一种电动汽车充电设施故障特征库的构建方法与流程

本发明涉及电动汽车充电设施检测技术领域，特别涉及一种用于电动汽车充电设施故障特征库的构建方法。

背景技术：

近年来，随着人类对石油能源持续、大量的开采和消耗，能源危机和环境问题愈演愈烈。作为一种新型的交通工具，电动汽车在节能减排、减少对化石燃料依赖等方面具有无法取代的优势，因此大力研究和利用电动汽车相关技术及促进产业发展已成为世界汽车工业竞争的一个新焦点。

电动汽车充电设施作为电动汽车的电能补给关键装置，其安全与可靠性直接关系到电动汽车的可靠运行与实际推广应用。目前，国内外电动汽车充电设施的发展尚处于起步阶段，充电设施检测技术和故障诊断技术以及相关标准体系建设方面也有待进行更加深入的研究。

充电设施在充电过程中出现异常或故障时，往往伴随着出现一些征兆。如果不能及时发现并利用这些征兆进行故障定位，一旦发生故障，就可能会造成巨大的经济损失甚至引发人员伤亡的灾难性事故。为保证电动汽车能够安全可靠的充电和使用，对充电设备的故障特征进行收集、分类、整理，并进行分析形成故障特征库，是十分必要的。在电动汽车充电设施的运维工作中，构建的故障特征库是实现快速、准确故障诊断的基础，其一方面可以对出现异常的充电设施做出故障预警，另一方面也可以为出现故障的充电设施定位故障类型和故障原因。

技术实现要素：

鉴于此，本发明提出一种用于电动汽车充电设施故障特征库的构建方法，对于指导充电设施的故障预警和故障诊断，保障充电设施的稳定、高效、安全运行等具有重要意义，具体技术方案如下。

一种用于电动汽车充电设施故障特征库的构建方法，其特征在于通过对充电设施相关国家标准、行业标准、企业标准的分析，结合具体的故障案例以及专家经验，建立了电动汽车充电设施故障事件库，在此基础上采用fp-growth算法对故障目标特征和故障过程特征进行关联分析，通过设置频繁项的最小支持度和最小置信度，筛选出与相应故障目标特征关联性较强的故障过程特征，最后构建与故障事件库相对应的故障特征库，可以为故障预警和故障诊断提供依据。

所述的电动汽车充电设施故障事件库，按充电设施类型分为非车载充电机故障事件类和交流充电桩故障事件类。其中，非车载充电机故障事件类包括结构安全故障、保护功能故障、电气性能故障以及通信故障，交流充电桩故障事件类包括结构安全故障和保护功能故障。

所述的fp-growth算法是一种关联分析算法，通过构建fp-tree的数据结构来表征各数据项间的关联关系。

所述的故障目标特征是对故障事件库中的故障事件依次进行科学编码之后，能够指代对应故障事件的唯一标识码。

所述的故障过程特征是对充电设施使用过程中出现的故障量依次进行科学编码之后，能够指代对应故障量的唯一标识码。

所述的频繁项最小支持度是在关联分析中决定故障目标特征和故障过程特征在某一项目组中是否属于高频出现特征的设置阈值。

所述的频繁项最小置信度是决定故障目标特征和故障过程特征关联性强弱的设置阈值。

电动汽车充电设施故障特征库的构建方法，主要步骤如下：

第一步，通过对电动汽车充电设施故障案例的收集分析，结合相关标准规范的解析，综合专家经验，分类整理电动汽车充电设施故障事件；

第二步，构建电动汽车充电设施故障事件库，采用字母和数字结合的编码方式为每一个故障事件指定唯一确定的编号；

第三步，结合故障案例，从故障发生时充电设施的电气量特征、充电设施指示状态、充电设施所在区域特征、故障发生时间特征几个方面对故障特征量进行分类编码，为每个故障特征量指定唯一对应的编号；

第四步，将各故障案例中的故障事件和故障特征量替换为编码形式的故障目标特征和故障过程特征，从而形成故障事务集；

第五步，构建fp-tree。设置最小支持度，扫描故障事务集，删除出现频率小于最小支持度的故障目标特征和故障过程特征；

第六步，将故障事务集中的故障目标特征和故障过程特征按照支持度降序排列，依次插入到一棵以null为根结点的树中，同时在新建结点处记录该特征的支持度；

第七步，针对每个故障目标特征，依次获取各节点对应的条件模式基，构建条件fp-tree；

第八步，递归调用fp-growth算法，获取条件fp-tree中各节点的条件模式基并构建新的条件fp-tree，直至fp-tree中各节点的条件模式基为空；

第九步，设置最小置信度，枚举所有置信度满足条件的频繁模式，然后对各频繁模式中的故障过程特征取并集，得到与故障目标特征关联性较强的故障过程特征集，亦即与电动汽车充电设施故障事件库对应的故障特征库。

第二步中所述字母和数字结合的编码方式中的字母代表故障事件所属类别。

第四步中所述故障事务集是对故障案例进行数据预处理后形成的编码形式，易于处理和分析的故障案例库。

第七步中所述条件模式基是以所查找故障目标特征为结尾的路径集合，每一条路径都是一条包含与所查找故障目标特征相关的故障过程特征的前缀路径。

第九步中所述的频繁模式是通过关联分析获得的故障目标特征在fp-tree中满足置信度约束条件下的路径。

附图说明

图1本发明电动汽车充电设施故障特征库构建方法的流程图；

图2本发明电动汽车充电设施故障事件库组成结构示意图；

图3本发明电动汽车充电设施故障特征库组成结构示意图；

具体实施方式

为了更加清楚地表现本发明的技术特征和技术内容，下面结合附图进行更详细的说明。

图1为本发明电动汽车充电设施故障特征库构建方法的流程图，本发明提供的构建方法具体步骤如下：

第一步，通过对电动汽车充电设施故障案例的收集分析，结合相关标准规范的解析，综合专家经验，分类整理电动汽车充电设施故障事件；

第二步，构建电动汽车充电设施故障事件库，采取字母与数字结合的方式对故障事件进行编码，其中字母代表故障事件所属类别，数字通过计算机顺序编号指定。

图2为本发明电动汽车充电设施故障事件库组成结构示意图，分为非车载充电机故障事件类(ocf)和交流充电桩故障事件类(acf)。其中，非车载充电机故障事件类包括结构安全故障(ocf-s)、保护功能故障(ocf-p)、电气性能故障(ocf-e)以及通信故障(ocf-c)，交流充电桩故障事件类包括结构安全故障(acf-s)和保护功能故障(acf-p)。

非车载充电机结构安全故障具体包括外观类、ip防护等级类、基本构成模块缺失类、锁止功能类、充电模式和连接方式类、显示功能类、输入功能类、绝缘自检功能类、绝缘电阻类、介电强度类、电气间隙和爬电距离类，对上述类别进行编号时均采用ocf-s前缀加顺序数字的形式。

非车载充电机保护功能故障具体包括输入过压保护类、输入欠压保护类、输出过压保护类、输出欠压保护类、输出短路保护类、开门保护类、急停开关类、蓄电池反接保护类、蓄电池二重保护类、防逆流功能类、电气防护类、过温保护类，对上述类别进行编号时均采用ocf-p前缀加顺序数字的形式。

非车载充电机电气性能故障具体包括稳流精度类、稳压精度类、纹波系数类、限压特性类、限流特性类、输出电流误差类、输出电压误差类、输出电流测量误差类、输出电压测量误差类，对上述类别进行编号时均采用ocf-e前缀加顺序数字的形式。

非车载充电机通信故障具体包括通信异常类、通信中断类、超bms参数限值类、超充电机参数限值类，对上述类别进行编号时均采用ocf-c前缀加顺序数字的形式。

交流充电桩结构安全故障具体包括外观类、ip防护等级类、基本构成模块缺失类、锁止功能类、充电模式和连接方式类、显示功能类、输入功能类、绝缘电阻类、介电强度类、电气间隙和爬电距离类，对上述类别进行编号时均采用acf-s前缀加顺序数字的形式。

交流充电桩保护功能故障具体包括输入过压保护类、输入欠压保护类、输出过压保护类、输出短路保护类、急停开关类、电气防护类、过温保护类，对上述类别进行编号时均采用acf-p前缀加顺序数字的形式。

第三步，结合故障案例对故障特征量进行分类编码，确定每个故障特征量都有唯一对应的编号；

图3为本发明电动汽车充电设施故障特征库组成结构示意图，通过分析和归纳，本发明从故障发生时充电设施的电气量特征(fce)、充电设施指示状态特征(fci)、故障发生时间特征(fcp)、充电设施所在区域特征(fct)四个方面对电动汽车充电设施故障特征进行分类。

电动汽车充电设施故障时的电气量特征包括电流量特征(fce-i)、电压量特征(fce-u)以及功率量特征(fce-p)。

电动汽车充电设施故障时的指示状况特征包括运行状况指示灯特征(fci-l)和显示屏显示信息特征(fci-d)。

电动汽车充电设施故障发生时间特征包括故障发生所处时间段特征(fct-s)、设备运行时间特征(fct-r)以及运维时间间隔特征(fct-i)。

电动汽车充电设施故障所在区域特征包括设备所在地车辆密度特征(fcp-v)和设备所在地气候条件特征(fcp-t)。

第四步，将故障案例中的故障事件和故障特征量替换为编码形式的故障目标特征和故障过程特征，形成故障事务项，通过专家经验初步筛选其中有效地故障事故项形成故障事务集；

第五步，构建fp-tree。首先设置最小支持度，通过最小支持度对故障目标特征和故障过程特征的有效性进行约束，然后采用计算机遍历数据库的形式扫描故障事务集，删除出现频率小于最小支持度的故障目标特征和故障过程特征；

最小支持度的大小由故障事务集的丰富度决定。故障事务集越丰富，最小支持度的设置值应当越高，本发明设置最小支持度为2。

第六步，将故障事务集中的故障目标特征和故障过程特征按照出现频率从高到低排列，然后将其依次插入到一棵以null为根结点的树中，并在新建结点处对该特征的出现频率进行记录，该过程通过编程语言来实现；

第七步，针对每个故障目标特征ocf-s-n、ocf-p-n、ocf-e-n、ocf-c-n、acf-s-n、acf-p-n，其中n代表自然数，依次将其作为路径结尾向上遍历故障事务集，寻找关联路径，构建条件fp-tree；

第八步，递归调用fp-growth算法，以条件fp-tree中的各个故障过程特征分别作为路径结尾向上遍历故障事务集并构建新的条件fp-tree，直至fp-tree中各节点的关联路径只包括它本身时，停止递归调用算法过程；

在完成递归调用算法之后，可以得到各故障目标特征的条件模式基，条件fp-tree以及在最小支持度设置为2的前提下产生的频繁模式。

第九步，设置最小置信度，然后对筛选出的各频繁模式中的故障过程特征取并集，得到与故障目标特征关联性较强的故障过程特征集，亦即与电动汽车充电设施故障事件库对应的故障特征库。

置信度是故障目标特征和故障过程特征具有关联关系的可信程度。将设置最小可信度的步骤放在第九步是为了便于理解算法执行过程，实际操作中在给出最小支持度的同时就需给出最小置信度，本发明所设最小置信度为2。

对于每个故障目标特征，枚举其所有置信度满足条件的频繁模式，对各频繁模式中存在的故障过程特征取并集，然后将故障目标特征作为集合标识、与故障目标特征关联的所有故障过程特征作为集合元素，按照故障事件库的分类逐条存入数据库，即可得到电动汽车充电设施故障特征库。

本说明所描述的以上内容仅是对本发明所做的举例说明。本发明所述技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明保护的范围。