CN117251814A - 一种高速公路充电桩电量损耗异常的分析方法 - Google Patents
一种高速公路充电桩电量损耗异常的分析方法 Download PDFInfo
- Publication number
- CN117251814A CN117251814A CN202311271870.8A CN202311271870A CN117251814A CN 117251814 A CN117251814 A CN 117251814A CN 202311271870 A CN202311271870 A CN 202311271870A CN 117251814 A CN117251814 A CN 117251814A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- data
- electric quantity
- abnormal
- power consumption
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000003066 decision tree Methods 0.000 claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高速公路充电桩电量损耗异常的分析方法,涉及充电桩技术领域。具体包括以下步骤:步骤S1获取充电桩数据及站点耗电量数据组成原始数据集,得到训练数据集和测试数据集;步骤S2基于训练数据集中的训练样本,进而构建梯度提升决策树模型;步骤S3获取充电桩电量损耗异常数据样本,构建异常分类器模型,输出充电桩电量损耗异常的诊断结果。该方法能够对充电桩设备的耗电情况进行监测,及时发现充电桩设备的老化、线路老化、连接阻抗增大、是否有窃电情况等耗电异常现象,方法方便,节省人力物力财力,为运维人员提供工作指导和依据,对配电***的正常及安全运转具有重要的意义。
Description
技术领域
本发明涉及充电桩技术领域,特别是涉及一种高速公路充电桩电量损耗异常的分析方法。
背景技术
随着国民经济的快速发展,各个行业用电突飞猛进,耗电量越来越大,用电企业对电气设备的正常运行越来越重视,用电支持费用成为企业的一项大的生产成本,如何有效地节约用电,科学用电,显著地降低生产成本是许多用电企业不得不考虑的一个问题,因此从用电设备耗电和电力传输角度来监测用电回路情况,具有重要的现实意义。
充电桩是为电动汽车充电的充电设施,其功能类似于加油站里面的加油机。由于充电桩设备以及供电线路随着使用年限的增加,一些不明显地,难以通过常规地检测手段获知的问题逐渐暴露,虽然充电桩设备在正常运行,比如线路的一些线路的老化、设备的老化、连接阻抗增大、是否存在窃电行为等均引起耗电量的异常增加,为重大的事故留下安全隐患,同时又增加了用电成本,如何将充电桩配电回路中的不正常耗电情况尽早检测出来是需要解决的一个问题。
发明内容
本发明目的在于提供一种高速公路充电桩电量损耗异常的分析方法,该方法能够对充电桩设备的耗电情况进行监测,及时发现充电桩设备的老化、线路老化、连接阻抗增大、是否有窃电情况等耗电异常现象,方法方便,节省人力物力财力,为运维人员提供工作指导和依据,对配电***的正常及安全运转具有重要的意义。
为此,本发明的技术方案是,一种高速公路充电桩电量损耗异常的分析方法,具体包括以下步骤:
S1获取充电桩的历史用电量作为训练样本数据,获取充电桩数据及站点耗电量数据组成原始数据集,对原始数据集进行划分,确定关键充电桩耗电量数据,得到关键充电桩耗电量数据集,对充电桩耗电量参数集中的数据进行归一化处理,通过对归一化处理后的数据进行随机划分,得到训练数据集和测试数据集;
S2基于训练数据集中的训练样本,通过迭代算法建立相应的回归决策树模型,进而构建梯度提升决策树模型,将测试数据集中的训练样本输入至梯度提升决策树模型,对充电桩是否存在异常耗电进行预测;
S3获取充电桩电量损耗异常数据样本,对充电桩耗电异常数据样本进行递归二分类,并采用梯度提升决策树模型,构建异常分类器模型,完成充电桩电量异常分类器模型训练,而后通过训练后的充电桩电量异常分类器模型实现充电桩电量异常消耗检测,输出充电桩电量损耗异常的诊断结果。
优选地,获取充电桩数据及站点耗电量数据组成原始数据集的方法是,在充电桩的正常使用中,通过充电桩的实时数据和充电桩的订单数据得到充电桩正常使用充电时电量的消耗,通过数据通信存储在服务器数据库中,以获取指定时间段内的耗电量;获取相同站点下的充电桩的耗电量,通过获取对应充电桩的当月下的订单数据,汇总充电订单的耗电量及充电桩实时数据上传的充电桩耗电量记录,得到充电桩当月的消耗电量数据以及最终这段时间充电桩站点消耗的电量数据,将充电桩数据及站点耗电量数据组成原始数据集。
优选地,梯度提升决策树模型的构建方法是,首先用初始训练样本训练出一棵回归树,根据回归树的损失来更新训练样本的权重,利用调整后的训练样本及权重来训练下一棵回归树,梯度提升决策树用损失函数的负梯度来拟合每一轮损失的近似值。
优选地,梯度提升决策树模型的构建方法的具体步骤如下:
S2.1首先初始化模型,确定使损失函数L(yi,β)最小的常数β,
其中x为输入的特征向量,β为损失函数的最小常数,yi为第i个训练数据;
S2.2利用最速下降法确定m从1到M的最优步长
a)计算样本i在当前模型的负梯度,也就是残差;
b)根据得出的残差值,计算一棵回归树的叶节点区域
Rj,m(j=1,2,…,J);
c)使损失函数极小化,求得最优步长
d)更新回归树
S2.3得到最终梯度提升决策树模型
优选地,获取充电桩电量损耗异常数据样本的方法是,首先对积累的海量生产数据进行关联分析,得出充电桩充电过程中的多项关键参数,根据关联供电局缴费数据得到分析结果,分别将这多项参数的数值作为模型输入量,而最终充电桩耗电量作为模型预测变量;
采集一段时间内的充电桩数据,并对数据集进行预处理分析,剔除无用数据和电量缺失的异常数据;通过时间信息实现充电桩耗电量数据与供电局电局缴费用电量数据对应,确保充电桩耗电和供电局电局缴费用电量的数据相互关联,共形成充电桩电量损耗异常数据样本数据。
优选地,充电桩充电过程中的关键参数的数量为10项。
优选地,步骤S3包括以下步骤:
S3.1获取充电桩电量损耗异常数据样本,将电量损耗异常数据样本分为训练数据样本和测试数据样本;将获取的充电桩电量损耗异常数据样本进行梳理、简化、去噪、清洗,利用梯度直方图分布提取充电桩电量损耗异常特征并形成损耗特征向量,得到结构化数据后再进行电量损耗异常数据样本的划分;
S3.2取一定长度的时间窗口,计算充电桩电量损耗异常的梯度并将时间窗口内的损耗异常梯度进行归一化;计算该时间窗口内部,充电桩电量损耗异常的梯度和密度估计分布,根据多种耗电异常的梯度核密度估计分布,进行异常特征的提取和划分,将归一化梯度的分布划分成多个不同的异常区段,分别统计不同充电桩电量损耗异常落在各个区段中的个数以及比例,以此形成多维度的特征向量,将最终得到的信号特征向量保存到数据库中;
S3.3根据提取出的特征向量,利用梯度提升决策树的方法构造充电桩电量损耗异常分类器模型;
S3.4将需要检测的充电桩电量损耗数据输入训练好的充电桩电量损耗异常分类器,输出充电桩电量损耗异常的诊断结果。
优选地,异常区段数量为5个,异常特征向量的维度为5。
优选地,构造充电桩电量损耗异常分类器模型的方法是,根据提取出带有异常标签的异常特征向量,按照预设比例分成训练集和测试集,保留训练集的异常标签,隐藏测试集的异常标签;初始化基于梯度提升决策树的异常分类器模型的参数,将带有表征和区分不同异常类型的训练集输入到异常分类器模型中进行训练,并根据训练结果调整异常分类器模型的参数以提升分类准确率,采用优化算法对异常分类器模型进行优化,提升分类器的准确率,降低分类器的训练时间,经过参数选择和优化算法的改进,训练得到效果最好的基于梯度提升决策树的异常分类器模型。
优选地,训练集和测试集的比例为80%和20%。
本发明的有益效果是,该方法能够对充电桩设备的耗电情况进行监测,及时发现充电桩设备的老化、线路老化、连接阻抗增大、是否有窃电情况等耗电异常现象,方法方便,节省人力物力财力,为运维人员提供工作指导和依据,对配电***的正常及安全运转具有重要的意义。
相对于现有技术仅用到电压或电流两个字段进行充电桩耗电异常的诊断,我们用到了与充电桩相关的多个关键字段和充电数据来源。每个字段和来源都是导致充电桩耗电异常的关键因素。对充电桩耗电全面地进行异常诊断,诊断精度更高。
现有技术仅用到单一机器学习分类器的研究和发明,本发明用到了集成学习模型中的梯度提升决策树。此方法能对样本数据进行迭代学习,每一次迭代都会提升模型的分类准确性。实验证明此方法优于单一机器学习分类器,并且优于集成学习模型中的随机森林。对样本数量不多的情况也有良好的效果。
附图说明
图1是本发明一种高速公路充电桩电量损耗异常的分析方法的流程示意图;
图2是本发明梯度提升决策树模型的构建方法的示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件所必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,应当理解,为了便于描述,附图中所示出的各个部件的尺寸并不按照实际的比例关系绘制,例如某些层的厚度或宽度可以相对于其他层有所夸大。
应注意的是,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义或说明,则在随后的附图的说明中将不需要再对其进行进一步的具体讨论和描述。
如图1所示,本发明提供一种高速公路充电桩电量损耗异常的分析方法,具体包括以下步骤:
S1获取充电桩的历史用电量作为训练样本数据
获取充电桩数据及站点耗电量数据组成原始数据集,对原始数据集进行划分,确定关键充电桩耗电量数据,得到关键充电桩耗电量数据集,对充电桩耗电量参数集中的数据进行归一化处理,通过对归一化处理后的数据进行随机划分,得到训练数据集和测试数据集。
在充电桩的正常使用中,通过充电桩的实时数据和充电桩的订单数据得到充电桩正常使用充电时电量的消耗,通过数据通信存储在服务器数据库中,以获取指定时间段内的耗电量。
在服务器数据库中,存储的数据可以有多种形式,如可以按照每日或每分钟、每小时、每月等形式的耗电量进行存储,要想获得指定时间周期内耗电量,只需要把该时间周期内的耗电量累加求和即可;也可以按照时间记录某个时刻的耗电量总量的值,形成时间与耗电量总值的对应关系,如果需要指定时间段内的耗电量,只需要把对应首尾时间的耗电量数值进行相减即可得到该时间周期内的耗电量数据。
获取相同站点下的充电桩的耗电量,通过获取对应充电桩的当月下的订单数据,汇总充电订单的耗电量及充电桩实时数据上传的充电桩耗电量记录,得到充电桩当月的消耗电量数据以及最终这段时间充电桩站点消耗的电量数据,将充电桩数据及站点耗电量数据组成原始数据集。
基于原始数据集对原始数据集进行划分,确定关键充电桩耗电量数据,得到关键充电桩耗电量数据集,对充电桩耗电量参数集中的数据进行归一化处理,通过对归一化处理后的数据进行随机划分,得到训练数据集和测试数据集。
S2基于训练数据集中的训练样本,通过迭代算法建立相应的回归决策树模型,进而构建梯度提升决策树模型。即让单一树模型根据优化目标自动筛选最优分割特征和分割阈值,并根据迭代次数构建多个树模型组成强分类器。将测试数据集中的训练样本输入至梯度提升决策树模型,对充电桩是否存在异常耗电进行预测。
GBDT(Gradient Boost Decision Tree)是一个的非线性模型,是集成学习的代表方法之一。GBDT基于集成学习范畴中boosting的算法思想,每次迭代都在减少残差的梯度方向新建一棵决策树,通过迭代不断提高分类的准确性。
梯度提升决策树模型是一种基于回归决策树的加法模型,首先用初始训练样本训练出一棵回归树,根据回归树的损失(残差)来更新训练样本的权重,利用调整后的训练样本及权重来训练下一棵回归树,梯度提升决策树用损失函数的负梯度来拟合每一轮损失的近似值。如图2所示,具体步骤如下:
S2.1首先初始化模型,确定使损失函数L(yi,β)最小的常数β,
其中x为输入的特征向量,β为损失函数的最小常数,yi为第i个训练数据;
S2.2利用最速下降法确定m从1到M的最优步长
a)计算样本i在当前模型的负梯度,也就是残差;
b)根据得出的残差值,计算一棵回归树的叶节点区域
Rj,m(j=1,2,…,J);
c)使损失函数极小化,求得最优步长
d)更新回归树
S2.3得到最终梯度提升决策树模型
S3获取充电桩电量损耗异常数据样本,对充电桩耗电异常数据样本进行递归二分类,并采用梯度提升决策树学习模型,构建异常分类器模型,完成充电桩电量异常分类器模型训练,而后通过训练后的充电桩电量异常分类器模型实现充电桩电量异常消耗检测,输出充电桩电量损耗异常的诊断结果。
首先对积累的海量生产数据进行关联分析,得出充电桩充电过程中的10项关键参数,根据关联供电局缴费数据得到分析结果,分别将这10项参数的数值作为模型输入量,而最终充电桩耗电量作为模型预测变量。
采集一段时间内的充电桩数据,并对数据集进行预处理分析,剔除无用数据和电量缺失的异常数据。通过时间信息实现充电桩耗电量数据与供电局电局缴费用电量数据对应,确保充电桩耗电和供电局电局缴费用电量的数据相互关联,共形成500组数据。
通过对充电桩耗电异常数据样本进行递归二分类,并采用梯度提升决策树学习模型,预先构建异常分类器模型;获取充电桩耗电异常数据,带入分类模型进行异常诊断。包括以下步骤:
S3.1获取充电桩电量损耗异常数据样本,将电量损耗异常数据样本分为训练数据样本和测试数据样本;将获取的充电桩电量损耗异常数据样本进行梳理、简化、去噪、清洗,利用梯度直方图分布提取充电桩电量损耗异常特征并形成损耗特征向量,得到结构化数据后再进行电量损耗异常数据样本的划分。
S3.2取一定长度的时间窗口,计算充电桩电量损耗异常的梯度并将时间窗口内的损耗异常梯度进行归一化。计算该时间窗口内部,充电桩电量损耗异常的梯度和密度估计分布。根据多种耗电异常的梯度核密度估计分布,进行异常特征的提取和划分,将归一化梯度的分布划分成多个不同的异常区段。分别统计不同充电桩电量损耗异常落在各个区段中的个数以及比例,以此形成多维度的特征向量。异常区段数量优选为5个,异常特征向量的维度为5。将最终得到的信号特征向量保存到数据库中。
S3.3根据提取出的特征向量,利用梯度提升决策树的方法构造充电桩电量损耗异常分类器。根据提取出带有异常标签的异常特征向量,按照预设比例分成训练集和测试集,保留训练集的异常标签但是隐藏测试集的异常标签。初始化基于梯度提升决策树的异常分类器模型的参数。将带有表征和区分不同异常类型的训练集输入到异常分类器模型中进行训练,并根据训练结果调整异常分类器模型的参数以提升分类准确率。采用优化算法对异常分类器模型进行优化,提升分类器的准确率,降低分类器的训练时间。经过参数选择和优化算法的改进,训练得到效果最好的基于梯度提升决策树的异常分类器模型。训练集和测试集的比例优选为80%和20%。训练集用于训练异常分类器模型使得分类器输出与异常标签尽可能相同。测试集用于测试分类器是否能够准确检测信号异常。
S3.4将需要检测的充电桩电量损耗数据输入训练好的充电桩电量损耗异常分类器,输出充电桩电量损耗异常的诊断结果。
相对于现有技术仅用到电压或电流两个字段进行充电桩耗电异常的诊断,我们用到了与充电桩相关的多个关键字段和充电数据来源。每个字段和来源都是导致充电桩耗电异常的关键因素。对充电桩耗电全面地进行异常诊断,诊断精度更高。
现有技术仅用到单一机器学习分类器的研究和发明,本发明用到了集成学习模型中的梯度提升决策树。此方法能对样本数据进行迭代学习,每一次迭代都会提升模型的分类准确性。实验证明此方法优于单一机器学习分类器,并且优于集成学习模型中的随机森林。对样本数量不多的情况也有良好的效果。
该方法能够对充电桩设备的耗电情况进行监测,及时发现充电桩设备的老化、线路老化、连接阻抗增大、是否有窃电情况等耗电异常现象,方法方便,节省人力物力财力,为运维人员提供工作指导和依据,对配电***的正常及安全运转具有重要的意义。同时,解决当前随着充电站点的增多与供电局电局缴费用电量数据所呈现的数据差异性问题,从而规范高速公路充电桩的用电管理。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种高速公路充电桩电量损耗异常的分析方法,其特征在于,具体包括以下步骤:
步骤S1获取充电桩的历史用电量作为训练样本数据,获取充电桩数据及站点耗电量数据组成原始数据集,对原始数据集进行划分,确定关键充电桩耗电量数据,得到关键充电桩耗电量数据集,对充电桩耗电量参数集中的数据进行归一化处理,通过对归一化处理后的数据进行随机划分,得到训练数据集和测试数据集;
步骤S2基于训练数据集中的训练样本,通过迭代算法建立相应的回归决策树模型,进而构建梯度提升决策树模型,将测试数据集中的训练样本输入至梯度提升决策树模型,对充电桩是否存在异常耗电进行预测;
步骤S3获取充电桩电量损耗异常数据样本,对充电桩耗电异常数据样本进行递归二分类,并采用梯度提升决策树模型,构建异常分类器模型,完成充电桩电量异常分类器模型训练,而后通过训练后的充电桩电量异常分类器模型实现充电桩电量异常消耗检测,输出充电桩电量损耗异常的诊断结果。
2.根据权利要求1所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤1中获取充电桩数据及站点耗电量数据组成原始数据集的方法是,在充电桩的正常使用中,通过充电桩的实时数据和充电桩的订单数据得到充电桩正常使用充电时电量的消耗,通过数据通信存储在服务器数据库中,以获取指定时间段内的耗电量;获取相同站点下的充电桩的耗电量,通过获取对应充电桩的当月下的订单数据,汇总充电订单的耗电量及充电桩实时数据上传的充电桩耗电量记录,得到充电桩当月的消耗电量数据以及最终这段时间充电桩站点消耗的电量数据,将充电桩数据及站点耗电量数据组成原始数据集。
3.根据权利要求1所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤S2中梯度提升决策树模型的构建方法是,首先用初始训练样本训练出一棵回归树,根据回归树的损失来更新训练样本的权重,利用调整后的训练样本及权重来训练下一棵回归树,梯度提升决策树用损失函数的负梯度来拟合每一轮损失的近似值。
4.根据权利要求3所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤S2中梯度提升决策树模型的构建方法的具体步骤如下:
步骤S2.1首先初始化模型,确定使损失函数L(yi,β)最小的常数β,
其中x为输入的特征向量,β为损失函数的最小常数,yi为第i个训练数据;
步骤S2.2利用最速下降法确定m从1到M的最优步长
a)计算样本i在当前模型的负梯度,也就是残差;
b)根据得出的残差值,计算一棵回归树的叶节点区域
Rj,m(j=1,2,…,J);
c)使损失函数极小化,求得最优步长
d)更新回归树
步骤S2.3得到最终梯度提升决策树模型
5.根据权利要求1所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤S3中获取充电桩电量损耗异常数据样本的方法是,首先对积累的海量生产数据进行关联分析,得出充电桩充电过程中的多项关键参数,根据关联供电局缴费数据得到分析结果,分别将这多项参数的数值作为模型输入量,而最终充电桩耗电量作为模型预测变量;
采集一段时间内的充电桩数据,并对数据集进行预处理分析,剔除无用数据和电量缺失的异常数据;通过时间信息实现充电桩耗电量数据与供电局电局缴费用电量数据对应,确保充电桩耗电和供电局电局缴费用电量的数据相互关联,共形成充电桩电量损耗异常数据样本数据。
6.根据权利要求5所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,充电桩充电过程中的关键参数的数量为10项。
7.根据权利要求1所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤S3包括以下步骤:
步骤S3.1获取充电桩电量损耗异常数据样本,将电量损耗异常数据样本分为训练数据样本和测试数据样本;将获取的充电桩电量损耗异常数据样本进行梳理、简化、去噪、清洗,利用梯度直方图分布提取充电桩电量损耗异常特征并形成损耗特征向量,得到结构化数据后再进行电量损耗异常数据样本的划分;
步骤S3.2取一定长度的时间窗口,计算充电桩电量损耗异常的梯度并将时间窗口内的损耗异常梯度进行归一化;计算该时间窗口内部,充电桩电量损耗异常的梯度和密度估计分布,根据多种耗电异常的梯度核密度估计分布,进行异常特征的提取和划分,将归一化梯度的分布划分成多个不同的异常区段,分别统计不同充电桩电量损耗异常落在各个区段中的个数以及比例,以此形成多维度的特征向量,将最终得到的信号特征向量保存到数据库中;
步骤S3.3根据提取出的特征向量,利用梯度提升决策树的方法构造充电桩电量损耗异常分类器模型;
步骤S3.4将需要检测的充电桩电量损耗数据输入训练好的充电桩电量损耗异常分类器,输出充电桩电量损耗异常的诊断结果。
8.根据权利要求7所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤S3.2中异常区段数量为5个,异常特征向量的维度为5。
9.根据权利要求7所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述步骤S3.3中构造充电桩电量损耗异常分类器模型的方法是,根据提取出带有异常标签的异常特征向量,按照预设比例分成训练集和测试集,保留训练集的异常标签,隐藏测试集的异常标签;初始化基于梯度提升决策树的异常分类器模型的参数,将带有表征和区分不同异常类型的训练集输入到异常分类器模型中进行训练,并根据训练结果调整异常分类器模型的参数以提升分类准确率,采用优化算法对异常分类器模型进行优化,提升分类器的准确率,降低分类器的训练时间,经过参数选择和优化算法的改进,训练得到效果最好的基于梯度提升决策树的异常分类器模型。
10.根据权利要求9所述的一种高速公路充电桩电量损耗异常的分析方法,其特征在于,所述训练集和测试集的比例为80%和20%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271870.8A CN117251814A (zh) | 2023-09-28 | 2023-09-28 | 一种高速公路充电桩电量损耗异常的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271870.8A CN117251814A (zh) | 2023-09-28 | 2023-09-28 | 一种高速公路充电桩电量损耗异常的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251814A true CN117251814A (zh) | 2023-12-19 |
Family
ID=89134703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311271870.8A Pending CN117251814A (zh) | 2023-09-28 | 2023-09-28 | 一种高速公路充电桩电量损耗异常的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907731A (zh) * | 2024-03-19 | 2024-04-19 | 成都瑞虎电子科技有限公司 | 一种电子产品老化测试***及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及*** |
CN111861211A (zh) * | 2020-07-20 | 2020-10-30 | 国网信通亿力科技有限责任公司 | 一种具有双层反窃电模型的*** |
CN114046816A (zh) * | 2021-11-10 | 2022-02-15 | 上海交通大学 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
GB202203831D0 (en) * | 2022-03-18 | 2022-05-04 | Centrica Hive Ltd | System for detecting abnormal operating states of a heating system |
CN116484299A (zh) * | 2023-03-14 | 2023-07-25 | 天津平高易电科技有限公司 | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 |
CN116796141A (zh) * | 2022-03-14 | 2023-09-22 | 水发能源集团有限公司 | 一种基于gbdt回归模型的办公建筑能耗预测方法 |
-
2023
- 2023-09-28 CN CN202311271870.8A patent/CN117251814A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及*** |
CN111861211A (zh) * | 2020-07-20 | 2020-10-30 | 国网信通亿力科技有限责任公司 | 一种具有双层反窃电模型的*** |
CN114046816A (zh) * | 2021-11-10 | 2022-02-15 | 上海交通大学 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
CN116796141A (zh) * | 2022-03-14 | 2023-09-22 | 水发能源集团有限公司 | 一种基于gbdt回归模型的办公建筑能耗预测方法 |
GB202203831D0 (en) * | 2022-03-18 | 2022-05-04 | Centrica Hive Ltd | System for detecting abnormal operating states of a heating system |
CN116484299A (zh) * | 2023-03-14 | 2023-07-25 | 天津平高易电科技有限公司 | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
陈宇,雷春: "人工智能在教育治理中的应用与发展", vol. 1, 31 December 2021, 华中科技大学出版社, pages: 131 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907731A (zh) * | 2024-03-19 | 2024-04-19 | 成都瑞虎电子科技有限公司 | 一种电子产品老化测试***及装置 |
CN117907731B (zh) * | 2024-03-19 | 2024-05-31 | 成都瑞虎电子科技有限公司 | 一种电子产品老化测试***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警***及方法 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN110263846A (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及*** | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN117251814A (zh) | 一种高速公路充电桩电量损耗异常的分析方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及*** | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
CN112101471A (zh) | 窃电概率预警分析方法 | |
Long et al. | A data-driven combined algorithm for abnormal power loss detection in the distribution network | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、***及介质 | |
CN114757282A (zh) | 基于熵权法与随机森林模型的智能电表运行状态评估方法 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN114155025A (zh) | 基于随机森林的电动汽车充电站充电流失用户预测方法 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN207516464U (zh) | 一种便携式计量自动化终端故障诊断装置 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及*** | |
CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 |
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 |