本发明涉及一种基于ap聚类和lstm神经网络的车桩充电异常数据诊断方法及系统，属于充电桩故障模型。
背景技术：
：：1、随着电动汽车与充电设施的普及，充电过程产生的故障也越发频繁，影响着电动汽车的进一步推广，更重要的是危害到用户的人身安全。中国电动汽车充电基础设施促进联盟针对国内十个城市充电设施使用情况的调研表明，公共充电设施平均故障率达到了20%，故障频发严重影响了其充电寿命。电动汽车安全事故逐年增加，尤其是充电过程中产生的安全问题严重制约新能源汽车行业的蓬勃发展。充电设施的故障诊断能力成为影响其安全稳定运行的主要问题之一，尤其是当充电模块、能量转换模块的关键部件的故障，将影响到整个设备的安全工作性能。目前，充电设施的故障诊断体系还不够完善，故障诊断效果并不够好，故障诊断策略也不够智能，对于复杂相关性的故障难以确定故障源头，也成为电动汽车进一步推广的难题。技术实现思路1、发明目的：为了实现车桩互动过程中异常数据识别和异常原因诊断，本发明提供一种基于ap聚类和lstm网络的充电桩异常数据诊断方法。2、技术方案：为实现上述目的，本发明采用的技术方案为：3、一种基于ap聚类和lstm网络的充电桩异常数据诊断方法，包括以下步骤：4、步骤1：利用充电桩计量单元实时计量桩端数据，同时接收传递给充电桩的车端bms信息。使用标准计量仪器现场采集车和桩的完整充电周期的实时电能数据。将充电桩计量单元记录并计算得到的桩端数据和标准计量仪器测得的电能数据、电池温度数据作差建立差值样本库。5、步骤2：对数据异常样本库进行ap自聚类分析，数据根据自身特征自动分成若干类别。6、步骤3：引入皮尔逊相关分析模型，逐类对电能数据差值和电池温度差值误差与计量单元记录的参数进行相关性计算，根据相关系数大小确定导致数据差值主因的影响程度，基于影响程度大小采用不同的误差阈值判断标准。7、步骤4：将聚类分析后得到的结果作为输入参数，利用lstm神经网络建立时序异常数据诊断模型。8、步骤5：实时计算车桩充电计量数据误差指标，将超过误差阈值范围的数据输入诊断模型，实现异常数据和原因的识别。9、优选的：步骤2中对数据异常样本库进行ap自聚类分析，数据根据自身特征自动分成若干类别的方法：10、步骤2.1：根据建立的差值样本库建立ap聚类的目标函数。11、ap聚类的目标函数如下：12、13、其中，表示聚类目标函数值，称为变量节点，为节点数,,,均为函数节点。14、约束函数1：15、16、17、其中，为求解目标函数的第1个约束条件，确保被其他点选为中心时，同时为自身的中心，求解目标函数的第一个约束条件最大值。18、约束函数2：19、20、其中，为求解目标函数的第2个约束条件，每个数据点只能选择一个点作为它的中心，即中心具有唯一性。当=1时，点为点的中心。21、22、其中，表示输入的相似性度量合并一起函数，其中为欧氏距离的相反数，被２个约束函数和不断进行修正，直至停止。23、步骤2.2设置中间传递信息，根据最大和法则更新信息，最后利用信息值计算。24、25、26、27、<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>α</mi><mi>ij</mi></msub><mi>=</mi><mrow><mo>{</mo><mtable><mtr><mtd><mstyledisplaystyle="true"><munder><mo>∑</mo><mrow><mi>k</mi><mi>=</mi><mi>j</mi></mrow></munder><mi>max</mi></mstyle><mrow><mo>[</mo><mrow><msub><mi>ρ</mi><mi>kj</mi></msub><mi>,</mi><mn>0</mn></mrow><mo>]</mo></mrow><mi>,</mi><mtable><mtr><mtd/><mtd/><mtd/><mtd><mi>i</mi><mi>=</mi><mi>j</mi><mi>,</mi></mtd></mtr></mtable></mtd></mtr><mtr><mtd><mi>min</mi><mrow><mo>[</mo><mrow><mn>0</mn><mi>,</mi><msub><mi>ρ</mi><mi>ij</mi></msub></mrow><mo>]</mo></mrow><mo>+</mo><munder><mi>max</mi><mrow><mi>k</mi><mi>≠</mi><mi>j</mi></mrow></munder><mrow><mo>[</mo><mrow><msub><mi>ρ</mi><mi>kj</mi></msub><mi>,</mi><mn>0</mn></mrow><mo>]</mo></mrow><mi>,</mi><mi>i</mi><mi>=</mi><mi>j</mi><mi>,</mi></mtd></mtr></mtable></mrow></mstyle>28、其中：和分别称为责任信息和可用信息，责任信息表示作为的中心的合适大小程度，传递从点到之间的信息。可用信息的作用是传递从点到点的信息，表示在已经从其他数据点处得到信息的条件下，其作为的中心的可能性大小程度。和均为ap聚类算法的中间变量。ap聚类算法迭代多次之后，可获得所有表征数据点之间的关系矩阵，实现将样本集合根据数据特征自动聚集为若干类的目的。29、步骤2.3为了避免振荡，ap算法更新信息时引入了衰减系数。每条信息被设置为它前次迭代更新值的倍加上本次信息更新值的倍。其中，衰减系数是介于0到1之间的实数,此处取值0.5。即第t+1次和的迭代值：30、；31、其中，表示衰减系数，表示赋值，表示责任信息，表示先验责任信息，表示先验责任信息得到信息值，表示可用信息，表示先验可用信息，表示先验可用信息得到信息值，表示迭代次数。32、优选的：步骤3中具体包括以下步骤：33、步骤3.1，逐类分别对电能数据差值和电池温度差值误差两变量与计量单元记录的参数进行相关性计算求解皮尔逊相关系数。34、步骤3.2，根据相关系数大小确定导致数据差值主因的影响成分，基于主因采用不同的误差阈值判断标准。35、优选的：基于主因采用不同的误差阈值判断标准的方法，通过先验经验充电桩充电故障引发因素与误差阈值的关系采用不同的误差阈值判断，先验经验充电桩充电故障引发因素与误差阈值的关系如下：36、温度影响：温度变化可能导致充电效率的误差阈值在5%到20%之间，具体取决于温度变化的幅度和充电桩的类型。37、充电桩模块故障：模块保护或故障可能导致充电中断，误差阈值为100%。38、充电桩和车辆的通讯问题：通讯中断可能导致充电失败，误差阈值为100%。39、充电过程中频繁断电：可能导致充电量不足，误差阈值取决于断电的频率和持续时间。40、充电器问题：可能导致充电效率显著下降，误差阈值取决于充电器的具体状况。41、优选的：lstm神经网络包括输入单元、遗忘门、输入门、输出门，输入单元为经过ap聚类后的差值数据样本。输出单元为考虑历史数据时序影响，经遗忘门、输入门、输出门计算保留部分数据特征的差值数据样本。42、遗忘门表达式：43、<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>f</mi><mi>t</mi></msub><mi>=</mi><mi>σ</mi><mrow><mo>(</mo><mrow><msub><mi>w</mi><mi>f</mi></msub><mrow><mo>[</mo><mrow><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mo>+</mo><msub><mi>b</mi><mi>f</mi></msub></mrow><mo>)</mo></mrow></mstyle>44、其中，表示遗忘值，，分别表示遗忘门的权重和偏置。代表当前的输入值。时元胞上一状态的值。代表激活函数。45、输入门由激活层和tanh层共同构成，决定需要更新的信息。激活层的输出表达式：46、<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>i</mi><mi>t</mi></msub><mi>=</mi><mi>σ</mi><mrow><mo>(</mo><mrow><msub><mi>w</mi><mi>i</mi></msub><mrow><mo>[</mo><mrow><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>x</mi><mi>i</mi></msub></mrow><mo>]</mo></mrow><mo>+</mo><msub><mi>b</mi><mi>i</mi></msub></mrow><mo>)</mo></mrow></mstyle>47、其中，表示激活层的输出，，分别表示激活层的权重和偏置。48、双曲正切激活函数构成tanh层，创造一个可能被加入元胞状态中的候选值。49、<mstyledisplaystyle="true"mathcolor="#000000"><mover><msub><mi>c</mi><mi>t</mi></msub><mi>~</mi></mover><mi>=</mi><mi>tanh</mi><mrow><mo>(</mo><mrow><msub><mi>w</mi><mi>c</mi></msub><mrow><mo>[</mo><mrow><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mo>+</mo><msub><mi>b</mi><mi>c</mi></msub></mrow><mo>)</mo></mrow></mstyle>50、其中，为候选值，为tanh层偏置。51、候选值结合元胞的旧状态更新为新状态：52、53、其中，表示对应元素相乘。54、元胞新状态经计算与输出门共同构成含有遗忘和记忆参数的最后输出：55、<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>o</mi><mi>t</mi></msub><mi>=</mi><mi>σ</mi><mrow><mo>(</mo><mrow><msub><mi>w</mi><mi>o</mi></msub><mrow><mo>[</mo><mrow><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>x</mi><mi>i</mi></msub></mrow><mo>]</mo></mrow><mo>+</mo><msub><mi>b</mi><mi>o</mi></msub></mrow><mo>)</mo></mrow></mstyle>56、其中，表示最后输出，，分别表示输出门的权重和偏置。57、优选的：步骤4中利用lstm神经网络建立时序异常数据诊断模型的方法如下：58、4.2.1数据预处理：将ap聚类后的差值数据进行清洗处理、去除噪声处理和数据标注，给每个样本分配相应异常数据类型的类别标签。同时将数据集合分为训练集，验证集和测试集。59、4.2.2模型设置：设置学习率，批次大小和迭代次数，初始化权重和偏置。60、4.2.3模型训练：将预处理后的数据训练集由神经网络输入门输入到lstm神经网络模型中，计算预测结果。根据预测结果和真实标签计算损失函数值，利用梯度下降法对损失函数进行优化。每个训练周期结束时，使用验证集评估模型性能，根据验证结果调整学习率、批次大小超参数，以提高模型性能。61、4.2.4模型测试：使用测试集评估模型性能，得到最终的性能指标。将训练好的lstm神经网络模型部署到实际应用场景中，为用户提供实时诊断建议或预警。62、优选的：车桩充电计量数据误差指标公式为：63、64、其中，rmse是车桩充电计量数据误差指标，是计量电能理想值，是计量电能实际值，n是样本数量。65、优选的：步骤1中桩端数据包括电压、电流、使用时长、温湿度、线路损耗车端bms信息包括电池单体电压、电池荷电状态、电池温度。66、本发明的另一目的是提供一种基于ap聚类和lstm网络的充电桩异常数据诊断系统，其特征在于：用于实现所述的基于ap聚类和lstm网络的充电桩异常数据诊断方法，包括样本库建立单元、聚类单元、误差阈值判断单元、lstm神经网络单元、识别单元，其中：67、所述样本库建立单元用于利用充电桩计量单元实时计量桩端数据，同时接收传递给充电桩的车端bms信息。使用标准计量仪器现场采集车和桩的完整充电周期的实时电能数据。将充电桩计量单元记录并计算得到的桩端数据和标准计量仪器测得的电能数据、电池温度数据作差建立差值样本库。68、所述聚类单元用于对数据异常样本库进行ap自聚类分析，数据根据自身特征自动分成若干类别。69、所述误差阈值判断单元用于引入皮尔逊相关分析模型，逐类对电能数据差值和电池温度差值误差与计量单元记录的参数进行相关性计算，根据相关系数大小确定导致数据差值主因的影响程度，基于影响程度大小采用不同的误差阈值判断标准。70、所述lstm神经网络单元用于将聚类分析后得到的结果作为输入参数，利用lstm神经网络建立时序异常数据诊断模型。71、所述识别单元用于实时计算车桩充电计量数据误差指标，将超过误差阈值范围的数据输入诊断模型，实现异常数据和原因的识别。72、本发明的另一目的是提供一种计算机系统，包括存储器和处理器，所述存储器用于存储计算机程序/指令。所述处理器用于执行所述计算机程序/指令以实现所述的基于ap聚类和lstm网络的充电桩异常数据诊断方法。73、本发明相比现有技术，具有以下有益效果：74、1.该方法结合车辆bms信息和充电桩计量信息，构建差值误差指标，同时考虑到车桩充电数据可能存在的异常影响，诊断结果更加真实可信。75、2.该方法利用ap自聚类算法并不需要事先设置聚类个数与聚类中心，能够快速地识别数据中心，在此基础上进行相关性分析确定影响因素主因更加客观全面。76、3.充电桩检测数据受到使用者生活习惯的影响，在不同时段数据量存在较大差异，利用lstm神经网络构建诊断模型可以充分考虑到充电数据分布的时序性特征。。当前第1页12当前第1页12