CN109886328B - 一种电动汽车充电设施故障预测方法与*** - Google Patents
一种电动汽车充电设施故障预测方法与*** Download PDFInfo
- Publication number
- CN109886328B CN109886328B CN201910115040.3A CN201910115040A CN109886328B CN 109886328 B CN109886328 B CN 109886328B CN 201910115040 A CN201910115040 A CN 201910115040A CN 109886328 B CN109886328 B CN 109886328B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- fault
- hyper
- training
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电动汽车充电设施故障预测方法与***,包括:读入充电数据集合,对数据集进行类型划分;设置各项超参数的数据范围;选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;使用Bagging算法生成不同的子数据集;将不同的子数据集分别交由对应的决策树模型进行回归分析;根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。本发明实现了对充电设施进行故障预测,能够在故障真正发生之前采取预防措施,避免故障发生,减少故障导致部件损坏和服务中断等,避免设施进入由故障引发的不安全或不确定的状态,从而降低运维成本,提高设备运营效率,保证安全性。
Description
技术领域
本发明涉及电动汽车技术领域,特别是一种电动汽车充电设施故障预测方法与***。
背景技术
随着电动汽车保有量的规模不断扩大,充电设施的规模也相应扩张,但其分布范围广、没有固定单一使用者、直接置于自然环境、需要随时能够工作的特点,为其运行维护工作带来了挑战,在其运行时对状态进行评价和对故障进行预测,采取规避措施,避免故障发生,将在成本控制和提高设施作业率上带来明显效果,创造价值。
故障诊断技术已经在传统大型设备如风机、发电设备进行了多年应用,形成比较成熟的方法,但对于电动汽车充电设施,此类设备由于最近几年才大规模出现,且其利用了较新的电力电子技术、物联网技术以及信息技术,所涉及的***及部件相比传统机械类设备,出现较大不同,过去成熟的故障预测及分析方法难以满足此类新设备的需要,而现在主流的充电设施运检手段是以设备自身状态监控和人工监控及巡视相结合的方式,无法预测设备故障,仍然需要大量的人工参与故障诊断、维保计划制定等过程,仍然以基于人工判断和管理的传统方式为主,虽有一定的利用智能方法进行分析预测的探索,但该领域的故障预测仍在起步阶段。
发明内容
本发明的目的是提供一种电动汽车充电设施故障预测方法与***,旨在解决现有技术中需要大量的人工参与充电设施的故障诊断的问题,实现对充电设施进行故障预测,降低运维成本,提高设备运营效率。
为达到上述技术目的,本发明提供了一种电动汽车充电设施故障预测方法,所述方法包括以下步骤:
S1、读入充电数据集合,对数据集进行类型划分;
S2、根据蒙特卡洛方法设置各项超参数的数据范围;
S3、在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;
S4、使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集;
S5、将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习以进行回归分析;
S6、根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
优选地,所述数据集划分为训练集、验证集以及测试集;
所述训练集用于拟合模型;所述验证集用于寻找效果最佳的模型,并调整模型参数;所述测试集用于进行模型预测;
所述训练集、验证集以及测试集按照3:1:1的比例进行划分。
优选地,所述超参数包括每棵决策树的最大叶子节点个数和随机森林中的决策树数量。
优选地,所述步骤S3具体操作为:
遍历各项超参数数据范围中可能的组合,并以训练集加以训练;
在完成所有超参数组合的模型训练之后记录其在验证集中的准确率,并选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型。
本发明还提供了一种电动汽车充电设施故障预测***,所述***包括:
数据集类型划分模块,用于读入充电数据集合,对数据集进行类型划分;
超参数范围设置模块,用于根据蒙特卡洛方法设置各项超参数的数据范围;
最优超参数选取模块,用于在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;
子数据集生成模块,用于使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集;
多决策树集成学习模块,用于将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习以进行回归分析;
统一输出模块,用于根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
优选地,所述数据集划分为训练集、验证集以及测试集;
所述训练集用于拟合模型;所述验证集用于寻找效果最佳的模型,并调整模型参数;所述测试集用于进行模型预测;
所述训练集、验证集以及测试集按照3:1:1的比例进行划分。
优选地,所述超参数包括每颗决策树的最大叶子节点个数和随机森林中的决策树数量。
优选地,所述准确率最高的一组超参数为通过遍历各项超参数数据范围中可能的组合,并以训练集加以训练所得到。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
与现有技术相比,本发明通过针对直流充电设施,基于其输入电压及电流、输出电压及电流、对电池需求的响应值、温湿度等环境量,利用预测模型,对设备状态数据分析和计算,进行量化评价,得到故障预测结果。以电动汽车单次充电过程为一个事务,并将其作为模型分析的最小单元,结合bagging方法对数据集进行随机划分以扩充数据集,与bootstrap方法将多个决策树模型进行集成学习形成随机森林模型以进行回归分析,外加以蒙特卡洛方法进行超参数设定从而得出比单纯决策树模型更准确的预测结果。本发明实现了对充电设施进行故障预测,能够在故障真正发生之前采取预防措施,避免故障发生,减少故障导致部件损坏和服务中断等,避免设施进入由故障引发的不安全或不确定的状态,从而降低运维成本,提高设备运营效率,保证安全性。
附图说明
图1为本发明实施例中所提供的一种电动汽车充电设施故障预测方法流程图;
图2为本发明实施例中所提供的一种电动汽车充电设施故障预测***结构框图。
具体实施方式
为了能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种电动汽车充电设施故障预测方法与***进行详细说明。
如图1所示,本发明实施例公开了一种电动汽车充电设施故障预测方法,所述方法包括以下步骤:
S1、读入充电数据集合,对数据集进行类型划分;
S2、根据蒙特卡洛方法设置各项超参数的数据范围;
S3、在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;
S4、使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集;
S5、将不同的子数据集分别交由对应的随机森林中的决策树模型进行回归分析;
S6、根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
在对电动汽车充电设施的故障预测过程中,以电动汽车单次充电过程为一个事务,并将其作为模型分析的最小单元,结合bagging方法对数据集进行随机划分以扩充数据集,与bootstrap方法将多个决策树模型进行集成学习,形成随机森林模型以进行回归分析,外加以蒙特卡洛方法进行超参数设定,从而得出比单纯决策树模型更准确的预测结果。
而传统设备故障分析与预测模型往往基于单一层次的基于时间戳的采样数据进行模型的训练与推理,例如就充电汽车充电桩故障数据而言,传统模型往往只考察分析当前充电状态转为故障状态时的充电周期与故障类型的关系,从数据挖掘的角度来看,对于在此次状态变化之前相邻的几个充电周期也属于关联数据,可以用于分析。因此,本发明实施例综合考虑相关的充电周期,将采样数据按充电过程进行分簇,在深入分析电动汽车充电桩故障类型及其特征的基础上,采用数据驱动的无监督学习方法,建立不同故障类型和充电过程间的映射关系模型。通过对不同故障类型与单次充电过程内或多次充电过程间数据的相关性分析,部分故障类型与当前充电周期的数据相关性高,部分故障类型适合通过跨周期数据进行预测,因此提出了自适应的在故障状态评价模型与故障预测模型中对不同故障类型采用不同层次的数据集进行训练学习与推理决策。
模型在初始化时,首先由数据文件读入已被处理的数据集合,在初始化模型之前,先将数据集进行划分,划分类型包括训练集、验证集以及测试集。
所述训练集是用来拟合模型的,通过设置参数训练模型;所述验证集用于当通过训练集训练出多个模型后,为了能找出效果最佳的模型,使用各个模型对验证集数据进行预测,并记录模型准确率,并通过选出效果最佳的模型所对应的参数,即用来调整模型参数。通过所述训练集和验证集得出最优模型后,使用测试集进行模型预测,利用测试集衡量该最优模型的性能和分类能力。本发明实施例划分训练集、验证集、测试集,并按照3:1:1的比例进行各类数据集的划分。
按照蒙特卡洛方法思想,设置各项超参数的数据范围,超参数包括两个参数,分别是每棵决策树的最大叶子节点个数和随机森林中的决策树数量,设置如下:
sample_leaf_options=list(range(1,500,3))
设置代表模型中每个决策树的最大叶子节点数;
n_estimators_options=list(range(1,1000,5))
设置代表整个随机森林中的决策树数量。
在训练时,通过遍历两个超参数可能的所有组合来寻找到最佳的超参数组合,使用最佳的超参数组合作为随机森林里的每个决策树的标准范围以训练模型,从而使模型更加优化。
在设置好数据范围之后,开始本模型的训练过程。在训练过程中,先遍历各项超参数数据范围中可能的组合,并以训练集加以训练,在完成所有超参数组合的模型训练之后记录其在验证集中的准确率,并选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型。
利用上述训练经过准确率的对比之后选出的超参数,对模型进行初始化,然后模型会从文件中加载在训练时已经保存好的模型,并等待数据输入,在数据输入之后,根据随机森林的特点和上述所得模型的数据划分参数,使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集,该算法是通过使用随机的部分特征而不是所有的特征来训练每个分类器,从而降低每个分类器之间的相关性。
将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习形成随机森林模型以进行回归分析。
在上述回归训练过程完成后,使用测试集进行模型的测试与使用,输入测试数据集,其在经过各个不同决策树的推理之后获得各个决策树的输出,模型会根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
使用bootstrap方法将多个决策树模型进行集成学习,形成随机森林模型以进行回归分析,其中上述数据集输入之后,bagging会根据训练所得模型的数据划分参数将输入的数据有放回的划分为模型需求的数据集格式,然后将不同的子数据集分别交由对应的随机森林中的决策树模型来进行回归分析,决策树是一个可以代表对象的属性与值之间的映射关系的分类模型,在经过各个不同决策树的推理之后获得各个决策树的输出,并根据训练时各决策树的不同输出权重将所有输出统一之后作为本模型的距离故障时间预测进行输出。
本发明实施例通过针对直流充电设施,基于其输入电压及电流、输出电压及电流、对电池需求的响应值、温湿度等环境量,利用预测模型,对设备状态数据分析和计算,进行量化评价,得到故障预测结果。以电动汽车单次充电过程为一个事务,并将其作为模型分析的最小单元,结合bagging方法对数据集进行随机划分以扩充数据集,与bootstrap方法将多个决策树模型进行集成学习形成随机森林模型以进行回归分析,外加以蒙特卡洛方法进行超参数设定从而得出比单纯决策树模型更准确的预测结果。本发明实现了对充电设施进行故障预测,能够在故障真正发生之前采取预防措施,避免故障发生,减少故障导致部件损坏和服务中断等,避免设施进入由故障引发的不安全或不确定的状态,从而降低运维成本,提高设备运营效率,保证安全性。
如图2所示,本发明实施例还公开了一种电动汽车充电设施故障预测***,所述***包括:
数据集类型划分模块,用于读入充电数据集合,对数据集进行类型划分;
超参数范围设置模块,用于根据蒙特卡洛方法设置各项超参数的数据范围;
最优超参数选取模块,用于在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;
子数据集生成模块,用于使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集;
多决策树集成学习模块,用于将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习以进行回归分析;
统一输出模块,用于根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
在模型初始化时,首先由数据文件读入已被处理的数据集合,在初始化模型之前,通过数据集类型划分模块将数据集进行划分,划分类型包括训练集、验证集以及测试集。所述训练集是用来拟合模型的,通过设置参数训练模型;所述验证集用于当通过训练集训练出多个模型后,为了能找出效果最佳的模型,使用各个模型对验证集数据进行预测,并记录模型准确率,并通过选出效果最佳的模型所对应的参数,即用来调整模型参数。通过所述训练集和验证集得出最优模型后,使用测试集进行模型预测,利用测试集衡量该最优模型的性能和分类能力。本发明实施例划分训练集、验证集、测试集,并按照3:1:1的比例进行各类数据集的划分。
通过超参数范围设置模块设置各项超参数的数据范围,超参数包括两个参数,分别是每颗决策树的最大叶子节点个数和随机森林中的决策树数量。
通过最优超参数选取模块选取最优超参数,先遍历各项超参数数据范围中可能的组合,并以训练集加以训练,在完成所有超参数组合的模型训练之后记录其在验证集中的准确率,并选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型。
利用上述训练经过准确率的对比之后选出的超参数,对模型进行初始化,然后模型会从文件中加载在训练时已经保存好的模型,并等待数据输入,在数据输入之后,根据随机森林的特点和上述所得模型的数据划分参数,使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集,该算法是通过使用随机的部分特征而不是所有的特征来训练每个分类器,从而降低每个分类器之间的相关性。
将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习形成随机森林模型以进行回归分析。
在上述回归训练过程完成后,使用测试集进行模型的测试与使用,输入测试数据集,其在经过各个不同决策树的推理之后获得各个决策树的输出,模型会根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电动汽车充电设施故障预测方法,其特征在于,所述方法包括以下步骤:
S1、读入充电数据集合,对数据集进行类型划分;所述数据集划分为训练集、验证集以及测试集;所述数据按充电过程进行分簇,以单次充电过程为一个事务,作为模型分析的最小单元,在深入分析电动汽车充电桩故障类型及其特征的基础上,采用数据驱动的无监督学习方法,建立不同故障类型和充电过程间的映射关系模型,通过对不同故障类型与单次充电过程内或多次充电过程间数据的相关性分析,部分故障类型与当前充电周期的数据相关性高,部分故障类型适合通过跨周期数据进行预测,通过自适应的在故障状态评价模型与故障预测模型中对不同故障类型采用不同层次的数据集进行训练学习与推理决策;
所述训练集用于拟合模型;所述验证集用于寻找效果最佳的模型,并调整模型参数;所述测试集用于进行模型预测;
所述训练集、验证集以及测试集按照3:1:1的比例进行划分;
S2、根据蒙特卡洛方法设置各项超参数的数据范围;
S3、在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;具体包括:
遍历各项超参数数据范围中可能的组合,并以训练集加以训练;
在完成所有超参数组合的模型训练之后记录其在验证集中的准确率,并选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;
S4、使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集;
S5、将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习以进行回归分析;
S6、根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
2.根据权利要求1所述的一种电动汽车充电设施故障预测方法,其特征在于,所述超参数包括每棵决策树的最大叶子节点个数和随机森林中的决策树数量。
3.一种电动汽车充电设施故障预测***,其特征在于,所述***包括:
数据集类型划分模块,用于读入充电数据集合,对数据集进行类型划分;所述数据按充电过程进行分簇,以单次充电过程为一个事务,作为模型分析的最小单元,在深入分析电动汽车充电桩故障类型及其特征的基础上,采用数据驱动的无监督学习方法,建立不同故障类型和充电过程间的映射关系模型,通过对不同故障类型与单次充电过程内或多次充电过程间数据的相关性分析,部分故障类型与当前充电周期的数据相关性高,部分故障类型适合通过跨周期数据进行预测,通过自适应的在故障状态评价模型与故障预测模型中对不同故障类型采用不同层次的数据集进行训练学习与推理决策;
超参数范围设置模块,用于根据蒙特卡洛方法设置各项超参数的数据范围;
最优超参数选取模块,用于在模型训练中选取准确率最高的一组超参数作为故障预测模型的超参数来重新初始化模型;
子数据集生成模块,用于使用Bagging算法将数据集的属性进行有放回的划分,从而得到不同的属性搭配类型并生成不同的子数据集;
多决策树集成学习模块,用于将不同的子数据集分别交由对应的随机森林中的决策树模型,使用bootstrap方法将多个决策树模型进行集成学习以进行回归分析;
统一输出模块,用于根据训练时各决策树的不同输出权重将所有输出统一之后的结果作为本模型的距离故障预测时间进行输出。
4.根据权利要求3所述的一种电动汽车充电设施故障预测***,其特征在于,所述数据集划分为训练集、验证集以及测试集;
所述训练集用于拟合模型;所述验证集用于寻找效果最佳的模型,并调整模型参数;所述测试集用于进行模型预测;
所述训练集、验证集以及测试集按照3:1:1的比例进行划分。
5.根据权利要求3所述的一种电动汽车充电设施故障预测***,其特征在于,所述超参数包括每颗决策树的最大叶子节点个数和随机森林中的决策树数量。
6.根据权利要求4所述的一种电动汽车充电设施故障预测***,其特征在于,所述准确率最高的一组超参数为通过遍历各项超参数数据范围中可能的组合,并以训练集加以训练所得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115040.3A CN109886328B (zh) | 2019-02-14 | 2019-02-14 | 一种电动汽车充电设施故障预测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115040.3A CN109886328B (zh) | 2019-02-14 | 2019-02-14 | 一种电动汽车充电设施故障预测方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886328A CN109886328A (zh) | 2019-06-14 |
CN109886328B true CN109886328B (zh) | 2021-07-23 |
Family
ID=66928240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910115040.3A Expired - Fee Related CN109886328B (zh) | 2019-02-14 | 2019-02-14 | 一种电动汽车充电设施故障预测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886328B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20195682A1 (en) * | 2019-08-15 | 2021-02-16 | Liikennevirta Oy / Virta Ltd | CHARGING STATION MONITORING METHOD AND APPARATUS |
CN110647539B (zh) * | 2019-09-26 | 2022-06-24 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和*** |
CN111210505A (zh) * | 2019-12-30 | 2020-05-29 | 南昌市小核桃科技有限公司 | 3d模型加载方法、服务器、存储介质、处理器 |
CN112488326A (zh) * | 2020-11-09 | 2021-03-12 | 广州瀚信通信科技股份有限公司 | 基于5g核心网的智能运维故障预警方法及装置 |
CN113433409A (zh) * | 2021-06-30 | 2021-09-24 | 青岛科技大学 | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 |
CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103154845A (zh) * | 2010-07-16 | 2013-06-12 | 纽约市哥伦比亚大学托管会 | 电网的机器学习 |
CN106650963A (zh) * | 2016-12-30 | 2017-05-10 | 山东鲁能智能技术有限公司 | 一种电动汽车充电设备检测维修管理方法和装置 |
CN106933204A (zh) * | 2015-10-09 | 2017-07-07 | 费希尔-罗斯蒙特***公司 | 分布式工业性能监控和分析 |
CN107004164A (zh) * | 2014-11-27 | 2017-08-01 | 株式会社博甘斯 | 设备的预测维修***及方法 |
CN107450524A (zh) * | 2017-08-30 | 2017-12-08 | 深圳市智物联网络有限公司 | 预测工业设备故障的方法、装置及计算机可读存储介质 |
CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4096906B2 (ja) * | 2003-05-14 | 2008-06-04 | セイコーエプソン株式会社 | 故障予測通知プリンタ及びプリンタ管理サーバ並びにこれら用いた故障予測通知システム、故障予測通知プログラム及び故障予測通知方法 |
US20090028056A1 (en) * | 2007-07-26 | 2009-01-29 | At&T Knowledge Ventures, L.P. | System and method for predicting a fault in a real-time transport protocol packet stream |
CN102385660A (zh) * | 2010-09-03 | 2012-03-21 | 湘潭大学 | 一种充电站电池soc的估计方法 |
CN103257921B (zh) * | 2013-04-16 | 2015-07-22 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测***及其方法 |
CN107180362A (zh) * | 2017-05-03 | 2017-09-19 | 浙江工商大学 | 基于深度学习的零售商品销售预测方法 |
CN108052528B (zh) * | 2017-11-09 | 2019-11-26 | 华中科技大学 | 一种存储设备时序分类预警方法 |
CN108694448A (zh) * | 2018-05-08 | 2018-10-23 | 成都卡莱博尔信息技术股份有限公司 | Phm平台 |
-
2019
- 2019-02-14 CN CN201910115040.3A patent/CN109886328B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103154845A (zh) * | 2010-07-16 | 2013-06-12 | 纽约市哥伦比亚大学托管会 | 电网的机器学习 |
CN107004164A (zh) * | 2014-11-27 | 2017-08-01 | 株式会社博甘斯 | 设备的预测维修***及方法 |
CN106933204A (zh) * | 2015-10-09 | 2017-07-07 | 费希尔-罗斯蒙特***公司 | 分布式工业性能监控和分析 |
CN106650963A (zh) * | 2016-12-30 | 2017-05-10 | 山东鲁能智能技术有限公司 | 一种电动汽车充电设备检测维修管理方法和装置 |
CN107450524A (zh) * | 2017-08-30 | 2017-12-08 | 深圳市智物联网络有限公司 | 预测工业设备故障的方法、装置及计算机可读存储介质 |
CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886328A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与*** | |
Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及*** | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN102208028A (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
Li et al. | Deep learning-based transient stability assessment framework for large-scale modern power system | |
Önder et al. | Classification of smart grid stability prediction using cascade machine learning methods and the internet of things in smart grid | |
Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
CN106886620B (zh) | 航天器测试资源优化配置方法 | |
CN117669176A (zh) | 一种基于网络简化法的配电网可靠性评估方法及装置 | |
KR20200116425A (ko) | 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법 | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
CN116204771A (zh) | 电力***暂态稳定关键特征选择方法、装置及产品 | |
Zhou et al. | Convolutional neural network and data augmentation method for electricity theft detection | |
Tian et al. | Web service reliability test method based on log analysis | |
CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及*** | |
CN114219118A (zh) | 一种d-s证据理论的智能电表寿命预测方法及*** | |
Ye et al. | Application of Machine Learning and Hyper-Parameter Optimisation for Efficient Prediction of Transient Stability | |
Cao et al. | A novel pca-bp fuzzy neural network model for software defect prediction |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210723 Termination date: 20220214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |