CN109596913B - 充电桩故障原因诊断方法及装置 - Google Patents

充电桩故障原因诊断方法及装置 Download PDF

Info

Publication number
CN109596913B
CN109596913B CN201811416032.4A CN201811416032A CN109596913B CN 109596913 B CN109596913 B CN 109596913B CN 201811416032 A CN201811416032 A CN 201811416032A CN 109596913 B CN109596913 B CN 109596913B
Authority
CN
China
Prior art keywords
charging pile
fault
data
bayesian network
cause diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811416032.4A
Other languages
English (en)
Other versions
CN109596913A (zh
Inventor
刘晓天
杜维柱
梁继清
杨振琦
巨汉基
赵思翔
杨新宇
王杰
袁瑞铭
丁恒春
易忠林
韩迪
刘影
汪洋
崔文武
王晨
庞富宽
郭皎
李守超
李萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pns Beijing Science & Technology Co ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
Pns Beijing Science & Technology Co ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Pns Beijing Science & Technology Co ltd, State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, State Grid Jibei Electric Power Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical Pns Beijing Science & Technology Co ltd
Priority to CN201811416032.4A priority Critical patent/CN109596913B/zh
Publication of CN109596913A publication Critical patent/CN109596913A/zh
Application granted granted Critical
Publication of CN109596913B publication Critical patent/CN109596913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种充电桩故障原因诊断方法及装置，方法包括：在目标充电桩发生故障时获取该目标充电桩的故障类型；将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果；其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。本申请能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修。

Description

充电桩故障原因诊断方法及装置
技术领域
本申请涉及充电桩设备技术领域，具体涉及一种充电桩故障原因诊断方法及装置。
背景技术
随着科技飞速发展及人们环保意识的日益提高，越来越多的电力驱动车辆受到人们的青睐。而作为电力驱动车辆的重要配套设备，充电桩也应运而生。随着越来越多的充电桩投入应用，如何在充电桩发生故障时确认其故障原因以对其进行及时维修，也成为了保证充电桩的运行质量课题中的重要研究方法。
现有技术中，充电桩的故障原因诊断方式通常采用人工计划性检修充电桩的方式来实现，若在巡检过程中发现故障，则针对该故障进行故障原因的排查，并最终确认该故障的发生原因。
然而，由于现有的充电桩的故障原因诊断方式是通过人工计划性检修来确定发生故障的原因，此种方式仅能够在人工检修排查故障原因后才能够确认，使得针对充电桩的故障原因诊断过程被动且效率低下，另外，由于人工计划性巡视策略缺乏定制依据，容易导致过度检修和缺乏检修的现象，产生资源浪费和错配。
发明内容
针对现有技术中的问题，本申请提供一种充电桩故障原因诊断方法及装置，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种充电桩故障原因诊断方法，包括：
在目标充电桩发生故障时获取该目标充电桩的故障类型；
将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果；
其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
进一步地，还包括：
根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集；
应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构；
基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
进一步地，所述根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集，包括：
自电力***的遥测数据、遥信数据电力模块监控数据和交易数据中的至少一份数据中提取多个充电桩的历史运行数据；
在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系；
对所述充电桩故障指标体对应的充电桩故障特征数据进行预处理；
根据经预处理后的充电桩故障特征数据生成训练样本集。
进一步地，所述对所述充电桩故障指标体系对应的充电桩故障特征数据进行预处理，包括：
对所述充电桩故障指标体系对应的充电桩故障特征数据进行数据清洗和/或属性规约处理；
将经数据清洗和/或属性规约处理后的充电桩故障特征数据进行数据变换。
第二方面，本申请提供一种充电桩故障原因诊断装置，包括：
目标充电桩的故障类型获取模块，用于在目标充电桩发生故障时获取该目标充电桩的故障类型；
目标故障原因诊断模块，用于将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果；
其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
进一步地，还包括：
训练样本集生成模块，用于根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集；
贝叶斯网络拓扑结构建立模块，用于应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构；
条件概率获取模块，用于基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
进一步地，所述训练样本集生成模块包括：
历史运行数据获取单元，用于自电力***的遥测数据、遥信数据电力模块监控数据和交易数据中的至少一份数据中提取多个充电桩的历史运行数据；
充电桩故障指标体系建立单元，用于在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系；
数据预处理单元，用于对所述充电桩故障指标体对应的充电桩故障特征数据进行预处理；
训练样本集生成单元，用于根据经预处理后的充电桩故障特征数据生成训练样本集。
进一步地，所述数据预处理单元具体用于：
对所述充电桩故障指标体系对应的充电桩故障特征数据进行数据清洗和/或属性规约处理；
将经数据清洗和/或属性规约处理后的充电桩故障特征数据进行数据变换。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述充电桩故障原因诊断方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的充电桩故障原因诊断方法的步骤。
由上述技术方案可知，本申请提供一种充电桩故障原因诊断方法，通过将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修，并能够有效提高运维人员工作效率，并减轻针对充电桩的运维工作压力，同时，充电桩故障原因诊断过程简单且具有科学依据，能够为充电桩日常的运维工作提供有效的数据支撑，具有很强的科学性、可靠性和可操作性，能够有效地指导充电桩的智能化运维，提升充电设施资产管理和运行检修工作精益化水平，提高充电设施的运行稳定性和运行寿命，缩短故障处理时长，提高资产利用率和充电服务水平。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的充电桩故障原因诊断方法的流程示意图。
图2为本发明实施例中的服务器S1与客户端设备B1之间的构架示意图。
图3为本发明实施例中的服务器S1、客户端设备B1与故障监测设备B2之间的构架示意图。
图4为本发明实施例中的包含有步骤001至步骤003的充电桩故障原因诊断方法的流程示意图。
图5为本发明实施例中的充电桩故障原因诊断方法中步骤001的流程示意图。
图6为本发明实施例中的充电桩故障原因诊断方法中步骤001c的流程示意图。
图7为本发明实施例中的充电桩故障指标体系的结构举例示意图。
图8为本发明实施例中的贝叶斯网络的拓扑结构的结构举例示意图。
图9为本发明实施例中的充电桩故障原因诊断装置的结构示意图。
图10为本发明实施例中的包含有模型建立模块00的充电桩故障原因诊断装置的结构示意图。
图11为本发明实施例中的充电桩故障原因诊断方法中训练样本集生成模块01的结构示意图。
图12为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
由于构成充电桩故障类型的原因是多种多样的，考虑到现有技术往往聚焦于单个指标的阈值范围来确定充电桩发生何种故障，而存在的针对充电桩的故障原因诊断被动且效率低下，且存在过度检修和缺乏检修并产生资源浪费和错配的问题，本申请提供一种充电桩故障原因诊断方法、充电桩故障原因诊断装置、用于实现所述充电桩故障原因诊断方法的电子设备和计算机存储介质。其中，充电桩故障原因诊断方法通过将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修，并能够有效提高运维人员工作效率，并减轻针对充电桩的运维工作压力，同时，充电桩故障原因诊断过程简单且具有科学依据，能够为充电桩日常的运维工作提供有效的数据支撑，具有很强的科学性、可靠性和可操作性，能够有效地指导充电桩的智能化运维，提升充电设施资产管理和运行检修工作精益化水平，提高充电设施的运行稳定性和运行寿命，缩短故障处理时长，提高资产利用率和充电服务水平。
在一种模型训练场景中，本申请还提供一种充电桩故障原因诊断装置，该装置可以为一种服务器S1，参见图2，该服务器S1可以与至少一个客户端设备B1通信连接，所述客户端设备B1可以在线将多个充电桩的历史运行数据发送至所述服务器S1，所述服务器S1可以在线接收所述多个充电桩的历史运行数据。所述服务器S1可以在线或者离线在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系，对所述充电桩故障指标体对应的充电桩故障特征数据进行预处理，而后根据经预处理后的充电桩故障特征数据生成训练样本集，应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构，基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表，进而完成贝叶斯网络模型的建立。
基于上述描述，所述服务器S1也可以替换为一用于被所述服务器S1访问的数据库，即，所述服务器S1可以分时或定时自该数据库中获取充电桩的历史运行数据。
在一种模型预测场景中，参见图3，所述服务器S1还可以与至少一个故障监测设备B2通信连接，所述故障监测设备B2可以为设置在充电桩或相关线路上的传感器或传感器组，例如电压传感器、温度传感器、湿度传感器及电流传感器等，在所述故障监测设备B2监测到有充电桩发生故障时，在线将该故障信息发送至所述服务器S1，所述服务器S1在线接收该故障信息并在线或离线自该故障信息中提取得到故障类型，其后，所述服务器S1将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系，而后，所述服务器S1将所述故障原因诊断结果在线发送至所述客户端设备B1，使得所述客户端设备B1及时获知充电桩故障的故障原因诊断结果，以使得检修人员通过该客户端设备B1快速且有针对性的修复对应的充电桩故障。
基于上述内容，所述客户端设备B1可以具有显示界面，使得用户能够根据界面查看所述服务器S1发送的所述目标充电桩的充电桩故障对应的故障原因诊断结果。
可以理解的是，所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，进行充电桩故障原因诊断的部分可以在如上述内容所述的服务器S1侧执行，即，如图2或图3所示的架构，也可以所有的操作都在所述客户端设备B1中完成，且该所述客户端设备B1可以直接与故障监测设备B2和电力***进行通信连接。具体可以根据所述客户端设备B1的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成，所述客户端设备B1还可以包括处理器，用于进行充电桩故障原因诊断的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与故障监测设备及电力***的远程的服务器进行通信连接，实现与所述故障监测设备及电力***的远程的服务器的数据传输。例如，通信单元通过所述电力***的远程的服务器获取电力***的遥测数据、遥信数据和电力模块监控数据，以便客户端设备根据这些相关数据构建所述充电桩的贝叶斯网络模型。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
在本申请的一个或多个实施例中，充电桩可以固定在地面或墙壁，安装于公共建筑(公共楼宇、商场、公共停车场等)和居民小区停车场或充电站内，可以根据不同的电压等级为各种型号的电动汽车充电。充电桩的输入端与交流电网直接连接，输出端都装有充电插头用于为电力驱动车辆充电。其中，所述电力驱动车辆可以为电动汽车，也可以为通过电力驱动的其他类型车辆。
本申请能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修，并能够有效提高运维人员工作效率，并减轻针对充电桩的运维工作压力，同时，充电桩故障原因诊断过程简单且具有科学依据，能够为充电桩日常的运维工作提供有效的数据支撑，具有很强的科学性、可靠性和可操作性，能够有效地指导充电桩的智能化运维，提升充电设施资产管理和运行检修工作精益化水平，提高充电设施的运行稳定性和运行寿命，缩短故障处理时长，提高资产利用率和充电服务水平。具体通过下述实施例及两个应用场景进行具体说明。
为了能够实现充电桩的故障原因自动诊断，且使得诊断过程更为高效且诊断结果准确，本申请实施例提供一种充电桩故障原因诊断方法，参见图1，所述充电桩故障原因诊断方法具体包括如下内容：
步骤100：在目标充电桩发生故障时获取该目标充电桩的故障类型；
步骤200：将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
可以理解的是，贝叶斯网络BN(Bayesian network model)，又称为信度网，由一个有向无环图(Directed Acylic Graph，DAG)和条件概率表(Conditional ProbabilityTable，CPT)组成。在贝叶斯网络中,两个变量X和Y如果直接相连，则表示它们之间有直接依赖关系，对X的了解会影响关于Y的信度,反之亦然。在这种意义下，我们称信息能够在两个直接相连的节点之间传递。另一方面，如果两个变量X和Y不直接相连，那么信息需要通过其它变量才能在两者之间传递。如果X和Y之间的所有信息通道都被阻塞，那么信息就无法在它们之间传递。这时，对其中一个变量的了解不会影响对另一个变量的信度，因而X和Y相互条件独立。如果考虑两个变量X和Y通过第三个变量Z间接相连这一基本情况,则可将贝叶斯网络分解成三种基本的结构，即顺连、分连和汇连。
其中，贝叶斯网络的优点主要体现在：
(1)贝叶斯网络使用图形的方法描述数据间的相互关系，语义清晰，易于理解。图形化的知识表示方法使得保持概率知识库的一致性和完整性变得容易，可以方便地针对条件的改变进行网络模块的重新配置。
(2)贝叶斯网络易于处理不完备数据集。对于传统标准的监督学习算法而言必须知道所有可能的数据输入，如果缺少其中的某一输入就会对建立的模型产生偏差，贝叶斯网络的方法反映的是整个数据库中数据间的概率关系模型，缺少某一数据变量仍然可以建立精确的模型。
(3)贝叶斯网络允许学习变量间的因果关系。在以往的数据分析中，一个问题的因果关系在干扰较多时，***就无法做出精确的预测。而这种因果关系己经包含在贝叶斯网络模型中。贝叶斯方法具有因果和概率性语义，可以用来学习数据中的因果关系，并根据因果关系进行学习。
(4)贝叶斯网络与贝叶斯统计相结合能够充分利用领域知识和样本数据的信息。贝叶斯网络用弧表示变量间的依赖关系，用概率分布表来表示依赖关系的强弱，将先验信息与样本知识有机结合起来，促进了先验知识和数据的集成，这在样本数据稀疏或数据较难获得的时候特别有效。
从上述描述可知，本申请提供的充电桩故障原因诊断方法，通过将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修，并能够有效提高运维人员工作效率，并减轻针对充电桩的运维工作压力，同时，充电桩故障原因诊断过程简单且具有科学依据，能够为充电桩日常的运维工作提供有效的数据支撑，具有很强的科学性、可靠性和可操作性，能够有效地指导充电桩的智能化运维，提升充电设施资产管理和运行检修工作精益化水平，提高充电设施的运行稳定性和运行寿命，缩短故障处理时长，提高资产利用率和充电服务水平。
为了能够提供更为准确且有针对性的贝叶斯网络模型，以进一步提高诊断过程的效率和诊断结果的准确性，在本申请的一实施例中，本申请的充电桩故障原因诊断方法还包含有模型建立步骤，参见图4，所述模型建立步骤具体包括如下内容：
步骤001：根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集。
步骤002：应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构。
步骤003：基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
为了能够进一步电桩故障原因诊断的准确性和可靠性，在本申请的一实施例中还提供充电桩故障原因诊断方法中步骤001的具体实现方式，参见图5，所述步骤001具体包括如下内容：
步骤001a：自电力***的遥测数据、遥信数据电力模块监控数据和交易数据中的至少一份数据中提取多个充电桩的历史运行数据。
可以理解的是，所述充电桩的历史运行数据可以为预设运行时段内的历史运行数据。举例来说，该预设运行时段可以为1个月、3个月或者1年等。
步骤001b：在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系。
在一种具体举例中，所述充电桩的故障状态至少可以包含有：烟雾报警故障、交流断路器故障、直流母线输出熔断器故障、充电机风扇故障、避雷器故障、急停按钮动作故障、柜门异常打开故障、直流母线输出接触器故障、放电接触器故障、放电电阻故障、电子锁故障、绝缘监测故障、电池反接故障、充电中控制导引故障、充电枪未归位故障、充电桩过温故障、充电枪过温故障、BMS通讯异常、输入电压过压故障、输入电压欠压故障、输出电压过压故障、输出电压欠压故障、输出过流故障、输出短路故障、TCU通讯异常、充电模块通讯告警、充电模块交流输入告警、充电模块交流输入过压告警、充电模块交流输入欠压告警、充电模块交流输入缺相告警、充电模块直流输出短路故障、充电模块直流输出过流故障、充电模块直流输出过压故障、充电模块直流输出欠压故障、充电模块过温故障和充电模块风扇故障。
步骤001c：对所述充电桩故障指标体对应的充电桩故障特征数据进行预处理。
步骤001d：根据经预处理后的充电桩故障特征数据生成训练样本集。
为了能够进一步贝叶斯网络模型建立的准确性和可靠性，在本申请的一实施例中还提供充电桩故障原因诊断方法中步骤001c的具体实现方式，参见图6，所述步骤001c具体包括如下内容：
步骤001c-1：对所述充电桩故障指标体系对应的充电桩故障特征数据进行数据清洗和/或属性规约处理。
步骤001c-2：将经数据清洗和/或属性规约处理后的充电桩故障特征数据进行数据变换。
基于上述内容，将本申请的充电桩故障原因诊断方法通过下述离线的模型构建场景及在线的模型预测场景进行详细说明，具体内容如下：
(一)模型训练场景
S1-特征数据获取：
获取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种充电桩故障特征数据之间的从属关系建立充电桩故障指标体系。可以理解的是，所述建立充电桩故障指标体系具体可以为自预设的业务***中有选择性地抽取充电桩的不同故障类型的特征数据，并根据各种故障类型之间的从属关系建立充电桩故障指标体系。
可以理解的是，所述充电桩故障特征数据的数据来源至少包含有：遥测数据、遥信数据、模块数据及交易数据等。所述充电桩故障指标体系的一种举例参见图7及下表1：
表1
Figure BDA0001879482420000111
Figure BDA0001879482420000121
基于上述表1，所述充电桩故障指标体系至少可以包含有4个一级指标，具体为：状态数据A0、电气类数据B0、开关量数据C0及环境类数据D0等。
其中，状态数据A0还包含有二级指标，具体可以为：运行状态A1、是否连接车辆A2、直流输出接触器状态A3及充电接口电子锁状态A4等；电气类数据B0还包含有二级指标，具体可以为：输入电流B1、输入电压B2、输出电流B3、输出电压B4、绝缘状态B5、额定电压B6、额定电流B7等；开关量状态数据C0还包含有二级指标，具体可以为：急停C1、门控C2、输出接触器C3、放电接触器C4、辅助接触器C5及电子锁反馈点C6等；环境类数据D0还包含有二级指标，具体可以为：充电模块温度D1、充电枪温度D2、充电机内部温度D3及充电机内部湿度D4等。
S2-数据预处理：
对所述充电桩故障特征数据进行预处理。可以理解的是，所述预处理的方式至少可以包含有数据清洗、属性规约及数据变换等方式。可以理解的是，其中的数据清洗方式至少可以包含有：异常值识别、缺失值插补及数据去重等处理手段。具体来说：
(1)数据清洗：
对所述充电桩故障特征数据进行异常值识别，并将识别出的异常值自所述充电桩故障特征数据中删除，以及，对所述充电桩故障特征数据进行缺失识别，并将缺失值插补到所述充电桩故障特征数据中的对应位置，另外，对所述充电桩故障特征进行重复数据识别，并将识别出的重复数据自所述充电桩故障特征数据中删除。
(2)属性规约：
计算所述充电桩故障特征数据中各种故障类型分别对应的信息熵，并自所述充电桩故障特征数据中删除信息熵为0的故障类型属性所对应的数据。其中，所述属性规约的目的是寻找出最小的属性子集，并确保新数据子集的概率分布尽可能地接近原来数据集的概率分布。
例如，若经计算获知上述表1中的是否连接车辆A2、直流输出接触器状态A3、充电接口电子锁状态A4、急停C1及输出接触器C3的信息熵为0，则自所述充电桩故障特征数据中将这些故障类型所对应的数据删除。
(3)数据变换：
对经上述数据清洗及属性规约处理后的充电桩故障特征数据进行数据变换，具体可以应用离散化处理的方式或者应用独热编码One-Hot-Encoder的方式进行数值化处理。所述独热编码方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
例如，可以对如表1所示的所述充电桩故障特征数据中的运行状态A1、输入电压B2、输入电流B1、输出电压B4、输出电流B3、绝缘状态B5、额定电压B6、额定电流B7所分别对应的数据进行离散化处理，并对所述充电桩故障特征数据中的输出过压、输出过流、绝缘故障、模块警告、充电机通讯异常、电池组温度过高数据等对应的故障类型使用独热编码进行数值化处理。
S3-训练样本集生成：
根据经数据清洗、属性规约及数据变换后的所述充电桩故障特征数据，生成用于训练所述贝叶斯网络的训练样本集。
S4-贝叶斯网络拓扑结构建立：
基于评分和搜索的算法进行贝叶斯网络拓扑结构的学习，找到和样本数据集合匹配度最好的贝叶斯网络结构，也就是说，贝叶斯网络拓扑结构学习的目标是找到和样本数据集合匹配度最好的贝叶斯网络结构。贝叶斯网络结构的学习包含基于评分和搜索的算法、基于约束的算法和混合算法。其中，基于评分和搜索的算法采用某个评分标准，评判网络结构反映出的独立及依赖关系和数据的匹配程度，再选择某一搜索算法搜索分值最高的网络模型。该算法过程简单、规范，且可通过禁忌搜索达到全局最优，故选择该算法进行贝叶斯网络拓扑结构的学习。
贝叶斯网络结构的建立需要解决的两个主要问题分别为评分函数的选取和搜索方法的选择，具体如下：
(1)确定评分函数：
根据训练样本集确定贝叶斯网络对应的评分函数。
常用的评分函数基于信息论准则，此类准则将学习问题等效为一个数据压缩任务，学习的目标是找到一个能以最短编码长度描述训练数据的模型，此时编码的长度包括了描述模型自身所需的字节长度和使用该模型描述数据所需的字节长度。对贝叶斯网络学习而言，模型就是一个贝叶斯网络，同时，每个贝叶斯网络描述了一个在训练数据上的概率分布，自有一套编码机制能使那些经常出现的样本有更短的。因此，应选择那个综合编码长度(包括描述网络和编码数据)最短的贝叶斯网络，上述即为最小描述长度(MinimalDescription Length，简称MDL)准则。
给定训练集D＝{x1,x2...,xm}，贝叶斯网络B＝<G,θ>在D上的评分函数可写为：
s(B|D)＝f(θ)|B|-LL(B|D) (1)
式(1)中，|B|是贝叶斯网络的参数个数；f(θ)表示描述每个参数θ所需的字节数；其中的
Figure BDA0001879482420000141
是贝叶斯网络B的对数似然。显然，式(1)的第一项f(θ)|B|是计算编码贝叶斯网络所需的字节数，第二项LL(B|D)是计算B所对应的概率分布PB需多少字节来描述D。于是，学习任务就转化为一个优化任务，即寻找一个贝叶斯网络B使评分函数s(B|D)最小。
若f(θ)＝1，即每个参数用1字节描述，则得到赤池信息量准则AIC(Akaikeinformation criterion)评分函数AIC(B|D)为：
AIC(B|D)＝|B|-LL(B|D)
若
Figure BDA0001879482420000151
即每个参数用
Figure BDA0001879482420000152
个字节描述，则得到贝叶斯信息规则BIC(Bayesian Information Criterions)评分函数BIC(B|D)为：
Figure BDA0001879482420000153
显然，若f(θ)＝0，即不计算对网络进行编码的长度，则评分函数退化为负对数似然，相应的，学习任务退化为极大似然估计。
(2)搜索算法：
在确定了评分函数的情况下，贝叶斯网络的学习问题就变成了一个搜索问题。搜索算法是为了搜索在某个评分函数下分值最高的贝叶斯网络结构。当变量数目增加时，搜索空间将以节点数目的指数级别增加，寻找最优的模型是存在多项式算法能够解决的非决定性问题NP(Non-Deterministic Polynomial Problems)。目前常采用启发式搜索，如贪婪搜索、模拟退火、最优最先搜索等算法。
最常用的搜索方法是连续变动网络结构中的有向边，评判每次变动对分值的影响。如果两个变量之间存在有向边，那么变动方向可以是删除有向边或逆转有向边；如果两个变量间不存在有向边，则变动方式可以是增加任意方向的有向边，但在变动时，不能产生有向回路。
最简单的搜索算法是贪婪搜索(Greedy Search)。令E表示所有可能添加到网络结构中的候选边集，Δ(e)表示E中的边e加入到网络结构中后评分函数的变化值。那么搜索算法可描述为：
1)选择一个初始网络结构；
2)选择候选边集中的边e，使得Δ(e)>Δ(e')，其中，e'为E中除了e的任意边，并且Δ(e)>0，如果找不到满足条件的边，则停止，否则转3)；
3)加e到网络结构中，并从候选集E中删除该边，转2)；
该算法中，初始网络结构可以是空网、随机网或利用经验知识建造的先验网。贪婪搜索策略是一种局部搜索策略，存在陷入局部极值和鞍点的问题。一种解决的方法是当陷入局部极值或者鞍点时，随机改变网络的结构，可能会跳出鞍点或从一个局部极值区域跳到另一个极值区域。
(3)基于评分函数及搜索算法确定贝叶斯网络的拓扑结构：
基于评分和搜索算法学习得到的贝叶斯网络拓扑结构(有向无环图)DAG的举例如图8所示，贝叶斯网络拓扑结构解释如表2的伪代码所示：
表2
Figure BDA0001879482420000161
S5-贝叶斯网络参数学习：
基于极大似然估计进行贝叶斯网络参数的学习，即在给定贝叶斯网络拓扑结构的情况下，确定各结点处的条件概率。
贝叶斯网络参数学习的目标是给定网络拓扑结构G和训练样本集D，利用先验知识，确定贝叶斯网络模型各结点处的条件概率密度，记为：p(θ|D,G)。常见的参数学习方法有极大似然估计算法及贝叶斯估计算法等。极大似然估计算法适用于数据大量，估计的参数能够较好的反映实际情况。因此，在本申请的一个实施例中，选择极大似然估计作为贝叶斯网络参数的学习。
(1)极大似然估计：
在极大似然估计过程中，参数是通过计算给定父结点集的值时，结点不同取值的出现频率，并以之作为该结点的条件概率参数。最大似然估计的基本原理就是试图寻找使得似然函数最大的参数。最大似然估计就是要用似然函数取到最大值时的参数作为估计值，似然函数可以表示为：
Figure BDA0001879482420000162
由于有连乘运算，通常对似然函数取对数的计算更为简便，即对数似然函数，最大似然估计问题可以写成：
Figure BDA0001879482420000163
这是一个关于θ的函数，求解这个优化问题通常对θ求导，得到导数为0的极值点。该函数取得最大值时，θ对应的取值就是我们估计得模型参数。
(2)网络结点的条件概率表CPT：
在给定网络拓扑结构G和训练样本集D的条件下，运用极大似然估计学习得到的网络各结点的条件概率表CPT如下：
1)输入电压的条件概率表CPT如表3所示：
表3
Figure BDA0001879482420000171
2)输入电流的条件概率表CPT如表4所示：
表4
[30.7，31] (31，91]
0.93430657 0.06569343
3)输出电压的条件概率表CPT如表5至7所示：
运行状态＝充电，参见表5：
表5
Figure BDA0001879482420000172
运行状态＝待机，参见表6：
表6
Figure BDA0001879482420000173
Figure BDA0001879482420000181
运行状态＝停止充电，参见表7：
表7
Figure BDA0001879482420000182
4)输出电流的条件概率表CPT如表8所示：
表8
Figure BDA0001879482420000183
5)运行状态的条件概率表CPT如表9所示：
表9
Figure BDA0001879482420000184
6)绝缘状态的条件概率表CPT如表10所示：
表10
Figure BDA0001879482420000185
7)额定电压的条件概率表CPT如表11所示：
表11
Figure BDA0001879482420000186
Figure BDA0001879482420000191
8)额定电流的条件概率表CPT如表12所示：
表12
Figure BDA0001879482420000192
9)输出过压的条件概率表CPT如表13所示：
表13
Figure BDA0001879482420000193
10)输出过流的条件概率表CPT如表14所示：
表14
Figure BDA0001879482420000194
11)绝缘故障的条件概率表CPT如表15所示：
表15
Figure BDA0001879482420000195
12)模块警告的条件概率表CPT如表16和17所示：
充电机通讯异常＝0，参见表16：
表16
Figure BDA0001879482420000201
充电机通讯异常＝1，参见表17：
表17
Figure BDA0001879482420000202
13)充电机通讯异常的条件概率表CPT如表18所示：
表18
Figure BDA0001879482420000203
14)电池组温度过高故障的条件概率表CPT如表19所示：
表19
Figure BDA0001879482420000204
(二)模型预测场景
S1：在目标充电桩发生故障时获取该目标充电桩的故障类型。
S2：对所述目标充电桩的故障类型数据进行预处理，具体包含有数据清洗、属性规约处理及数据变换等处理方式。
S3：将经预处理的故障类型数据作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果。具体处理方式如下：
根据贝叶斯网络的拓扑结构及其条件概率表，在故障发生时，计算某些特征结点取值的概率，从而得到故障原因的诊断结果。
贝叶斯网络推理是指利用贝叶斯网络的结构及其条件概率表，在给定证据后计算某些结点取值的概率。
条件推理参数设置：event＝“故障特征”、evidence＝“故障类型”，即在充电桩不同故障类型发生时，推导各特征结点取值的概率，从而得到故障原因诊断的结果。
在发生输出过压故障的条件下，输出电压在(652,684]区间的概率为0.5350123，且伪代码如表20所示：
表20
Figure BDA0001879482420000211
在发生输出过流故障的条件下，输出电流在(85.4,94.2]区间的概率为0.5899238，且伪代码如表21所示：
表21
Figure BDA0001879482420000212
在发生电池组温度过高故障的条件下，输出电压在[0,652]且输出电流在[0,85.4]的概率为0.5917889，且伪代码如表22所示：
表22
Figure BDA0001879482420000213
在发生绝缘故障的条件下，绝缘状态“异常”的概率为1，且伪代码如表23所示：
表23
Figure BDA0001879482420000214
在发生模块警告的条件下，输出电流在(85.4,94.2]区间的概率为1，且伪代码如表24所示：
表24
Figure BDA0001879482420000221
在发生充电机通讯异常的条件下，输出电流在[0,85.4]、输出电压在(652,684]、运行状态为“充电”的概率为0.3509587，且伪代码如表25所示：
表25
Figure BDA0001879482420000222
S4：输出所述目标充电桩的故障类型对应的故障原因诊断结果。
从上述描述可知，本申请提供的充电桩故障原因诊断方法，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修。
为了能够实现充电桩的故障原因自动诊断，且使得诊断过程更为高效且诊断结果准确，本申请实施例提供一种用于实现所述充电桩故障原因诊断方法中全部内容的充电桩故障原因诊断装置的具体实施例，参见图9，所述充电桩故障原因诊断装置具体包括如下内容：
目标充电桩的故障类型获取模块10，用于在目标充电桩发生故障时获取该目标充电桩的故障类型。
目标故障原因诊断模块20，用于将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
本申请提供的充电桩故障原因诊断装置的实施例具体可以用于执行上述实施例中的充电桩故障原因诊断方法的各个实施例的全部处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本申请实施例提供的充电桩故障原因诊断装置，通过目标充电桩的故障类型获取模块10将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并通过目标故障原因诊断模块20将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修，并能够有效提高运维人员工作效率，并减轻针对充电桩的运维工作压力，同时，充电桩故障原因诊断过程简单且具有科学依据，能够为充电桩日常的运维工作提供有效的数据支撑，具有很强的科学性、可靠性和可操作性，能够有效地指导充电桩的智能化运维，提升充电设施资产管理和运行检修工作精益化水平，提高充电设施的运行稳定性和运行寿命，缩短故障处理时长，提高资产利用率和充电服务水平。
为了能够提供更为准确且有针对性的贝叶斯网络模型，以进一步提高诊断过程的效率和诊断结果的准确性，在本申请的一实施例中，本申请的充电桩故障原因诊断装置还包含有模型建立模块00，参见图10，所述模型建立模块00具体包括如下内容：
训练样本集生成模块01，用于根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集。
贝叶斯网络拓扑结构建立模块02，用于应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构。
条件概率获取模块03，用于基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
为了能够进一步电桩故障原因诊断的准确性和可靠性，在本申请的一实施例中还提供充电桩故障原因诊断装置中训练样本集生成模块01的具体实现方式，参见图11，所述训练样本集生成模块01具体包括如下内容：
历史运行数据获取单元01a，用于自电力***的遥测数据、遥信数据电力模块监控数据和交易数据中的至少一份数据中提取多个充电桩的历史运行数据。
充电桩故障指标体系建立单元01b，用于在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系。
数据预处理单元01c，用于对所述充电桩故障指标体对应的充电桩故障特征数据进行预处理。
训练样本集生成单元01d，用于根据经预处理后的充电桩故障特征数据生成训练样本集。
为了能够进一步贝叶斯网络模型建立的准确性和可靠性，在本申请的一实施例中还提供充电桩故障原因诊断装置中数据预处理单元01c的具体实现方式，所述数据预处理单元01c具体用于：对所述充电桩故障指标体系对应的充电桩故障特征数据进行数据清洗和/或属性规约处理；将经数据清洗和/或属性规约处理后的充电桩故障特征数据进行数据变换。
从上述描述可知，本申请提供的充电桩故障原因诊断装置，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修。
本申请的实施例还提供能够实现上述实施例中的充电桩故障原因诊断方法中全部步骤的一种电子设备的具体实施方式，参见图12，所述电子设备具体包括如下内容：
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；
其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现充电桩故障原因诊断装置、客户终端、故障监测设备以及其他参与机构之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的充电桩故障原因诊断方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：在目标充电桩发生故障时获取该目标充电桩的故障类型；
步骤200：将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
从上述描述可知，本申请提供的电子设备，通过将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修，并能够有效提高运维人员工作效率，并减轻针对充电桩的运维工作压力，同时，充电桩故障原因诊断过程简单且具有科学依据，能够为充电桩日常的运维工作提供有效的数据支撑，具有很强的科学性、可靠性和可操作性，能够有效地指导充电桩的智能化运维，提升充电设施资产管理和运行检修工作精益化水平，提高充电设施的运行稳定性和运行寿命，缩短故障处理时长，提高资产利用率和充电服务水平。
本申请的实施例还提供能够实现上述实施例中的充电桩故障原因诊断方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的充电桩故障原因诊断方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：在目标充电桩发生故障时获取该目标充电桩的故障类型；
步骤200：将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果，其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
从上述描述可知，本申请提供的计算机可读存储介质，能够实现充电桩的故障原因自动诊断，且诊断过程高效且诊断结果准确，进而能够对在充电桩发生故障时快速确认该故障发生的原因，进而能够及时且有针对性对充电桩进行维修。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(***)、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。本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (10)

1.一种充电桩故障原因诊断方法，其特征在于，包括：
在目标充电桩发生故障时获取该目标充电桩的故障类型；
将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果；
其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
2.根据权利要求1所述的充电桩故障原因诊断方法，其特征在于，还包括：
根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集；
应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构；
基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
3.根据权利要求2所述的充电桩故障原因诊断方法，其特征在于，所述根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集，包括：
自电力***的遥测数据、遥信数据电力模块监控数据和交易数据中的至少一份数据中提取多个充电桩的历史运行数据；
在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系；
对所述充电桩故障指标体系对应的充电桩故障特征数据进行预处理；
根据经预处理后的充电桩故障特征数据生成训练样本集。
4.根据权利要求3所述的充电桩故障原因诊断方法，其特征在于，所述对所述充电桩故障指标体系对应的充电桩故障特征数据进行预处理，包括：
对所述充电桩故障指标体系对应的充电桩故障特征数据进行数据清洗和/或属性规约处理；
将经数据清洗和/或属性规约处理后的充电桩故障特征数据进行数据变换。
5.一种充电桩故障原因诊断装置，其特征在于，包括：
目标充电桩的故障类型获取模块，用于在目标充电桩发生故障时获取该目标充电桩的故障类型；
目标故障原因诊断模块，用于将所述目标充电桩的故障类型作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该目标充电桩的故障类型对应的故障原因诊断结果；
其中，所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电桩的各个故障类型与各个故障原因诊断结果之间的对应关系。
6.根据权利要求5所述的充电桩故障原因诊断装置，其特征在于，还包括：
训练样本集生成模块，用于根据充电桩的多种故障类型及其对应的已知故障原因诊断结果，生成训练样本集；
贝叶斯网络拓扑结构建立模块，用于应用所述训练样本集，基于对应的评分函数及搜索算法建立贝叶斯网络的拓扑结构；
条件概率获取模块，用于基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
7.根据权利要求6所述的充电桩故障原因诊断装置，其特征在于，所述训练样本集生成模块包括：
历史运行数据获取单元，用于自电力***的遥测数据、遥信数据电力模块监控数据和交易数据中的至少一份数据中提取多个充电桩的历史运行数据；
充电桩故障指标体系建立单元，用于在所述历史运行数据中提取充电桩的多种故障类型对应的充电桩故障特征数据，并根据各种故障类型分别对应的充电桩故障特征数据之间的从属关系建立充电桩故障指标体系；
数据预处理单元，用于对所述充电桩故障指标体系对应的充电桩故障特征数据进行预处理；
训练样本集生成单元，用于根据经预处理后的充电桩故障特征数据生成训练样本集。
8.根据权利要求7所述的充电桩故障原因诊断装置，其特征在于，所述数据预处理单元具体用于：
对所述充电桩故障指标体系对应的充电桩故障特征数据进行数据清洗和/或属性规约处理；
将经数据清洗和/或属性规约处理后的充电桩故障特征数据进行数据变换。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述充电桩故障原因诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述的充电桩故障原因诊断方法的步骤。
CN201811416032.4A 2018-11-26 2018-11-26 充电桩故障原因诊断方法及装置 Active CN109596913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811416032.4A CN109596913B (zh) 2018-11-26 2018-11-26 充电桩故障原因诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811416032.4A CN109596913B (zh) 2018-11-26 2018-11-26 充电桩故障原因诊断方法及装置

Publications (2)

Publication Number Publication Date
CN109596913A CN109596913A (zh) 2019-04-09
CN109596913B true CN109596913B (zh) 2021-06-15

Family

ID=65959744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811416032.4A Active CN109596913B (zh) 2018-11-26 2018-11-26 充电桩故障原因诊断方法及装置

Country Status (1)

Country Link
CN (1) CN109596913B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110091748B (zh) * 2019-05-21 2021-09-03 广州小鹏汽车科技有限公司 电动车辆充电异常的处理方法、装置和车辆
CN110232142A (zh) * 2019-06-03 2019-09-13 国家电网有限公司 充电桩故障检测方法、***及终端设备
CN110909774B (zh) * 2019-11-08 2023-01-17 海南电网有限责任公司海南输变电检修分公司 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法
CN111122199A (zh) * 2019-12-31 2020-05-08 新奥数能科技有限公司 一种锅炉故障诊断方法及装置
CN111337764A (zh) * 2020-02-14 2020-06-26 重庆国翰能源发展有限公司 充电桩故障诊断***、方法及存储介质
CN111461481A (zh) * 2020-02-25 2020-07-28 国网河南省电力公司电力科学研究院 基于神经网络的输电线缆质量分析方法
CN111797768B (zh) * 2020-07-06 2023-05-12 华侨大学 一种城市道路交通拥堵多原因自动实时识别方法及***
CN112180312B (zh) * 2020-08-24 2022-01-04 南京航空航天大学 一种电流传感器复合故障诊断方法
CN112193112B (zh) * 2020-10-16 2022-06-14 安徽继远软件有限公司 一种电动汽车充电场站充电桩智能管理方法及装置
CN113468806B (zh) * 2021-06-23 2024-06-28 度普(苏州)新能源科技有限公司 储能充电桩的故障检测方法及装置、计算机可读存储介质
CN113657442A (zh) * 2021-07-08 2021-11-16 广州杰赛科技股份有限公司 电动汽车充电设备的故障诊断方法、装置及存储介质
CN113985178B (zh) * 2021-10-29 2024-06-11 章鱼博士智能技术(上海)有限公司 充电桩状态检测方法、装置、设备及存储介质
CN113887676B (zh) * 2021-12-06 2022-04-08 中国南方电网有限责任公司超高压输电公司广州局 设备故障预警方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598969A (zh) * 2014-11-13 2015-05-06 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于神经网络的高压电器运行质量评估方法及***
CN105225020A (zh) * 2015-11-11 2016-01-06 国家电网公司 一种基于bp神经网络算法的运行状态预测方法和***
CN106779505A (zh) * 2017-02-28 2017-05-31 中国南方电网有限责任公司 一种基于大数据驱动的输电线路故障预警方法及***
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069535B (zh) * 2015-08-19 2020-07-24 中国电力科学研究院 一种基于arima模型的配电网运行可靠性的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598969A (zh) * 2014-11-13 2015-05-06 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于神经网络的高压电器运行质量评估方法及***
CN105225020A (zh) * 2015-11-11 2016-01-06 国家电网公司 一种基于bp神经网络算法的运行状态预测方法和***
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及***
CN106779505A (zh) * 2017-02-28 2017-05-31 中国南方电网有限责任公司 一种基于大数据驱动的输电线路故障预警方法及***

Also Published As

Publication number Publication date
CN109596913A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN109596913B (zh) 充电桩故障原因诊断方法及装置
CN110796368B (zh) 基于贝叶斯网络的社区配电网动态风险评估方法及装置
Velasquez-Contreras et al. General asset management model in the context of an electric utility: Application to power transformers
CN111368890A (zh) 故障检测方法及装置、信息物理融合***
Kondratenko et al. Multi-criteria decision making for selecting a rational IoT platform
Di Giorgio et al. A Bayesian network-based approach to the critical infrastructure interdependencies analysis
CN109933953B (zh) 基于概率图模型的配电网开关状态辨识方法
Jiang et al. A physical probabilistic network model for distribution network topology recognition using smart meter data
Jafari et al. A survey on deep learning role in distribution automation system: a new collaborative Learning-to-Learning (L2L) concept
Pham et al. Deep learning for intelligent demand response and smart grids: A comprehensive survey
Zhang et al. Critical node identification in active distribution network using resilience and risk theory
CN112379325A (zh) 一种用于智能电表的故障诊断方法及***
Yang et al. Modelling cascading failure of a CPS for topological resilience enhancement
Cai et al. Bayesian networks in fault diagnosis: Practice and application
Mansour et al. Applications of IoT and digital twin in electrical power systems: A comprehensive survey
Ngwira et al. Towards context-aware smart contracts for Blockchain IoT systems
CN111860893B (zh) 一种数据处理方法及装置
CN117390015A (zh) 电池护照的存储方法、设备及存储介质
Pisica et al. Feature selection filter for classification of power system operating states
Sarkar An analytical approach for reducing k‐line failure analysis and load shed computation
Schreiberhuber et al. Causality Prediction with Neural-Symbolic Systems: A Case Study in Smart Grids.
Altinpulluk et al. Federated battery diagnosis and prognosis
Wu et al. Fault Diagnosis Model of GIS Equipment Based on Information Fusion Technology
Xia et al. Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis
Pinzón et al. Data analytics for power grid control centers management

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant