一种考虑数据增强和改进双向长短期记忆网络的充电桩故障诊断方法及装置

本发明属于充电桩故障诊断，更具体地，涉及一种考虑数据增强和改进双向长短期记忆网络的充电桩故障诊断方法及装置。

背景技术：

1、随着全球能源危机的不断加剧和环境问题的日益突出，电动汽车越来越受到人们的青睐，电动汽车相比较传统汽车在节能减排方面有着巨大的优势。据统计，截至2023年底，中国电动汽车保有量达到2041万辆，并依旧高速增长着。这也推动了电动汽车充电基础设施的建设，各国政府投入大批资金用于建设电动汽车充电站与充电桩，来满足日益增长的电动汽车充电需求。我国电动汽车基础设施的建设也取得了长足的发展，据国家能源局统计，截至2023年底，我国充电基础设施总量达859.6万台，同比增长65％。随着大量电动汽车充电设备的建设与投运，其充电可靠性和安全性逐渐成为关注的重点。

2、针对充电设备的故障诊断问题，主要的研究方向是利用充电设备内部的传感器与通信设备采集充电过程中产生的各项数据，例如温度、电压、电流、频率等，再采用诸如机器学习、神经网络等技术对充电过程加以分析，并判断其是否有故障风险。但在充电桩使用过程中，如果各类传感器或通信单元等发生故障，会导致采集的电压、电流等数据不完全或不足，现有技术大多是是基于完整的仿真数据，在实际运用中，数据的不足往往会导致预测模型的精度降低。因此，针对数据量较少的充电桩，提高其诊断精确度对完善充电设备可靠性和安全性有重要的意义。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提出了一种考虑数据增强和改进双向长短期记忆网络的充电桩故障诊断方法及装置，从充电账单数据与维护工单数据的视角，由此解决数据量不足的充电桩故障诊断精度问题。

2、为实现上述目的，按照本发明的一个方面，本发明提供了一种考虑数据增强和改进双向长短期记忆网络的充电桩故障诊断方法，包括：

3、步骤1：对充电桩的充电账单数据与维护工单数据进行预处理，构建充电账单与运维工单的时序数据集；

4、步骤2：基于生成对抗网络生成模拟真实样本的数据，扩充预处理后时序数据集；

5、步骤3：构建双向长短期记忆网络，对充电桩故障诊断方法进行建模；

6、步骤4：基于粒子群优化算法，优化双向长短期记忆网络参数；

7、步骤5：基于改进的双向长短期记忆网络的故障诊断方法，实现充电桩的复杂故障诊断。

8、优选地，步骤1中，所述的对充电桩的充电账单数据与维护工单数据进行预处理，构建充电账单与运维工单的时序数据集，实现过程为：

9、步骤1.1：从充电桩维护工单数据出发，根据充电桩编号，在充电账单数据中寻找到对应的充电桩。根据维护工单数据中充电桩的报修时间，选取报修时间前七天的充电账单数据作为负例，根据维护工单数据中充电桩的完成时间，选取完成时间后七天的充电账单数据作为正例；

10、步骤1.2：针对受维护充电桩的充电数据集，将每一条充电订单记录进行分类，将其分类为正常订单、无效订单以及故障订单正常订单是充电结束原因为达到设置充电金额停止、用户远程(手机、网站)终止、电动汽车充满等正常结束，并且充电时长大于1分钟的充电订单记录；无效订单是充电结束原因为达到设置充电金额停止、用户远程(手机、网站)终止、电动汽车充满等正常结束，但是充电时长小于或等于1分钟的充电订单记录；故障订单则是充电结束原因为检测点电压检测故障、电表通讯故障故障、充电接口电子锁故障等异常结束充电的订单；

11、步骤1.3：考虑充电订单类型、充电订单数量等原因，选取特征如下：

12、(1)充电订单汇总数据：订单数量变化往往能反应充电桩状况，当充电桩出现问题时，异常订单数量会变多，正常订单数量会变少，总订单数量也会变少。该类特征包括总订单数、故障订单数占比、无效订单数占比、最后一天订单数占比，反应各类型订单在总订单数中所占比重。

13、(2)每一天订单数量的变化：这一类特征选取也是反应订单数量的变化，但是较上一类更加细致，它主要反应七天内每一天的订单数量占比、故障订单数量占比、无效订单数量占比变化，关注离故障时刻远近对订单数量占比的影响。

14、(3)充电结束原因：考虑到充电订单的充电结束原因，充电桩异常结束往往能预示着充电桩可能出现问题，因此，将每一种充电结束原因都列为一个特征因素；

15、步骤2.4：根据以上三大类，共122种特征构建特征工程，并且根据同一充电桩的订单的时间，按照时间顺序构建时序数据集。

16、优选地，步骤2中，所述的基于生成对抗网络生成模拟真实样本的数据，扩充预处理后时序数据集，实现过程为：

17、步骤2.1：构建生成器模型。通过给定一个随机的噪声信号z作为输入，经过多层隐含层变换，将输入空间映射到样本空间，生成器的输出会尽量模仿训练集中的真实样本，其目标函数如下：

18、

19、其中，表示计算期望值；pg表示采样噪声先验分布；g表示生成器模型；

20、步骤2.2：构建判别器模型。将真实样本和生成样本随机抽取作为输入，经过训练后，判别器会尽量分辨出输入的是真实样本还是来自生成器的生成样本，其目标函数如下：

21、

22、式中，pdata表示真实数据分布；z表示噪声输入；d表示判别器模型；pz表示采样噪声先验分布；

23、步骤2.3：综合生成器和判别器的目标函数，最终的目标函数如下：

24、

25、训练判别器d使得最大概率的辨别成功训练样本的标签(lgd(x))，训练生成器g最小化lg(1-d(z))，即最大化d的损失。训练过程中固定一方，更新另一个网络的参数，交替迭代，使得对方的错误最大化，最终，g能估测出样本数据的分布，也就可以生成足够真实的样本；

26、步骤2.4：将预处理后时序数据集输入到生成对抗网络中，训练模型，生成足量的新数据，构建扩充后的时序数据集。

27、优选地，步骤3中，所述的构建双向长短期记忆网络，对充电桩故障诊断方法进行建模，实现过程为：

28、步骤3.1：构建长短期记忆网络，输出由激活函数sigmoid函数(σ)的全连接层计算得到。其总体框架为:

29、输入门it＝σ(xtwxi+ht-1whi+bi),                   (4)

30、遗忘门ft＝σ(xtwxf+ht-1whf+bf),                  (5)

31、门控单元c't＝tanh(xtwxc+ht-1whc+bc),                 (6)

32、ct＝ft⊙ct-1+it⊙c't,                     (7)

33、输出门ot＝σ(xtwxo+ht-1who+bo),                  (8)

34、式中：xt为给定时间步长t的小批量输入向量；wxi和whi为输入门的权重矩阵；bi为输入门的偏置项；wxf和whf为遗忘门的权重矩阵；bf为遗忘门的偏置项；c't为短期记忆需要计算的候选记忆细胞；wxc和whc为门控单元的权重矩阵；bc为门控单元的偏置项；ct为当前时刻门控单元的状态，ct-1表示上一次的单元状态；wxo和who为输出门的权重矩阵，bo为输出门的偏置项。使用值域在的函数作为激活函数，通过按元素乘法⊙控制隐藏状态中的信息流动；

35、步骤3.2：输出门ot控制记忆细胞到隐藏状态的信息流动，得到最终输出ht为:

36、ht＝ot⊙tanhct,                       (9)

37、步骤3.3：构建双向长短期记忆网络，由前向长短期记忆网络和后向长短期记忆网络组合而成，过正向和反向两个角度来进行特征提取，然后将双向提取的结果按照特定方式进行结合，其最终输出如下：

38、ht1＝lstm(xt,ht-1),                     (10)

39、ht2＝lstm(xt,ht+1),                     (11)

40、yt＝wh1ht1+wh2ht2+by,                   (12)

41、其中，wh1为前向长短期记忆网络层的权重矩阵，wh2为后向长短期记忆网络层的权重矩阵，by为输出层的偏执矩阵。

42、优选地，步骤4中，所述的基于粒子群优化算法，优化双向长短期记忆网络参数，实现过程为：

43、步骤4.1：初始化粒子群参数设置，设置粒子群的数量np，迭代次数tp，搜索维度为dp；

44、步骤4.2：对粒子群算法的位置和速度进行初始化设置，粒子的初始位置随机，随机生成的第i个粒子的位置为xi＝(l,h)，其中，l表示双向长短期记忆网络模型的学习率取值范围，h为隐藏层神经元数量；

45、步骤4.3：确定粒子群算法的适应度函数，利用双向长短期记忆网络模型对训练集进行训练，并将实际结果与预测值进行比较，适应度函数如下：

46、

47、其中，f(y)为适应度函数，y'为预测值与实际结果相同的数量，y为测试集的总个数；

48、步骤4.4：迭代计算，对每一次迭代后粒子的新位置进行计算，并通过调整粒子的位置和速度，使得粒子不断的逼近最优位置，从而最终获得最优解，速度和位置的更新公式如下所示：

49、

50、n＝1+lntmax,       (16)

51、

52、其中，为第t次迭代和第t+1次迭代粒子速度；为第t次迭代和第t+1次迭代的粒子位置；w为惯性权重，c1、c2为学习因子，r1、r2为[0，1]上的随机数；为第t次迭代和第t+1次迭代的粒子i最优位置和全局最优位置；t为当前迭代次数，t为时间因子；通过迭代得到最优解后，将最优学习率、隐藏层神经元数量参数传输到双向长短期记忆网络模型中；

53、步骤4.5：通过迭代得到最优解后，将最优学习率、隐藏层神经元数量参数传输到双向长短期记忆网络模型中。

54、优选地，步骤5中，所述的基于改进的双向长短期记忆网络的故障诊断方法，实现充电桩的复杂故障诊断，实现过程为：

55、步骤5.1：基于充电账单数据与维护工单数据进行预处理，构建充电账单与运维工单的时序数据集；

56、步骤5.2：基于生成对抗网络对预处理后的时序数据集进行数据增强，划分测试集与训练集；

57、步骤5.3：将训练集输入到粒子群算法优化参数后的双向长短期记忆网络模型中训练；

58、步骤5.4：将测试集输入到训练后的模型中，对模型的诊断充电桩故障原因的正确率进行测试，验证模型的正确性和可靠性。

59、优选地，所述的一种考虑数据增强和改进双向长短期记忆网络的充电桩故障诊断装置，用于实现充电桩故障诊断方法，所述充电桩故障诊断装置包括

60、数据获取模块，用于获取所述充电桩的历史充电账单数据与维护工单数据；

61、数据处理模块，用于对所述历史数据信息进行处理，确定所述数据影响因素的特征向量，并生成充电账单与运维工单的时序数据集；

62、数据集增强模块，用于基于生成对抗网络对预处理后的时序数据集进行数据增强，扩充数据集规模；

63、模型参数优化模块，用于基于时序数据集训练粒子群算法优化后的双向长短期记忆网络模型；

64、故障诊断模块，用于将目标数据的特征向量输入符合预设条件的所述粒子群算法优化后的双向长短期记忆网络模型，得到所述充电桩的故障诊断结果。

65、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

66、本发明提供的技术方案，首先，对充电桩的充电账单数据与维护工单数据进行预处理，构建充电账单与运维工单的时序数据集；然后，基于生成对抗网络生成模拟真实样本的数据，扩充预处理后时序数据集；再次，构建双向长短期记忆网络，对充电桩故障诊断方法进行建模；其次，基于粒子群优化算法，优化双向长短期记忆网络参数；最后，基于改进的双向长短期记忆网络的故障诊断方法，实现充电桩的复杂故障诊断。现有技术在进行故障诊断时，通常使用充电桩的电压电流数据进行诊断，但是一方面充电桩内部传感器或通信设备可能出现故障等，另一方面电压电流数据量庞大，一般储存一段时间后，新的电压电流数据会覆盖旧的电压电流数据，这往往会导致数据缺失、数据量不足问题，本发明采用充电账单与维护工单数据构建时序特征集，充电账单与维护工单数据由于存储成本低，往往会保存较长时间，这解决了传统的通过电压电流进行故障诊断的数据缺失的问题。并且由于选址、电动汽车用户数量少等原因，部分充电站可能存在订单数据较少的问题，如果不进行数据增强，则可能导致故障诊断模型训练不足，无法精确预测，本发明采用生成对抗网络，基于原始数据集进行数据增强，扩充数据集达到合适的规模，有助于后续诊断模型的训练，提高故障诊断的精度。此外，本发明的故障诊断模型的输入为时序数据集，采用双向长短期记忆网络模型进行预测，能更好的挖掘时间数据序列的依赖和影响因素特征依赖，并使用粒子群算法对初始参数进行优化，能够显著提高模型的预测精确度，从而充电桩的安全可靠性。