[发明专利]一种充电桩故障元件预测方法及系统

权利要求书

1.一种充电桩故障元件预测方法，其特征在于，包括：

获取待预测的充电桩编号、该充电桩k天之前所有充电过程的起始时间及终止时间、以及每一个充电过程的实时数据；提取每一个充电过程中待预测元件有效属性的特征值，去除无效元件，得到每一个有效元件在每一个充电过程的特征序列；

对每一个有效元件的特征序列进行聚类，将每一类的聚类中心排列在一起，形成所有预测元件的实时特征数据；

将所述实时特征数据与非实时特征数据融合，将融合后的数据输入到训练好的预测模型中，输出故障预测结果；对特征数据采用SMOTE方法实现不平衡数据的处理；

对于预测模型的训练过程，具体包括：

构建样本集；

计算所述样本集中，故障样本与正常样本的数量比值，若所述比值达到设定值，则进行平衡数据的处理；

计算每一个故障样本数据的K个邻近点；

利用每一个故障样本的中心点和邻近点，计算新的故障样本数据；

对新的故障样本数据与原始故障样本数据进行归一化处理，并扩充故障样本数据的标签，形成新的样本集；

将新的样本集按照设定比例划分为训练集和测试集，分别输入XGBOOT预测模型进行训练和预测；

用控制变量法的方式，分别确定不同的待预测元件的最优模型的主控因子；即每次只修改一个因子，并从中选择预测精度最高的主控因子作为XGBOOT预测模型训练的主控因子；

所述XGBOOT预测模型的目标函数为：

该目标函数包括两部分，一部分代表预测值与真实值的差距，即为损失函数，第二部分为正则项，其中T是叶子节点的个数，λ和γ为参数，该参数控制着树形结构的复杂度。

2.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，所述待预测元件包括：充电模块或者充电枪；

对于充电模块，每一个充电过程的实时数据至少包括：每一个充电模块的交流输入线电压、交流输入电流、直流输出电压、直流输出电流、入风口环境温度和内部温度；

对于充电枪，每一个充电过程的实时数据至少包括：电子锁操作次数、充电次数、枪头温度以及连接确认电压。

3.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，提取每一个充电过程中待预测元件有效属性的特征值，其中，充电模块有效属性的特征值包括：

对于电压和电流属性，提取特征值包括：最大值、最小值、最值差、平均值、阶梯变化平均值以及相对均值变化的平均值；

对于温度属性，提取特征值包括：最高温度、最低温度以及平均温度。

4.如权利要求3所述的一种充电桩故障元件预测方法，其特征在于，获取充电桩中一个充电过程电压或电流的实时值序列，通过小波变换获取不同频段下的能量数据，将所述能量数据组合在一起，形成小波变换的特征序列；

将上述提取的充电模块有效属性的特征值与小波变换的特征序列组合，形成充电模块的特征序列。

5.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，提取每一个充电过程中待预测元件有效属性的特征值，其中，充电枪有效属性的特征值包括：连接确认电压的平均值，温度的最大值、最小值以及平均值，电子锁的最大操作次数，充电的最大次数以及电子锁的操作次数和充电次数的关系。

6.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，当预测元件的充电过程的数量小于设定值时，判定为无效元件。

7.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，对每一个有效充电模块或者充电枪的特征序列进行聚类，若在聚类过程中，出现类内为空的情况，则进行空类处理：

统计当前聚类结果中，空类的数量i；

计算所有类所有样本与聚类中心的距离，并选择距离最大的前i个样本分别作为i个空类的样本，此时所有类内均不为空。

8.如权利要求1所述的一种充电桩故障元件预测方法，其特征在于，所述非实时特征数据具体为充电桩的使用时间。