一种充电桩故障诊断方法、装置、设备及介质与流程

本发明属于故障诊断，具体涉及一种充电桩故障诊断方法、装置、设备及介质。

背景技术：

1、近年来，电动汽车规模快速扩大，电动汽车充电桩也随之进行大规模建设。随着充电桩数量的迅速提升，充电桩建设、运营管理、运维服务等工作将面临越来越大的负担，充电桩服务供应商必然面临运营运维质量的巨大压力。

2、电动汽车充电桩结构设计复杂，其部件之间以及部件内部存在着很多错综复杂、关联耦合的相互关系，不确定因素和不确定信息充斥其间，其故障可能是多故障、关联故障等多种复杂形式。因此，解决不确定性问题是目前充电桩故障诊断中的首要问题。

3、目前对于充电桩故障的诊断主要通过专家系统，利用计算机存储的专家水平的知识与方法解决相关领域的问题，但专家系统在推理方面存在缺陷，导致推理能力不强，效率较低。

4、目前，对于充电锂离子电池的故障检测技术往往针对某一场景或者某一类型的故障，如电池内短路、电池包热失控等，对于其他类型的故障诊断不准确。

技术实现思路

1、本发明的目的在于提供一种充电桩故障诊断方法、装置、设备及介质，以解决现有充电桩故障诊断误差较大，诊断效率低的技术问题。

2、为实现上述目的，本发明采用如下技术方案予以实现：

3、第一方面，本发明提供一种充电桩故障诊断方法，包括以下步骤：

4、获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集；

5、将训练集中的数据输入cnn-lstm-attention模型进行模型训练，得到每个数据的权重；

6、将每个数据的权重代入cnn-lstm-attention模型得到待测试模型，将测试集数据输入待测试模型中进行测试，若测试结果合格则将待测试模型输出为预测模型，若测试结果不合格则重新进行模型训练；

7、获取充电桩实时运行数据，将充电桩实时运行数据输入预测模型，得到预测结果；

8、根据预测结果判断充电桩是否发生故障。

9、本发明的进一步改进在于：所述获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集的步骤中，测试集和训练集按预设比例进行划分。

10、本发明的进一步改进在于：所述获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集的步骤中，充电桩历史运行数据包括输入电压、输入电流、工作状况、充电模块温度、额定电压和额定电流等。

11、本发明的进一步改进在于：所述cnn-lstm-attention模型包括输入层、卷积神经网络、lstm神经网络、atention层、全连接层和输出层。

12、本发明的进一步改进在于：所述卷积神经网络中使用relu函数作为激活函数；

13、relu函数的表达公式如下：

14、f(x)＝max(0，x)；

15、式中，x表示卷积神经网络输入值。

16、本发明的进一步改进在于：所述将每个数据的权重代入cnn-lstm-attention模型得到待测试模型，将测试集数据输入待测试模型中进行测试，若测试结果合格则将待测试模型输出为预测模型，若测试结果不合格则重新进行模型训练的步骤中，首先采用交叉熵损失函数对待测试模型性能进行评估，评估未通过则重新进行模型训练，评估通过后采用adam算法计算待测试模型的合理性，若合理则输出预测模型，若不合理则重新进行模型训练。

17、本发明的进一步改进在于：所述根据预测结果判断充电桩是否发生故障的步骤中，若预测结果大于等于阈值则判断为故障；

18、若预测结果小于阈值则判断为正常。

19、第二方面，一种充电桩故障诊断装置，包括：

20、训练集和测试集划分模块：用于获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集；

21、训练模块：用于将训练集中的数据输入cnn-lstm-attention模型进行模型训练，得到每个数据的权重；

22、测试模块：用于将每个数据的权重代入cnn-lstm-attention模型得到待测试模型，将测试集数据输入待测试模型中进行测试，若测试结果合格则将待测试模型输出为预测模型，若测试结果不合格则重新进行模型训练；

23、预测模块：用于获取充电桩实时运行数据，将充电桩实时运行数据输入预测模型，得到预测结果；

24、故障判断模块：用于根据预测结果判断充电桩是否发生故障。

25、第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种充电桩故障诊断方法。

26、第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种充电桩故障诊断方法。

27、与现有技术相比，本发明至少包括以下有益效果：

28、1、本发明采用cnn-lstm模型整理充电桩时间序列数据，从中提取故障数据特征，为模型判断充电桩故障提供参考依据，结合注意力机制对模型输入数据维度权重分配进行优化调整，以提高模型输出结果的可靠性；

29、2、本发明通过采用relu函数作为激活函数能够简化计算流程，减少模型训练的时间成本，如果将不重要的数据特征筛除，能够提高卷积伸进网络对数据特征的准确度和运算速度；

30、3、本发明采用交叉墒损失函数对模型性能进行评估，然后用adam算法计算模型数值的合理性，保证了模型的可靠性与准确性。

技术特征：

1.一种充电桩故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种充电桩故障诊断方法，其特征在于，所述获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集的步骤中，测试集和训练集按预设比例进行划分。

3.根据权利要求1所述的一种充电桩故障诊断方法，其特征在于，所述获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集的步骤中，充电桩历史运行数据包括输入电压、输入电流、工作状况、充电模块温度、额定电压和额定电流。

4.根据权利要求1所述的一种充电桩故障诊断方法，其特征在于，所述cnn-lstm-attention模型包括输入层、卷积神经网络、lstm神经网络、atention层、全连接层和输出层。

5.根据权利要求4所述的一种充电桩故障诊断方法，其特征在于，所述卷积神经网络中使用relu函数作为激活函数；

6.根据权利要求1所述的一种充电桩故障诊断方法，其特征在于，所述将每个数据的权重代入cnn-lstm-attention模型得到待测试模型，将测试集数据输入待测试模型中进行测试，若测试结果合格则将待测试模型输出为预测模型，若测试结果不合格则重新进行模型训练的步骤中，首先采用交叉熵损失函数对待测试模型性能进行评估，评估未通过则重新进行模型训练，评估通过后采用adam算法计算待测试模型的合理性，若合理则输出预测模型，若不合理则重新进行模型训练。

7.根据权利要求6所述的一种充电桩故障诊断方法，其特征在于，所述根据预测结果判断充电桩是否发生故障的步骤中，若预测结果大于等于阈值则判断为故障；

8.一种充电桩故障诊断装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种充电桩故障诊断方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种充电桩故障诊断方法。

技术总结
本发明属于故障诊断技术领域，具体公开了一种充电桩故障诊断方法、装置、设备及介质。包括以下步骤：一种充电桩故障诊断方法，包括以下步骤：获取充电桩历史运行数据，并将充电桩运行数据划分为测试集和训练集；将训练集中的数据输入CNN‑LSTM‑Attention模型进行模型训练，得到每个数据的权重；代入权重得到待测试模型，通过测试集对待测试模型进行测试，经测试输出预测模型；获取充电桩实时运行数据，将充电桩实时运行数据输入预测模型，得到预测结果；根据预测结果判断充电桩是否发生故障。本发明采用CNN‑LSTM模型整理充电桩时间序列数据，结合注意力机制对模型输入数据维度权重分配进行优化调整，以提高模型输出结果的可靠性。

技术研发人员：赵永良,王超,王雅群,张磊,康琦,袁嘉琦,齐天,丁丹蕾,杨菁菁,张运,牛垣绗,郭泰龙
受保护的技术使用者：国网北京市电力公司
技术研发日：
技术公布日：2024/1/14