[发明专利]一种电动汽车充电设施故障预测方法与系统

说明书

本发明提供了一种电动汽车充电设施故障预测方法与系统，包括：读入充电数据集合，对数据集进行类型划分；设置各项超参数的数据范围；选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型；使用Bagging算法生成不同的子数据集；将不同的子数据集分别交由对应的决策树模型进行回归分析；根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。本发明实现了对充电设施进行故障预测，能够在故障真正发生之前采取预防措施，避免故障发生，减少故障导致部件损坏和服务中断等，避免设施进入由故障引发的不安全或不确定的状态，从而降低运维成本，提高设备运营效率，保证安全性。

技术领域

本发明涉及电动汽车技术领域，特别是一种电动汽车充电设施故障预测方法与系统。

背景技术

随着电动汽车保有量的规模不断扩大，充电设施的规模也相应扩张，但其分布范围广、没有固定单一使用者、直接置于自然环境、需要随时能够工作的特点，为其运行维护工作带来了挑战，在其运行时对状态进行评价和对故障进行预测，采取规避措施，避免故障发生，将在成本控制和提高设施作业率上带来明显效果，创造价值。

故障诊断技术已经在传统大型设备如风机、发电设备进行了多年应用，形成比较成熟的方法，但对于电动汽车充电设施，此类设备由于最近几年才大规模出现，且其利用了较新的电力电子技术、物联网技术以及信息技术，所涉及的系统及部件相比传统机械类设备，出现较大不同，过去成熟的故障预测及分析方法难以满足此类新设备的需要，而现在主流的充电设施运检手段是以设备自身状态监控和人工监控及巡视相结合的方式，无法预测设备故障，仍然需要大量的人工参与故障诊断、维保计划制定等过程，仍然以基于人工判断和管理的传统方式为主，虽有一定的利用智能方法进行分析预测的探索，但该领域的故障预测仍在起步阶段。

发明内容

本发明的目的是提供一种电动汽车充电设施故障预测方法与系统，旨在解决现有技术中需要大量的人工参与充电设施的故障诊断的问题，实现对充电设施进行故障预测，降低运维成本，提高设备运营效率。

为达到上述技术目的，本发明提供了一种电动汽车充电设施故障预测方法，所述方法包括以下步骤：

S1、读入充电数据集合，对数据集进行类型划分；

S2、根据蒙特卡洛方法设置各项超参数的数据范围；

S3、在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型；

S4、使用Bagging算法将数据集的属性进行有放回的划分，从而得到不同的属性搭配类型并生成不同的子数据集；

S5、将不同的子数据集分别交由对应的随机森林中的决策树模型，使用bootstrap方法将多个决策树模型进行集成学习以进行回归分析；

S6、根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。

优选地，所述数据集划分为训练集、验证集以及测试集；

所述训练集用于拟合模型；所述验证集用于寻找效果最佳的模型，并调整模型参数；所述测试集用于进行模型预测；

所述训练集、验证集以及测试集按照3：1：1的比例进行划分。

优选地，所述超参数包括每棵决策树的最大叶子节点个数和随机森林中的决策树数量。

优选地，所述步骤S3具体操作为：

遍历各项超参数数据范围中可能的组合，并以训练集加以训练；

在完成所有超参数组合的模型训练之后记录其在验证集中的准确率，并选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型。