【技术实现步骤摘要】
一种适用于电动汽车充电过程的远程故障预警方法及装置
[0001]本专利技术涉及一种适用于电动汽车充电过程的远程故障预警方法及装置，属于电动汽车故障诊断
技术介绍
[0002]近几年，电动汽车因其环保、清洁、节能的优势在我国各个省市大力推广，逐渐普及。电动汽车充电设施作为电动汽车推广过程中的重要组成成分，也发展迅速。目前，电动汽车充电设施内部结构逐渐精细，功能也越来越多，智能化也在逐渐增强。但是，在充电过程中，相关的故障还是时有发生。电动汽车充电安全问题将是未来电动汽车进一步推广和发展过程中必须要面对和解决的问题。
[0003]在电动汽车充电故障预警和诊断方面，参考申请号202111203154.7的专利技术公开的一种电动汽车大功率直流充电状态监测和故障预警方法。该专利技术主要利用了基于深度学习的方法对电动汽车正常直流充电历史数据进行学习，构建电动汽车大功率直流充电的预测模型。然而，深度学习的学习方法需要大量的采样数据，在训练过程中比较耗时；此外，该专利技术公开的电动汽车预警方法需要的合适故障预警阈值并不容易获取。
[0004]参考申请号202110810932.2的专利技术公开的一种电动汽车充电过程故障预警方法。该专利技术利用了深度置信网络对电动汽车正常直流充电历史数据进行学习，构建电动汽车大功率直流充电的预测模型。该专利技术把预测值的皮尔逊系数作为故障预警判别系数，依据皮尔逊系数大小进行故障预警。然而，该技术专利技术专利并没有给出如何基于皮尔逊系数大小进行故障预警的依据。
[000...
【技术保护点】
【技术特征摘要】
1.一种适用于电动汽车充电过程的远程故障预警方法，其特征在于：包括如下步骤：获取本次充电过程的相关数据；对获得的充电过程的相关数据进行预处理，得到预处理后的充电过程的相关数据；对预处理后的充电过程的相关数据进行判断，判断充电过程是否异常；当电动汽车充电过程出现异常充电过程时，对电动汽车充电过程进行故障诊断，诊断出本次充电过程的故障类型；通过故障数据知识库，根据故障类型匹配出本次充电的具体故障。2.根据权利要求1所述的一种适用于电动汽车充电过程的远程故障预警方法，其特征在于：所述对预处理后的充电过程的相关数据进行判断，判断充电过程是否异常，包括如下步骤：训练模态学习网络，获取模态学习网络的参数，将模态学习网络的参数代入模态学习网络，获得训练好的模态学习网络；训练模态判别网络，获取模态判别网络的参数，将模态判别网络的参数代入模态判别网络，获得训练好的模态判别网络；根据训练好的模态学习网络、模态判别网络构建模态预警网络，训练模态预警网络，获取模态预警网络的参数，将模态预警网络的参数代入模态预警网络，获得训练好的模态预警网络，将预处理后的充电过程的相关数据输入训练好的模态预警网络，判断充电过程是否异常。3.根据权利要求2所述的一种适用于电动汽车充电过程的远程故障预警方法，其特征在于：训练模态学习网络，获取模态学习网络的参数，将模态学习网络的参数代入模态学习网络，获得训练好的模态学习网络，包括如下步骤：步骤1：初始化模态学习网络单元，包括输入层包含的神经元个数M
in
、第a个隐含层包含的神经元个数输出层包含的神经元个数M
O
，a＝1,2,3,...,A，A表示模态学习网络的隐含层总数；步骤2：初始化第a个隐含层的输入权重矩阵当a＝1时，矩阵的大小为表示第一个隐含层的输入权重矩阵；当a＞1时，矩阵的大小为表示第a个隐含层的输入权重矩阵；步骤3：计算第a个隐含层的输出矩阵P
a
；当a＝1时，当a＞1时，其中，f为激活函数，为模态学习网络在训练过程中输入的异常充电过程对应的充电过程的相关数据归一化后数据，包含电充电电压，充电电流，充电功率以及充电模块温度，充电枪温度以及动力电池单体温度、电压、电流，T为电动汽车的数目，M
in
为充电过程的相关数据归一化后相关数据的数目，P
a
‑1表示第a
‑
1个隐含层的输出矩阵；步骤4：通过伪逆的方法估计输出层的输出权重矩阵W
out
，即W
out
＝Y*pinv(Ρ)；其中，pinv(*)表示伪逆计算，为模态学习网络在训练过程的输出目标矩阵，
个隐含层与第a个隐含层的连接权重矩阵W
ina,a+1
，2≤a＜A
‑
1，第A个隐含层与第A+1个隐含层的连接权重矩阵W
inA,A+1
，第A+1个隐含层与第A+2个隐含层的连接权重矩阵W
inA+1,A+2
，输出层的输出权重矩阵所述构建模态预警网络过程中，输入层与第1个隐含层的连接权重矩阵W
in1,2
等于模态学习网络输入层与第1个隐含层的输入权重矩阵第a
‑
1个隐含层与第a个隐含层的连接权重矩阵W
ina,a+1
等于模态学习网络第a
‑
1个隐含层的连接权重矩阵2≤a＜A
‑
1，第A个隐含层与第A+1个隐含层的连接权重矩阵W
inA,A+1
等于模态学习网络输出层的输出权重矩阵W
out
，第A+1个隐含层与第A+2个隐含层的连接权重矩阵W
inA+1,A+2
等于模态判别网络输入层的输入权重矩阵步骤3：将模态预警网络的参数代入模态预警网络，获得训练好的模态预警网络；步骤4：获取当前电动汽车充电过程的相关数据，将当前电动汽车充电过程的相关数据作为输入，正向计算训练好的模态预警网络，获得充电过程预警结果。6.根据权利要求4所述的一种适用于电动汽车充电过程的远程故障预警方法，其特征在于：所述模态判别网络的输出权重矩阵的第j个神经元的输出权重矩阵估计过程，包括：其中，Y
j*
表示为模态判别网络在训练过程中对应输出层的第j个神经元的目标矩阵，表示模态判别网络对应输出层的第j个神经元的输出权重矩阵，表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第j个神经元的输出权重元素，α
i,j
表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第j个神经元的输出权重元素的正则化系数，A表示模态学习网络的隐含层总数；模态判别网络输出权重矩阵的第j个神经元的输出权重矩阵估计过程进一步推导为：其中，Y
1*
表示为模态判别网络在训练过程中对应输出层的第1个神经元的目标矩阵，表示模态判别网络对应输出层的第1个神经元的输出权重矩阵，表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第1个神经元的输出权重元素，α
i,1
表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第1个神经元的输出权重元素的
正则化系数；Y
2*
表示为模态判别网络在训练过程中对应输出层的第2个神经元的目标矩阵，表示模态判别网络对应输出层的第2个神经元的输出权重矩阵，表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第2个神经元的输出权重元素，α
i,2
表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第2个神经元的输出权重元素的正则化系数；表示为模态判别网络在训练过程中对应输出层的第N
H
个神经元的目标矩阵，表示模态判别网络对应输出层的第N
H
个神经元的输出权重矩阵，表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第N
H
个神经元的输出权重元素，表示模态判别网络中第A+2个隐含层的第i个神经元与输出层的第N
H
个神经元的输出权重元素的正则化系数；模态判别网络估计输出权重矩阵的第j个神经元的输出权重矩阵的过程可以描述为J求解N
H
个最优化问题，即：其中，J
j
表示第j最优化问题，j＝1,2,3,...,N
H
；第j最优化问题可以进一步推导为：其中，其中，表示模态判别网络对应输出层第j个神经元的修订输出权重矩阵，表示模态判别网络隐含层的修订输出矩阵，||*||
1/2
表示l
1/2
范数；Y
j*
表示为模态判别网络在训练过程中对应输出层的第j个神经元的目标矩阵；第j最优化问题的求解过程为：步骤1：初始化权重矩阵和零矩阵步骤2：步骤3：定义标签i＝1；步骤4：判断i是否等于N
O
；如果否，i＝i+1，进入步骤5；如果是，跳到步骤7；步骤5：步骤6：通过下式计算即
其中，Δ
i
、Α
i
和Β
i
表示式是：表示式是：表示式是：其中，Y
j*
(t)表达第t个输入数据在输出层第j个神经元的目标输出矩阵的修订数据，表示第t个输入数据在模态判别网络隐含层的第q个神经元的修订输出数据，arccos(*)表示反余弦函数；T为电动汽车的数目；表示模态判别网络隐含层的第q个神经元的对应输出层第j个神经元的修订输出权重矩阵；步骤7：判断若满足，则执行步骤8，否则，执行步骤4；步骤8：输出权重矩阵7.根据权利要求5所述的一种适用于电动汽车充电过程的远程故障预警方法，其特征在于：所述当前电动汽车充电过程的相关数据采用本次充电前后1～3次充电汽车与充电桩的充电数据作为故障诊断过程的数据监测范围。8.根据权利要求1所述的一种适用于电动汽车充电过程的远程故障预警方法，其特征在于：所述电动汽车充电过程出现异常充电过程时，对电动汽车充电过程进行故障诊断，诊断出本次充电过程的故障类型，包括如下步骤：步骤1：初始化故障诊断网络的网络参数，包括输入层神经元个数S
in
和隐含层神经元个数S
H
，输出层神经元个数为1；步骤2：初始化故障诊断网络输入权重矩阵步骤3：获取训练的故障输入样本χ和故障目标标签步骤4：通过相关性变量法估计故障诊断网络输出权重矩阵
步骤5：将输入权重矩阵输出权重矩阵代入故障诊断...
【专利技术属性】
技术研发人员：高辉，杨璐彤，隋永波，陈良亮，刘建，徐大可，周大谋，李炜卓，归耀城，陈璐，徐霄，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院国电南瑞科技股份有限公司南京大全自动化科技有限公司，
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。