一种电动汽车充电设备故障分析、预警方法及系统

技术领域

本发明涉及电动汽车领域，具体涉及一种电动汽车充电设备故障分析、预警方法及系统。

背景技术

近几年，电动汽车产业发展日新月异，市场发展迅速，从电动汽车的增长量上来看，未来电动汽车将会迎来爆发式的增长。伴随着电动汽车的快速发展，其配套设施面临着一系列挑战，包括充电过程中故障较多，造成充电不能顺利充电，甚至完全中断；由于新旧标准不同，导致充电设施、电动汽车的兼容性不足；充电设施质量参差不齐，导致充电过程存在安全隐患等。因此，如何改善对电动汽车充电客户的服务水平，降低充电安全隐患，并实现充电故障精准定位，已成为目前急需解决的工作重点。

目前针对电动汽车充电安全故障的研究成果大多集中在电网安全、充电设备安全、电动汽车的电池管理等，研究内容相对分散。针对电动汽车充放电过程多级设备一体化作用机理及故障特性等理论研究尚存不足，导致充放电故障数据监测及挖掘准确度不高。为此，有必要针对电动汽车充放电过程存在的机理分析、故障关联性等不足系统地开展相关技术研究，提升用户充电体验及故障处理效率，推动电动汽车产业健康快速发展。

因此，需要提供一种技术方案来克服现有技术的不足。

发明内容

为了克服上述现有技术的不足，本发明提供一种电动汽车充电设备故障的分析、预警方法及系统。

一种电动汽车充电设备故障的分析方法，其改进之处在于，包括如下步骤：

获取历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据；

根据历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，获得不同充电设备厂家在不同充电过程中的故障数据集；

基于所述故障数据集，对不同充电设备厂家在不同充电过程中发生的故障进行关联分析，获得不同充电设备厂家的故障关联规则集。

进一步地，所述获取历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，包括：

对历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据分别进行采样；

对采样的充电设备的厂家、充电过程的次数和充电过程中发生的故障数据分别进行标识；

所述故障数据包括在充电过程中发生的充电设备故障、电动汽车中动力电池故障和配电网故障，以及各种故障类型的故障次数。

进一步地，所述根据历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，获得不同充电设备厂家在不同充电过程中的故障数据集，包括：

接收并存储历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，以及充电设备厂家标识、充电过程次数标识和充电过程中发生的故障数据标识；

按不同充电设备的厂家标识对故障数据进行分组；

统计相同充电设备厂家标识在不同充电过程标识下各故障类型发生的次数，并根据次数对故障类型进行降序排序，进而获得不同充电设备厂家在不同充电过程中的故障数据集。

进一步地，所述基于所述故障数据集，对不同充电设备厂家在不同充电过程中发生的故障进行关联分析，获得不同充电设备厂家的故障关联规则集，包括：

对故障数据集进行一次扫描，获得所有故障的支持度计数，删除小于支持度阈值的故障，将剩下的频繁故障按照支持度计数进行降序排列后得到头表；

对故障数据集进行二次扫描，从故障数据集中剔除非频繁故障，将剩余的频繁故障按照头表中频繁故障次序进行降序排列，将排列后的剩余频繁故障插入树结构，建立FP树；

从头表的最后一项频繁故障依次向上获取FP树中对应的条件模式基，删除条件模式基中小于支持度阈值的频繁故障项并创建条件FP树，得到所有的频繁故障项集；

对于每个频繁故障项集r，任取r的非空子集t，根据置信度计算公式计算任意组合的故障类型标识的置信度，进而获得不同充电设备厂家在不同充电过程中的故障关联规则集。

进一步地，所述将排列后的剩余频繁故障插入树结构，建立FP树，包括：

建立以Null为根节点的树结构；

将剩余频繁故障中排列在先的节点作为父节点，排列在后的节点作为子节点，插入树结构中；

若频繁故障存在于当前父节点的子节点中，则将子节点的计数值加1；否则，创建新的子节点，直至所有充电过程中的所有故障数据均插入树结构中，得到建立好的FP树。

进一步地，所述获得不同充电设备厂家的故障关联规则集之后，还包括：

通过下式计算故障关联规则集中规则

如果规则

本发明还提出一种电动汽车充电设备故障分析系统，其改进之处在于，包括如下部件：

故障数据远传模块，用于获取历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据；

故障数据集构建模块，用于根据历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，获得不同充电设备厂家在不同充电过程中的故障数据集；

故障数据分析模块，用于基于所述故障数据集，对不同充电设备厂家在不同充电过程中发生的故障进行关联分析，获得不同充电设备厂家的故障关联规则集。

进一步地，所述故障数据远传模块，具体用于：

对历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据分别进行采样；

对采样的充电设备的厂家、充电过程的次数和充电过程中发生的故障数据分别进行标识；

其中，所述故障数据包括在充电过程中发生的充电设备故障、电动汽车中动力电池故障和配电网故障，以及各种故障类型的故障次数。

进一步地，所述故障数据集构建模块，具体用于：

接收并存储历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，以及充电设备厂家标识、充电过程次数标识和充电过程中发生的故障数据标识；

按不同充电设备的厂家标识对故障数据进行分组；

统计相同充电设备厂家标识在不同充电过程标识下各故障类型发生的次数，并根据次数对故障类型进行降序排序，进而获得不同充电设备厂家在不同充电过程中的故障数据集。

进一步地，所述故障数据分析模块，具体用于：

对故障数据集进行一次扫描，获得所有故障的支持度计数，删除小于支持度阈值的故障，将剩下的频繁故障按照支持度计数进行降序排列后得到头表；

对故障数据集进行二次扫描，从故障数据集中剔除非频繁故障，将剩余的频繁故障按照头表中频繁故障次序进行降序排列，将排列后的剩余频繁故障插入树结构，建立FP树；

从头表的最后一项频繁故障依次向上获取FP树中对应的条件模式基，删除条件模式基中小于支持度阈值的频繁故障项并创建条件FP树，得到所有的频繁故障项集；

对于每个频繁故障项集r，任取r的非空子集t，根据置信度计算公式计算任意组合的故障类型标识的置信度，进而获得不同充电设备厂家在不同充电过程中的故障关联规则集。

进一步地，所述将排列后的剩余频繁故障插入树结构，建立FP树，包括：

建立以Null为根节点的树结构；

将剩余频繁故障中排列在先的节点作为父节点，排列在后的节点作为子节点，插入树结构中；

若频繁故障存在于当前父节点的子节点中，则将子节点的计数值加1；否则，创建新的子节点，直至所有充电过程中的所有故障数据均插入树结构中，得到建立好的FP树。

进一步地，所述系统，还包括：

关联规则评估模块，用于通过下式计算故障关联规则集中规则

如果规则

本发明还提出一种电动汽车充电设备故障预警方法，其改进之处在于，包括如下步骤：

获取当前充电设备为电动汽车的充电过程和充电过程中发生的故障数据；

将所述故障数据输入至预先构建的故障关联规则集中，查询得到与故障数据相关的故障关联规则，并根据所述故障关联规则对将要发生的故障进行预警；

其中，所述故障关联规则集采用如上任一所述的分析方法进行预先构建。

本发明还提出一种电动汽车充电设备故障预警方法，其改进之处在于，包括如下步骤：

获取模块，用于获取当前充电设备为电动汽车的充电过程和充电过程中发生的故障数据；

预警模块，用于将所述故障数据输入至预先构建的故障关联规则集中，查询得到与故障数据相关的故障关联规则，并根据所述故障关联规则对将要发生的故障进行预警；

其中，所述故障关联规则集采用如上任一所述的分析方法进行预先构建。

与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：

本发明提出的电动汽车充电设备故障分析方法及系统中，利用充电设备数据、充电过程数据和充电过程中发生的故障数据，获得不同充电设备厂家在不同充电过程中的故障数据集；并基于所述故障数据集，对不同充电设备厂家在不同充电过程中发生的故障进行关联分析，以获得不同充电设备厂家的故障关联规则集。本发明的技术方案通过机器学习的方法深度挖掘不同故障之间的故障关联性，降低了不同厂家的设备差异带来的分析复杂性，能够快速识别故障的关联性。

本发明提出的电动汽车充电设备故障分析方法及系统中，从动力电池、充电设备、配电网三个不同层面的安全因素进行综合考虑，通过机器学习的方法深度挖掘三者之间的故障关联性，降低了不同厂家的设备差异带来的分析复杂性，能够快速识别故障的关联性，为后期的充电汽车充放电过程的故障诊断、精确定位以及故障快速消除提供理论支撑此外，本发明不需要精确的物理分析，即可快速得到各级设备故障的关联性，减少分析时间。

本发明提出的电动汽车充电设备故障分析方法及系统中，还通过兴趣因子进一步对所挖掘的关联故障进行验证，以提高故障关联规则集的准确性，进而实现对后期故障诊断、故障定位提供精准的理论支撑。

附图说明

图1为本发明实施例1中电动汽车充电设备故障分析方法的流程示意图

图2为本发明实施例中电动汽车充电设备故障分析方法的硬件架构图；

图3为本发明实施例2中电动汽车充电设备故障分析方法的流程示意图；

图4为本发明实施例2中电动汽车充电设备故障分析方法的初始化流程图；

图5为本发明实施例2中电动汽车充电设备故障分析方法的故障频繁项集项挖掘流程图；

图6为本发明实施例2中电动汽车充电设备故障分析方法的故障关联规则挖掘流程图；

图7为本发明分析方法的故障关联模式评估流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

实施例1

如图2为本发明涉及的电动汽车充电设备故障分析方法的架构示意图，该架构包括：至少两个充电桩、故障数据远传模块、配电网(即配电设施及网络)、防火墙以及故障数据分析模块。其中的故障数据远传模块采用多个RS-485通讯接口，支持Modbus RTU及CANBUS协议，支持GPRS、蓝牙及无线4G等通讯方式。故障数据远传模块放置于充电设备内部，针对充电设备的厂家(铭牌信息)、充电过程以及故障信息进行集中采集与分类标识。故障集构建模块和故障数据分析模块放置于充电运营服务平台中，其中，故障集构建模块主要实现对不同区域，不同充电设备的故障数据进行存储并构建相关故障数据集；故障数据分析服务器主要实现对故障数据的关联性分析和故障预警功能。故障数据分析模块从动力电池、充电设备、配电网三者不同层面的安全因素综合考虑，通过机器学习的方法，深度挖掘三者之间的故障关联性。如图1为本发明涉及的电动汽车充电设备故障数据分析方法流程图，其具体包括如下步骤：

S11、获取历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据；

S12、根据历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，获得不同充电设备厂家在不同充电过程中的故障数据集；

S13、基于所述故障数据集，对不同充电设备厂家在不同充电过程中发生的故障进行关联分析，获得不同充电设备厂家的故障关联规则集。

上述S11中，其具体步骤可以包括：

S111、对历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据分别进行采样；

S112、对采样的充电设备的厂家、充电过程的次数和充电过程中发生的故障数据分别进行标识；

其中，所述故障数据包括在充电过程中发生的充电设备故障、电动汽车中动力电池故障和配电网故障，以及各种故障类型的故障次数。

上述S11中，可以采用多个RS-485通讯接口，支持Modbus RTU及CANBUS协议，支持GPRS、蓝牙及无线4G等通讯方式获取历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据。

上述S12中，其具体步骤可以包括：

S121、接收并存储历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，以及充电设备厂家标识、充电过程次数标识和充电过程中发生的故障数据标识；

S122、按不同充电设备的厂家标识对故障数据进行分组；

S123、统计相同充电设备厂家标识在不同充电过程标识下各故障类型发生的次数，并根据次数对故障类型进行降序排序，进而获得不同充电设备厂家在不同充电过程中的故障数据集。若不同类型的故障次数相同，可按照故障类型的名称首字母由A到Z依次排序。

上述S123中，构建的故障数据集D

上述S13中，其具体步骤可以包括：

S131、对故障数据集进行一次扫描，获得所有故障的支持度计数，删除小于支持度阈值的故障，将剩下的频繁故障按照支持度计数进行降序排列后得到头表；

其中，频繁故障为支持度大于等于支持度阈值的故障，支持度用来表示某项故障X在整个集项中出现的频率，是一个百分比，假定所有记录的故障次数为N，其中sum(X)为故障X出现的总次数，则该项频繁故障的支持度为：Sup(X)＝sum(X)/N；

S132、对故障数据集进行二次扫描，从故障数据集中剔除非频繁故障，将剩余的频繁故障按照头表中频繁故障次序进行降序排列，将排列后的剩余频繁故障插入树结构，建立FP树；

S133、从头表的最后一项频繁故障依次向上获取FP树中对应的条件模式基，删除条件模式基中小于支持度阈值的频繁故障项并创建条件FP树，得到所有的频繁故障项集；

S134、对于每个频繁故障项集r，任取r的非空子集t，根据置信度计算公式计算任意组合的故障类型标识的置信度，进而获得不同充电设备厂家在不同充电过程中的故障关联规则集。

上述S131可以具体包括如下步骤：

步骤S1311、扫描故障数据集D

步骤S1312、丢弃小于最小支持度minsup的故障，余下的频繁故障按照支持度计数Sup

上述S132中将排列后的剩余频繁故障插入树结构，建立FP树，具体可以包括如下步骤：

S1321、建立以Null为根节点的树结构；

S1322、将剩余频繁故障中排列在先的节点作为父节点，排列在后的节点作为子节点，插入树结构中；

S1323、若频繁故障存在于当前父节点的子节点中，则将子节点的计数值加1；否则，创建新的子节点，直至所有充电过程中的所有故障数据均插入树结构中，得到建立好的FP树。

上述S132还可以具体包括如下步骤：

步骤1：初始化j＝1；k＝1；空FP-Tree；

步骤2：第二遍扫描故障数据集D

步骤3：如果充电过程TID

步骤4：若k＜N

步骤5：若j＜N

上述S133中条件模式基的构建，可以包括如下步骤：

步骤1：从下至上顺着头表T

步骤2：更新路径上各节点的支持度计数。前缀路径上所有故障的支持度为该路径上头表指针指向频繁故障的支持度。

上述S133中条件FP树的构建，可以包括如下步骤：

步骤1：累加条件模式的故障计数；

步骤2：丢弃小于支持度阈值minsup的故障。

上述S134，可以包括如下步骤：

步骤1：对于r每个频繁项集，产生r的所有非空子集；

步骤2：对于r的每个非空子集t，根据置信度计算公式获得规则

其中，minconf为置信度阈值，r-t为频繁项集r中除子集t的集合；

得规则

上述S13之后，还可以包括：

通过下式计算故障关联规则集中规则

如果规则

基于同一发明构思，本发明实施例1还提出一种电动汽车充电设备故障分析系统，包括：

故障数据远传模块，用于获取历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据；

故障数据集构建模块，用于根据历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，获得不同充电设备厂家在不同充电过程中的故障数据集；

故障数据分析模块，用于基于所述故障数据集，对不同充电设备厂家在不同充电过程中发生的故障进行关联分析，获得不同充电设备厂家的故障关联规则集。

优选地，故障数据远传模块，具体用于：

对历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据分别进行采样；

对采样的充电设备的厂家、充电过程的次数和充电过程中发生的故障数据分别进行标识；

其中，所述故障数据包括在充电过程中发生的充电设备故障、电动汽车中动力电池故障和配电网故障，以及各种故障类型的故障次数。

优选地，所述故障数据集构建模块，具体用于：

接收并存储历史时段内的充电设备数据、充电过程数据和充电过程中发生的故障数据，以及充电设备厂家标识、充电过程次数标识和充电过程中发生的故障数据标识；

按不同充电设备的厂家标识对故障数据进行分组；

统计相同充电设备厂家标识在不同充电过程标识下各故障类型发生的次数，并根据次数对故障类型进行降序排序，进而获得不同充电设备厂家在不同充电过程中的故障数据集。

优选地，所述故障数据分析模块，具体用于：

对故障数据集进行一次扫描，获得所有故障的支持度计数，删除小于支持度阈值的故障，将剩下的频繁故障按照支持度计数进行降序排列后得到头表；

对故障数据集进行二次扫描，从故障数据集中剔除非频繁故障，将剩余的频繁故障按照头表中频繁故障次序进行降序排列，将排列后的剩余频繁故障插入树结构，建立FP树；

从头表的最后一项频繁故障依次向上获取FP树中对应的条件模式基，删除条件模式基中小于支持度阈值的频繁故障项并创建条件FP树，得到所有的频繁故障项集；

对于每个频繁故障项集r，任取r的非空子集t，根据置信度计算公式计算任意组合的故障类型标识的置信度，进而获得不同充电设备厂家在不同充电过程中的故障关联规则集。

优选地，所述将排列后的剩余频繁故障插入树结构，建立FP树，包括：

建立以Null为根节点的树结构；

将剩余频繁故障中排列在先的节点作为父节点，排列在后的节点作为子节点，插入树结构中；

若频繁故障存在于当前父节点的子节点中，则将子节点的计数值加1；否则，创建新的子节点，直至所有充电过程中的所有故障数据均插入树结构中，得到建立好的FP树。

优选地，所述系统，还可以包括：

关联规则评估模块，用于通过下式计算故障关联规则集中规则

如果规则

实施例2

如图2为本发明涉及的电动汽车充电设备故障分析方法的硬件架构图，该架构包括：至少两个充电桩、故障数据远传模块、配电网(即配电设施及网络)、防火墙以及远程故障数据存储与分析模块。其中的故障数据远传模块采用多个RS-485通讯接口，支持ModbusRTU及CANBUS协议，支持GPRS、蓝牙及无线4G等通讯方式。故障数据远传模块放置于充电设备内部，针对充电设备的厂家(铭牌信息)、充电过程以及故障信息进行集中采集与分类标识。故障数据分析模块放置于充电运营服务平台中，具体包括故障数据存储服务器和故障数据分析服务器，其中，故障数据存储服务器实现对不同区域，不同充电设备的故障数据进行存储；故障数据分析服务器主要实现对故障数据的关联性分析和故障预警功能。故障数据分析模块从动力电池、充电设备、配电网三者不同层面的安全因素综合考虑，通过机器学习的方法，深度挖掘三者之间的故障关联性。

本发明实施例2的电动汽车充电设备故障数据分析方法，可以包括如下步骤：

对所述配电设备及网络中电动汽车和充电桩的数据通过全球移动通信或通用分组无线服务(GSM/GPRS)远传到数据存储与分析模块进行存储；

基于所述数据存储与分析模块中存储的数据，对所述电动汽车充电设备的故障进行分析。

如图3为本发明实施例2中基于所述数据存储与分析模块中存储的数据，对所述电动汽车充电设备的故障进行分析的流程图，其具体包括如下步骤：

步骤S1：初始化部分。

步骤S2：挖掘数据集D

步骤S3：挖掘数据集D

步骤S4：数据集D

步骤S5：k＝k+1，若k≤n，返回步骤S2，否则退出。

如图4所示是本发明实施例2中步骤S1的初始化流程图，其具体包括：

步骤S11：构建故障数据集D

步骤S12：设置故障关联规则的最小支持度minsup。

步骤S13：设置故障关联规则的最小置信度minconf。

步骤S14：设置循环计数k＝1。

如图5所示是本发明实施例的故障频繁项集项挖掘流程图。

步骤S2的故障频繁项集可以采用FP增长算法，进一步包括如下步骤：

步骤S21：扫描故障数据集D

步骤S22：丢弃小于最小支持度minsup的故障，余下的频繁故障按照支持度计数Sup

步骤S23：构建以Null为根节点的FP-Tree。

步骤S24：构建头表指针1，指向头表T

步骤S25：对步骤S24构建的FPtree，构造头表指针2指向频繁故障的条件模式基。

步骤S26：构建头表指针3指向频繁故障的条件FP-Tree。

步骤S27：从步骤S26中的条件FP-Tree构造头表指针4指向频繁故障的频繁项集。

步骤S28：更新头表指针。

步骤S29：如果头表指针为非Null，重复步骤S25，步骤S26和步骤S27；否则，退出。

上述S22中，频繁故障为支持度大于等于支持度阈值的故障，支持度可以用来表示某项故障X在整个集项中出现的频率，是一个百分比，假定所有记录的故障次数为N，其中sum(X)为故障X出现的总次数，则该项频繁故障的支持度为：Sup(X)＝sum(X)/N；

上述步骤S23中，构建FP树(FP-Tree)的具体步骤可以包括：

步骤1：初始化j＝1；k＝1；空FP-Tree；

步骤2：第二遍扫描故障数据集D

步骤3：如果充电过程TID

步骤4：若k＜N

步骤5：若

上述步骤S25中，构建条件模式基的具体步骤可以包括：

步骤1：从下至上顺着头表T

步骤2：更新路径上各节点的支持度计数。前缀路径上所有故障的支持度为该路径上头表指针指向频繁故障的支持度。

上述步骤S26中，构建条件FP-Tree的具体步骤可以包括：

步骤1：累加条件模式的故障计数；

步骤2：丢弃小于最小支持度minsup的故障。

如图6所示是本发明实施例的故障关联规则挖掘流程图。

步骤S3进一步包括：

步骤31：对于每个频繁项集r，找出其中所有的非空子集。

步骤32：对于每一个这样的非空子集t，如果其置信度conf_t≥minconf，则输出规则

如图7所示是本发明实施例的故障关联模式评估流程图。

步骤S4进一步包括：

步骤S41：计算输出规则

步骤42：如果输出规则

基于同一发明构思，本发明还提出一种电动汽车充电设备故障分析系统，其包括：获取模块，用于获取配电设备及网络中电动汽车和充电桩的数据；

存储模块，用于对所述配电设备及网络中电动汽车和充电桩的数据通过全球移动通信或通用分组无线服务(GSM/GPRS)远传到数据存储与分析模块进行存储；

分析模块，用于基于所述数据存储与分析模块中存储的数据，对所述电动汽车充电设备的故障进行分析。

所述分析模块，包括：

初始化子模块，用于对故障数据集D

第一挖掘模块，用于对所述故障数据集D

第二挖掘模块，用于对所述故障数据集D

评估模块，用于对所述故障数据集D

所述初始化子模块，包括：

第一构建单元，用于构建所述故障数据集D

第一设置单元，用于设置故障关联规则的最小支持度minsup；

第二设置单元，用于设置故障关联规则的最小置信度minconf。

所述第一挖掘子模块，包括：

扫描单元，用于扫描所述故障数据集D

丢弃单元，用于丢弃小于最小支持度minsup的故障，余下的频繁故障按照支持度计数Sup

第三构建单元，用于构建以Null为根节点的FP-Tree；

第四构建单元，用于构建头表指针1，指向头表T

第一构造单元，用于对所述根节点的FP-Tree构造头表指针2指向频繁故障的条件模式基；

第五构建单元，用于构建头表指针3指向频繁故障条件的FP-Tree；

第二构造单元，用于从所述频繁故障条件的FP-Tree构造头表指针4指向频繁故障的频繁项集；

更新单元，用于更新头表指针，如果头表指针为非Null，重复构建所述频繁故障的条件模式基、所述频繁故障条件的FP-Tree和所述频繁故障的频繁项集；否则，退出。

所述第二挖掘子模块，包括：

确定单元，用于对于每个频繁项集r，确定其中所有的非空子集；

输出单元，用于如果所述非空子集的置信度conf_t≥minconf，则输出规则

所述评估子模块，包括：

计算单元，用于计算输出规则

判断单元，用于如果输出规则

实施例3

本发明实施例3提出一种电动汽车充电设备故障预警方法，包括如下步骤：

获取当前充电设备为电动汽车的充电过程和充电过程中发生的故障数据；

将所述故障数据输入至预先构建的故障关联规则集中，查询得到与故障数据相关的故障关联规则，并根据所述故障关联规则对将要发生的故障进行预警；

其中，故障关联规则集采用如实施例1或实施例2中电动汽车充电设备故障分析方法进行预先构建。

基于同一发明构思，本发明实施例3还一种电动汽车充电设备故障预警系统，包括如下部件：

获取模块，用于获取当前充电设备为电动汽车的充电过程和充电过程中发生的故障数据；

预警模块，用于将所述故障数据输入至预先构建的故障关联规则集中，查询得到与故障数据相关的故障关联规则，并根据所述故障关联规则对将要发生的故障进行预警；

其中，故障关联规则集采用如实施例1或实施例2中电动汽车充电设备故障分析方法进行预先构建。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。