一种基于物联网的充电服务平台数据分析方法及系统与流程

本发明涉及数据分析，具体来说，涉及一种基于物联网的充电服务平台数据分析方法及系统。

背景技术：

1、目前，充电桩设备主要依托有线网络、无线网络等方式进行数据通信传输，通过云端后台管理系统实现对充电设备的智能化管理，包括充电设备运行状态监控、用户身份识别、充电计费管理以及设备维护等功能，从而提供高效、便捷的充电服务。然而，由于充电服务平台对网络通信的高度依赖，一旦出现通信故障，如网络延迟、中断或数据丢失，就可能导致充电桩无法正常工作。这不仅影响用户的正常充电需求，还可能引发用户对充电服务的不信任，造成服务质量下降。

2、现有技术中，不便于快速识别平台中的异常数据，使得不能显著提升故障检测的准确性和响应速度，增加了因故障引起的服务中断，并且不便于对未来时刻充电桩设备的运行状态进行预测，不能提前识别出影响充电桩设备运行故障的关键因素，不便于提前采取措施，增加了设备故障风险，同时，不便于基于关键故障因素发出预警，不便于动态调整充电桩设备的运行参数，使得设备不能以最佳状态运行，从而降低了设备寿命。

3、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于物联网的充电服务平台数据分析方法及系统，以克服现有相关技术所存在的上述技术问题。

2、为此，本发明采用的具体技术方案如下：

3、根据本发明的一个方面，提高了一种基于物联网的充电服务平台数据分析方法，该充电服务平台数据分析方法包括以下步骤：

4、s1、基于物联网技术，获取充电服务平台的实时运行数据，并对实时运行数据进行预处理，提取充电服务平台的关键运行特征数据；

5、s2、利用故障诊断算法对提取的关键运行特征数据进行分析，识别出当前充电服务平台中的运行异常数据；

6、s3、基于运行异常数据，建立充电故障预测模型，并利用充电故障预测模型对未来时刻的充电桩设备运行状态进行预测，识别出影响充电桩设备运行故障的关键因素；

7、s4、基于关键故障因素，发出故障预警，动态调整充电桩设备的运行参数，并结合实时监控数据优化充电服务平台的运行。

8、进一步的，利用故障诊断算法对提取的关键运行特征数据进行分析，识别出当前充电服务平台中的运行异常数据包括以下步骤：

9、s21、从提取的关键运行特征数据中，获取充电服务平台的历史状态记录，并统计充电桩设备运行中的异常频率，并计算各类异常在不同时间及不同充电桩设备的分布比例；

10、s22、利用频率统计技术，对历史关键运行特征数据中的异常分布比例进行深入分析；基于分析结果，构建充电服务平台的异常数据识别模型；

11、s23、将异常数据识别模型部署到充电桩设备异常高发区域，若高发区域数值大于预设的阈值，则利用故障诊断算法对当前关键运行特征数据进行诊断，并标记当前充电服务平台中的运行异常数据。

12、进一步的，将异常数据识别模型部署到充电桩设备异常高发区域，若高发区域数值大于预设的阈值，则利用故障诊断算法对当前关键运行特征数据进行诊断，并标记当前充电服务平台中的运行异常数据包括以下步骤：

13、s231、利用故障诊断算法分析运行特征数据，筛选出影响充电桩设备异常的初步特征参数子集，作为核心参数；

14、s232、初始化故障诊断算法参数，对每个特征参数进行二进制转换，计算特征参数间的相关性及适应性评分，评估其对异常识别的重要性；

15、s233、基于递减方法，计算步长缩放因子，动态调整每个异常特征参数的变化幅度和特征权重；

16、s234、对运行特征参数进行随机扰动调整，并选取适应性评分最高的特征参数作为优选特征参数，构成充电桩设备异常高发区域的核心特征集合；

17、s235、对优选特征参数进行混沌扰动优化，重新计算适应性评分，并将优化后的评分与原优选特征参数评分对比，保留最佳异常特征参数；

18、s236、判断故障诊断算法是否达到最大迭代次数，若达到，输出最佳异常特征参数作为当前充电服务平台中的运行异常数据，否则，返回步骤s232继续优化。

19、进一步的，对运行特征参数进行随机扰动调整，并选取适应性评分最高的特征参数作为优选特征参数，构成充电桩设备异常高发区域的核心特征集合包括以下步骤：

20、s2341、对特征参数进行随机扰动调整，并通过改变特征参数值增加多样性；

21、s2342、扰动后的特征参数再次计算适应性评分，评估每个特征参数在异常识别中的重要性；

22、s2343、根据重新计算的适应性评分，筛选出表现最优的特征参数，构成优选特征参数集合，作为核心候选特征；

23、s2344、将优选特征参数集合用于异常高发区域进行分析，最终形成充电桩设备异常高发区域的核心特征集合。

24、进一步的，基于运行异常数据，建立充电故障预测模型，并利用充电故障预测模型对未来时刻的充电桩设备运行状态进行预测，识别出影响充电桩设备运行故障的关键因素包括以下步骤：

25、s31、将识别出的当前充电服务平台中的运行异常数据集合划分为训练集和测试集；

26、s32、随机初始化优化算法的参数及最大迭代次数，并设置充电故障预测模型的超参数取值范围；

27、s33、利用优化算法对充电故障预测模型的超参数进行优化，得到最优超参数，并基于最优超参数建立最终的充电故障预测模型；

28、s34、利用最终的充电故障预测模型对未来时刻的充电桩设备运行状态进行预测，识别出影响充电桩设备运行故障的关键因素。

29、进一步的，利用优化算法对充电故障预测模型的超参数进行优化，得到最优超参数，并基于最优超参数建立最终的充电故障预测模型包括以下步骤：

30、s331、从充电故障预测模型的超参数空间中，随机生成初始备选配置集，并初始化优化算法的关键参数；

31、s332、计算每个超参数备选配置的适应度值，并基于适应度值将备选配置划分为不同的优化群组；

32、s333、根据自适应优化规则调整超参数备选配置的分布，将高适应度备选配置集中在影响模型性能的关键区域，逐步淘汰低适应度备选配置；

33、s334、在各优化群组内，通过竞争机制选取若干适应度最优的超参数备选配置，作为主要配置进入下一轮迭代；

34、s335、重复步骤s332至步骤s334，直到达到最大迭代次数，输出适应度最优的超参数，并基于最优超参数建立最终的充电故障预测模型。

35、根据本发明的另一个方面，还提高了一种基于物联网的充电服务平台数据分析系统，该充电服务平台数据分析系统包括：

36、数据获取模块，用于基于物联网技术，获取充电服务平台的实时运行数据，并对实时运行数据进行预处理，提取充电服务平台的关键运行特征数据；

37、故障分析模块，用于利用故障诊断算法对提取的关键运行特征数据进行分析，识别出当前充电服务平台中的运行异常数据；

38、故障预测模块，用于基于运行异常数据，建立充电故障预测模型，并利用充电故障预测模型对未来时刻的充电桩设备运行状态进行预测，识别出影响充电桩设备运行故障的关键因素；

39、动态调整模块，用于基于关键故障因素，发出故障预警，动态调整充电桩设备的运行参数，并结合实时监控数据优化充电服务平台的运行。

40、本发明的有益效果为：

41、1、本发明通过故障诊断算法分析关键运行特征数据，快速识别平台中的异常数据，显著提升故障检测的准确性和响应速度，减少因故障引起的服务中断，利用运行异常数据建立充电故障预测模型，对未来时刻充电桩设备的运行状态进行预测，提前识别故障趋势，帮助运维团队提前采取措施，降低设备故障风险，基于关键故障因素发出预警，动态调整充电桩设备的运行参数，使得设备能够以最佳状态运行，从而延长设备寿命并提升充电效率。

42、2、本发明通过分析历史异常数据分布，构建异常数据识别模型并部署至高发区域，实现精准异常检测和快速故障诊断，有效提高了充电服务平台的故障识别效率，减少了服务中断，提升了平台的稳定性与运行可靠性，同时优化了运维管理成本。

43、3、本发明通过优化充电故障预测模型超参数，精准建立预测模型，对未来设备运行状态进行预测，提前识别故障趋势及关键因素，有效降低设备故障风险，提高平台运行稳定性和运维效率，同时保障用户充电体验。