【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)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。
技術(shù)介紹
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、專利技術(shù)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，本專利技術(shù)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，本專利技術(shù)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
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、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>α</mi><mi>ij</mi></msub><mi>=</mi><mrow><mo>{</mo><mtable><mtr><mtd><mstyle displaystyle="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&g本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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：
3.根據(jù)權(quán)利要求2所述基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：步驟3中具體包括以下步驟：
4.根據(jù)權(quán)利要求3所述基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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：
5.根據(jù)權(quán)利要求3所述基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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；
6.根據(jù)權(quán)利要求5所述基于AP
7.根據(jù)權(quán)利要求6所述基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：車樁充電計(jì)量數(shù)據(jù)誤差指標(biāo)公式為：
8.根據(jù)權(quán)利要求7所述基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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。
9.一種基于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)權(quán)利要求1-8任一所述的基于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：
10.一種計(jì)算機(jī)系統(tǒng)，其特征在于，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)權(quán)利要求1-8任一所述的基于AP聚類和LSTM網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法。
...【技術(shù)特征摘要】
1.一種基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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：
3.根據(jù)權(quán)利要求2所述基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：步驟3中具體包括以下步驟：
4.根據(jù)權(quán)利要求3所述基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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：
5.根據(jù)權(quán)利要求3所述基于ap聚類和lstm網(wǎng)絡(luò)的充電樁異常數(shù)據(jù)診斷方法，其特征在于：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；
6.根...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳璣琪，趙品彰，陳濤，孫劍輝，陳銘明，
申請(qǐng)(專利權(quán))人：江蘇省計(jì)量科學(xué)研究院江蘇省能源計(jì)量數(shù)據(jù)中心，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。