充电运营管理系统基于FNN和DS融合的故障识别方法与流程

本发明涉及机器学习和证据理论领域，更具体地，本发明涉及充电运营管理系统基于fnn和ds融合的故障识别方法。

背景技术：

近年来，随着国际能源供应的持续紧张、原油价格的持续上涨以及全球环境保护呼声的日益高涨，新能源汽车的技术研发和产业发展受到越来越多的重视。新能源汽车绝大多数为电动汽车，而充电系统为电动汽车的动力能源补给提供保障。随着电动汽车的普及，充电站的建设也遍地开花，充电运营商的目标是形成一个安全、绿色、节能的实时充电运营管理系统。而支持充电运营管理系统安全、节能、实时运行的基础是充电信息的实时采集、存储、传输以及海量多源数据的快速分析。为了实现这一目的，各种智能设备分别应用于电网信息的采集、监测、通讯等各个方面。

充电监控系统由一台或多台工作站或服务器组成，包括监控工作站、数据服务器等，这些计算机通过网络进行连接。监控工作站提供充放电监控人机交互界面，实现对充电机的监控和数据收集、查询等功能；数据服务器存储整个充电系统的原始数据和统计分析数据等，提供数据服务及其他应用服务。充电机将自身运行数据和动力电池充电数据实时传送给监控工作站，监控工作站也可以通过网络通信对充电机的启动和停止、充电电压和充电电流等进行控制。

目前，在用电信息采集系统中，软件系统和硬件系统的基础是：充电站、通信通道、电动汽车以及安全防护系统。充电站系统覆盖了许多部分，包括充电桩、电动汽车和通信信道(运营商)，这三个部分缺一不可，它们之间相互联系，共同协调配合。一旦出现故障，可能会出现充电站的断电、充电桩无法正常充电以及用电信息泄露等状况，所以系统每一个环节的故障诊断以及故障原因识别至关重要。故障原因是系统维护很重要的依据。

技术实现要素：

为了解决上述问题，本发明第一个方面提供了一种充电运营管理系统基于fnn和ds融合的故障识别方法，包括以下步骤：

(1)故障数据统计：采集一天的故障订单号，并提取出每个故障订单号代表的充电桩的编号m、电动汽车的编号n、运营商编号f，并统计同时发生在m号充电桩、n号电动汽车和f号运营商上的故障订单号总数目，作为故障数据；

(2)故障数据特征提取：对故障数据进行特征提取，得到充电桩、电动汽车和运营商的特征矩阵，并计算充电桩、电动汽车和运营商特征矩阵每一行的故障概率；

(3)fnn模型建立：分别将充电桩、电动汽车或运营商的特征矩阵和故障概率作为模糊神经网络模型的输入层和输出层进行训练，得到充电桩fnn模型、电动汽车fnn模型和运营商fnn模型，对不同充电桩、电动汽车和运营商的故障概率进行预测；

(4)故障隶属度函数建立：提取历史故障订单号，根据步骤(1)和步骤(2)得到充电桩、电动汽车和运营商的特征矩阵，并分别计算充电桩、电动汽车和运营商的特征矩阵每一行的故障概率，建立充电桩故障隶属度函数、电动汽车故障隶属度函数和运营商故障隶属度函数；

(5)证据矩阵建立：采集不同天数的故障数据，根据步骤(1)和步骤(2)分别得到充电桩、电动汽车和运营商的特征矩阵，根据充电桩fnn模型、电动汽车fnn模型和运营商fnn模型，预测该故障数据不同天数的充电桩、电动汽车和运营商的故障概率；分别将预测得到的该故障数据不同天数的充电桩、电动汽车和运营商的故障概率代入充电桩故障隶属度函数、电动汽车故障隶属度函数和运营商故障隶属度函数，得到该故障数据不同天数的充电桩故障隶属度、电动汽车故障隶属度和运营商故障隶属度，作为证据矩阵；

(6)顺序ds融合：将不同天数的证据矩阵进行顺序ds融合，分别得到充电桩、电动汽车和运营商的最终故障隶属度；

(7)对顺序ds融合结果进行决策：

若充电桩、电动汽车和运营商的最终故障隶属度彼此之间的差值小于0.15，则充电桩、电动汽车和运营商均被判定为故障的原因；

若充电桩、电动汽车和运营商的最终故障隶属度中的最大值与中间值之差大于0.15，则最大的最终故障隶属度判断为故障的原因，其余两个最终故障隶属度判定为正常；

其他情况下，最终故障隶属度较大的两个判定为故障的原因，最小的最终故障隶属度为正常。

作为本发明一种优选的技术方案，所述步骤(1)中，以x轴、y轴、z轴分别代表充电桩、电动汽车和运营商的编号，绘制三维散点图，以三维散点图的点的大小表示故障数据的大小。

作为本发明一种优选的技术方案，所述步骤(2)特征提取中，在三维散点图中沿yz方向截取x＝m的故障数据，表示m号充电桩的故障数据，作为充电桩的特征矩阵中第m行的元素，得到充电桩的特征矩阵；

在三维散点图中沿xz方向截取y＝n的故障数据，表示n号电动汽车的故障数据，作为电动汽车的特征矩阵中第n行的元素，得到电动汽车的特征矩阵；

在三维散点图中沿xy方向截取z＝f的故障数据，表示f号运营商的故障数据，作为运营商的特征矩阵中第f行的元素，得到充电桩的特征矩阵。

作为本发明一种优选的技术方案，所述步骤(2)中，采集和步骤(1)同一天的所有故障号，并统计发生在m号充电桩、n号电动汽车和f号运营商的订单号总数目，作为总数据，并将总数据g划分为5个等级，分别为0<g≤10、10<g≤100、100<g≤1000、1000<g≤10000、10000<g，并对订单总数据g的每个等级分别设置一个阈值si，i＝1～5，其中s1＝0.80，s2＝0.50，s3＝0.20，s4＝0.10，s5＝0.06，当三维散点图中该点的故障数据与总数据的比值超过对应的阈值si时，记为1，否则，记为0；

统计充电桩的特征矩阵中第m行的元素表示的故障数据与总数据的比值记为1的比例，作为m号充电桩的故障概率；

统计电动汽车的特征矩阵中第n行的元素表示的故障数据与总数据的比值记为1的比例，作为n号充电桩的故障概率；

统计运营商的特征矩阵中第f行的元素表示的故障数据与总数据的比值记为1的比例，作为f号充电桩的故障概率。

作为本发明一种优选的技术方案，所述步骤(3)中，所述模糊神经网络模型包括依次连接的输入层、模糊化层、模糊推理层和输出层；所述fnn模型建立中，首先将步骤(2)得到的充电桩、电动汽车或运营商的特征矩阵和故障概率，分别作为充电桩、电动汽车或运营商模糊神经网络模型的输入层和输出层中的输入变量和输出值进行训练学习，调整模糊化层和模糊推理层的参数，得到充电桩fnn模型、电动汽车fnn模型和运营商fnn模型，可进行故障概率预测。

作为本发明一种优选的技术方案，所述步骤(4)中，根据步骤(1)和步骤(2)得到充电桩、电动汽车和运营商的特征矩阵，并分别计算充电桩、电动汽车和运营商的特征矩阵每一行的故障概率，分别以充电桩、电动汽车和运营商的特征矩阵的故障概率作为离散型变量，分别建立概率分布函数，作为充电桩故障隶属度函数、电动汽车故障隶属度函数和运营商故障隶属度函数。

作为本发明一种优选的技术方案，所述步骤(5)中，选取故障数据的大小大于200。

作为本发明一种优选的技术方案，令步骤(5)得到的第i天的充电桩故障隶属度、电动汽车故障隶属度和运营商故障隶属度分别记为xi、yi、zi，其不确定度为θi＝1-max(xi,yi,zi)，将xi、yi、zi、θi作为证据矩阵第i行的元素，得到证据矩阵。

作为本发明一种优选的技术方案，所述步骤(6)顺序ds融合包括以下步骤：

将证据矩阵中第1行的充电桩故障隶属度、电动汽车故障隶属度和运营商故障隶属度作为第一次输出的故障隶属度，将第一次输出和证据矩阵第2行的隶属度进行ds融合，作为第二次输出的故障隶属度，以此类推，得到最终的故障隶属度。

作为本发明一种优选的技术方案，所述ds融合为：

令θ是一个非空的有限子集，其中的元素两两互斥，称该子集为辨识框架；θ包含了所有可能的假设；在故障诊断中，它代表某个设备可能的故障模式集合θ＝{fj|j＝1,2,…,n}，其中fj表示“设备出现故障fj”的假设；基本概率赋值bpa是一个函数m:2^θ→[0,1]，其满足：

a)对空集有

b)对∑am(a)＝1，这里的幂集2^θ是由θ及其所有子集组成的集合；给定一个待检模式i，就有mi(al)(al∈2^θ,l＝1,2,…2ⁿ)被赋予θ中的各个子集al，它表示该待检特征和各个故障模式或故障模式子集的匹配程度；定义证据推理中的证据为取值不为零的mi(al)，其中的al称作焦元；

利用dempster组合规则可对多个证据进行融合为：

θ中任意子集a和b的证据可以用于合成新假设c＝a∩b的证据；当时，表示两个证据是冲突的，并有m(c)＝0；其中m1(a)表示故障特征1对于假设子集a的支持程度，m2(b)同理可得；令表示两个证据之间的冲突程度。

本发明与现有技术相比具有以下有益效果：本发明充分结合了机器学习方法的优势与ds证据推理的优势，利用fnn来预测充电运营管理系统中各部分故障的概率，然后利用ds融合各部分的概率值，最终识别出故障原因，具有可靠性高、故障原因识别准确等优点。

附图说明

图1为本发明的充电运营管理采集系统基于fnn和顺序ds融合的故障识别方法流程图。

图2为一种实施方式的三维散点示意图。

图3为一种实施方式的充电桩、电动汽车和运营商故障概率隶属度函数示意图。

图4为顺序ds融合示意图。

具体实施方式

参选以下本发明的优选实施方法的详述以及包括的实施例可更容易地理解本发明的内容。除非另有限定，本文使用的所有技术以及科学术语具有与本发明所属领域普通技术人员通常理解的相同的含义。当存在矛盾时，以本说明书中的定义为准。

参数以范围、优选范围、或一系列上限优选值和下限优选值限定的范围表示时，这应当被理解为具体公开了由任何范围上限或优选值与任何范围下限或优选值的任一配对所形成的所有范围，而不论该范围是否单独公开了。例如，当公开了范围“1至5”时，所描述的范围应被解释为包括范围“1至4”、“1至3”、“1至2”、“1至2和4至5”、“1至3和5”等。当数值范围在本文中被描述时，除非另外说明，否则该范围意图包括其端值和在该范围内的所有整数和分数。

单数形式包括复数讨论对象，除非上下文中另外清楚地指明。“任选的”或者“任意一种”是指其后描述的事项或事件可以发生或不发生，而且该描述包括事件发生的情形和事件不发生的情形。

说明书和权利要求书中的近似用语用来修饰数量，表示本发明并不限定于该具体数量，还包括与该数量接近的可接受的而不会导致相关基本功能的改变的修正的部分。相应的，用“大约”、“约”等修饰一个数值，意为本发明不限于该精确数值。在某些例子中，近似用语可能对应于测量数值的仪器的精度。在本申请说明书和权利要求书中，范围限定可以组合和/或互换，如果没有另外说明这些范围包括其间所含有的所有子范围。

此外，本发明要素或组分前的不定冠词“一种”和“一个”对要素或组分的数量要求(即出现次数)无限制性。因此“一个”或“一种”应被解读为包括一个或至少一个，并且单数形式的要素或组分也包括复数形式，除非所述数量明显旨指单数形式。

以下通过具体实施方式说明本发明，但不局限于以下给出的具体实施例。

如图1所示，本发明提供了一种充电运营管理系统基于fnn和ds融合的故障识别方法，包括以下步骤：

(1)故障数据统计：采集一天的故障订单号，并提取出每个故障订单号代表的充电桩的编号m、电动汽车的编号n、运营商编号f，并统计同时发生在m号充电桩、n号电动汽车和f号运营商上的故障订单号总数目，作为故障数据；

(2)故障数据特征提取：对故障数据进行特征提取，得到充电桩、电动汽车和运营商的特征矩阵，并计算充电桩、电动汽车和运营商特征矩阵每一行的故障概率；

(3)fnn模型建立：分别将充电桩、电动汽车或运营商的特征矩阵和故障概率作为模糊神经网络模型的输入层和输出层进行训练，得到充电桩fnn模型、电动汽车fnn模型和运营商fnn模型，对不同充电桩、电动汽车和运营商的故障概率进行预测；

(4)故障隶属度函数建立：提取历史故障订单号，根据步骤(1)和步骤(2)得到充电桩、电动汽车和运营商的特征矩阵，并分别计算充电桩、电动汽车和运营商的特征矩阵每一行的故障概率，建立充电桩故障隶属度函数、电动汽车故障隶属度函数和运营商故障隶属度函数；

(5)证据矩阵建立：采集不同天数的故障数据，根据步骤(1)和步骤(2)分别得到充电桩、电动汽车和运营商的特征矩阵，根据充电桩fnn模型、电动汽车fnn模型和运营商fnn模型，预测该故障数据不同天数的充电桩、电动汽车和运营商的故障概率；分别将预测得到的该故障数据不同天数的充电桩、电动汽车和运营商的故障概率代入充电桩故障隶属度函数、电动汽车故障隶属度函数和运营商故障隶属度函数，得到该故障数据不同天数的充电桩故障隶属度、电动汽车故障隶属度和运营商故障隶属度，作为证据矩阵；

(6)顺序ds融合：将不同天数的证据矩阵进行顺序ds融合，分别得到充电桩、电动汽车和运营商的最终故障隶属度；

(7)对顺序ds融合结果进行决策：

若充电桩、电动汽车和运营商的最终故障隶属度彼此之间的差值小于0.15，则充电桩、电动汽车和运营商均被判定为故障的原因；

若充电桩、电动汽车和运营商的最终故障隶属度中的最大值与中间值之差大于0.15，则最大的最终故障隶属度判断为故障的原因，其余两个最终故障隶属度判定为正常；

其他情况下，最终故障隶属度较大的两个判定为故障的原因，最小的最终故障隶属度为正常。

步骤(1)

在一种实施方式中，本发明所述步骤(1)中，以x轴、y轴、z轴分别代表充电桩、电动汽车和运营商的编号，绘制三维散点图，以三维散点图的点的大小表示故障数据的大小。图2为本发明一种实施方式的三维散点示意图，其中三维散点示意图中的每个点代表1个故障数据，点越大，说明故障数据越大。

步骤(2)

在一种实施方式中，本发明所述步骤(2)特征提取中，在三维散点图中沿yz方向截取x＝m的故障数据，表示m号充电桩的故障数据，作为充电桩的特征矩阵中第m行的元素，得到充电桩的特征矩阵；

在三维散点图中沿xz方向截取y＝n的故障数据，表示n号电动汽车的故障数据，作为电动汽车的特征矩阵中第n行的元素，得到电动汽车的特征矩阵；

在三维散点图中沿xy方向截取z＝f的故障数据，表示f号运营商的故障数据，作为运营商的特征矩阵中第f行的元素，得到充电桩的特征矩阵。

本发明中电动汽车的编号表示电动汽车的车型，充电桩的编号是和运营商编号绑定的，其中运营商个数可以为1个、2个、3个或多个，可列举的有，联通、移动和电信，而电动汽车和充电桩的数量会根据实际情况变动。

优选地，本发明所述步骤(2)中，采集和步骤(1)同一天的所有故障号，并统计发生在m号充电桩、n号电动汽车和f号运营商的订单号总数目，作为总数据，并将总数据g划分为5个等级，分别为0<g≤10、10<g≤100、100<g≤1000、1000<g≤10000、10000<g，并对订单总数据g的每个等级分别设置一个阈值si，i＝1～5，其中s1＝0.80，s2＝0.50，s3＝0.20，s4＝0.10，s5＝0.06，当三维散点图中该点的故障数据与总数据的比值超过对应的阈值si时，记为1，否则，记为0；

统计充电桩的特征矩阵中第m行的元素表示的故障数据与总数据的比值记为1的比例，作为m号充电桩的故障概率；

统计电动汽车的特征矩阵中第n行的元素表示的故障数据与总数据的比值记为1的比例，作为n号充电桩的故障概率；

统计运营商的特征矩阵中第f行的元素表示的故障数据与总数据的比值记为1的比例，作为f号充电桩的故障概率。

为了进一步对步骤(1)和步骤(2)进行说明，本发明采用充电桩个数为166个，电动汽车个数为53个，运营商个数为3个时的情况进行说明：

根据步骤(1)，1号运营商的故障数据矩阵为：

amn表示1天内，1号运营商在m号充电桩、n号电动汽车发生的故障数据(1≤m≤166，1≤n≤53)，其中该故障数据矩阵中第m行，代表1号运营商和m号充电桩发生的故障数据，第n列表示1号运营商和n号电动汽车发生的故障数据。

2号运营商的故障数据矩阵为：

bmn表示1天内，2号运营商在m号充电桩、n号电动汽车发生的故障数据(1≤m≤166，1≤n≤53)，其中该故障数据矩阵中第m行，代表2号运营商和m号充电桩发生的故障数据，第n列表示2号运营商和n号电动汽车发生的故障数据。

3号运营商的故障数据矩阵为：

cmn表示1天内，2号运营商在m号充电桩、n号电动汽车发生的故障数据(1≤m≤166，1≤n≤53)，其中该故障数据矩阵中第m行，代表3号运营商和m号充电桩发生的故障数据，第n列表示3号运营商和n号电动汽车发生的故障数据。

根据上述三个矩阵进行画图，即可得到三维散点图。

根据步骤(2)，对充电桩进行特征提取，得到的充电桩的特征矩阵为：

充电桩每一行的故障概率为：其中pm为m号充电桩的充电概率。

根据步骤(2)，对电动汽车进行特征提取：

电动汽车每一行的故障概率为：其中pn为n号充电桩的充电概率。

根据步骤(2)对运营商进行特征提取：

运营商的充电概率为：步骤(3)

在一种实施方式中，本发明所述(3)中，所述模糊神经网络模型包括依次连接的输入层、模糊化层、模糊推理层和输出层；所述fnn模型建立中，首先将步骤(2)得到的充电桩、电动汽车或运营商的特征矩阵和故障概率，分别作为充电桩、电动汽车或运营商模糊神经网络模型的输入层和输出层中的输入变量和输出值进行训练学习，调整模糊化层和模糊推理层的参数，得到充电桩fnn模型、电动汽车fnn模型和运营商fnn模型，可进行故障概率预测。

模糊神经网络就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。本发明所述模糊神经网络模型为本领域熟知的模糊神经网络模型，不做具体限定。其中输入层：故障原因要从充电桩，电动汽车和运营商三个角度分析，所以需要建立三个模糊神经网络模型，来输入充电桩，电动汽车和运营商的特征矩阵；模糊化层：该层中的每个神经元用于模拟输入变量的隶属度函数，该神经网络模块模糊化层采用高斯型隶属度函数，高斯型隶属度函数公式为：由两个参数c和σ确定，x代表变量，c和σ分别代表变量的期望和方差；模糊推理层：通过与上层的模糊层连接，该层与上层连接，作用是实现模糊模块的模糊规则的匹配，每个神经元节点之间实现模糊运算，这是通过“乘”算子使用上层的输入模糊量，以得到该层的输出值的；输出层：即每个充电桩、电动汽车和运营商对应的故障概率。当训练好神经网络之后，将特征提取之后的特征矩阵放入相应的神经网络模型中，预测其故障概率。

步骤(4)

在一种实施方式中，本发明所述步骤(4)中，根据步骤(1)和步骤(2)得到充电桩、电动汽车和运营商的特征矩阵，并分别计算充电桩、电动汽车和运营商的特征矩阵每一行的故障概率，分别以充电桩、电动汽车和运营商的特征矩阵的故障概率作为离散型变量，分别建立概率分布函数，作为充电桩故障隶属度函数、电动汽车故障隶属度函数和运营商故障隶属度函数。如图3所示分别为充电桩故障隶属度函数(图3(1))、电动汽车故障隶属度函数(图3(2))和运营商故障隶属度函数(图3(3))的一种实施例。本发明通过提取大量历史数据，建立概率分布函数，可提高概率分布函数的可靠性和准确性。

步骤(5)

对不步骤(5)中，对于需要进行故障识别的故障数据，可采集当天的数据，也可采集多天的数据进行故障识别。在一种实施方式中，本发明所述步骤(5)中，选取故障数据的大小大于200。本发明不对进行故障识别的故障数据的大小做具体限定，根据实际情况，当故障数据较小时，可以不进行故障识别，而对于较大的故障数据，需要进行故障识别，找出故障的原因。

优选地，令步骤(5)得到的第i天的充电桩故障隶属度、电动汽车故障隶属度和运营商故障隶属度分别记为xi、yi、zi，其不确定度为θi＝1-max(xi,yi,zi)，将xi、yi、zi、θi作为证据矩阵第i行的元素，得到证据矩阵。

步骤(6)

如图4所示，在一种实施方式中，本发明所述步骤(6)顺序ds融合包括以下步骤：

将证据矩阵中第1行的充电桩故障隶属度、电动汽车故障隶属度和运营商故障隶属度作为第一次输出的故障隶属度，将第一次输出和证据矩阵第2行的隶属度进行ds融合，作为第二次输出的故障隶属度，以此类推，得到最终的故障隶属度。图4中的n表示证据矩阵第n行的隶属度。

本发明不对ds融合做具体限定，为本领域熟知的方法。在一种实施方式中，本发明所述ds融合为：

令θ是一个非空的有限子集，其中的元素两两互斥，称该子集为辨识框架；θ包含了所有可能的假设；在故障诊断中，它代表某个设备可能的故障模式集合θ＝{fj|j＝1,2,…,n}，其中fj表示“设备出现故障fj”的假设；基本概率赋值bpa是一个函数m:2^θ→[0,1]，其满足：

a)对空集有

b)对∑am(a)＝1，这里的幂集2^θ是由θ及其所有子集组成的集合；给定一个待检模式i，就有mi(al)(al∈2^θ,l＝1,2,…2ⁿ)被赋予θ中的各个子集al，它表示该待检特征和各个故障模式或故障模式子集的匹配程度；定义证据推理中的证据为取值不为零的mi(al)，其中的al称作焦元；

利用dempster组合规则可对多个证据进行融合为：

θ中任意子集a和b的证据可以用于合成新假设c＝a∩b的证据；当时，表示两个证据是冲突的，并有m(c)＝0；其中m1(a)表示故障特征1对于假设子集a的支持程度，m2(b)同理可得；令表示两个证据之间的冲突程度。

本发明不对顺序ds融合的次数和采集的故障数据的天数做具体限定，一般来说每次ds融合结果都可以作为最终故障隶属度进行步骤(7)中的决策，其中融合的次数越多，决策越准确。

步骤(7)

在一种实施方式中，所述步骤(7)中能够，将故障记为1，正常记为0。

作为根据本发明提供的充电运营管理系统基于fnn和ds融合的故障识别方法得到的故障结果的实例，如下表所示：

本发明提供的充电运营管理系统基于fnn和ds融合的故障识别方法，以充电桩、电动汽车和运营商三个维度进行分析，可可靠的对充电故障进行决策，提高系统维护效率，避免充电站断电等状况的发生。

前述的实例仅是说明性的，用于解释本发明所述方法的一些特征。所附的权利要求旨在要求可以设想的尽可能广的范围，且本文所呈现的实施例仅是根据所有可能的实施例的组合的选择的实施方式的说明。因此，申请人的用意是所附的权利要求不被说明本发明的特征的示例的选择限制。在权利要求中所用的一些数值范围也包括了在其之内的子范围，这些范围中的变化也应在可能的情况下解释为被所附的权利要求覆盖。