CN114490836A - 一种适用于电动汽车充电故障的数据挖掘处理方法 - Google Patents

一种适用于电动汽车充电故障的数据挖掘处理方法 Download PDF

Info

Publication number
CN114490836A
CN114490836A CN202210392883.XA CN202210392883A CN114490836A CN 114490836 A CN114490836 A CN 114490836A CN 202210392883 A CN202210392883 A CN 202210392883A CN 114490836 A CN114490836 A CN 114490836A
Authority
CN
China
Prior art keywords
data
fault
data mining
electric vehicle
charging facility
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.)
Granted
Application number
CN202210392883.XA
Other languages
English (en)
Other versions
CN114490836B (zh
Inventor
张剑
徐科
王迎秋
张�浩
贺春
祖国强
刘洪�
李思维
郝爽
李少雄
袁新润
谢秦
李硕
赵越
张卫欣
唐庆华
甘智勇
张弛
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.)
Tianjin University
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Nari Technology Co Ltd
Original Assignee
Tianjin University
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Nari Technology 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 Tianjin University, State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd, Nari Technology Co Ltd filed Critical Tianjin University
Priority to CN202210392883.XA priority Critical patent/CN114490836B/zh
Publication of CN114490836A publication Critical patent/CN114490836A/zh
Application granted granted Critical
Publication of CN114490836B publication Critical patent/CN114490836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种适用于电动汽车充电故障的数据挖掘处理方法，通过将其输出输入到充电设施运行状态数据挖掘模型，对复杂数据做出简化，选择合适的充电设施数据挖掘方案，设计合理的数据挖掘模型，分析安全故障数据特征展示数据挖掘结果，分析安全故障数据特征，建立充电设施一体化故障树，通过提取规则，分析各层故障源和具体故障类型之间的关系。其中，改进后的不良数据筛选算法去除了原间隙统计算法中由于随机产生参考数集以及采用样本估计带来的误差，使得统计量能更加客观地反映了事实。算法也不用进行样本估计和计算标准差及模拟误差，降低了算法的运算量，提高了算法的计算速度，使算法的实用性增强。

Description

一种适用于电动汽车充电故障的数据挖掘处理方法
技术领域
本发明属于充电设备数据处理技术领域，尤其是一种适用于电动汽车充电故障的数据挖掘处理方法。
背景技术
与传统燃料汽车相比，电动汽车环保且无噪音，发展电动汽车有助于缓解能源短缺和环境污染，而电动汽车充电桩的普及是电动汽车发展的前提。充电桩处于工作状态时，会产生海量数据，初始数据集的各种数据类型、属性等多样化，给后续对数据的统计及分析带来困难。同时，电动汽车充电安全事故尤其是充电设施故障频频发生，不但影响了电动汽车用户及运营商的财产安全，在一定程度上还制约了电动汽车产业的发展。因此，如何采用数据挖掘技术，分析充电设施运行安全故障特性成为了电动汽车的发展趋势，但是现如今仅停留于想法，并没有能够进行实施计算。
发明内容
本发明的目的在于克服现有技术的不足，提出一种适用于电动汽车充电故障的数据挖掘处理方法，通过改进算法，不用进行样本估计和计算标准差及模拟误差，降低了算法的运算量，提高了算法的计算速度，使算法的实用性增强。
本发明解决其技术问题是采取以下技术方案实现的：
一种适用于电动汽车充电故障的数据挖掘处理方法，包括以下步骤：
步骤1：通过互联网、电池管理***以及运营监控平台采集电动汽车充电设施的运行状态数据；
步骤2：对步骤1收集到的运行状态数据中的不良数据进行辨识；
步骤3：利用回声状态网络对步骤2中辨识的不良数据进行修正；
步骤4：基于步骤3中不良数据的修正结果，对电动汽车充电设施的运行状态数据进行质量评价，同时根据运行状态数据特征，构建充电设施运行状态数据质量评价体系及质量评价模型；
步骤5：对步骤4中充电设施运行状态数据质量评价体系及质量评价模型进行数据泛化、数据规范化和数据属性构建的数据转换；
步骤6：构建充电设施运行状态数据挖掘模型，将步骤5中数据转换后的输出数据输入到充电设施运行状态数据挖掘模型进行特征数据挖掘，并对复杂数据做出简化；
步骤7：根据步骤6中简化的特征数据，构建充电设施一体化故障树，通过提取规则，分析各层故障源和具体故障类型之间的关系。
而且，步骤1中运行状态数据包括：电压、电流和温度。
而且，所述步骤2不良数据的辨识包括以下步骤：
步骤2.1、对步骤1的运行状态数据进行聚类，聚类个数为
Figure 100002_DEST_PATH_IMAGE001
，且
Figure 86590DEST_PATH_IMAGE001
=1、2、……
Figure 98671DEST_PATH_IMAGE002
，
Figure 347249DEST_PATH_IMAGE002
为聚类总数，计算对应不同的聚类个数时的聚类离散度
Figure 100002_DEST_PATH_IMAGE003
；
步骤2.2、采用均匀分布作为参考分布，计算对应不同聚类个数的聚类离散度的期望E(W r,k )，其中r为根据原始数据特点产生r个的均匀分布的参考数据集；
步骤2.3、计算聚类个数
Figure 601513DEST_PATH_IMAGE001
=1、2、……
Figure 884727DEST_PATH_IMAGE002
时对应的中间变量
Figure 35086DEST_PATH_IMAGE004
值；
步骤2.4、根据步骤2.3计算的
Figure 770960DEST_PATH_IMAGE004
值，获得最佳聚类个数，并辨识不良数据。
而且，所述步骤2.3中中间变量
Figure 563336DEST_PATH_IMAGE004
的计算方法为：
Figure 100002_DEST_PATH_IMAGE005
其中，
Figure 966635DEST_PATH_IMAGE006
为参考值分布样本大小为n的情况下的数学期望值。
而且，所述步骤2.4的具体实现方法为：对步骤2.3中计算出的
Figure 57869DEST_PATH_IMAGE001
个
Figure 281040DEST_PATH_IMAGE004
进行比较，若
Figure 100002_DEST_PATH_IMAGE007
，则
Figure 814790DEST_PATH_IMAGE008
为最佳聚类个数，否则令
Figure DEST_PATH_IMAGE009
，并返回步骤2.1。
而且，所述步骤3中回声状态网络的储备电池状态更新公式
Figure 197229DEST_PATH_IMAGE010
为：
Figure DEST_PATH_IMAGE011
回声状态网络的输出：
Figure 689391DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为储备电池的调节系数，具体数值由实际情况而定，
Figure 494798DEST_PATH_IMAGE014
是激活函数，
Figure DEST_PATH_IMAGE015
是输入的数据，
Figure 566659DEST_PATH_IMAGE016
是网络状态或储备电池状态，
Figure DEST_PATH_IMAGE017
是输入权重矩阵，
Figure 944551DEST_PATH_IMAGE018
是中间权值矩阵，
Figure DEST_PATH_IMAGE019
是输出，
Figure 342034DEST_PATH_IMAGE020
是输出权重矩阵。
而且，所述步骤4中充电设施运行状态数据质量评价体系包括运行状态数据的固有质量、可存取质量、上下文质量及表示质量；充电设施运行状态数据质量评价模型包括决定关系、检测联系、业务规则、算法库和规则权重。
而且，所述步骤6中特征数据挖掘包括以下个步骤：
步骤6.1、将分类信息扩展到步骤5中数据转换后的输出数据；
Figure DEST_PATH_IMAGE021
为类别数，
Figure 867693DEST_PATH_IMAGE022
为数据转换后的输出数据X的每个分类信息，若输出数据
Figure DEST_PATH_IMAGE023
属于类
Figure 304097DEST_PATH_IMAGE024
，则
Figure DEST_PATH_IMAGE025
的类标签
Figure 864392DEST_PATH_IMAGE026
就设为
Figure DEST_PATH_IMAGE027
，否则
Figure 432776DEST_PATH_IMAGE028
设为
Figure DEST_PATH_IMAGE029
；确定
Figure 445732DEST_PATH_IMAGE030
和
Figure 593816DEST_PATH_IMAGE029
后，使
Figure 415142DEST_PATH_IMAGE026
对所有
Figure 452630DEST_PATH_IMAGE023
都具有正态分布；同时将分类信息
Figure DEST_PATH_IMAGE031
扩充到输出数据
Figure 687302DEST_PATH_IMAGE025
，需要对输出数据
Figure 576761DEST_PATH_IMAGE025
进行标准化，使得输出数据X的每个因子为呈正态分布，标准化后的输出数据为
Figure 642806DEST_PATH_IMAGE032
，则扩充数据
Figure DEST_PATH_IMAGE033
为：
Figure 490676DEST_PATH_IMAGE034
其中，标准化后的输出数据
Figure 9382DEST_PATH_IMAGE032
的维度为
Figure DEST_PATH_IMAGE035
为输入输出数据的数量；
Figure 523104DEST_PATH_IMAGE031
的维度为
Figure 53442DEST_PATH_IMAGE036
的维度为
Figure DEST_PATH_IMAGE037
为数据
Figure 196848DEST_PATH_IMAGE025
的分类类别数；
步骤6.2、基于主成分分析法对步骤6.1中的扩充数据
Figure 78216DEST_PATH_IMAGE038
进行特征提取；
初始的主成分PCs维度为
Figure DEST_PATH_IMAGE039
，若要降低输入输出数据的维度
Figure 902952DEST_PATH_IMAGE040
直至其小于
Figure DEST_PATH_IMAGE041
，则需要选择
Figure 146852DEST_PATH_IMAGE040
个主成分PCs，并获取其
Figure 602104DEST_PATH_IMAGE040
个最大方差，其中在某个主成分PCs中，变换矩阵
Figure 596867DEST_PATH_IMAGE042
为：
Figure DEST_PATH_IMAGE043
其中，
Figure 959715DEST_PATH_IMAGE044
为当前主成分第
Figure DEST_PATH_IMAGE045
个类别，
Figure 323701DEST_PATH_IMAGE044
的维度为
Figure 949854DEST_PATH_IMAGE046
为变换矩阵，
Figure 805815DEST_PATH_IMAGE042
的维度为
Figure DEST_PATH_IMAGE047
为对应于扩充输入输出数据的数量，
Figure 972354DEST_PATH_IMAGE048
为对应于扩充输入输出数据的类，
Figure DEST_PATH_IMAGE049
为特征提取后数据的主成分个数；
步骤6.3、通过变换矩阵
Figure 423801DEST_PATH_IMAGE042
对扩充数据
Figure 486435DEST_PATH_IMAGE033
进行坐标变换；
通过变换矩阵
Figure 688747DEST_PATH_IMAGE042
和扩充数据
Figure 331080DEST_PATH_IMAGE050
相乘，得到特征空间上的转换数据
Figure DEST_PATH_IMAGE051
，
Figure 138499DEST_PATH_IMAGE052
通过充电设施数据挖掘，设计数据挖掘模型，分析安全故障数据特征展示数据挖掘结果。
而且，所述步骤7中建立故障树包括以下步骤：
步骤7.1、故障树的建立从通过互联网、电池管理***以及运营监控平台采集电动汽车充电设施的运行状态数据中所有故障的根源作为顶部事件的陈述开始；
步骤7.2、找到运行状态数据中的不良数据作为输入事件，得出转换的特征数据为输出事件；
步骤7.3、重复步骤7.2，直到获得底部事件；
步骤7.4、用逻辑符号连接所有级别的事件，形成故障树。
本发明的优点和积极效果是：
本发明通过将其输出输入到充电设施运行状态数据挖掘模型，对复杂数据做出简化，选择充电设施数据挖掘方案，设计数据挖掘模型，分析安全故障数据特征展示数据挖掘结果，分析安全故障数据特征，建立充电设施一体化故障树，通过提取规则，分析各层故障源和具体故障类型之间的关系。其中，改进后的不良数据筛选算法去除了原间隙统计算法中由于随机产生参考数集以及采用样本估计带来的误差，使得统计量能更加客观地反映了事实。算法也不用进行样本估计和计算标准差及模拟误差，降低了算法的运算量，提高了算法的计算速度，使算法的实用性增强。
附图说明
图1为本发明的流程图；
图2为本发明中步骤2中不良数据辨识GSA改进算法流程图；
图3为本发明的充电设施运行状态数据质量评价指标体系图；
图4为本发明的电动汽车充放电数据质量评价模型图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种适用于电动汽车充电故障的数据挖掘处理方法，如图1所示，包括以下步骤：
步骤1：通过互联网、电池管理***以及运营监控平台采集电动汽车充电设施的运行状态数据。
运行状态数据包括：电压、电流和温度。
步骤2：对步骤1收集到的运行状态数据中的不良数据进行辨识。
传统计算方法中间隙统计算法结合聚类分析在检测辨识电力***不良数据方面有很多优势，但面临互联大电网中的海量数据时，计算量会特别大，计算的速度会受到影响，从而影响该算法在实时计算方面的实用性。为了使该算法能够适用于海量数据的计算，如图2所示，本发明对算法进行了改进。
不良数据的辨识包括被以下步骤：
步骤2.1、对步骤1的运行状态数据进行聚类，聚类个数为
Figure 699931DEST_PATH_IMAGE001
，且
Figure 264904DEST_PATH_IMAGE001
=1、2、……
Figure 242088DEST_PATH_IMAGE002
，
Figure 202216DEST_PATH_IMAGE002
为聚类总数，计算对应不同的聚类个数时的聚类离散度
Figure 809914DEST_PATH_IMAGE003
。
步骤2.2、采用均匀分布作为参考分布，计算对应不同聚类个数的聚类离散度的期望
Figure DEST_PATH_IMAGE053
，其中r为根据原始数据特点产生r个的均匀分布的参考数据集。
步骤2.3、计算聚类个数
Figure 190080DEST_PATH_IMAGE001
=1、2、……
Figure 33271DEST_PATH_IMAGE002
时对应的中间变量
Figure 487386DEST_PATH_IMAGE004
值，
Figure 390620DEST_PATH_IMAGE004
作为最后确定最小的k值的中间变量，不做单独定义；
Figure 726924DEST_PATH_IMAGE005
其中，
Figure 249172DEST_PATH_IMAGE006
表示参考值分布样本大小为n的情况下的数学期望值(这个期望值的大小与n有关，因为在计算
Figure 186822DEST_PATH_IMAGE054
的过程中隐含了与n有关的信息)
步骤2.4、根据步骤2.3计算的
Figure 870744DEST_PATH_IMAGE004
值，获得最佳聚类个数，并辨识不良数据。
对步骤2.3中计算出的
Figure DEST_PATH_IMAGE055
个
Figure 225502DEST_PATH_IMAGE004
进行比较，若
Figure 348179DEST_PATH_IMAGE007
，则
Figure 635941DEST_PATH_IMAGE008
为最佳聚类个数，否则令
Figure 756343DEST_PATH_IMAGE009
，并返回步骤2.1。
改进后的算法去除了原GSA方法中由于随机产生参考数集以及采用样本估计带来的误差，使得统计量能更加客观地反映了事实。算法也不用进行样本估计和计算标准差及模拟误差，降低了算法的运算量，提高了算法的计算速度，使算法的实用性增强。
步骤3：利用回声状态网络对步骤2中辨识的不良数据进行修正。需要利用网络结构中的储备电池生成一个足够复杂的动态空间，且随着输入的变化，线性地组合出所需要的对应输出，以此实现对不良数据的修正。
回声状态网络的储备电池状态更新公式
Figure 395135DEST_PATH_IMAGE010
为：
Figure 993607DEST_PATH_IMAGE011
回声状态网络的输出：
Figure 637340DEST_PATH_IMAGE012
其中，
Figure 194223DEST_PATH_IMAGE013
为储备电池的调节系数，具体数值由实际情况而定，
Figure 726836DEST_PATH_IMAGE014
是激活函数，
Figure 519211DEST_PATH_IMAGE015
是输入的数据，
Figure 391352DEST_PATH_IMAGE016
是网络状态或储备电池状态，
Figure 978191DEST_PATH_IMAGE017
是输入权重矩阵，
Figure 201362DEST_PATH_IMAGE018
是中间权值矩阵，
Figure 203954DEST_PATH_IMAGE019
是输出，
Figure 320814DEST_PATH_IMAGE020
是输出权重矩阵。
步骤4：基于步骤3中不良数据的修正结果，对电动汽车充电设施的运行状态数据进行质量评价，同时根据运行状态数据特征，构建充电设施运行状态数据质量评价体系及质量评价模型。
如图3所示，本发明的步骤4中充电设施运行状态数据质量评价体系主要从运行状态数据的固有质量、可存取质量、上下文质量及表示质量方面来定义。如图4所示，充电设施运行状态数据质量评价模型包括决定关系、检测联系、业务规则、算法库、规则权重等。其中，决定关系主要描述了充电设施运行状态数据如各个模块电压、电流等之间的依赖关系；检测联系是根据充电设施运行状态数据之间的依赖关系建立起来的数据内部检测联系；业务规则是与充电设施运行状态数据质量检测及问题数据处理相关的规则集合；算法库是充电设施运行状态数据质量控制过程中涉及的算法集合；规则权重表示规则的重要程度。
步骤5：对步骤4中充电设施运行状态数据质量评价体系及质量评价模型进行数据泛化、数据规范化和数据属性构建的数据转换。
步骤6：构建充电设施运行状态数据挖掘模型，将步骤5中数据转换后的输出数据输入到充电设施运行状态数据挖掘模型进行特征数据挖掘，并对复杂数据做出简化。
步骤6.1、将分类信息扩展到步骤5中数据转换后的输出数据；
Figure 219500DEST_PATH_IMAGE021
为类别数，
Figure 287557DEST_PATH_IMAGE022
为数据转换后的输出数据X的每个分类信息，若输出数据
Figure 31522DEST_PATH_IMAGE023
属于类
Figure 268468DEST_PATH_IMAGE024
，则
Figure 72476DEST_PATH_IMAGE025
的类标签
Figure 66977DEST_PATH_IMAGE026
就设为
Figure 739267DEST_PATH_IMAGE027
，否则
Figure 440506DEST_PATH_IMAGE028
设为
Figure 540049DEST_PATH_IMAGE029
；确定
Figure 225109DEST_PATH_IMAGE030
和
Figure 373193DEST_PATH_IMAGE029
后，使
Figure 820617DEST_PATH_IMAGE026
对所有
Figure 232007DEST_PATH_IMAGE023
都具有正态分布。
例如，X的三个实例分别为
Figure 997838DEST_PATH_IMAGE056
，其对应的类标签为1，2，2，其分类信息如：
Figure DEST_PATH_IMAGE057
对于具有正态分布的
Figure 480772DEST_PATH_IMAGE058
，第一个元素
Figure DEST_PATH_IMAGE059
和
Figure 687762DEST_PATH_IMAGE060
的均值应为0，标准差应为1，在此基础上，可以确定
Figure DEST_PATH_IMAGE061
的值，进而确定
Figure 597949DEST_PATH_IMAGE062
的值。
同时将分类信息
Figure DEST_PATH_IMAGE063
扩充到输出数据
Figure 836031DEST_PATH_IMAGE025
，需要对输出数据
Figure 653814DEST_PATH_IMAGE025
进行标准化，使得输出数据
Figure 246470DEST_PATH_IMAGE025
的每个因子为呈正态分布，标准化后的输出数据为
Figure 999662DEST_PATH_IMAGE032
，则扩充数据
Figure 740085DEST_PATH_IMAGE033
为：
Figure 971346DEST_PATH_IMAGE034
其中，标准化后的输出数据
Figure 746404DEST_PATH_IMAGE032
的维度为
Figure 670498DEST_PATH_IMAGE035
为输入输出数据的数量；
Figure 835900DEST_PATH_IMAGE031
的维度为
Figure 496951DEST_PATH_IMAGE036
的维度为
Figure 1881DEST_PATH_IMAGE037
为数据
Figure 955931DEST_PATH_IMAGE025
的分类类别数；
步骤6.2、基于主成分分析法对步骤6.1中的扩充数据
Figure 811891DEST_PATH_IMAGE038
输出数据进行特征提取；
初始的主成分PCs维度为
Figure 509589DEST_PATH_IMAGE039
，若要降低输入输出数据的维度
Figure 134605DEST_PATH_IMAGE040
直至其小于
Figure 197239DEST_PATH_IMAGE041
，则需要选择
Figure 399550DEST_PATH_IMAGE040
个主成分PCs，并获取其
Figure 776305DEST_PATH_IMAGE040
个最大方差，其中在某个主成分PCs中，变换矩阵
Figure 878997DEST_PATH_IMAGE042
为：
Figure 315795DEST_PATH_IMAGE043
其中，
Figure 677506DEST_PATH_IMAGE044
为当前主成分第
Figure 717006DEST_PATH_IMAGE045
个类别，
Figure 51035DEST_PATH_IMAGE044
的维度为
Figure 783368DEST_PATH_IMAGE046
为变换矩阵，
Figure 835638DEST_PATH_IMAGE042
的维度为
Figure 678829DEST_PATH_IMAGE047
为对应于扩充输入输出数据的数量，
Figure 132944DEST_PATH_IMAGE048
为对应于扩充输入输出数据的类，
Figure 708282DEST_PATH_IMAGE049
为特征提取后数据的主成分个数；
步骤6.3、通过变换矩阵 QUOTE
Figure DEST_PATH_IMAGE065
Figure 77208DEST_PATH_IMAGE065
对扩充数据
Figure 724090DEST_PATH_IMAGE033
原数据进行坐标变换；
通过变换矩阵
Figure 32712DEST_PATH_IMAGE042
和扩充数据
Figure 106847DEST_PATH_IMAGE050
相乘，得到特征空间上的转换数据
Figure 664867DEST_PATH_IMAGE051
，
Figure 990807DEST_PATH_IMAGE052
通过充电设施数据挖掘，设计数据挖掘模型，分析安全故障数据特征展示数据挖掘结果。
步骤7：构建充电设施一体化故障树，通过提取规则，分析各层故障源和具体故障类型之间的关系。
步骤7.1、故障树的建立从通过互联网、电池管理***以及运营监控平台采集电动汽车充电设施的运行状态数据中所有故障的根源作为顶部事件的陈述开始；
步骤7.2、找到运行状态数据中的不良数据作为输入事件，得出转换的特征数据为输出事件；
步骤7.3、重复步骤7.2，直到获得底部事件；
步骤7.4、用逻辑符号连接所有级别的事件，形成故障树。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (9)

1.一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：包括以下步骤：
步骤1：通过互联网、电池管理***以及运营监控平台采集电动汽车充电设施的运行状态数据；
步骤2：对步骤1收集到的运行状态数据中的不良数据进行辨识；
步骤3：利用回声状态网络对步骤2中辨识的不良数据进行修正；
步骤4：基于步骤3中不良数据的修正结果，对电动汽车充电设施的运行状态数据进行质量评价，同时根据运行状态数据特征，构建充电设施运行状态数据质量评价体系及质量评价模型；
步骤5：对步骤4中充电设施运行状态数据质量评价体系及质量评价模型进行数据泛化、数据规范化和数据属性构建的数据转换；
步骤6：构建充电设施运行状态数据挖掘模型，将步骤5中数据转换后的输出数据输入到充电设施运行状态数据挖掘模型进行特征数据挖掘，并对复杂数据做出简化；
步骤7：根据步骤6中简化的特征数据，构建充电设施一体化故障树，通过提取规则，分析各层故障源和具体故障类型之间的关系。
2.根据权利要求1所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤1中运行状态数据包括：电压、电流和温度。
3.根据权利要求1所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤2不良数据的辨识包括以下步骤：
步骤2.1、对步骤1的运行状态数据进行聚类，聚类个数为
Figure DEST_PATH_IMAGE001
，且
Figure 818409DEST_PATH_IMAGE001
=1、2、……
Figure 938812DEST_PATH_IMAGE002
，
Figure 249708DEST_PATH_IMAGE002
为聚类总数，计算对应不同的聚类个数时的聚类离散度
Figure DEST_PATH_IMAGE003
；
步骤2.2、采用均匀分布作为参考分布，计算对应不同聚类个数的聚类离散度的期望E(W r,k )，其中r为根据原始数据特点产生r个的均匀分布的参考数据集；
步骤2.3、计算聚类个数
Figure 208699DEST_PATH_IMAGE001
=1、2、……
Figure 85388DEST_PATH_IMAGE002
时对应的中间变量
Figure 642271DEST_PATH_IMAGE004
值；
步骤2.4、根据步骤2.3计算的
Figure 502780DEST_PATH_IMAGE004
值，获得最佳聚类个数，并辨识不良数据。
4.根据权利要求3所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤2.3中中间变量
Figure 904942DEST_PATH_IMAGE004
的计算方法为：
Figure DEST_PATH_IMAGE005
其中，
Figure 636138DEST_PATH_IMAGE006
为参考值分布样本大小为n的情况下的数学期望值。
5.根据权利要求3所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤2.4的具体实现方法为：对步骤2.3中计算出的
Figure 160660DEST_PATH_IMAGE001
个
Figure 741421DEST_PATH_IMAGE004
进行比较，若
Figure DEST_PATH_IMAGE007
，则
Figure 806329DEST_PATH_IMAGE008
为最佳聚类个数，否则令
Figure 532976DEST_PATH_IMAGE009
，并返回步骤2.1。
6.根据权利要求1所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤3中回声状态网络的储备电池状态更新公式
Figure 290717DEST_PATH_IMAGE010
为：
Figure 797921DEST_PATH_IMAGE011
回声状态网络的输出：
Figure 807466DEST_PATH_IMAGE012
其中，
Figure 778833DEST_PATH_IMAGE013
为储备电池的调节系数，具体数值由实际情况而定，
Figure 848420DEST_PATH_IMAGE014
是激活函数，
Figure 141123DEST_PATH_IMAGE015
是输入的数据，
Figure 954358DEST_PATH_IMAGE016
是网络状态或储备电池状态，
Figure 717915DEST_PATH_IMAGE017
是输入权重矩阵，
Figure 20720DEST_PATH_IMAGE018
是中间权值矩阵，
Figure 502517DEST_PATH_IMAGE019
是输出，
Figure 978498DEST_PATH_IMAGE020
是输出权重矩阵。
7.根据权利要求1所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤4中充电设施运行状态数据质量评价体系包括运行状态数据的固有质量、可存取质量、上下文质量及表示质量；充电设施运行状态数据质量评价模型包括决定关系、检测联系、业务规则、算法库和规则权重。
8.根据权利要求1所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤6中特征数据挖掘包括以下个步骤：
步骤6.1、将分类信息扩展到步骤5中数据转换后的输出数据；
Figure 799823DEST_PATH_IMAGE021
为类别数，
Figure 804689DEST_PATH_IMAGE022
为数据转换后的输出数据X的每个分类信息，若输出数据
Figure 711465DEST_PATH_IMAGE023
属于类
Figure 495531DEST_PATH_IMAGE024
，则
Figure 171363DEST_PATH_IMAGE025
的类标签
Figure 878288DEST_PATH_IMAGE026
就设为
Figure 69098DEST_PATH_IMAGE027
，否则
Figure 762247DEST_PATH_IMAGE028
设为
Figure 682799DEST_PATH_IMAGE029
；确定
Figure 170412DEST_PATH_IMAGE030
和
Figure 910835DEST_PATH_IMAGE029
后，使
Figure 407675DEST_PATH_IMAGE026
对所有
Figure 684198DEST_PATH_IMAGE023
都具有正态分布；同时将分类信息
Figure 608292DEST_PATH_IMAGE031
扩充到输出数据
Figure 773694DEST_PATH_IMAGE025
，需要对输出数据
Figure 933280DEST_PATH_IMAGE025
进行标准化，使得输出数据X的每个因子为呈正态分布，标准化后的输出数据为
Figure 438210DEST_PATH_IMAGE032
，则扩充数据
Figure 657839DEST_PATH_IMAGE033
为：
Figure 248220DEST_PATH_IMAGE034
其中，标准化后的输出数据
Figure 211497DEST_PATH_IMAGE032
的维度为
Figure 836513DEST_PATH_IMAGE035
为输入输出数据的数量；
Figure 459999DEST_PATH_IMAGE031
的维度为
Figure 537677DEST_PATH_IMAGE036
的维度为
Figure 39065DEST_PATH_IMAGE037
为数据
Figure 518588DEST_PATH_IMAGE025
的分类类别数；
步骤6.2、基于主成分分析法对步骤6.1中的扩充数据
Figure 752123DEST_PATH_IMAGE038
进行特征提取；
初始的主成分PCs维度为
Figure 441731DEST_PATH_IMAGE039
，若要降低输入输出数据的维度
Figure 622176DEST_PATH_IMAGE040
直至其小于
Figure 346419DEST_PATH_IMAGE041
，则需要选择
Figure 954118DEST_PATH_IMAGE040
个主成分PCs，并获取其
Figure 101327DEST_PATH_IMAGE040
个最大方差，其中在某个主成分PCs中，变换矩阵
Figure 85464DEST_PATH_IMAGE042
为：
Figure 664213DEST_PATH_IMAGE043
其中，
Figure 442813DEST_PATH_IMAGE044
为当前主成分第
Figure 841433DEST_PATH_IMAGE045
个类别，
Figure 363682DEST_PATH_IMAGE044
的维度为
Figure 469041DEST_PATH_IMAGE046
为变换矩阵，
Figure 543176DEST_PATH_IMAGE042
的维度为
Figure 570038DEST_PATH_IMAGE047
为对应于扩充输入输出数据的数量，
Figure 247707DEST_PATH_IMAGE048
为对应于扩充输入输出数据的类，
Figure 410835DEST_PATH_IMAGE049
为特征提取后数据的主成分个数；
步骤6.3、通过变换矩阵
Figure 655872DEST_PATH_IMAGE042
对扩充数据
Figure 904451DEST_PATH_IMAGE033
进行坐标变换；
通过变换矩阵
Figure 565239DEST_PATH_IMAGE042
和扩充数据
Figure 973087DEST_PATH_IMAGE050
相乘，得到特征空间上的转换数据
Figure 264391DEST_PATH_IMAGE051
，
Figure 124899DEST_PATH_IMAGE052
通过充电设施数据挖掘，设计数据挖掘模型，分析安全故障数据特征展示数据挖掘结果。
9.根据权利要求1所述的一种适用于电动汽车充电故障的数据挖掘处理方法，其特征在于：所述步骤7中建立故障树包括以下步骤：
步骤7.1、故障树的建立从通过互联网、电池管理***以及运营监控平台采集电动汽车充电设施的运行状态数据中所有故障的根源作为顶部事件的陈述开始；
步骤7.2、找到运行状态数据中的不良数据作为输入事件，得出转换的特征数据为输出事件；
步骤7.3、重复步骤7.2，直到获得底部事件；
步骤7.4、用逻辑符号连接所有级别的事件，形成故障树。
CN202210392883.XA 2022-04-15 2022-04-15 一种适用于电动汽车充电故障的数据挖掘处理方法 Active CN114490836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210392883.XA CN114490836B (zh) 2022-04-15 2022-04-15 一种适用于电动汽车充电故障的数据挖掘处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210392883.XA CN114490836B (zh) 2022-04-15 2022-04-15 一种适用于电动汽车充电故障的数据挖掘处理方法

Publications (2)

Publication Number Publication Date
CN114490836A true CN114490836A (zh) 2022-05-13
CN114490836B CN114490836B (zh) 2022-08-02

Family

ID=81487646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210392883.XA Active CN114490836B (zh) 2022-04-15 2022-04-15 一种适用于电动汽车充电故障的数据挖掘处理方法

Country Status (1)

Country Link
CN (1) CN114490836B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077325A (zh) * 2013-01-30 2013-05-01 西安交通大学 基于自适应分区状态估计的智能电网不良数据检测方法
CN108229661A (zh) * 2018-01-03 2018-06-29 华南理工大学 一种基于多次编码重投影的深度回声状态网络模型构建方法
CN108876057A (zh) * 2018-07-24 2018-11-23 合肥阳光新能源科技有限公司 一种微电网的故障预测方法、装置及电子设备
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110298369A (zh) * 2018-03-21 2019-10-01 中国电力科学研究院有限公司 一种电力***不良数据的辨识方法及***
CN110544047A (zh) * 2019-09-10 2019-12-06 东北电力大学 一种不良数据辨识方法
CN111007401A (zh) * 2019-12-16 2020-04-14 国网江苏省电力有限公司电力科学研究院 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN111038291A (zh) * 2019-12-16 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种电动汽车充电故障智能诊断***及方法
CN111707943A (zh) * 2020-05-15 2020-09-25 中国电力科学研究院有限公司 一种基于电池仿真的电动汽车充电故障预警方法和***
CN112731159A (zh) * 2020-12-23 2021-04-30 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN113592256A (zh) * 2021-07-13 2021-11-02 北京全路通信信号研究设计院集团有限公司 一种基于充电站故障的列车运行计划调整方法及***
CN113705615A (zh) * 2021-07-29 2021-11-26 南京邮电大学 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***
CN113887606A (zh) * 2021-09-28 2022-01-04 上海工业自动化仪表研究院有限公司 基于故障树建立的电子设备控制***故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077325A (zh) * 2013-01-30 2013-05-01 西安交通大学 基于自适应分区状态估计的智能电网不良数据检测方法
CN108229661A (zh) * 2018-01-03 2018-06-29 华南理工大学 一种基于多次编码重投影的深度回声状态网络模型构建方法
CN110298369A (zh) * 2018-03-21 2019-10-01 中国电力科学研究院有限公司 一种电力***不良数据的辨识方法及***
CN108876057A (zh) * 2018-07-24 2018-11-23 合肥阳光新能源科技有限公司 一种微电网的故障预测方法、装置及电子设备
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110544047A (zh) * 2019-09-10 2019-12-06 东北电力大学 一种不良数据辨识方法
CN111007401A (zh) * 2019-12-16 2020-04-14 国网江苏省电力有限公司电力科学研究院 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN111038291A (zh) * 2019-12-16 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种电动汽车充电故障智能诊断***及方法
CN111707943A (zh) * 2020-05-15 2020-09-25 中国电力科学研究院有限公司 一种基于电池仿真的电动汽车充电故障预警方法和***
CN112731159A (zh) * 2020-12-23 2021-04-30 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN113592256A (zh) * 2021-07-13 2021-11-02 北京全路通信信号研究设计院集团有限公司 一种基于充电站故障的列车运行计划调整方法及***
CN113705615A (zh) * 2021-07-29 2021-11-26 南京邮电大学 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***
CN113887606A (zh) * 2021-09-28 2022-01-04 上海工业自动化仪表研究院有限公司 基于故障树建立的电子设备控制***故障诊断方法

Also Published As

Publication number Publication date
CN114490836B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN107301296B (zh) 基于数据的断路器故障影响因素定性分析方法
CN111478314B (zh) 一种电力***暂态稳定评估方法
CN112906764B (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及***
CN111667135B (zh) 一种基于典型特征提取的负荷结构解析方法
CN111476435A (zh) 基于密度峰值的充电桩负荷预测方法
CN113112090B (zh) 基于综合互信息度的主成分分析的空间负荷预测方法
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN111815026A (zh) 一种基于特征聚类的多能源***负荷预测方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力***暂稳评估方法
CN111832839A (zh) 基于充分增量学习的能耗预测方法
CN111275485A (zh) 基于大数据分析的电网客户等级划分方法、***、计算机设备及存储介质
CN114490836B (zh) 一种适用于电动汽车充电故障的数据挖掘处理方法
CN111585277B (zh) 一种基于混合集成模型的电力***动态安全评估方法
CN112748331A (zh) 一种基于ds证据融合的断路器机械故障识别方法及装置
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN116400266A (zh) 基于数字孪生模型的变压器故障检测方法、装置及介质
CN116070458A (zh) 基于rac-gan的新建风电场场景生成方法
CN115660425A (zh) 风偏闪络风险评价方法、***、设备、可读存储介质
CN115170304A (zh) 风险特征描述的提取方法和装置
Li et al. Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory
CN114372835A (zh) 综合能源服务潜力客户识别方法、***及计算机设备
Xiao et al. Multi-variety and small-batch production quality forecasting by novel data-driven grey Weibull model
CN114826632A (zh) 基于网络安全数据清洗融合的网络攻击分类方法
Zheng Design and verification of use case generation algorithm based on multiple combination tests
CN113779109B (zh) 一种基于上下文环境的电力数据预处理方法

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: No. 8, Haitai Huake 4th Road, Huayuan Industrial Zone, High tech Zone, Binhai New Area, Tianjin, 300384

Patentee after: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee after: STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee after: NARI TECHNOLOGY Co.,Ltd.

Patentee after: Tianjin University

Patentee after: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

Patentee after: STATE GRID CORPORATION OF CHINA

Address before: No.8, Haitai Huake 4th Road, Xiqing District, Tianjin 300384

Patentee before: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee before: STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee before: NARI TECHNOLOGY Co.,Ltd.

Patentee before: Tianjin University

Patentee before: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

Patentee before: STATE GRID CORPORATION OF CHINA