一种基于数据挖掘的充电桩充电失效分析方法及系统

技术领域

本发明涉及新能源汽车用充电桩监测技术领域，更具体的说是涉及一种基于数据挖掘的充电桩充电失效分析方法及系统。

背景技术

近年来在大量财政补贴支持下，我国新能源汽车市场呈现爆发式增长态势。截至2021年底，全国新能源汽车保有量达784万辆，在缓解资源短缺、改善环境质量以及提高能源利用效率方面发挥巨大作用。目前按动力来源分类，新能源汽车可分为纯电动、混合动力及燃料电池三类。其中，纯新能源汽车具备零排放、效率高及整车布置便利等优点，从而在新能源汽车市场占据较高份额。众所周知，纯新能源汽车的动力主要来源于高压电池内所存储电能，可通过传导方式引入外部电网电源进行充电。按照充电电压类型可分为交流慢充与直流快充两种。相对于交流慢充而言，直流快充的电压等级和充电电流较高，其运行可靠性直接影响车主的使用体验以及车辆的使用频次，同时对电网调度也存在潜在制约。因此，对直流充电桩运行可靠性进行评估，一方面可保障车辆出勤率并提升车主使用体验，另一方面也可为制定设备维护保养计划提供依据，实现直流充电桩运行过程安全性、可靠性与经济性的有机结合。

新能源汽车用充电桩作为典型的复杂电控系统，具备整流、保护、通信以及输出控制等多种功能，其在运行过程的可靠性受到多种因素影响，失效机制复杂，在充电过程中，可能发生多处故障并存现象，如电缆组件断线失效时，同时也面临着充电枪电子锁失效。因此，无法确定失效根源在哪的情况下，并不能有效的查出充电故障。然而，在现有技术中并没有快速准确的对失效进行有效定位的技术方案，难以快速准确地描述充电桩这种复杂电控系统的充电故障。

因此，如何提供一种基于数据挖掘的充电桩充电失效分析方法及系统是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于数据挖掘的充电桩充电失效分析方法及系统，用以解决上述技术方案中存在的问题。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供了一种基于数据挖掘的充电桩充电失效分析方法，基于新能源汽车用充电桩，包括以下步骤：

S100：根据新能源汽车用充电桩运行特点，结合当前和以往过程的失效状态与记录，获取其潜在的失效模式；

S200：基于DBSCAN聚类算法进行失效模式的数据挖掘，得到新能源汽车用充电桩充电模块中失效元器件个数；

S300：根据失效元器件个数，对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序，确定最先触发失效的元器件以及触发的失效模式；

S400：对所述定最先触发失效的元器件以及触发的失效模式进行分析，输出新能源汽车用充电桩对应的故障类型理论结果。

优选的，所述潜在的失效模式包括：新能源汽车用充电桩性能退化失效、功能故障失效以及突发失效。

优选的，所述S200：基于DBSCAN聚类算法进行失效模式的数据挖掘，得到新能源汽车用充电桩充电模块中各个元器件的失效核查表，包括：

S210：统计三种失效模式的参数，并将参数进行标准化包括：绝缘老化失效、充电接口触点磨损失效、直流接触器粘连失效、充电枪电子锁失效、网络通信失效以及电缆组件断线失效，得到失效元器件数据集；

S220：设定邻域参数(ε，MinPts)，其中ε描述某一元器件样本的邻域距离阈值，MinPts描述某一元器件样本的距离为ε的邻域中样本个数的阈值；采用DBSCAN聚类算法，在失效元器件数据集上对核心点的元器件样本进行归类，对聚类结果进行分析；

S230：将所有标签失效元器件的数据进行核心点固定，通过自适应特征权重的DBSCAN聚类算法，在失效元器件数据集上对核心点的样本进行归类，获取聚类结果；

S240：对所述聚类结果进行统计，得到失效元器件个数，计算公式如下：

N(xi)＝{xj∈D|distance(xi,xj)≤Eps}；

其中，N(xi)表示在xi的Eps邻域内失效元器件样本点的集合，|N(xi)|为失效元器件样本集的样本个数。

优选的，所述S300：根据失效元器件个数，对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序，确定最先触发失效的元器件，包括：

S310：对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序；

S320：通过生成(0,1)区间内的随机数z1，判断随机数所属相对概率排序区间位置，确定最先触发失效的元器件以及触发的失效模式。

优选的，所述S400：对所述定最先触发失效的元器件以及触发的失效模式进行分析，输出新能源汽车用充电桩对应的故障类型理论结果：

S410：构建充电桩故障检测模型；

S420：将最先触发失效的元器件以及触发的失效模式作为输入至所述充电桩故障检测模型，输出新能源汽车用充电桩对应的故障类型理论结果。

优选的，还包括：S500：若所述故障类型理论结果与预先建立的样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降模型、故障类型真实结果和神经网络，调整并更新所述充电桩故障检测模型，重新执行S420步骤。

另一方面，本发明还提供了一种基于数据挖掘的充电桩充电失效分析系统，包括：

获取模块：用于根据新能源汽车用充电桩运行特点，结合当前和以往过程的失效状态与记录，获取其潜在的失效模式；

计算模块，与所述获取模块连接，用于基于DBSCAN聚类算法进行失效模式的数据挖掘，得到新能源汽车用充电桩充电模块中失效元器件个数；

处理模块，与所述计算模块连接，用于根据失效元器件个数，对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序，确定最先触发失效的元器件以及触发的失效模式；

分析模块，与所述处理模块连接，用于对所述定最先触发失效的元器件以及触发的失效模式进行分析，输出新能源汽车用充电桩对应的故障类型理论结果。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于数据挖掘的充电桩充电失效分析方法及系统，可高效、便捷地实现充电桩的失效分析监测，具体有益效果为：

(1)本发明首先确定了最先触发失效的元器件以及触发的失效模式，找到失效根源，然后得到对应的故障类型理论结果，过程简单，能够快速准确的得到充电桩这种复杂电控系统的充电故障，为故障充电桩的修复提高效率；

(2)利用神经网络建立充电桩故障类型检测，并对故障类型理论结果与样本库中的充电桩运行状态对应的故障类型真实结果进行对比优化，使得到的检测结果更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的方法流程示意图；

图2为本发明的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一方面，参见附图1所示，本发明实施例公开了一种基于数据挖掘的充电桩充电失效分析方法，基于新能源汽车用充电桩，包括以下步骤：

S100：根据新能源汽车用充电桩运行特点，结合当前和以往过程的失效状态与记录，获取其潜在的失效模式；

S200：基于DBSCAN聚类算法进行失效模式的数据挖掘，得到新能源汽车用充电桩充电模块中失效元器件个数；

S300：根据失效元器件个数，对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序，确定最先触发失效的元器件以及触发的失效模式；

S400：对定最先触发失效的元器件以及触发的失效模式进行分析，输出新能源汽车用充电桩对应的故障类型理论结果。

在一个具体实施例中，潜在的失效模式包括：新能源汽车用充电桩性能退化失效、功能故障失效以及突发失效。

在一个具体实施例中，S200：基于DBSCAN聚类算法进行失效模式的数据挖掘，得到新能源汽车用充电桩充电模块中各个元器件的失效核查表，包括：

S210：统计三种失效模式的参数，并将参数进行标准化包括：绝缘老化失效、充电接口触点磨损失效、直流接触器粘连失效、充电枪电子锁失效、网络通信失效以及电缆组件断线失效，得到失效元器件数据集；

S220：设定邻域参数(ε，MinPts)，其中ε描述某一元器件样本的邻域距离阈值，MinPts描述某一元器件样本的距离为ε的邻域中样本个数的阈值；采用DBSCAN聚类算法，在失效元器件数据集上对核心点的元器件样本进行归类，对聚类结果进行分析；

S230：将所有标签失效元器件的数据进行核心点固定，通过自适应特征权重的DBSCAN聚类算法，在失效元器件数据集上对核心点的样本进行归类，获取聚类结果；

S240：对聚类结果进行统计，得到失效元器件个数，计算公式如下：

N(xi)＝{xj∈D|distance(xi,xj)≤Eps}；

其中，N(xi)表示在xi的Eps邻域内失效元器件样本点的集合，|N(xi)|为失效元器件样本集的样本个数。

在一个具体实施例中，S300：根据失效元器件个数，对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序，确定最先触发失效的元器件，包括：

S310：对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序；

S320：通过生成(0,1)区间内的随机数z1，判断随机数所属相对概率排序区间位置，确定最先触发失效的元器件以及触发的失效模式。

在一个具体实施例中，S400：对定最先触发失效的元器件以及触发的失效模式进行分析，输出新能源汽车用充电桩对应的故障类型理论结果：

S410：构建充电桩故障检测模型；

S420：将最先触发失效的元器件以及触发的失效模式作为输入至充电桩故障检测模型，输出新能源汽车用充电桩对应的故障类型理论结果。

具体的，充电桩故障检测模型包括数据映射层，特征提取层和分类识别层三层，数据映射层利用卷积神经网络，根据样本库中的运行状态，将样本库中的运行状态信息的一维时间序列信号映射成多维时间序列信号，优选的，可以建立1000个尺寸为1*100卷积核，将运行状态信息的一维时间序列信号映射成1000维时间序列信号，其中卷积核的卷积步长为1；为了使卷积后的数据长度保持不变，卷积时采用了在运行状态信息的一维时间序列信号前后加0的“SAME”的卷积模式，在一维时间序列信号前后添加零的个数均为100-1＝99个；卷积核的数据大小为1*100，其初值设置为0.01(1/100)，最终值是通过梯度下降(GradientDecentAlgorithm，GDA)最优估计方法得到。

特征提取层包括建立深度神经网络(DeepNeuralNetwork,DNN)，并利用池化(pooling)和丢弃(dropout)等机制，从多维时间序列信号中提取故障类型特征，其中，池化是为了降低数据维度，池化核的大小为3x3，为了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。

分类识别层包括建立全连接层(fullyconnectedlayer)和逻辑回归等降维输出层结合标签库标签，实现故障类型特征分类识别，其中全连接层为三层，第一层作用是将特征输出层的多维数据变成一维数据，第二层和第三层的作用是进一步故障类型特征特征提取，逻辑回归层是将全连接层的输出转化为0，1两个值，优选的，可以用y’表示，当输出y’＝1时表示故障类型特征提取的准确，当输出y’＝0时表示故障类型特征提取的不准确。

此外，在一个具体实施例中，根据预存的深度神经网络从多维时间序列信号中提取运行状态的故障类型特征包括：

根据预存的深度神经网络并利用池化机制降低多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行运行状态的故障类型特征提取。

具体的，根据预存的深度神经网络并利用池化机制降低多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行故障类型特征提取。池化是为了降低数据维度，池化核的大小为3x3，为了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。

在一个具体实施例中，还包括：S500：若故障类型理论结果与预先建立的样本库中的充电桩运行状态对应的故障类型真实结果不一致，则根据预存的梯度下降模型、故障类型真实结果和神经网络，调整并更新充电桩故障检测模型，重新执行S420步骤。

另一方面，参见附图2所示，本发明还公开了一种基于数据挖掘的充电桩充电失效分析系统，包括：

获取模块：用于根据新能源汽车用充电桩运行特点，结合当前和以往过程的失效状态与记录，获取其潜在的失效模式；

计算模块，与获取模块连接，用于基于DBSCAN聚类算法进行失效模式的数据挖掘，得到新能源汽车用充电桩充电模块中失效元器件个数；

处理模块，与计算模块连接，用于根据失效元器件个数，对新能源汽车用充电桩充电模块中所有元器件不同失效模式对应的相对概率进行排序，确定最先触发失效的元器件以及触发的失效模式；

分析模块，与处理模块连接，用于对定最先触发失效的元器件以及触发的失效模式进行分析，输出新能源汽车用充电桩对应的故障类型理论结果。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于数据挖掘的充电桩充电失效分析方法及系统，可高效、便捷地实现充电桩的失效分析监测，具体有益效果为：

(1)本发明首先确定了最先触发失效的元器件以及触发的失效模式，找到失效根源，然后得到对应的故障类型理论结果，过程简单，能够快速准确的得到充电桩这种复杂电控系统的充电故障，为故障充电桩的修复提高效率；

(2)利用神经网络建立充电桩故障类型检测，并对故障类型理论结果与样本库中的充电桩运行状态对应的故障类型真实结果进行对比优化，使得到的检测结果更加准确。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。