System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电动汽车充电桩异常检测,尤其是涉及一种电动汽车充电桩异常检测方法、系统、设备及存储介质。
技术介绍
1、伴随着电动汽车的广泛普及,电动汽车充电站作为电动汽车用户与电网的连接点,充电桩的正常运行关乎充电站的正常运行及日常盈利。目前,关于电动汽车充电桩的研究主要集中在充电桩的运营、维护以及异常检测,这些研究均有助于保证充电桩的正常运行。其中,电动汽车充电桩的异常检测是支持电动汽车充电发展,促进电动汽车高效使用以及保证电网的运行效率和安全的重要基石。
2、随着电动汽车充电设施的渗透率不断增加,充电桩异常检测的重要性也在不断提升,现有的充电桩异常检测算法在合理性和准确性已经不能很好满足日常充电桩异常检测的相关需求。因此亟需对充电桩异常检测进行研究。
3、充电桩的故障主要分为内部故障和外部故障两种。其中,充电桩的外部故障大多为显示屏、充电枪、急停按钮、指示灯等充电桩外部组件遭到物理破坏。而充电桩的内部故障一般为遭到针对电动汽车充电站、用户、电网的攻击,上述的三种攻击,将会导致充电桩内部出现充电数据泄漏,电动汽车用户个人信息泄漏,充电及调度配置参数遭到破坏,以及电池状况遭到彻底破坏等。因此,现有的单一模型针对充电桩的实时故障进行检测是极为困难的。
4、当下电动汽车充电桩异常检测的主要研究难点在于充电桩异常数据难以获取,近年来的充电桩数据获取大多采用信息搜集,网上调查等方式,基于该方式获取的充电桩数据数据质量难以得到保证,并且异常数据在获取到的数据中占比低下。异常数据在训练数据中的比例低下导致
5、现有的异常检测技术存在的缺陷为:
6、(1)随着电动汽车的不断增加渗透率,充电桩的覆盖率不断增加,现有充电桩异常检测方法的合理性和准确性已经不能很好满足当前的充电桩日常运维需求。
7、(2)现有技术缺乏获取足够多的异常数据的方法,异常数据在整体数据集中占比低下;当前的技术方案中还缺乏对充电桩异常数据进行数据增强并且对其进行异常检测的数学模型的分析。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种电动汽车充电桩异常检测方法、系统、设备及存储介质,采用生成对抗网络对异常数据进行数据增强,提高了异常数据生成的数据质量,结合随机森林异常检测模型,提高异常检测的准确率。
2、2)针对现有异常检测模型中往往因为异常数据较少导致的数据不平衡,异常检测模型准确率较低等缺陷,结合生成对抗网络可以对数据进行过补偿的特征,达到扩充异常数据集的目的,提出基于生成对抗网络gan结合随机森林算法的异常检测模型;相比传统的异常检测方法,异常检测准确率更高;
3、本专利技术的目的可以通过以下技术方案来实现:
4、根据本专利技术的第一方面,提供了一种电动汽车充电桩异常检测方法,该方法包括:
5、步骤s1、数据采集:采集电动汽车充电桩数据得到原始数据集,将原始数据集分为训练集和测试集;
6、步骤s2、数据增强:构建生成对抗网络,对训练集中的异常数据进行数据增强,得到数据增强后的异常数据集;
7、步骤s3、网络训练:构建随机森林异常检测模型,采用步骤s2中得到的数据增强后的异常数据集对随机森林异常检测模型进行训练;
8、步骤s4、异常检测:采用训练好的随机森林异常检测模型对步骤s1中的测试集进行异常检测。
9、优选地,所述步骤s1中将原始数据集分为训练集和测试集,具体为:在原始数据集进行随机采样,通过随机采样采集到的数据定义为测试集,其他数据作为训练集。
10、优选地,所述步骤s1中的电动汽车充电桩数据包括电动汽车用户连接充电桩的连接时间、以及电动汽车用户连接充电桩进行充电行为的充电时间。
11、优选地,所述步骤s2中的生成对抗网络包括特征提取器、生成器g和判别器d,分别为:
12、特征提取器:对训练集中的异常数据进行特征提取,得到异常特征z;
13、生成器:基于特征提取器提取出的异常数据特征z生成样本g(z);
14、判别器:在生成器生成的样本g(z)和真实样本x之间进行分类;
15、生成器和判别器进行对抗博弈,最终生成器输出的数据增强后的异常数据集。
16、优选地,所述训练集中的异常数据为电动汽车用户连接充电桩的连接时间和电动汽车用户连接充电桩进行充电行为的充电时间不相等的数据。
17、优选地,所述生成对抗网络采用交叉熵判别真实样本分布和生成器生成样本分布的相似性;
18、所述生成器和判别器进行对抗博弈,对应的状态表达式为:
19、
20、式中,v(d,g)表征真实样本x和生成器生成样本g(z)的差异程度,分别表征真实样本x的概率分布数学期望、生成器生成样本g(z)的概率分布数学期望。
21、优选地,所述方法还包括步骤s5、引入评价指标对随机森林异常检测模型进行验证,当评价指标值低于设定值时,转步骤s2,对异常数据进行二次数据增强;
22、所述评价指标包括准确率、召回率、平衡f分数。
23、根据本专利技术的第二方面,提供了一种电动汽车充电桩异常检测系统,采用任一项所述的方法,所述系统包括:
24、充电桩数据采集模块,用于采集充电桩数据,并分为测试集和训练集;
25、基于生成对抗网络的数据增强模块,用于对训练集中的异常数据进行数据增强,得到数据增强后的异常数据集;
26、随机森林异常检测模块,用于采用数据增强后的异常数据集对随机森林异常检测模型进行训练,并采用训练好的随机森林异常检测模型对测试集进行异常检测。
27、根据本专利技术的第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现任一项所述的方法。
28、根据本专利技术的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现任一项所述的方法。
29、与现有技术相比,本专利技术具有以下优点:
30、1)本专利技术考虑电动汽车充电桩异常数据较少导致模型难以得到训练的影响,采用生成对抗网络对异常数据进行数据增强,提高了异常数据生成的数据质量,结合随机森林异常检测模型,提高异常检测的准确率;
31、2)针对现有异常检测模型中往往因为异常数据较少导致的数据不平衡,异常检测模型准确率较低等缺陷,结合生成对抗网络可以对数据进行过补偿的特征,达到扩充异常数据集的目的,提出基于生成对抗网络gan结合随机森林算法的异常检测模型;相比传统的异常检测本文档来自技高网...
【技术保护点】
1.一种电动汽车充电桩异常检测方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种电动汽车充电桩异常检测方法,其特征在于,所述步骤S1中将原始数据集分为训练集和测试集,具体为:在原始数据集进行随机采样,通过随机采样采集到的数据定义为测试集,其他数据作为训练集。
3.根据权利要求1所述的一种电动汽车充电桩异常检测方法,其特征在于,所述步骤S1中的电动汽车充电桩数据包括电动汽车用户连接充电桩的连接时间、以及电动汽车用户连接充电桩进行充电行为的充电时间。
4.根据权利要求3所述的一种电动汽车充电桩异常检测方法,其特征在于,所述步骤S2中的生成对抗网络包括特征提取器、生成器G和判别器D,分别为:
5.根据权利要求4所述的一种电动汽车充电桩异常检测方法,其特征在于,所述训练集中的异常数据为电动汽车用户连接充电桩的连接时间和电动汽车用户连接充电桩进行充电行为的充电时间不相等的数据。
6.根据权利要求5所述的一种电动汽车充电桩异常检测方法,其特征在于,所述生成对抗网络采用交叉熵判别真实样本分布和生成器生成样本分布的相似性;
...【技术特征摘要】
1.一种电动汽车充电桩异常检测方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种电动汽车充电桩异常检测方法,其特征在于,所述步骤s1中将原始数据集分为训练集和测试集,具体为:在原始数据集进行随机采样,通过随机采样采集到的数据定义为测试集,其他数据作为训练集。
3.根据权利要求1所述的一种电动汽车充电桩异常检测方法,其特征在于,所述步骤s1中的电动汽车充电桩数据包括电动汽车用户连接充电桩的连接时间、以及电动汽车用户连接充电桩进行充电行为的充电时间。
4.根据权利要求3所述的一种电动汽车充电桩异常检测方法,其特征在于,所述步骤s2中的生成对抗网络包括特征提取器、生成器g和判别器d,分别为:
5.根据权利要求4所述的一种电动汽车充电桩异常检测方法,其特征在于,所述训练集中的异常数据为电动汽车用户连接充电桩的连接时间和电动汽车用户连接充电桩进行充电行为的充电时间不相等的...
【专利技术属性】
技术研发人员:林清明,孙闻,李腾飞,张文辉,王晓村,冯琪,周云,
申请(专利权)人:国网上海市电力公司,
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。