【技术实现步骤摘要】
本专利技术涉及充电桩，特别是涉及一种充电桩故障的统计分析方法。
技术介绍
1、充电桩是为电动汽车充电的充电设施，其功能类似于加油站里面的加油机，在充电桩设备使用过程中可能因为电源不稳定、电压异常、电流异常、设备模块损坏的原因引发设备不能正常使用。充电桩设备是否可以正常使用以及是否需要及时维护检查变得至关重要。对于设备故障应用数据挖掘技术，能够有效地解决故障分派、故障重现以及故障分类等问题。
2、在充电桩设备数据中，每条数据并不全是单一异常或者存在故障，精确识别每条数据的是否存在故障信息尤为重要；现有的技术中，机器学习分类算法只能识别单个故障，无法满足一条数据含有多个故障信息的情况，不能精准识别每条交互数据中充电桩的故障。
技术实现思路
1、本专利技术目的在于提供一种充电桩故障的统计分析方法，该方法将充电桩的实时数据，经过筛选提取预处理以后，得到所需要的主题分布向量，并基于lda模型分析出设备故障；lda模型对于文本中多个主题可以自动准确的识别，故本专利技术创新性的将lda模型与充电桩设备数据进行结合，精准识别每条交互数据中充电桩的故障。
2、为此，本专利技术的技术方案是，一种充电桩故障的统计分析方法，具体包括以下步骤：
3、s1.充电桩设备数据采集，充电桩设备接入平台，通过在平台设备管理填入对应的设备信息完成平台设备的创建，实体桩通过使用平台设备编号完成设备的关联；收集充电桩设备通信数据，记录充电桩设备实时数据间隔以及设备数据变化；
5、s3.充电桩设备数据分析，通过基于lda模型的设备故障挖掘方法对充电桩设备数据进行分析，确定充电桩设备数据的操作故障的概率可能性，根据充电桩设备上传的实时数据及每个故障关键词权重，获取设备数据信息文本量化后的值进行匹配，从而实现充电桩设备的故障划分，将故障概率高的数据进行关键词的说明补充，传输到下一步；
6、s4.更新设备信息，将充电桩设备数据经过故障分析的结果，通过充电桩设备编号完成设备数据信息的更新。
7、优选地，充电桩设备通信数据包括设备实时数据、充电中实时数据、设备告警数据。
8、优选地，充电桩设备数据预处理包括以下步骤：
9、s2.1收集充电桩设备数据文本相关语料；
10、s2.2对充电桩设备数据文本进行人工筛选；
11、s2.3导入充电桩设备数据异常词表；
12、s2.4对充电桩设备数据文本语料进行分词处理；
13、s2.5对充电桩设备数据文本进行剔除停用词、标点、标注处理；
14、s2.6形成待处理充电桩设备数据文本。
15、优选地，基于lda模型的设备故障挖掘方法，步骤如下：
16、s3.1构建词典语料，收集充电桩历史数据，对充电桩设备的历史文本数据进行语料的处理，删除设备编号、设备型号等重复数据，保留能反映设备正常或异常的数据内容，从而构建词典语料；
17、s3.2充电桩历史数据预处理，将充电桩历史数据数据文本拆分，分词，数据分割，数据转换，去除标点，压缩词向量，去掉出现的次数小于2的词，删除标点符号和停用词；将数据中的文本进行文本分词及文本量化，主要对文本长内容进行切分；
18、s3.3确定主题数量，基于lda模型所形成的基础数据，通过计算文本主题最大平均分布概率和主题词语平均相似度概率的加权数值的方法确定最优主题数量；
19、s3.4确定最优聚类，在文本聚类过程中，每个文本会对应多个主题，但是每个文本会对应一个出现概率最高的特征主题，通过计算这个特征主题最大概率平均值，就可以确定主题与文本最大平均分布概率e值；通过词语在主题上被选中的概率计算主题间的相似度，每个主题间平均相似度为t值，t值越小，主题间相似度越低，说明聚类越优，反之聚类则越差；
20、s3.5文本聚类评价，采用purity值和f值做为评价指标，评估充电桩故障数据文本聚类效果；purity值计算方法计算正确聚类的文本占总文本的数量，purity值介于0-1间，该值越高代表聚类效果越好，反之则越差；f值用于定量评价，该值越高代表聚类效果越好，反之则越差；
21、s3.6模型训练，从设备历史数据集中选取一定数量的数据构建训练样本空间，对训练样本空间采用lda方法构建lda模型，训练好模型后会得到模型的各主题的主题词分布；
22、在全量样本中随机选择样本作为训练样本和测试样本，通过对训练样本的训练得到性能参数，再通过测试样本进行测试并得出识别率较高的性能参数，运用性能参数生成识别文本对工单中包含的客户诉求识别；
23、s3.7使用模型进行预测，从设备历史数据集中随机选取一定数量的数据构建检测样本，根据构建出来的lda模型对检测样本空间进行主题推断，计算检测样本的执行信息的相似度；
24、根据检测样本空间抽取每个缺陷的分类信息并按照层顺序进行比较，得到检测样本的分类信息的相似度；
25、对检测样本的执行信息结果的相似度和检测样本的分类信息的相似度进行加权和，并与预先设置的检测阙值进行比较，完成设备故障检测。
26、优选地，构建词典语料的方法是，把收集的历史文本数据转为字典，将用字符串表示的文档转换为用id表示的文档向量，进行数据去重和删除无关词组，从而构建词典语料。
27、优选地，确定最优主题数量的方法，具体步骤如下：
28、s3.3.1设定主题个数为k，得到初始模型；
29、s3.3.2通过lda模型计算得出主题与文本的分布概率和词语在主题上的分布概率；
30、s3.3.3利用最大平均值的方法获取主题与文本最大平均分布概率，并得出主题与文本最大平均分布概率e值；
31、s3.3.4利用余弦相似性定理计算主题与主题之间的平均相似度，通过计算一维数组的平均相似度的方法得到多主题相似度，并最终得到主题间平均相似度t值；
32、s3.3.5对主题与文本最大平均分布概率e值和主题间平均相似度t值进行加权，形成加权后的主题间的相似度g值；
33、s3.3.6调整k值，对充电桩故障数据文本进行重新训练；
34、s3.3.7重复步骤s3.3.2，当加权后的主题间的相似度g值最大，即得到最优的主题个数k值。
35、优选地，lda模型利用词语、主题、文本之间的关系解决文本聚类中语义挖掘的问题，通过引入dirichlet分布，在满足dirichlet先验分布的多项式分布基础上，所有主题对应相应文档，通过不停地迭代，得出最终参数；lda模型的联合概率具体表示如公式所示：
36、
3本文档来自技高网...
【技术保护点】
1.一种充电桩故障的统计分析方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种充电桩故障的统计分析方法，其特征在于，所述充电桩设备通信数据包括设备实时数据、充电中实时数据、设备告警数据。
3.根据权利要求1所述的一种充电桩故障的统计分析方法，其特征在于，所述充电桩设备数据数据预处理包括以下步骤：
4.根据权利要求1所述的一种充电桩故障的统计分析方法，其特征在于，所述基于LDA模型的设备故障挖掘方法，步骤如下：
5.根据权利要求4所述的一种充电桩故障的统计分析方法，其特征在于，所述构建词典语料的方法是，把收集的历史文本数据转为字典，将用字符串表示的文档转换为用id表示的文档向量，进行数据去重和删除无关词组，从而构建词典语料。
6.根据权利要求4所述的一种充电桩故障的统计分析方法，其特征在于，所述确定最优主题数量的方法，具体步骤如下：
7.根据权利要求6所述的一种充电桩故障的统计分析方法，其特征在于，所述LDA模型的联合概率具体表示公式为：
8.根据权利要求6所述的一种充电桩故障的统计
9.根据权利要求4所述的一种充电桩故障的统计分析方法，其特征在于，
10.根据权利要求4所述的一种充电桩故障的统计分析方法，其特征在于，
...【技术特征摘要】
1.一种充电桩故障的统计分析方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种充电桩故障的统计分析方法，其特征在于，所述充电桩设备通信数据包括设备实时数据、充电中实时数据、设备告警数据。
3.根据权利要求1所述的一种充电桩故障的统计分析方法，其特征在于，所述充电桩设备数据数据预处理包括以下步骤：
4.根据权利要求1所述的一种充电桩故障的统计分析方法，其特征在于，所述基于lda模型的设备故障挖掘方法，步骤如下：
5.根据权利要求4所述的一种充电桩故障的统计分析方法，其特征在于，所述构建词典语料的方法是，把收集的历史文本数据转为字典，将用字符串表示的文档...
【专利技术属性】
技术研发人员：黄超，辛猛，蔡勇元，黄湘东，韩笑斐，林岱行，马名耀，
申请(专利权)人：广东省交通开发有限公司，
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。