本發(fā)明涉及一種基于ap聚類和lstm神經(jīng)網(wǎng)絡(luò)的車樁充電異常數(shù)據(jù)診斷方法及系統(tǒng)，屬于充電樁故障模型。
背景技術(shù)：
：：1、隨著電動(dòng)汽車與充電設(shè)施的普及，充電過(guò)程產(chǎn)生的故障也越發(fā)頻繁，影響著電動(dòng)汽車的進(jìn)一步推廣，更重要的是危害到用戶的人身安全。中國(guó)電動(dòng)汽車充電基礎(chǔ)設(shè)施促進(jìn)聯(lián)盟針對(duì)國(guó)內(nèi)十個(gè)城市充電設(shè)施使用情況的調(diào)研表明，公共充電設(shè)施平均故障率達(dá)到了20%，故障頻發(fā)嚴(yán)重影響了其充電壽命。電動(dòng)汽車安全事故逐年增加，尤其是充電過(guò)程中產(chǎn)生的安全問(wèn)題嚴(yán)重制約新能源汽車行業(yè)的蓬勃發(fā)展。充電設(shè)施的故障診斷能力成為影響其安全穩(wěn)定運(yùn)行的主要問(wèn)題之一，尤其是當(dāng)充電模塊、能量轉(zhuǎn)換模塊的關(guān)鍵部件的故障，將影響到整個(gè)設(shè)備的安全工作性能。目前，充電設(shè)施的故障診斷體系還不夠完善，故障診斷效果并不夠好，故障診斷策略也不夠智能，對(duì)于復(fù)雜相關(guān)性的故障難以確定故障源頭，也成為電動(dòng)汽車進(jìn)一步推廣的難題。技術(shù)實(shí)現(xiàn)思路1、發(fā)明目的：為了實(shí)現(xiàn)車樁互動(dòng)過(guò)程中異常數(shù)據(jù)識(shí)別和異常原因診斷，本發(fā)明提供一種基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法。2、技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：3、一種基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，包括以下步驟：4、步驟1：利用充電樁計(jì)量單元實(shí)時(shí)計(jì)量樁端數(shù)據(jù)，同時(shí)接收傳遞給充電樁的車端bms信息。使用標(biāo)準(zhǔn)計(jì)量?jī)x器現(xiàn)場(chǎng)采集車和樁的完整充電周期的實(shí)時(shí)電能數(shù)據(jù)。將充電樁計(jì)量單元記錄并計(jì)算得到的樁端數(shù)據(jù)和標(biāo)準(zhǔn)計(jì)量?jī)x器測(cè)得的電能數(shù)據(jù)、電池溫度數(shù)據(jù)作差建立差值樣本庫(kù)。5、步驟2：對(duì)數(shù)據(jù)異常樣本庫(kù)進(jìn)行ap自聚類分析，數(shù)據(jù)根據(jù)自身特征自動(dòng)分成若干類別。6、步驟3：引入皮爾遜相關(guān)分析模型，逐類對(duì)電能數(shù)據(jù)差值和電池溫度差值誤差與計(jì)量單元記錄的參數(shù)進(jìn)行相關(guān)性計(jì)算，根據(jù)相關(guān)系數(shù)大小確定導(dǎo)致數(shù)據(jù)差值主因的影響程度，基于影響程度大小采用不同的誤差閾值判斷標(biāo)準(zhǔn)。7、步驟4：將聚類分析后得到的結(jié)果作為輸入?yún)?shù)，利用lstm神經(jīng)網(wǎng)絡(luò)建立時(shí)序異常數(shù)據(jù)診斷模型。8、步驟5：實(shí)時(shí)計(jì)算車樁充電計(jì)量數(shù)據(jù)誤差指標(biāo)，將超過(guò)誤差閾值范圍的數(shù)據(jù)輸入診斷模型，實(shí)現(xiàn)異常數(shù)據(jù)和原因的識(shí)別。9、優(yōu)選的：步驟2中對(duì)數(shù)據(jù)異常樣本庫(kù)進(jìn)行ap自聚類分析，數(shù)據(jù)根據(jù)自身特征自動(dòng)分成若干類別的方法：10、步驟2.1：根據(jù)建立的差值樣本庫(kù)建立ap聚類的目標(biāo)函數(shù)。11、ap聚類的目標(biāo)函數(shù)如下：12、13、其中，表示聚類目標(biāo)函數(shù)值，稱為變量節(jié)點(diǎn)，為節(jié)點(diǎn)數(shù),,,均為函數(shù)節(jié)點(diǎn)。14、約束函數(shù)1：15、16、17、其中，為求解目標(biāo)函數(shù)的第1個(gè)約束條件，確保被其他點(diǎn)選為中心時(shí)，同時(shí)為自身的中心，求解目標(biāo)函數(shù)的第一個(gè)約束條件最大值。18、約束函數(shù)2：19、20、其中，為求解目標(biāo)函數(shù)的第2個(gè)約束條件，每個(gè)數(shù)據(jù)點(diǎn)只能選擇一個(gè)點(diǎn)作為它的中心，即中心具有唯一性。當(dāng)=1時(shí)，點(diǎn)為點(diǎn)的中心。21、22、其中，表示輸入的相似性度量合并一起函數(shù)，其中為歐氏距離的相反數(shù)，被２個(gè)約束函數(shù)和不斷進(jìn)行修正，直至停止。23、步驟2.2設(shè)置中間傳遞信息，根據(jù)最大和法則更新信息，最后利用信息值計(jì)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：和分別稱為責(zé)任信息和可用信息，責(zé)任信息表示作為的中心的合適大小程度，傳遞從點(diǎn)到之間的信息?？捎眯畔⒌淖饔檬莻鬟f從點(diǎn)到點(diǎn)的信息，表示在已經(jīng)從其他數(shù)據(jù)點(diǎn)處得到信息的條件下，其作為的中心的可能性大小程度。和均為ap聚類算法的中間變量。ap聚類算法迭代多次之后，可獲得所有表征數(shù)據(jù)點(diǎn)之間的關(guān)系矩陣，實(shí)現(xiàn)將樣本集合根據(jù)數(shù)據(jù)特征自動(dòng)聚集為若干類的目的。29、步驟2.3為了避免振蕩，ap算法更新信息時(shí)引入了衰減系數(shù)。每條信息被設(shè)置為它前次迭代更新值的倍加上本次信息更新值的倍。其中，衰減系數(shù)是介于0到1之間的實(shí)數(shù),此處取值0.5。即第t+1次和的迭代值：30、；31、其中，表示衰減系數(shù)，表示賦值，表示責(zé)任信息，表示先驗(yàn)責(zé)任信息，表示先驗(yàn)責(zé)任信息得到信息值，表示可用信息，表示先驗(yàn)可用信息，表示先驗(yàn)可用信息得到信息值，表示迭代次數(shù)。32、優(yōu)選的：步驟3中具體包括以下步驟：33、步驟3.1，逐類分別對(duì)電能數(shù)據(jù)差值和電池溫度差值誤差兩變量與計(jì)量單元記錄的參數(shù)進(jìn)行相關(guān)性計(jì)算求解皮爾遜相關(guān)系數(shù)。34、步驟3.2，根據(jù)相關(guān)系數(shù)大小確定導(dǎo)致數(shù)據(jù)差值主因的影響成分，基于主因采用不同的誤差閾值判斷標(biāo)準(zhǔn)。35、優(yōu)選的：基于主因采用不同的誤差閾值判斷標(biāo)準(zhǔn)的方法，通過(guò)先驗(yàn)經(jīng)驗(yàn)充電樁充電故障引發(fā)因素與誤差閾值的關(guān)系采用不同的誤差閾值判斷，先驗(yàn)經(jīng)驗(yàn)充電樁充電故障引發(fā)因素與誤差閾值的關(guān)系如下：36、溫度影響：溫度變化可能導(dǎo)致充電效率的誤差閾值在5%到20%之間，具體取決于溫度變化的幅度和充電樁的類型。37、充電樁模塊故障：模塊保護(hù)或故障可能導(dǎo)致充電中斷，誤差閾值為100%。38、充電樁和車輛的通訊問(wèn)題：通訊中斷可能導(dǎo)致充電失敗，誤差閾值為100%。39、充電過(guò)程中頻繁斷電：可能導(dǎo)致充電量不足，誤差閾值取決于斷電的頻率和持續(xù)時(shí)間。40、充電器問(wèn)題：可能導(dǎo)致充電效率顯著下降，誤差閾值取決于充電器的具體狀況。41、優(yōu)選的：lstm神經(jīng)網(wǎng)絡(luò)包括輸入單元、遺忘門、輸入門、輸出門，輸入單元為經(jīng)過(guò)ap聚類后的差值數(shù)據(jù)樣本。輸出單元為考慮歷史數(shù)據(jù)時(shí)序影響，經(jīng)遺忘門、輸入門、輸出門計(jì)算保留部分?jǐn)?shù)據(jù)特征的差值數(shù)據(jù)樣本。42、遺忘門表達(dá)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，表示遺忘值，，分別表示遺忘門的權(quán)重和偏置。代表當(dāng)前的輸入值。時(shí)元胞上一狀態(tài)的值。代表激活函數(shù)。45、輸入門由激活層和tanh層共同構(gòu)成，決定需要更新的信息。激活層的輸出表達(dá)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，表示激活層的輸出，，分別表示激活層的權(quán)重和偏置。48、雙曲正切激活函數(shù)構(gòu)成tanh層，創(chuàng)造一個(gè)可能被加入元胞狀態(tài)中的候選值。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，為候選值，為tanh層偏置。51、候選值結(jié)合元胞的舊狀態(tài)更新為新?tīng)顟B(tài)：52、53、其中，表示對(duì)應(yīng)元素相乘。54、元胞新?tīng)顟B(tài)經(jīng)計(jì)算與輸出門共同構(gòu)成含有遺忘和記憶參數(shù)的最后輸出：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，表示最后輸出，，分別表示輸出門的權(quán)重和偏置。57、優(yōu)選的：步驟4中利用lstm神經(jīng)網(wǎng)絡(luò)建立時(shí)序異常數(shù)據(jù)診斷模型的方法如下：58、4.2.1數(shù)據(jù)預(yù)處理：將ap聚類后的差值數(shù)據(jù)進(jìn)行清洗處理、去除噪聲處理和數(shù)據(jù)標(biāo)注，給每個(gè)樣本分配相應(yīng)異常數(shù)據(jù)類型的類別標(biāo)簽。同時(shí)將數(shù)據(jù)集合分為訓(xùn)練集，驗(yàn)證集和測(cè)試集。59、4.2.2模型設(shè)置：設(shè)置學(xué)習(xí)率，批次大小和迭代次數(shù)，初始化權(quán)重和偏置。60、4.2.3模型訓(xùn)練：將預(yù)處理后的數(shù)據(jù)訓(xùn)練集由神經(jīng)網(wǎng)絡(luò)輸入門輸入到lstm神經(jīng)網(wǎng)絡(luò)模型中，計(jì)算預(yù)測(cè)結(jié)果。根據(jù)預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽計(jì)算損失函數(shù)值，利用梯度下降法對(duì)損失函數(shù)進(jìn)行優(yōu)化。每個(gè)訓(xùn)練周期結(jié)束時(shí)，使用驗(yàn)證集評(píng)估模型性能，根據(jù)驗(yàn)證結(jié)果調(diào)整學(xué)習(xí)率、批次大小超參數(shù)，以提高模型性能。61、4.2.4模型測(cè)試：使用測(cè)試集評(píng)估模型性能，得到最終的性能指標(biāo)。將訓(xùn)練好的lstm神經(jīng)網(wǎng)絡(luò)模型部署到實(shí)際應(yīng)用場(chǎng)景中，為用戶提供實(shí)時(shí)診斷建議或預(yù)警。62、優(yōu)選的：車樁充電計(jì)量數(shù)據(jù)誤差指標(biāo)公式為：63、64、其中，rmse是車樁充電計(jì)量數(shù)據(jù)誤差指標(biāo)，是計(jì)量電能理想值，是計(jì)量電能實(shí)際值，n是樣本數(shù)量。65、優(yōu)選的：步驟1中樁端數(shù)據(jù)包括電壓、電流、使用時(shí)長(zhǎng)、溫濕度、線路損耗車端bms信息包括電池單體電壓、電池荷電狀態(tài)、電池溫度。66、本發(fā)明的另一目的是提供一種基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷系統(tǒng)，其特征在于：用于實(shí)現(xiàn)所述的基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，包括樣本庫(kù)建立單元、聚類單元、誤差閾值判斷單元、lstm神經(jīng)網(wǎng)絡(luò)單元、識(shí)別單元，其中：67、所述樣本庫(kù)建立單元用于利用充電樁計(jì)量單元實(shí)時(shí)計(jì)量樁端數(shù)據(jù)，同時(shí)接收傳遞給充電樁的車端bms信息。使用標(biāo)準(zhǔn)計(jì)量?jī)x器現(xiàn)場(chǎng)采集車和樁的完整充電周期的實(shí)時(shí)電能數(shù)據(jù)。將充電樁計(jì)量單元記錄并計(jì)算得到的樁端數(shù)據(jù)和標(biāo)準(zhǔn)計(jì)量?jī)x器測(cè)得的電能數(shù)據(jù)、電池溫度數(shù)據(jù)作差建立差值樣本庫(kù)。68、所述聚類單元用于對(duì)數(shù)據(jù)異常樣本庫(kù)進(jìn)行ap自聚類分析，數(shù)據(jù)根據(jù)自身特征自動(dòng)分成若干類別。69、所述誤差閾值判斷單元用于引入皮爾遜相關(guān)分析模型，逐類對(duì)電能數(shù)據(jù)差值和電池溫度差值誤差與計(jì)量單元記錄的參數(shù)進(jìn)行相關(guān)性計(jì)算，根據(jù)相關(guān)系數(shù)大小確定導(dǎo)致數(shù)據(jù)差值主因的影響程度，基于影響程度大小采用不同的誤差閾值判斷標(biāo)準(zhǔn)。70、所述lstm神經(jīng)網(wǎng)絡(luò)單元用于將聚類分析后得到的結(jié)果作為輸入?yún)?shù)，利用lstm神經(jīng)網(wǎng)絡(luò)建立時(shí)序異常數(shù)據(jù)診斷模型。71、所述識(shí)別單元用于實(shí)時(shí)計(jì)算車樁充電計(jì)量數(shù)據(jù)誤差指標(biāo)，將超過(guò)誤差閾值范圍的數(shù)據(jù)輸入診斷模型，實(shí)現(xiàn)異常數(shù)據(jù)和原因的識(shí)別。72、本發(fā)明的另一目的是提供一種計(jì)算機(jī)系統(tǒng)，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序/指令。所述處理器用于執(zhí)行所述計(jì)算機(jī)程序/指令以實(shí)現(xiàn)所述的基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法。73、本發(fā)明相比現(xiàn)有技術(shù)，具有以下有益效果：74、1.該方法結(jié)合車輛bms信息和充電樁計(jì)量信息，構(gòu)建差值誤差指標(biāo)，同時(shí)考慮到車樁充電數(shù)據(jù)可能存在的異常影響，診斷結(jié)果更加真實(shí)可信。75、2.該方法利用ap自聚類算法并不需要事先設(shè)置聚類個(gè)數(shù)與聚類中心，能夠快速地識(shí)別數(shù)據(jù)中心，在此基礎(chǔ)上進(jìn)行相關(guān)性分析確定影響因素主因更加客觀全面。76、3.充電樁檢測(cè)數(shù)據(jù)受到使用者生活習(xí)慣的影響，在不同時(shí)段數(shù)據(jù)量存在較大差異，利用lstm神經(jīng)網(wǎng)絡(luò)構(gòu)建診斷模型可以充分考慮到充電數(shù)據(jù)分布的時(shí)序性特征。。當(dāng)前第1頁(yè)12當(dāng)前第1頁(yè)12