一种网络状态分析方法、系统及计算机可读介质技术方案

本发明专利技术提供了一种网络状态分析方法、系统及计算机可读介质，所述方法通过对历史数据的分析，确定多组数据处理模型，然后对数据进行二次处理，提供模型的准确性；然后使用所述的多组数据处理模型对网络状态进行处理，通过评估获取当前的网络状态，上述方案不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。内的网络状态进行预测。内的网络状态进行预测。

【技术实现步骤摘要】
一种网络状态分析方法、系统及计算机可读介质


[0001]本专利技术涉及本专利技术涉及机器学习领域和故障诊断领域，具体涉及一种网络状态分析方法、系统及计算机可读介质。

技术介绍

[0002]近年来，随着汽车工业的发展，燃油车加速了能源污染的情况。充电电动车的出现，其清洁低碳绿色的优点，快速成为汽车行业的热门发展趋势。
[0003]传统的充电安全保护机制是根据电动汽车的电池管理系统(BMS)，BMS是一套保护动力电池组使用安全的控制系统，能够实时监测动力电池组的充放电过程，电压电流值、SOC估计和电量等。充电桩在对电动汽车进行充电时，由于网络问题，很可能造成数据掉线缺失或者错误的问题。因此充电桩对电动汽车的充电数据进行分析，通过判断报文的网络状态是否出现故障来及时对故障数据进行修复，并预估未来一段时间内是否还会有故障出现。

技术实现思路

[0004]为了解决现有技术中存在的问题，本专利技术提供了一种网络状态分析方法，所述方法包括：
[0005]预处理步骤：对历史数据进行预处理；
[0006]训练步骤：用于利用多组数据处理模型对预处理后的数据进行二次处理；
[0007]评估步骤：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
[0008]其中，所述多组数据处理模型包括：BP网络训练模型和PS
‑
LSTM预测模型。
[0009]其中，所述训练步骤包括：将所述预处理后的数据导入PS
‑r/>LSTM预测模型进行回归预测。
[0010]其中，所述训练步骤还包括：将预处理后的数据进行分类，建立BP网络训练模型进行训练，输出网络的正常状态和或异常状态。
[0011]其中，所述评估步骤，还包括：将实时采集的数据输入到训练好的BP网络训练模型中，得到实时数据的报文的网络状态；将PS
‑
LSTM预测模型预测的报文特征值输入到BP网络训练模型中，得到预测的报文的网络状态。
[0012]本专利技术还提供了一种网络状态分析系统，所述系统包括：
[0013]预处理模块：对历史数据进行预处理；
[0014]训练模块：用于利用多组数据处理模型对预处理后的数据进行二次处理；
[0015]评估模块：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
[0016]其中，所述多组数据处理模型包括：BP网络训练模型和PS
‑
LSTM预测模型。
[0017]其中，所述训练模块用于：将所述预处理后的数据导入PS
‑
LSTM预测模型进行回归
预测。
[0018]本专利技术的有益效果是，本专利技术提供了一种网络状态分析方法、系统及计算机可读介质，所述方法通过对历史数据的分析，确定多组数据处理模型，然后对数据进行二次处理，提供模型的准确性；然后使用所述的多组数据处理模型对网络状态进行处理，通过评估获取当前的网络状态，上述方案不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。
附图说明
[0019]下面结合附图和实施例对本专利技术进一步说明。
[0020]图1是本专利技术优选实施例的方法流程图；
[0021]图2是本专利技术的基于PS
‑
LSTM和BP神经网络的报文网络状态分析方法的流程图。
[0022]图3是本专利技术的基于PS
‑
LSTM和BP神经网络的报文网络状态分析方法中BP神经网络的结构图。
[0023]图4是本专利技术优选实施例的结构示意图。
具体实施方式
[0024]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0025]为了解决现有技术中存在的问题，本专利技术提供了一种网络状态分析方法，优选的，如图2所示，本专利技术结合了机器学习与深度学习方法的优势，利用相空间(PS)、长短期记忆网络(LSTM)和BP神经网络来对网络故障数据进行分类，并对其进行在线监测，可以有效的根据当前的充电电压、电流、电量、单体电压、最高温度、最低温度等信息进行预测。如图1所示，所述方法包括：
[0026]预处理步骤：对历史数据进行预处理；
[0027]训练步骤：用于利用多组数据处理模型对预处理后的数据进行二次处理；
[0028]评估步骤：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
[0029]其中，所述多组数据处理模型包括：BP网络训练模型和PS
‑
LSTM预测模型。
[0030]上述基于PS
‑
LSTM和BP神经网络的报文网络状态分析方法，通过选定报文网络状态评价指标参数，对数据集进行预处理；基于LSTM参数优化和基于BP神经网络的报文状态识别；不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。
[0031]优选的，所述预处理步骤具体包括：
[0032]步骤1，从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据，包含正常数据和网络问题数据；取出相关充电特征指标：充电电压、电流、电量、单体电压、最高温度、最低温度，为后续LSTM和BP神经网络训练提供样本。新能源汽车的用户在公司的充电桩充电时会产生新能源车与充电桩之间的通讯报文；充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中，并存入数据库，数据库中的报文均为历史报文数据。
[0033]步骤2，对选取的数据进行预处理，将各维度特征归一化到同一取值区间，然后消除不同特征之间的相关性，最后给再给数据加上标签：网络问题的数据标记为1，正常数据标记为0。归一化的公式为：其中，a
min
为数据集中的最小值，a
max
为数据集中的最大值。
[0034]其中，所述训练步骤包括：将所述预处理后的数据导入PS
‑
LSTM预测模型进行回归预测。具体包括：
[0035]步骤3，把历史每个报文的充电电压、电流、电量、单体电压、最高温度、最低温度归一化后的数据集记为矩阵X，作为输入；报文的网络状态作为输出，即标签数据记为矩阵Y。其中，LSTM训练的数据来源于尽可能多的车型和用户，使得训练之后的LSTM具备较强通用性。
[0036]LSTM的训练过程为离线程序，只有在定期维护或出现大量错误时才会重新训练LSTM的权值。
[0037]LSTM训练好之后，将应用于报文的特征参数预测。
[0038]将矩阵输入汽车充电的特征量数据集，采用时序相空间重构方法训练样本，对PS
‑
LSTM预测模型进行训练。具体包括：
[0039]第一步，对时序数据进行归一化处理，采用最大最小化归一方法，避免本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络状态分析方法，其特征在于，所述方法包括：预处理步骤：对历史数据进行预处理；训练步骤：用于利用多组数据处理模型对预处理后的数据进行二次处理；评估步骤：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。2.根据权利要求1所述的网络状态分析方法，其特征在于，所述多组数据处理模型包括：BP网络训练模型和PS
‑
LSTM预测模型。3.根据权利要求2所述的网络状态分析方法，其特征在于，所述训练步骤包括：将所述预处理后的数据导入PS
‑
LSTM预测模型进行训练。4.根据权利要求1或2所述的网络状态分析方法，其特征在于，所述训练步骤还包括：将预处理后的数据进行分类，建立BP网络训练模型进行训练，输出网络的正常状态和或异常状态。5.根据权利要求1或2所述的网络状态分析方法，其特征在于，所述评估步骤，还包括：将实时采集的数据输入到训练好的BP网络训练模型中，得到实时数据的报文的网络状态；将PS
‑
LSTM预测模型预测的报文特征值输入到BP网络训练...

【专利技术属性】
技术研发人员：李春喜，侯文举，葛泉波，
申请(专利权)人：杭州颉码能源科技有限公司，
类型：发明
国别省市：