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

技术特征：

1.一种充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

2.根据权利要求1所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

3.根据权利要求2所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

4.根据权利要求3所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

5.根据权利要求1所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

6.根据权利要求1所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

7.根据权利要求1所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，所述步骤(5)中，选取故障数据的大小大于200。

8.根据权利要求7所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

9.根据权利要求1所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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。

10.根据权利要求1～9任意一项所述的充电运营管理系统基于fnn和ds融合的故障识别方法，其特征在于，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(a1)，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。

技术总结
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。本发明通过采集故障数据，并对特征提取，建立三个FNN进行概率预测，并利用各自的隶属度函数确定故障隶属度，形成证据矩阵，最终利用顺序DS融合决策出故障原因的方法，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。

技术研发人员：唐旭日;李春喜;魏高义
受保护的技术使用者：深圳市加码能源科技有限公司
技术研发日：2020.08.24
技术公布日：2020.11.24