺陷状态、v3为严重缺陷状态、v4为危急状态；
[0009]S2、对于充电桩的状态信息数据，建立充电桩运行状态指标权重
[0010]步骤1、确定比较矩阵：对于n个状态指标，首先两两比较各个状态指标的重要程度，形成比较矩阵X：
[0011][0012]式(1)中，X
ij
表示第i个状态指标与第j个状态指标的重要程度比较结果，i＝1，2，...，n，j＝1，2，...，n；
[0013]步骤2、确定排序数：解出第i个状态指标和n个状态指标的比较结果，并进行求和，得到第i个状态指标的排序指数b
i
：
[0014][0015]步骤3、确定评判矩阵Y：由排序数求解评判矩阵中的每个元素，其中第i行第j列的元素y
ij
由下式(3)计算：
[0016][0017]式(3)中，b
max
＝max(b
i
)，b
min
＝min(b
i
)，
[0018]根据计算得到的评判矩阵Y构造拟优一致矩阵Y
′
，拟优一致矩阵Y
′
中的第i行第j列的元素y
ij
′
由下式(4)、(5)计算
[0019][0020]d
ij
＝InY
ij
ꢀꢀꢀ
(5)
[0021]S3、建立并训练CNN和LSTM混合网络，选取充电桩关键指标量的运行时间的隶属度为输入，由CNN和LSTM混合网络输出下一时刻所要预测的状态信度区间，由CNN提取充电桩运行指标的特征属性，再通过LSTM将CNN提取的特征属性与时间相关联，作为预测的工具。
[0022]优选的，步骤S1中，v1为正常状态，表示充电桩设备运行稳定，充电桩的所有状态参量符合标准；v2为一般缺陷状态，表示充电桩设备可以运行，但充电桩的部分参量变化趋势朝接近预警值的方向发展，且还没有超过预警值；v3为严重缺陷状态，表示充电桩的部分特征参量变化较大，已接近标准限值，或有部分一般参量已经超过标准值，表现为一个或多个缺陷，应监视运行，并尽快安排停电检修；v4为危急状态，表示充电桩的部分状态参量已经超过预警值，表现为一个或多个危急故障，必须立即进行停电检修。
[0023]优选的，步骤s2中，充电桩的状态信息数据包括通用选型配置、关键部件质量、运行环境和其他评价。
[0024]本专利技术提出一种基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法，
解决了充电桩故障检测效率低、精度低的问题。首先，通过获取充电桩的相关历史典型故障数据、信息参数和运行环境等运行状态数据，分析故障桩的影响因素并确定充电桩运行状态的关键指标量，再对关键指标量进行量化量级分析处理，利用改进的层次分析法确定关键指标量的权重，搭建一种CNN和LSTM混合网络架构，CNN网络主要对充电桩运行状态的关键指标进行特征挖掘和提取，LSTM网络将关键特征量与时间维度相关联，利用CNN和LSTM混合网络对训练样本进行训练.并结合测试样本调整相关参数，提升分类准确率最后，使用MAE和RMSE来验证模型性能。同时，使用模型准确率来验证分类的准确性。实验结果表明，该模型效率高，实用性强。
附图说明
[0025]图1为充电桩运行状态信息模型；
[0026]图2为LSTM的基本结构；
[0027]图3为CNN和LSTM混合网络的基本结构；
[0028]图4为一种基于CNN和LSTM混合网络的充电桩状态预测架构。
具体实施方式
[0029]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0030]本专利技术提供了一种基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法，包括以下步骤：
[0031]S1、建立充电桩运行状态指标体系
[0032]充电桩运行状态由表征充电桩性能参量的优劣情况反应出来，可分为正常状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法，其特征在于，包括以下步骤：S1、建立充电桩运行状态指标体系充电桩运行状态由表征充电桩性能参量的优劣情况反应出来，分为正常状态、一般缺陷状态、严重缺陷状态和危急状态，对应的状态集为V＝{v1,v2,v3,v4}，其中：v1为正常状态、v2为一般缺陷状态、v3为严重缺陷状态、v4为危急状态；S2、对于充电桩的状态信息数据，建立充电桩运行状态指标权重步骤1、确定比较矩阵：对于n个状态指标，首先两两比较各个状态指标的重要程度，形成比较矩阵X：式(1)中，X
ij
表示第i个状态指标与第j个状态指标的重要程度比较结果，i＝1,2,...,n，j＝1,2,...,n；步骤2、确定排序数：解出第i个状态指标和n个状态指标的比较结果，并进行求和，得到第i个状态指标的排序指数b
i
：步骤3、确定评判矩阵Y：由排序数求解评判矩阵中的每个元素，其中第i行第j列的元素y
ij
由下式(3)计算：式(3)中，b
max
＝max(b
i
)，b
min
＝min(b
i
)，根据计算得到的评判矩阵Y构造拟优一致矩阵Y'，拟优一致矩阵Y'中的第i行第j列的元...

【专利技术属性】
技术研发人员：甄昊涵，吴丹，钱勇生，俞磊，陈海宾，雷珽，李樵，郑陆海，郭鑫鑫，李新强，王爱国，
申请(专利权)人：上海电器科学研究所集团有限公司上海电器科学研究院上海电器设备检测所有限公司上海添唯认证技术有限公司，
类型：发明
国别省市：