[發明專利]電動汽車充電設備的故障診斷方法、裝置及存儲介質

在審

• 申請號: 202110774463.3
• 申請日: 2021-07-08
• 公開（公告）號: CN113657442A
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 杜翠鳳;何偉;薛紅榮;曾軍;宮輝
• 申請（專利權）人: 廣州杰賽科技股份有限公司;廣州杰賽通信規劃設計院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q10/00;G06Q50/06
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

本發明公開了一種電動汽車充電設備的故障診斷方法、裝置及存儲介質，所述電動汽車充電設備的故障診斷方法包括：獲取充電設備的狀態參數信息數據；其中，所述狀態參數信息包括設備的故障時間、故障類型、故障位置及設備狀態參數；基于卷積神經網絡CNN采用不同大小的采樣窗口、卷積核和步長對所述狀態參數信息數據的參數特征進行提取，得到多尺度特征；將所述多尺度特征輸入到訓練好的誤差反向傳播BP神經網絡，則所述BP神經網絡輸出充電設備的故障原因。本發明將CNN和BP神經網絡相結合，通過CNN獲取故障種類的關鍵特征，結合BP神經網絡對設備發生的故障原因和充電設備的系統參數進行基于誤差反方向傳播的迭代學習，實現對充電設備故障原因的準確診斷。

技術領域

本發明涉及電動汽車充電設備技術領域，尤其涉及一種電動汽車充電設備的故障診斷方法、裝置及存儲介質。

背景技術

由于我國充電站數量繁多、位置分散，人工故障診斷的低效率、高成本的方法已經遠遠不能滿足當前運營成本控制的要求。現有技術對電動汽車充電設備運行狀態進行監控，一旦設備發生故障，采用大數據和人工智能的方法實現設備故障的自我診斷，基于診斷的結果提出設備運維策略，用于指導現場運維工作的開展，降低充電站運維成本。

目前大量國內外學者采用故障樹、專家分析以及人工智能的方法實現智能化診斷，包括Duan等人基于故障信息采集的基礎上，采用動態故障樹實現故障診斷；Tyagi等人針對故障原因具有不確定的特征，采用模糊故障樹理論對智能電力變壓器實現故障診斷；張洪瑾則采用模糊算法和BP神經網絡相結合，構建故障診斷系統；Niu等人則結合專家系統的主觀性和神經網絡的客觀性，實現更有效率的故障問題診斷；任哲平等人采用二叉樹結構分析故障知識，將所分析的知識跟專家系統進行關聯，最終構建故障診斷系統。根據上述文獻可知，基于人工智能的方法已經廣泛應用于故障診斷領域，但是由于設備的復雜性和故障的多樣性，采用單一的故障診斷技術往往難以滿足診斷需求，診斷精度不高。

發明內容

本發明實施例所要解決的技術問題在于，提供一種電動汽車充電設備的故障診斷方法、裝置及存儲介質，將CNN和BP神經網絡相結合，實現對充電設備故障原因的準確診斷。

為了實現上述目的，本發明實施例提供了一種電動汽車充電設備的故障診斷方法，包括：

獲取充電設備的狀態參數信息數據；其中，所述狀態參數信息包括設備的故障時間、故障類型、故障位置及設備狀態參數；

基于卷積神經網絡CNN采用不同大小的采樣窗口、卷積核和步長對所述狀態參數信息數據的參數特征進行提取，得到多尺度特征；

將所述多尺度特征輸入到訓練好的誤差反向傳播BP神經網絡，則所述BP神經網絡輸出充電設備的故障原因。

作為上述方案的改進，所述基于卷積神經網絡CNN采用預設大小的采樣窗口、卷積核和步長對所述數據集的參數特征進行提取，得到多尺度特征，具體包括：

采用不同大小的采樣窗口對所述狀態參數信息數據進行截取，形成多維數據集；

采用不同大小的卷積核和不同步長對所述多維數據集進行批量卷積，形成不同尺寸的特征空間；

對所述不同尺寸的特征空間進行池化處理以及特征融合，得到多尺度特征。

作為上述方案的改進，所述BP神經網絡的訓練過程具體包括：

將訓練樣本輸入所述BP神經網絡，根據初始閾值和初始權重，得到初始誤差；

判斷所述初始誤差是否滿足預設的收斂條件；

若是，則將所述初始閾值和所述初始權重作為所述BP神經網絡的最佳閾值和最佳權重，所述BP神經網絡完成訓練；