一种基于深度学习的充电设施故障检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的充电设施故障检测方法及系统，包括以下步骤：S1、对电动汽车充电设备的运行状态数据进行分析，并进行预处理，获得数据集；S2、将数据集划分为训练集、验证集以及测试集；S3、建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练；S4、使用验证集和测试集对故障诊断模型的性能进行评估；S5、将充电设备的运行状态数据输入满足要求的充电设备故障诊断模型，得到诊断结果。本发明专利技术解决了智能电能表计量准确性问题，且精确、高效的检测充电设备，减少时间和财力成本的消耗，提高管理工作效率。率。率。

【技术实现步骤摘要】
一种基于深度学习的充电设施故障检测方法及系统


[0001]本专利技术涉及故障诊断
，特别是涉及一种基于深度学习的充电设施故障检测方法及系统。

技术介绍

[0002]随着新能源的发展和我国大规模充电桩基础设施的“新基建”建设步伐的加速，近年来我国新能源汽车充电桩增速较快，数量在可预见的未来将急剧增加。影响电能贸易结算与计量公平性的电动汽车充电桩计量准确性已然成为了与人民群众生活息息相关而又急需解决的问题。
[0003]目前国内外虽均已有相关检定规程及标准，但规模化检测、充电站整体检测能力不足，主要还是由专业人员定期携带仪器设备到现场进行周期抽检作为检定新能源汽车充电设施计量准确性的主要方式。现有充电桩校验模式存在工作强度高、检定周期长、检测及管理效率低的不足，并需要耗费大量人力、物力、财力，难以满足充电设施运行状态规模化状态检修要求，保证新能源汽车充电设施计量准确性。因此，探寻一种基于计量大数据，高效精准的充电设施运行状态实时远程评价方法势在必行。近年来，随着新能源汽车充电设施电力计量大数据信息的采集、传输、存储模块的逐步完善和先进计算机对数据处理能力的快速提升，电力大数据将得到更为广泛的应用，发挥更大的作用。基于大数据的充电设施运行状态规模化在线评价方法将颠覆现行人工逐个检定方法的先天缺陷，推动基于大数据的电力计量设备计量性能在线检测变革。新能源汽车充电和充电设施的相关标准制定，是保证新能源汽车产业发展和广泛应用的基础，其有利于对充电设施计量性能、可靠性等运行状态进行检定评价。

技术实现思路
r/>[0004]本专利技术的目的是解决原有由人工携带专业设备对电力计量设备计量性能进行检定的先天桎梏，发展基于计量大数据的新型检定、监管手段，通过电能表计量大数据对电能表设备运行情况进行远程监控分析，解决了智能电能表计量准确性问题，且精确、高效的检测充电设备，减少时间和财力成本的消耗，提高管理工作效率。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于深度学习的充电设施故障检测方法，包括：S1、对电动汽车充电设备的运行状态数据进行分析，并进行预处理，获得数据集；S2、将数据集划分为训练集、验证集以及测试集；S3、建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练；S4、使用验证集和测试集对故障诊断模型的性能进行评估；S5、将充电设备的运行状态数据输入满足要求的充电设备故障诊断模型，得到诊断结果。
[0007]可选的，所述S1中运动状态包括正常状态和故障状态，其中故障状态包括输出过电压故障、输出过电流故障、输出接触器故障、汽车通信故障、充电设备绝缘检测故障、充电模块过温故障、充电模块输入缺相故障、充电设备输出过电压故障、充电设备连接器故障。
[0008]可选的，所述S1中运动状态参数包括：充电设备输入电压、充电设备输入电流、充电设备输出电压、充电设备输出电流、充电设备输出功率、车辆充电需求电压、车辆充电需求电流、充电设备直流母线电压、直流断路器状态、电池温度、电池设定温度、散热风扇状态、辅助单元输出电压、充电时长、绝缘检测模块状态。
[0009]可选的，所述S1中对数据集进行预处理，具体包括：
[0010]缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；
[0011]异常值的处理，对于数据集中的异常数据，执行删除操作；
[0012]数据的归一化，通过极差标准化的方法将数据的范围映射到[0,1]之间。
[0013]可选的，所述S3中构建故障诊断模型过程包括：首先将充电桩运行日志数据输入长短期记忆网络结构，通过其挖掘时序信号间的短程和长程关系，自适应生成充电桩信号的深度表征模式，从而充电桩的故障检测转化为在该深度表征模式中设置固定长度L的滑动窗口，检测每日预测误差，并找出DPE大于阈值t的区间视为故障数据区域。
[0014]可选的，所述S4中对故障诊断模型的性能评估过程包括：根据充电设施计量性能规模化在线检定结果和基于运行日志数据的充电设施故障检测技术，结合充电桩的基础档案类数据信息与运行故障类数据信息，采用贝叶斯网集成学习和证据理论对多元信息进行融合，根据具体情况设计评价指标，获得评估结果。
[0015]一种基于深度学习的充电设施故障检测系统，包括：与电池组连接的电压检测模块、电流检测模块和温度检测模块，以及与所述电压检测模块和电流检测模块连接的比较模块，以及与所述比较模块连接的控制模块，以及与所述控制模块连接的执行机构和报警模块；
[0016]所述电压检测模块用于对充电桩电池组中的总电压以及单个电池电压进行检测；所述电流检测模块用于对充电桩电池组中的总电流以及单个电池的电流进行检测；所述温度检测模块为温度传感器，用于检测单个电池内的温度；所述比较模块用于将电池组的总电压或电流与累计的总电压或电流进行比较；所述控制模块用于发送控制指令至执行机构和报警模块；
[0017]所述电压检测模块检测的电压值以及电流检测模块检测的电流值发送至比较模块，所述比较模块对接收的总电压或电流与累计的电压或电流值进行比较，并将比较的结果发送至控制模块，所述控制模块发送控制指令至执行机构和报警模块，所述执行机构切断充电桩的充放电回路，所述报警模块发出报警提醒。
[0018]可选的，所述电压检测模块包括霍尔电压传感器和电压传感器，所述霍尔电压传感器用于检测电池组的整体电压，所述电压传感器用于对电池组中单个电池的电压进行检测。
[0019]本专利技术的有益效果为：
[0020]本专利技术采用数据驱动，降低了对传统信号处理技术以及先验知识的依赖，具有较强的普遍性；且精确、高效的检测充电设备，减少时间和财力成本的消耗，提高故障诊断的工作效率。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所
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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0022]图1为本专利技术实施例的整体方案示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0025]如图1所示，一种基于深度学习的充电设施故障检测方法，包括：S1、对电动汽车充电设备的运行状态数据进行分析，并进行预处理，获得数据集；S2、将数据集划分为训练集、验证集以及测试集；S3、建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练；S4、使用验证集和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的充电设施故障检测方法，其特征在于，包括：S1、对电动汽车充电设备的运行状态数据进行分析，并进行预处理，获得数据集；S2、将数据集划分为训练集、验证集以及测试集；S3、建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练；S4、使用验证集和测试集对故障诊断模型的性能进行评估；S5、将充电设备的运行状态数据输入满足要求的充电设备故障诊断模型，得到诊断结果。2.根据权利要求1所述的基于深度学习的充电设施故障检测方法，其特征在于，所述S1中运动状态包括正常状态和故障状态，其中故障状态包括输出过电压故障、输出过电流故障、输出接触器故障、汽车通信故障、充电设备绝缘检测故障、充电模块过温故障、充电模块输入缺相故障、充电设备输出过电压故障、充电设备连接器故障。3.根据权利要求1所述的基于深度学习的充电设施故障检测方法，其特征在于，所述S1中运动状态参数包括：充电设备输入电压、充电设备输入电流、充电设备输出电压、充电设备输出电流、充电设备输出功率、车辆充电需求电压、车辆充电需求电流、充电设备直流母线电压、直流断路器状态、电池温度、电池设定温度、散热风扇状态、辅助单元输出电压、充电时长、绝缘检测模块状态。4.根据权利要求1所述的基于深度学习的充电设施故障检测方法，其特征在于，所述S1中对数据集进行预处理，具体包括：缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；异常值的处理，对于数据集中的异常数据，执行删除操作；数据的归一化，通过极差标准化的方法将数据的范围映射到[0,1]之间。5.根据权利要求1所述的基于深度学习的充电设施故障检测方法，其特征在于，所述S3中构建故障诊断模型过程包括：首先将充电桩运行日志数据输入长短期记忆网络结构，通过其挖掘时序信号间的短程和长程关系，自适应生成充电桩信号的深度表...

【专利技术属性】
技术研发人员：方向，
申请(专利权)人：清湖光旭数据科技北京有限公司，
类型：发明
国别省市：