CN117521498A - 一种充电桩引导式故障诊断预测方法及*** - Google Patents
一种充电桩引导式故障诊断预测方法及*** Download PDFInfo
- Publication number
- CN117521498A CN117521498A CN202311473075.7A CN202311473075A CN117521498A CN 117521498 A CN117521498 A CN 117521498A CN 202311473075 A CN202311473075 A CN 202311473075A CN 117521498 A CN117521498 A CN 117521498A
- Authority
- CN
- China
- Prior art keywords
- fault
- charging pile
- prediction result
- physical
- running state
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 230000010485 coping Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种充电桩引导式故障诊断预测方法及***，属于故障识别与响应信息技术领域，包括：建立充电桩的物理‑虚拟孪生模型，将实时获取的充电桩数据导入所述物理‑虚拟孪生模型，利用所述物理‑虚拟孪生模型对所述充电桩的运行状态进行仿真，得到充电桩的运行状态预测结果；建立引导式故障诊断引擎，将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果。本发明以区块化网格节点作为边界，以数据为基础要素，结合孪生模型、算法训练和诊断模型，实现基于引擎诊断的故障结果反馈和维修方案最优化，对集群式分布的充电桩进行智能化、数字化管理与故障预警及应对，提高风险预警能力。
Description
技术领域
本发明涉及故障识别与响应信息技术领域，更具体的说是涉及一种充电桩引导式故障诊断预测方法及***。
背景技术
在智能网联汽车智能化、网联化、电动化快速发展的背景下，充电桩布局以空前的规模持续增长。因此，对充电桩的切实有效的运维管理和运行状态监测，在数字化经济的背景下，变得尤为重要。
随着充电桩的利用率越来越高，由于环境因素、不当使用或器件故障引起充电桩发生故障的几率也会越来越大。一旦发生故障，目前的解决措施一般都需要制造商先派遣专业人员到现场进行排查，然后再反馈故障信息，根据具体情况对充电桩进行维修，耗时耗力。但是，当前充电桩故障诊断与预测方法针对大规模区域分布的充电桩有故障时，存在故障问题难以定位、解决措施滞后且一致性差、维修反馈不及时、预测准确性差等技术问题。
因此，如何提供一种能够快速定位问题，实现一体化式质量垂直管理和标准化故障管理体系，提高预警效率及故障应急处理能力的充电桩故障诊断预测方法及***是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种充电桩引导式故障诊断预测方法及***，通过建立一种基于云端服务，建立多维度孪生模型，融合诊断引擎的引导式故障诊断平台，开展面向充电桩的智能故障诊断及管理。以区块化网格节点作为边界，以数据为基础要素，实现端-孪生模型-引导式诊断平台-故障处理的生成式链条故障预警及处理机制，快速定位问题，实现一体化式质量垂直管理和标准化故障管理体系，提高预警效率及故障应急处理能力。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明提供了一种充电桩引导式故障诊断预测方法，包括以下步骤：
建立充电桩的物理-虚拟孪生模型，包括：
获取充电桩集群中各充电桩的位置信息和设备信息；
根据所述位置信息将所述充电桩集群划分多个区块，每个所述区块设置一个区块节点，所述区块节点通过中间节点进行交互，通过动态实时数据信息传输链实现所述充电桩、所述区块节点以及所述中间节点的数据交互；
根据所述位置信息和所述设备信息构建充电桩的物理模型；
根据所述物理模型构建所述物理-虚拟孪生模型；
将实时获取的充电桩数据导入所述物理-虚拟孪生模型，利用所述物理-虚拟孪生模型对所述充电桩的运行状态进行仿真，得到充电桩的运行状态预测结果；
建立引导式故障诊断引擎，将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果。
优选的，所述引导式故障诊断引擎包括搜索引擎和故障知识图谱库。
优选的，所述故障知识图谱建立的过程包括：
构建故障知识图谱本体；
将历史故障案例文本经过向量化处理后，进行实体和实体关系抽取；
根据所述故障知识图谱本体将从所述历史故障案例文本中抽取的实体以及所述实体关系进行关联，构成故障知识图谱；
所述知识图谱库由多个不同部件的故障知识图谱构成。
优选的，将所述运行状态预测结果输入到训练好的引导式故障诊断引擎中，利用分析算法进行故障预测，包括：
将所述运行状态预测结果输入到搜索引擎中，通过搜索引擎获取所述运行状态预测结果对应的特征数据，并基于所述特征数据在所述故障知识图谱库中筛选与所述特征数据对应的故障知识图谱集；
分别计算所述故障知识图谱集中的故障知识图谱集的对应的故障诊断结果和故障诊断概率；
当故障诊断概率低于预设阈值时，进行故障报警，并提示潜在的风险预警及处理方案。
优选的，根据所述特征数据将所述运行状态预测结果与所述物理-虚拟孪生模型建立关联，当所述故障诊断结果超过所述预设阈值时，所述物理-虚拟孪生模型中对应的充电桩进行声光报警，点击报警的充电桩后，显示故障模式、故障状态以及故障融合处理方案。
优选的，将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用算法进行故障预测，得到故障预测结果后，还包括：
对所述故障结果准确性进行评价，若所述故障预测结果准确性不超过预设阈值，则更新所述故障知识图谱；若所述故障结果准确性超过预设阈值，则不更新所述故障知识图谱。
优选的，将所述运行状态预测结果输入到搜索引擎中，通过搜索引擎获取所述运行状态预测结果对应的特征数据，包括：
获取所述运行状态预测结果，并对所述运行状态预测数据进行分类处理后得到多个独立的单个运行状态数据；
将所述单个运行状态数据输入依据深度神经网络构建的特征提取模型进行特征提取，得到多个所述单个运行状态的特征数据。
另一方面，本发明提供了一种充电桩引导式故障诊断预测***，包括：采集模块，孪生模型平台和诊断引擎平台，所述采集模块与所述孪生模型平台连接，用于传输充电桩的实时数据给所述孪生模型平台，所述孪生模型平台基于预先构建的物理-虚拟孪生模型对所述充电桩运行状态进行仿真，得到充电桩的运行状态预测结果；所述孪生模型平台与所述诊断引擎平台连接，用于将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果，并显示；所述诊断引擎平台与充电桩集群连接，用于将预测结果传输给所述充电桩。
优选的，所述孪生平台包括：物理模型模块、区域划分模块、孪生模型模块、显示模块；
所述区域划分模块，用于根据所述位置信息将所述充电桩集群划分多个区块，每个所述区块设置一个区块节点，所述区块节点通过中间节点进行交互通过动态实时数据信息传输链实现所述充电桩、所述区块节点以及所述中间节点的数据交互；
所述物理模型模块，用于根据所述位置信息和所述设备信息构建充电桩的物理模型；
所述孪生模型模块，用于根据所述物理模型构建所述物理-虚拟孪生模型；
所述显示模块，用于显示所述物理-虚拟孪生模型以及所述故障预测结果。
优选的，所述引导式故障诊断引擎包括搜索引擎和故障知识图谱库；所述搜索引擎用于根据所述运行状态预测结果获取所述运行状态预测结果的特征数据，并基于所述特征数据在所述故障知识图谱库中查找与所述特征数据对应的故障知识图谱；所述故障知识图谱库用于存储不同部件的故障知识图谱。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种充电桩引导式故障诊断预测方法及***，适用于面向规模化集群部署的充电桩的故障监测以及问题预警方法。建立集群化、网格化的模块式充电桩管理方式，并在***中形成故障引擎，快速获得参数信号，自动对故障进行***响应，并智能化提供故障解决措施，高效应对规模化、集群化的充电桩故障失效事件，有效提高故障分析效率和企业级经验知识库的管理，提高企业数字化水平，降低成本。以区块化网格节点作为边界，以数据为基础要素，实现端-孪生模型-引导式诊断平台-故障处理的生成式链条故障预警及处理机制，快速定位问题，实现一体化式质量垂直管理和标准化故障管理体系，提高预警效率及故障应急处理能力。同时建立融合诊断引擎的引导式故障诊断平台，结合算法训练和诊断模型，实现基于引擎诊断的故障结果反馈和维修方案最优化，对集群式分布的充电桩进行智能化、数字化管理与故障预警及应对，提高风险预警能力。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明方法的流程示意图；
图2为本发明故障知识图库优化的流程示意图；
图3为本发明***的结构示意图。
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。
本发明实施例针对大规模区域分布的充电桩有故障时，故障问题难以定位、解决措施滞后且一致性差、维修反馈不及时等技术问题，提出一种融合数字孪生模型进行故障引导式诊断及监测的方法，建立集群化、网格化的模块式充电桩管理方式，并在***中形成故障引擎，快速获得参数信号，自动对故障进行***响应，并智能化提供故障解决措施，高效应对规模化、集群化的充电桩故障失效事件，有效提高故障分析效率和企业级经验知识库的管理，提高企业数字化水平，降低成本。
一方面，本发明提供了一种充电桩引导式故障诊断预测方法，如图1所示，包括以下步骤：
建立充电桩的物理-虚拟孪生模型，将实时获取的充电桩数据导入物理-虚拟孪生模型，利用物理-虚拟孪生模型对充电桩的运行状态进行仿真，得到充电桩的运行状态预测结果；
建立引导式故障诊断引擎，将运行状态预测结果输入到引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果。
建立充电桩的物理-虚拟孪生模型，包括：
获取充电桩集群中各充电桩的位置信息和设备信息。位置信息包括充电桩实际位置信息和充电桩与其他充电桩的相对位置信息；设备信息包括充电桩整体信息，充电桩各零部件型号、类型、使用时间、设备性能、额定运行参数等。
根据位置信息将充电桩集群划分多个区块，每个区块设置一个区块节点，区块节点通过中间节点进行交互，通过动态实时数据信息传输链实现充电桩、区块节点以及中间节点的数据交互，实现物理充电桩对规模化分布的整个生命周期内的实际运行状况进行状态模拟、性能预测、运行监测进行数据和信息的交互。每个网格节点，作为区块化管理的中间节点管理平台，可对区块内的充电桩数据进行调度和分析，区块间的数据通过中间节点进行转化。在划分区块时，建立区块和个体充电桩的标签模型，区块标签记为{A,B,C,…}，个体充电桩标签为{A,a1,a2,a3,…}，{B,b1,b2,b3,…}。在故障诊断引擎平台搜索对应故障图谱时，可以基于该标签进行初步搜索。
根据位置信息和设备信息构建充电桩的物理模型；
根据物理模型构建物理-虚拟孪生模型。物理-虚拟孪生模型由数据传输回路、充电回路、控制回路、辅助回路的数字孪生模型构成。
在另一实施例中，故障诊断引擎包括搜索引擎和故障知识图谱库。
知识图谱有自顶向下和自底向上两种构建方式。自下而上的构建方式是指先完成知识抽取，再定义本体信息；自上而下的方式则是先定义本体信息，再从数据中完成知识抽取。由于充电桩故障知识图谱属于垂直领域知识图谱，图谱中包含实体数量较少，故本发明实施例采取自上而下的构建方式，故障知识图谱建立的过程包括：
构建故障知识图谱本体；模式层构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。本发明实施例中主要基于充电桩各零部件性能表征、故障状态、检测工具等实体和它们之间的关系组成，建立充电桩充电过程多级设备故障诊断故障树，含有动力电池、充电设施两个一级故障源，每个一级故障源又含有二级甚至三级故障源和具体故障类型，且多级设备故障下面包括具体的故障类型，如过压、过流及过温等，建立以充电桩充放电过程为主干，以部件单元和故障状态为分支的多层级故障树。
将历史故障案例文本经过向量化处理后，进行实体和实体关系抽取；实体抽取的方法可以采用基于规则的方法、基于统计机器学习的方法以及基于深度学习的方法。关系是实体与实体间的桥梁，结构化的故障文本中实体关系可直接构建，半结构化文本数据关系抽取则采用基于模式匹配的方法。在抽取过程中，根据故障文本构建实体间关系表示方式，如故障现象与故障原因的因果关系，构建故障实体[故障现象]原因[故障原因]的关系模板。
根据故障知识图谱本体将从历史故障案例文本中抽取的实体以及实体关系进行关联，构成故障知识图谱；
知识图谱库由多个不同部件的故障知识图谱构成。
搜索引擎以历史数据为基础，建立分析算法，通过特征化实现案例基于特征的形式化描述，形成案例形式化特征库，生成特征树。诊断引擎分为用例标注、用例工具分析以及特性自动标注。用例标注过程中，用实际案例导入进行诊断训练算法开发。实际案例数据获取字段包括充电桩报文ID、信号名称、部件单元、故障形式、发生时间、编号、表现现象、参数状态、处理措施等主要字段。用例工具分析和特性自动标注过程中，采用规则抽取技术，形成具有规则性的故障问题状态描述。在用例分析过程中，同时引入专家库模型。当故障发生时，输入相应字段或报文ID时，自动进行特征库字段匹配，进行引导式故障诊断并进行处理措施的响应。
在另一实施例中，将运行状态预测结果输入到训练好的引导式故障诊断引擎中，利用分析算法进行故障预测，包括：
将运行状态预测结果输入到搜索引擎中，通过搜索引擎获取运行状态预测结果对应的特征数据，并基于特征数据在故障知识图谱库中筛选与特征数据对应的故障知识图谱集；
分别计算故障知识图谱集中的故障知识图谱集的对应的故障诊断结果和故障诊断概率；
当故障诊断概率低于预设阈值时，进行故障报警，并提示潜在的风险预警及处理方案。
优选的，根据特征数据将故障诊断结果与物理-虚拟孪生模型建立关联，当故障诊断结果超过阈值时，物理-虚拟孪生模型中对应的充电桩进行声光报警，点击报警的充电桩后，显示故障模式、故障状态以及故障处理方案。按照充电桩物料清单BOM，建立充电桩标签下的每个零部件的故障诊断子引擎，BOM清单分布建立在对应的充电桩标签下。当点击孪生模型的某个零部件时，自动关联该零部件下的发生的历史故障以及参数阈值，并可根据设计基准，判断当前零部件的安全运行状态，实现对充电桩的远程运行特征监测。当充电桩下的某一零部件发生故障，或者在充电过程中电压电流信号有异常值时，孪生模型的对应零部件自动亮起黄色报警信号，点击报警信号后，可查看对应的故障模式和状态，同时可查看由诊断模型提供的潜在的故障处理方式和应对处理措施，实现预期风险预警和故障诊断。
在另一实施例中，将运行状态预测结果输入到引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果后，如图2所示，还包括：
对故障结果准确性进行评价，若故障预测结果准确性不超过预设阈值，则更新故障知识图谱；若故障结果准确性超过预设阈值，则不更新故障知识图谱。
在另一实施例中，将运行状态预测结果输入到搜索引擎中，通过搜索引擎获取运行状态预测结果对应的特征数据，包括：
获取运行状态预测结果，并对运行状态预测数据进行分类处理后得到多个独立的单个运行状态数据；
将单个运行状态数据输入依据深度神经网络构建的特征提取模型进行特征提取，得到多个单个运行状态的特征数据。
在另一实施例中，本发明提供了一种充电桩引导式故障诊断预测***，包括：采集模块，孪生模型平台和诊断引擎平台，采集模块与孪生模型平台连接，用于传输充电桩的实时数据给孪生模型平台，孪生模型平台基于预先构建的物理-虚拟孪生模型对充电桩运行状态进行仿真，得到充电桩的运行状态预测结果；孪生模型平台与诊断引擎平台连接，用于将运行状态预测结果输入到引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果，并显示；诊断引擎平台与充电桩集群连接，用于将预测结果传输给充电桩。
优选的，孪生平台包括：物理模型模块、区域划分模块、孪生模型模块、显示模块；
区域划分模块，用于根据位置信息将充电桩集群划分多个区块，每个区块设置一个区块节点，区块节点通过中间节点进行交互通过动态实时数据信息传输链实现充电桩、区块节点以及中间节点的数据交互；
物理模型模块，用于根据位置信息和设备信息构建充电桩的物理模型；
孪生模型模块，用于根据物理模型构建物理-虚拟孪生模型；
显示模块，用于显示物理-虚拟孪生模型以及故障预测结果。
优选的，故障诊断引擎包括搜索引擎和故障知识图谱库；搜索引擎用于根据运行状态预测结果获取运行状态预测结果的特征数据，并基于特征数据在故障知识图谱库中查找与特征数据对应的故障知识图谱；故障知识图谱库用于存储不同部件的故障知识图谱。搜索引擎中设置有特征库，用于对匹配预测结果对应的特征数据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种充电桩引导式故障诊断预测方法，其特征在于，包括以下步骤：
建立充电桩的物理-虚拟孪生模型，包括：
获取充电桩集群中各充电桩的位置信息和设备信息；
根据所述位置信息将所述充电桩集群划分多个区块，每个所述区块设置一个区块节点，所述区块节点通过中间节点进行交互，通过动态实时数据信息传输链实现所述充电桩、所述区块节点以及所述中间节点的数据交互；
根据所述位置信息和所述设备信息构建充电桩的物理模型；
根据所述物理模型构建所述物理-虚拟孪生模型；
将实时获取的充电桩数据导入所述物理-虚拟孪生模型，利用所述物理-虚拟孪生模型对所述充电桩的运行状态进行仿真，得到充电桩的运行状态预测结果；
建立引导式故障诊断引擎，将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果。
2.根据权利要求1所述的一种充电桩引导式故障诊断预测方法，其特征在于，所述引导式故障诊断引擎包括搜索引擎和故障知识图谱库。
3.根据权利要求2所述的一种充电桩引导式故障诊断预测方法，其特征在于，所述故障知识图谱库建立的过程包括：
构建故障知识图谱本体；
将历史故障案例文本经过向量化处理后，进行实体和实体关系抽取；
根据所述故障知识图谱本体将实体以及所述实体关系进行关联，构成故障知识图谱；
所述故障知识图谱库由多个不同部件的故障知识图谱构成。
4.根据权利要求3所述的一种充电桩引导式故障诊断预测方法，其特征在于，将所述运行状态预测结果输入到训练好的引导式故障诊断引擎中，利用分析算法进行故障预测，包括：
将所述运行状态预测结果输入到搜索引擎中，通过搜索引擎获取所述运行状态预测结果对应的特征数据，并基于所述特征数据在所述故障知识图谱库中筛选与所述特征数据对应的故障知识图谱集；
分别计算所述故障知识图谱集中的故障知识图谱集的对应的故障诊断结果和故障诊断概率；
当故障诊断概率低于预设阈值时，进行故障报警，并提示潜在的风险预警及处理方案。
5.根据权利要求4所述的一种充电桩引导式故障诊断预测方法，其特征在于，根据所述特征数据将所述故障诊断结果与所述物理-虚拟孪生模型建立关联，当所述故障诊断概率超过所述预设阈值时，所述物理-虚拟孪生模型中对应的充电桩进行声光报警，点击报警的充电桩后，显示故障模式、故障状态以及故障处理方案。
6.根据权利要求1所述的一种充电桩引导式故障诊断预测方法，其特征在于，将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果后，还包括：
对所述故障结果准确性进行评价，若所述故障预测结果准确性不超过预设阈值，则更新所述故障知识图谱；若所述故障结果准确性超过预设阈值，则不更新所述故障知识图谱。
7.根据权利要求1所述的一种充电桩引导式故障诊断预测方法，其特征在于，将所述运行状态预测结果输入到搜索引擎中，通过搜索引擎获取所述运行状态预测结果对应的特征数据，包括：
获取所述运行状态预测结果，并对所述运行状态预测数据进行分类处理后得到多个独立的单个运行状态数据；
将所述单个运行状态数据输入依据深度神经网络构建的特征提取模型进行特征提取，得到多个所述单个运行状态的特征数据。
8.一种充电桩引导式故障诊断预测***，其特征在于，包括：采集模块，孪生模型平台和诊断引擎平台，所述采集模块与所述孪生模型平台连接，用于传输充电桩的实时数据给所述孪生模型平台，所述孪生模型平台基于预先构建的物理-虚拟孪生模型对所述充电桩运行状态进行仿真，得到充电桩的运行状态预测结果；所述孪生模型平台与所述诊断引擎平台连接，用于将所述运行状态预测结果输入到所述引导式故障诊断引擎中，利用分析算法进行故障预测，得到故障预测结果，并显示；所述诊断引擎平台与充电桩集群连接，用于将预测结果传输给所述充电桩。
9.根据权利要求8所述的一种充电桩引导式故障诊断预测***，其特征在于，所述孪生平台包括：物理模型模块、区域划分模块、孪生模型模块、显示模块；
所述区域划分模块，用于根据所述位置信息将所述充电桩集群划分多个区块，每个所述区块设置一个区块节点，所述区块节点通过中间节点进行交互通过动态实时数据信息传输链实现所述充电桩、所述区块节点以及所述中间节点的数据交互；
所述物理模型模块，用于根据所述位置信息和所述设备信息构建充电桩的物理模型；
所述孪生模型模块，用于根据所述物理模型构建所述物理-虚拟孪生模型；
所述显示模块，用于显示所述物理-虚拟孪生模型以及所述故障预测结果。
10.根据权利要求8所述的一种充电桩引导式故障诊断预测方法，其特征在于，所述引导式故障诊断引擎包括搜索引擎和故障知识图谱库；所述搜索引擎用于根据所述运行状态预测结果获取所述运行状态预测结果的特征数据，并基于所述特征数据在所述故障知识图谱库中查找与所述特征数据对应的故障知识图谱；所述故障知识图谱库用于存储不同部件的故障知识图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311473075.7A CN117521498A (zh) | 2023-11-07 | 2023-11-07 | 一种充电桩引导式故障诊断预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311473075.7A CN117521498A (zh) | 2023-11-07 | 2023-11-07 | 一种充电桩引导式故障诊断预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117521498A true CN117521498A (zh) | 2024-02-06 |
Family
ID=89741155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311473075.7A Pending CN117521498A (zh) | 2023-11-07 | 2023-11-07 | 一种充电桩引导式故障诊断预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117521498A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117991028A (zh) * | 2024-04-02 | 2024-05-07 | 深圳市赛特新能科技有限公司 | 一种非侵入式充电桩检测平台、方法及存储介质 |
-
2023
- 2023-11-07 CN CN202311473075.7A patent/CN117521498A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117991028A (zh) * | 2024-04-02 | 2024-05-07 | 深圳市赛特新能科技有限公司 | 一种非侵入式充电桩检测平台、方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985561B (zh) | 一种智能电表的故障诊断方法、***及电子装置 | |
| US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
| CN107358366B (zh) | 一种配电变压器故障风险监测方法及*** | |
| CN102509178B (zh) | 配网设备状态评估*** | |
| CN106204330A (zh) | 一种配电网智能诊断*** | |
| CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
| CN108336725A (zh) | 电网调度设备监控管理及智能分析*** | |
| CN106161138A (zh) | 一种智能自动计量方法及装置 | |
| CN104363106A (zh) | 一种基于大数据技术的电力信息通信故障预警分析方法 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
| CN106650963A (zh) | 一种电动汽车充电设备检测维修管理方法和装置 | |
| CN117521498A (zh) | 一种充电桩引导式故障诊断预测方法及*** | |
| US11740275B2 (en) | Method for intelligent fault detection and location of power distribution network | |
| CN101833324A (zh) | 胎面挤出过程智能故障诊断***及其诊断方法 | |
| CN105471647A (zh) | 一种电力通信网故障定位方法 | |
| Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
| CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
| CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及*** | |
| CN114529166A (zh) | 一种配电网运行安全风险预警方法及*** | |
| CN117390944A (zh) | 一种变电站运行工况仿真*** |
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 |