[发明专利]一种充电桩故障元件预测方法及系统

说明书

本发明公开了一种充电桩故障元件预测方法及系统，包括：获取待预测的充电桩数据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，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。本发明以充电桩的有效充电过程为单元，提取每个过程有效属性的特征值，并对所有有效特征序列进行聚类处理，既解决了因充电过程数目不同而导致的数据维度不统一的问题，同时降低了输入数据的维度，获取充电桩的有效特征数据。

技术领域

本发明涉及充电桩故障预测技术领域，尤其涉及一种充电桩故障元件预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

实现充电桩状态的有效监测是保证其稳定运行的重要条件。当前对充电桩的监测主要是基于单一数据的越限处理，通过上传对应的故障与告警信息，来实现元件状态的监测。但该方式信息利用单一，且往往是发生故障或告警时，才上传相应信息，无法提前预知元件的状态，且无法对多种不同类型的数据进行处理。

因此，为了提高充电桩的使用寿命，需要对充电桩的重要元件进行故障预测，以及时发现充电桩存在的潜在隐患，保证充电桩安全稳定的运行。

基于数据的方式进行故障预测是利用当前大量的数据进行设备故障的预测，是当前故障预测中的主要方法。该种方式的预测精度高低不仅与模型有关，也与提取的特征有关，若提取的特征不具有代表性，即使模型设计的很好，预测精度也不会高。同样地，若提取的特征有代表性，但模型很差，依然得不到比较理想的结果。因为充电桩重要元件预测精度的高低与特征提取的方式以及所采用的模型均有关。

当前数据提取特征的方式是对所有数据进行统一处理，获取均值、方差等。同时在进行故障预测时，故障数据要远小于正常数据，因此实际训练数据中会存在严重的不平衡。

在特征提取上，由于不同的充电桩在一定的时间内具有不同的有效充电过程，且采集的数据量中存在大量的无效数据，若直接计算所有数据的均值或者是方差来，虽能获取数据的部分特征，却忽略了每个过程所包含的细节信息，因此无法获取有效的充电桩的特征数据。

处理不平衡数据时，充电桩故障数据过少，若删除正常数据样本，虽能解决数据不平衡的问题，但此时训练数据量过少，训练模型的泛化能力差，预测精度低。若采用重复采样的方式，会出现严重的过拟合。

在模型选择上，长短时记忆网络模型(LSTM)预测时输入的信息为连续的有效信息，且采用的时间窗口是一定的。而对于充电桩来说，有效数据为非连续信息，且不同的充电桩的有效信息的时间间隔不同，因此无法采用长短模型实现故障的预测。充电桩的数据采集类型多，每个类型均为实时采集数据，单一类型的数据量大，而有效信息量少。因此如何在大量的数据中获取有效的信息，降低数据输入的维度是减少训练难度，提高预测精度的重要条件。

发明内容

有鉴于此，本发明提出了一种充电桩故障元件预测方法及系统，该方法基于有效充电过程的XGBOOT网络，以充电桩的每一个充电过程为单元，提取每个过程实时数据的特征序列，并利用K-means方法对所有特征序列进行聚类，以每个类的聚类中心作为输入模型的特征。这种处理方式既能充分利用充电桩所有的有效过程，同时解决了因不同充电桩的有效过程不同而导致的数据维度不统一的问题。

根据本发明实施例的第一个方面，提供了一种充电桩故障元件预测方法，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；