基于订单迭代集成学习的充电设备故障识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于订单迭代集成学习的充电设备故障识别方法及装置，涉及新能源充电技术领域

【技术实现步骤摘要】
基于订单迭代集成学习的充电设备故障识别方法及装置


[0001]本专利技术涉及新能源充电
，尤其是涉及一种基于订单迭代集成学习的充电设备故障识别方法及装置
。

技术介绍

[0002]伴随着全球能源危机问题的不断加剧以及环境污染问题的日益突出，能够避免温室气体排放的电动汽车越来越受到人们的青睐，电动汽车相较于传统的燃油汽车，在降低能耗方面以及降低污染方面有着巨大的优势
。
因此，随着电动汽车的普及，充电设备的可靠性和稳定性变得至关重要，必须对充电设备进行故障预警，及时地对充电设备存在的潜在故障类型进行判断并对其进行修复，避免因充电设备故障导致的电动车辆无法正常充电的情况发生，给电动车辆用户和充电设备的运营商带来不便和损失
。
[0003]当前，汽车充电设备故障预警技术是通过监测充电设备的状态和性能参数，由相关工作人员对充电设备的状态和性能参数进行分析以发现潜在的故障迹象，并提供预警信息
。
然而，上述方法对充电设备的故障判断仍然需要基于相关技术人员的经验积累，对充电设备的故障进行人工识别，而由于技术人员的精力有限，分析经验可能存在参差不齐的情况，对充电设备的故障类型的判断可能存在误判
。
因此，现有的充电设备的故障判定方式无法满足对于充电设备的故障类型识别准确度的要求
。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于订单迭代集成学习的充电设备故障识别方法及装置，主要目的在于解决对充电设备的故障判定的准确度过低的技术问题
。
[0005]根据本专利技术的第一个方面，提供了一种基于订单迭代集成学习的充电设备故障识别方法，应用于对充电设备进行故障识别的故障识别系统，该方法包括：
[0006]获取所述充电设备的充电订单；
[0007]根据所述充电订单确定特征因素，并根据所述特征因素生成特征向量；
[0008]对所述特征向量进行归一化处理，得到归一化特征向量；
[0009]将所述归一化特征向量输入到预训练的告警集成学习模型中，得到所述充电设备的故障判定结果，其中，所述故障判定结果包括有故障结果和无故障结果；
[0010]将所述故障识别结果与所述归一化特征向量组合成故障类型识别数据，并将所述故障类型识别数据输入到所述告警集成学习模型中，得到所述充电设备的故障类型识别结果
。
[0011]根据本专利技术的第二个方面，提供了一种基于订单迭代集成学习的充电设备故障识别装置，该装置包括：
[0012]订单获取模块，用于获取所述充电设备的充电订单；
[0013]向量生成模块，用于根据所述充电订单确定特征因素，并根据所述特征因素生成特征向量；
[0014]归一化模块，用于对所述特征向量进行归一化处理，得到归一化特征向量；
[0015]第一识别模块，用于将所述归一化特征向量输入到预训练的告警集成学习模型中，得到所述充电设备的故障判定结果，其中，所述故障判定结果包括有故障结果和无故障结果；
[0016]第二识别模块，用于将所述故障识别结果与所述归一化特征向量组合成故障类型识别数据，并将所述故障类型识别数据输入到所述告警集成学习模型中，得到所述充电设备的故障类型识别结果
。
[0017]本专利技术提供的一种基于订单迭代集成学习的充电设备故障识别方法及装置，能够获取充电设备的充电订单，其中，充电订单中可以包括充电设备提供充电服务的交易电量
、
充电起止时间以及电表总起值等信息；根据充电订单确定特征因素，并根据特征因素生成特征向量，以得到后续输入到告警集成学习模型中的输入数据；进一步的，对特征向量进行归一化处理，得到归一化特征向量，以降低特征向量的离散性；进一步的，将归一化特征向量输入到预训练的告警集成学习模型中，得到充电设备的故障判定结果，其中，告警集成学习模型能够基于归一化后的特征向量，确定产生特征向量的充电设备是否存在潜在故障以及潜在故障的类型；进一步的，将故障识别结果与归一化特征向量组合成故障类型识别数据，并将故障类型识别数据再次输入到告警集成学习模型中，得到充电设备的故障类型识别结果
。
本申请的技术方案，能基于充电设备的真实运行情况，使用基于机器学习的集成学习模型，准确的对充电设备的故障类型进行识别，提高了对充电设备的故障判定的准确度
。
[0018]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的
、
特征和优点能够更明显易懂，以下特举本申请的具体实施方式
。
附图说明
[0019]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：
[0020]图1示出了本专利技术实施例提供的一种基于订单迭代集成学习的充电设备故障识别方法的流程示意图；
[0021]图2示出了本专利技术实施例提供的一种基于订单迭代集成学习的充电设备故障识别装置的结构示意图
。
具体实施方式
[0022]下文中将参考附图并结合实施例来详细说明本专利技术
。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合
。
[0023]当前，汽车充电设备故障预警技术是通过监测充电设备的状态和性能参数，由相关工作人员对充电设备的状态和性能参数进行分析以发现潜在的故障迹象，并提供预警信息
。
然而，上述方法对充电设备的故障判断仍然需要基于相关技术人员的经验积累，对充电设备的故障进行人工识别，而由于技术人员的精力有限，分析经验可能存在参差不齐的情况，对充电设备的故障类型的判断可能存在误判
。
因此，现有的充电设备的故障判定方式无法满足对于充电设备的故障类型识别准确度的要求
。
[0024]针对上述问题，在一个实施例中，如图1所示，提供了一种基于订单迭代集成学习的充电设备故障识别方法，以该方法应用于对充电设备进行故障识别的故障识别系统为例进行说明，包括以下步骤：
[0025]101、
获取所述充电设备的充电订单
。
[0026]其中，充电订单内可以包含充电设备的充电设备编号
、
故障问题描述
、
提供充电服务的交易电量
、
充电起止时间以及电表总起值等信息，充电设备可以为充电桩
、
车主购电终端等电动汽车充电装置
。
[0027]具体的，可以从充电设备后台数据库中获取充电站内每个充电设备下全部充电枪对应的充电订单，该充电订单中包含用户的充电订单数据
。
此处，可以获取所述充电设备对应的故障工单，并确定所述故障工单中记录的故障时间点，其中，故障时间点可以为故障工单中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于订单迭代集成学习的充电设备故障识别方法，应用于对充电设备进行故障识别的故障识别系统，其特征在于，所述方法包括：获取所述充电设备的充电订单；根据所述充电订单确定特征因素，并根据所述特征因素生成特征向量；对所述特征向量进行归一化处理，得到归一化特征向量；将所述归一化特征向量输入到预训练的告警集成学习模型中，得到所述充电设备的故障判定结果，其中，所述故障判定结果包括有故障结果和无故障结果；将所述故障识别结果与所述归一化特征向量组合成故障类型识别数据，并将所述故障类型识别数据输入到所述告警集成学习模型中，得到所述充电设备的故障类型识别结果
。2.
根据权利要求1所述的方法，其特征在于，所述获取所述充电设备的充电订单，包括：获取所述充电设备对应的故障工单，并确定所述故障工单中记录的故障时间点；获取所述充电设备在所述故障时间点之前预设时间段内对应的全部所述充电订单
。3.
根据权利要求2所述的方法，其特征在于，所述根据所述充电订单确定特征因素，并根据所述特征因素生成特征向量，包括：分别确定每个所述充电订单中包含的订单特征数据；基于每个所述充电订单中包含的订单特征数据，将全部所述充电订单划分为无故障订单
、
有故障订单以及无效订单；分别确定所述预设时间段内，每一天所对应的所述无故障订单的无故障订单数量
、
所述有故障订单的有故障订单数量以及所述无效订单的无效订单数量；确定每个所述充电订单中记录的订单结束原因信息，并确定每种所述订单结束原因信息所对应的充电订单的数量；分别将所述预设时间段内的每一天所对应的所述无故障订单数量确定为第一特征因素，分别将预设时间段内的每一天所对应的所述有故障订单数量确定为第二特征因素，分别将预设时间段内的每一天所对应的所述无效订单数量确定为第三特征因素，并分别将每种所述订单结束原因信息所对应的充电订单的数量确定为第四特征因素；将所述第一特征因素
、
所述第二特征因素
、
所述第三特征因素以及所述第四特征因素组合成所述特征向量
。4.
根据权利要求3所述的方法，其特征在于，所述对所述特征向量进行归一化处理，得到归一化特征向量，包括：基于公式一对所述特征向量中的第一特征因素进行归一化处理，得到第一归一化结果，其中，公式一为：其中，表示第一特征因素的所述第一归一化结果，表示第一特征因素，
k1表示所述特征向量中所述第一特征因素的数量；基于公式二对所述特征向量中的第二特征因素进行归一化处理，得到第二归一化结果，其中，公式二为：
其中，表示第二特征因素的所述第二归一化结果，表示第二特征因素，
k2表示所述特征向量中所述第二特征因素的数量；基于公式三对所述特征向量中的第三特征因素进行归一化处理，得到第三归一化结果，其中，公式三为：其中，表示第三特征因素的所述第三归一化结果，表示第三特征因素，
k3表示所述特征向量中所述第三特征因素的数量；基于公式四对所述特征向量中的第四特征因素进行归一化处理，得到第四归一化结果，其中，公式四为：其中，表示第四特征因素的所述第四归一化结果，表示第四特征因素，
k4表示所述订单结束原因信息的种类数量，表示全部所述特征向量中第
j
种订单结束原因信息对应的所述第四特征因素的最小值，表示全部所述特征向量中第
j
种订单结束原因信息对应的所述第四特征因素的最大值；将所述第一归一化结果
、
所述第二归一化结果
、
所述第三归一化结果以及所述第四归一化结果组合为所述归一化特征向量
。5.
根据权利要求1至4任一一项所述的方法，其特征在于，所述告警集成学习模型的训练方法，包括：获取多个第一历史特征向量，并将所述第一历史特征向量划分为第一训练特征向量数据组以及第一测试特征向量数据组，其中，每个所述第一历史特征向量对应有第一目标值向量，所述第一目标值向量包括代表有故障状态的有故障状态值以及代表无故障状态的无故障状态值；设置第一迭代训练轮数并执行第一循环过程，直至满足第一预设条件，其中，所述第一预设条件为所述第一迭代训练轮数大于或等于预设的第一迭代次数值；获取弱学...

【专利技术属性】
技术研发人员：龙羿，高辉，李建锋，黄会，陈晓楠，高芸，陈良亮，王松，龙虹毓，李涛永，赵轩，李培军，胡晓锐，孙正凯，张永瑜，李顺，徐婷婷，朱彬，池磊，向鑫，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：