一种充电桩故障预测方法、装置及电子设备与流程

1.本公开涉及数据处理技术领域，尤其涉及一种充电桩故障预测方法、装置及电子设备。


背景技术：

2.充电桩在使用的过程中容易发生故障，需要实时的对充电桩是否发生故障进行识别和故障预测。
3.现有的充电桩预测方法主要通过健康评估或采用二分类的方式，仅判断充电桩是否发生故障，而不能预测出充电桩产生故障的类型；因此，相关技术存在在充电桩发生故障时无法直接确认故障的类型，会导致维修时机延误，易发生充电危险的问题。


技术实现要素：

4.有鉴于此，本公开的目的在于提出一种能够直接确定出充电桩的故障类型的充电桩故障预测方法、装置及电子设备。
5.基于上述目的，本公开在第一方面提供一种充电桩故障预测方法，包括：
6.获取充电桩的故障数据以及在充电过程中的实时特征数据；
7.基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集；
8.基于所述故障样本集构建用于预测故障类型的多分类模型；
9.将所述充电桩的实时特征数据输入至所述多分类模型中；
10.基于所述多分类模型预测所述充电桩当前的故障类型。
11.在一些可选的实施例中，所述实时特征数据包括充电桩的输出电压、输出电流、桩内温度、充电时长、已充电量和充电功率；
12.所述基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集，包括：
13.将所述故障类型赋予故障标签；其中，每个故障类型对应一个故障标签；
14.将赋予故障标签的所述故障类型与对应的故障数据关联。
15.在一些可选的实施例中，所述将赋予故障标签的所述故障类型与对应的故障数据关联之后，所述方法还包括：
16.将每个所述故障数据以及与其关联的故障类型作为一个故障样本；
17.将每个故障样本以及与其对应的故障标签统计为故障样本集。
18.在一些可选的实施例中，所述基于所述故障样本集构建用于预测故障类型的多分类模型，包括：
19.将每个故障类型依次与其他任意一个的故障类型配对生成多个故障类型组；其中，不同的所述故障类型组包含不同的故障类型；
20.确定与每个所述故障类型组对应的二分类模型；
21.以所述二分类模型作为节点建立具有层级关系的多分类模型。
22.在一些可选的实施例中，所述将分类精度最高的一组所述二分类模型作为多分类模型的根节点之后，所述方法还包括：
23.基于所述根节点的二分类模型对应的根节点故障类型组确定包含其他故障类型组对应的二分类模型的两个候选节点集合；其中，所述其他故障类型组为除所述根节点故障类型组之外的故障类型组，两个所述候选节点集合包括第一候选集合和第二候选集合；
24.将所述第一候选节点集合中的每组二分类模型依次与第二候选集合中的任一组二分类模型配对，生成多组候选节点组；
25.将分类精度最高的一组所述候选节点组作为所述根节点的下层节点；其中，所述候选节点组的分类精度为候选节点组中包含的两个所述二分类模型的分类精度的平均值。
26.在一些可选的实施例中，所述基于所述根节点的二分类模型对应的根节点故障类型组确定包含其他故障类型组对应的二分类模型的两个候选节点集合，包括：
27.确定所述的根节点包括的第一故障类型和第二故障类型；
28.响应于判定所述充电桩当前的故障类型不是第一故障类型时，则选出包含所述第二故障类型的所有二分类模型作为第一候选节点集合；
29.响应于判定所述充电桩当前的故障类型不是第二故障类型时，则选出包含所述第一故障类型的所有二分类模型作为第二候选节点集合。
30.在一些可选的实施例中所述获取二分类模型的分类精度，包括：
31.获取所述二分类模型的预测正确的正样本、预测正确的负样本、预测错误的正样本和预测错误的负样本；
32.将所述预测正确的正、负样本与所述预测正确的正、负样本和预测错误的正、负样本之和的比值确定为所述二分类模型的分类精度。
33.在第二方面，基于同一发明构思，还公开一种电子设备，包括：
34.获取模块，用于获取充电桩的故障数据以及在充电过程中的实时特征数据；
35.样本集构建模块，用于基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集；
36.多分类模型构建模块，用于基于所述故障样本集构建用于预测故障类型的多分类模型；
37.执行模块，用于将所述充电桩的实时特征数据输入至所述多分类模型中；
38.输出模块，用于基于所述多分类模型预测所述充电桩当前的故障类型。
39.在第三方面，基于同一发明构思，还公开一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述程序时实现如上述方案中任意一项所述的故障预测方法。
40.从上面所述可以看出，本公开提供的充电桩故障预测方法、装置及电子设备，先基于故障数据构建故障样本集，进而构建一个多分类模型，再将充电桩实时的特征数据输入到多分类模型中，预测充电桩发生的故障对应故障样本集中的哪类故障类型；本公开采用支持向量机的多分类模型，构建多分类策略，达到对充电桩多类型故障的准确识别和分类目的；并且通过构建故障样本集构建一个多分类模型的故障预测模型，实现对充电桩不同故障类型的精准判断，能够快速了解并解决故障，帮助运维人员快速查看并解决故障问题，提升了充电桩的运维效率和安全性。
附图说明
41.为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，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，还可以根据这些附图获得其他的附图。
42.图1为本公开实施例的充电桩故障预测方法的具体流程图；
43.图2为本公开实施例的有向无环图的结构示意图；
44.图3为本公开实施例的充电桩故障预测设备的结构示意图；
45.图4为本公开实施例的电子设备的结构示意图。
具体实施方式
46.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
47.需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
48.在具体描述本技术提供的一种充电桩故障预测方法、装置及电子设备之前，首先描述本技术的应用场景和发明构思。
49.充电桩作为一个新型的产品逐渐在各个城市中普及，在充电桩的长期使用后或者在使用的过程中容易发生故障，如故障的类型无法快速的判断，会带来延长故障的修复时间过长或造成安全性的问题，因此充电桩在发生故障后需要第一时间确定充电桩发生的故障类型，并且及时的将故障解决，充电桩故障预测技术对提升充电桩运维效率，提高充电桩使用率有着重用意义；因此，发明人以此作为发明构思进行研发改进。
50.目前，现有的充电桩故障预测常用的方法有两种，一种是充电桩健康状态评估技术，通过搜集充电桩运行状态的关键指标，并附以不同的数值权重，最后得到一个反映充电桩整体运行状态的分值，从而判断充电桩是否发生故障；第二种是二分类故障预测技术，通过搜集充电桩历史故障数据(包含若干个与故障相关的特征)并附以故障或非故障的标签，构建样本集，利用机器学习算法中的分类模型对样本集进行训练得到二分类故障预测模型，从而实现故障预测。
51.对现有技术中的充电桩故障预测时常用的两种方法的具体步骤如下：
52.(一)充电桩健康状态评估技术，包括：
53.(1)选取关键特征：主要选取与充电桩运行有关的指标，例如：充电输出电压，充电输出电流和充电桩温度等。
54.(2)将所选特征进行归一化，变为0-1范围内的数值。
55.(3)为选定的指标赋予权值，权值之和为1。权值要由运维人员根据不同指标与充电桩故障的关联程度的大小进行设定，关联程度越高，权值设定越大；同时在0-1区间设定多个子区间，分别对应不同的健康状态等级，数值越低，健康状态越差。
56.(4)采集得到当前时刻的健康状态指标的数值，利用权重计算累加和，即得到当前时刻的充电桩健康状态值，并根据(3)划定的健康状态区间找到对应的健康等级，从而判断是否邻近故障状态。
57.发明人考虑到健康状态评估技术的缺点是采用附以权值的方式主观性较强，权值主要依靠充电桩运维人员的经验进行设定，而且最终得到的分值只能判断充电桩当前时刻的状态，无法直接判断是否发生故障以及发生了什么类型的故障，不便于充电桩的运维工作。
58.(二)二分类故障预测技术，包括：
59.(1)构建二分类故障数据集：采集充电桩历史运行数据(与充电桩运行状态密切相关的特征)，包含充电输出电压，充电输出电流以及充电桩内部元器件产生的数据等，数据中要包含充电桩发生故障和正常状态下的数据，为保证样本均衡，采集比例为1：1。
60.(2)为数据集赋予故障或非故障标签，故障为1，非故障为0。
61.(3)选择合适的二分类算法，包括逻辑回归、朴素贝叶斯、神经网络等。
62.(4)模型训练：按照7：3或8：2的比例分割故障数据集，分别作为训练集和测试集，利用训练集训练分类模型，利用测试集验证模型准确度。
63.(5)部署模型：将充电桩实时运行数据输入到分类模型中，得到充电桩每一时刻的状态结果，即是否发生了故障。模型运行一段时间后，要重新采集最近一段时间数据更新故障数据集，并按照上述(1)(2)(4)步骤训练模型。
64.二分类故障预测技术相比于健康状态评估技术，可以预测充电桩是否发生故障，但由于采用的是二分类策略，具有无法预测故障的具体类型的缺点。
65.因此，本技术所提供的充电桩故障预测方法能够直接确定出充电桩的故障类型，通过采用支持向量机的分类模型构建多分类策略，达到对充电桩多类型故障的准确识别和分类目的。
66.结合图1，在一些可选的实施例，公开的一种充电桩故障预测方法，包括：
67.s1：获取充电桩的故障数据以及在充电过程中的实时特征数据；
68.s2：基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集；
69.s3：基于所述故障样本集构建用于预测故障类型的多分类模型；
70.s4：将所述充电桩的实时特征数据输入至所述多分类模型中；
71.s5：基于所述多分类模型预测所述充电桩当前的故障类型。
72.本实施例所提供的充电桩故障预测方法先基于故障数据构建故障样本集，进而构建一个多分类模型，再将充电桩实时的特征数据输入到多分类模型中，预测充电桩发生的故障对应故障样本集中的哪类故障类型，既可以对故障是否发生进行判断，又可以对故障的类型进行预测；本实施例采用支持向量机的多分类模型，构建多分类策略，达到对充电桩多类型故障的准确识别和分类目的；并且通过构建故障样本集构建一个多分类模型的故障预测模型，实现对充电桩不同故障类型的精准判断，能够快速了解并解决故障，提升了充电桩的运维效率和安全性。
73.在一些可选的实施例中，充电桩的实时特征数据包括充电桩的输出电压、输出电流、桩内温度、充电时长、已充电量和充电功率等充电桩正常工作所需的相关数据。充电桩的故障数据为充电桩在发送故障时所采集到的所有异常数据。
74.需要说明的是，充电桩在发送故障时所采集到的所有异常数据，不仅仅是发送故障时由于与故障对应的特定数据，如电压过高时的异常电压值；而是导致充电桩发送故障的所有相关数据都是故障数据。
75.在一些可选的实施例中，步骤s2具体包括：
76.s202：将所述故障类型赋予故障标签；其中，每个故障类型对应一个故障标签；
77.s204：将赋予故障标签的所述故障类型与对应的故障数据关联。
78.由于要预测多种故障类型，需要故障样本集按照充电桩在任何充电过程中的时间进行匹配，明确在发生故障时充电桩当时的故障数据，故障样本集中每一条数据的故障类型，都通过数字(本示例中为1,2,3,4,
…
)为其赋予标签，一个标签对应一个故障类型，一个故障类型对应匹配的关联的故障数据。直接通过标签就能了解到充电桩发生的故障类型并且提取出对应的故障数据，由此构建起适合多分类故障预测的故障样本集。
79.进一步地，在一些实施例中，所述步骤s2还可以包括：
80.s206：将每个所述故障数据以及与其关联的故障类型作为一个故障样本；
81.s208：将每个故障样本以及与其对应的故障标签统计为故障样本集。
82.在通过标签将故障类型和故障数据对应后，将每个关联后的故障数据和故障类型合成一个故障样本，并且发送至服务器进行存储；服务器中包括了此充电桩在所有使用过程中的全部故障样本，统计为一个故障样本集。
83.并且，此故障样本集能够实时的录入其他的故障类型，对故障数据和故障类型进行随时的更新和补充，保证充电桩故障预测的精度。
84.在一些可选的实施例中，还可以设置特定的更新时间段，在满足一定时间后，对故障样本集进行更新和补充，并且根据更新的故障样本集重新训练测试多分类器，保证充电桩故障预测的精度。
85.在一些可选的实施例中，故障样本集中可以包括其他充电桩的故障样本，或关联其他充电桩的故障样本集，并且能够匹配其他充电桩对应的故障数据和故障类型，为故障类型的判断提供了更多是数据支撑，故障类型的预测结果更具有参考性、更准确。
86.在一些可选的实施例中，步骤s3：基于所述故障样本集构建用于预测故障类型的多分类模型，还包括：
87.s302：将每个故障类型依次与其他任意一个的故障类型配对生成多个故障类型组；其中，不同的所述故障类型组包含不同的故障类型；
88.s304：确定与每个所述故障类型组对应的二分类模型；
89.s306：以所述二分类模型作为节点建立具有层级关系的多分类模型；
90.通过故障样本集中故障类型的数量逐一的生成包括任意两个故障类型的故障类型组，并且一个故障类型组对应建立一个二分类模型，进而判断是否为当前二分类模型中包括的两个故障类型中的一个；
91.故障类型组的数量与故障类型的数量想对应，如故障类型为5个时，数字为故障类型对应的标签，故障类型组包括1-2、1-3、1-4、1-5、2-3、2-4、2-5、3-4、3-5，共9组的故障类
型组，从而建立对应的9个二分类模型。
92.进而通过二分类模型作为节点构成具有层级关系的多分类模型。
93.在一些可选的实施例中，在通过与故障类型对应的二分类模型构建多分类模型时，结合图2所示，可以包括如下步骤：
94.s3062：先获取二分类模型的分类精度；
95.s3064：将分类精度最高的一组所述二分类模型作为多分类模型的根节点；
96.s3066：基于所述根节点的二分类模型对应的根节点故障类型组确定包含其他故障类型组对应的二分类模型的两个候选节点集合；
97.s3068：将所述第一候选节点集合中的每组二分类模型依次与第二候选集合中的任一组二分类模型配对，生成多组候选节点组；
98.其中，所述其他故障类型组为除所述根节点故障类型组之外的故障类型组，两个所述候选节点集合包括第一候选集合和第二候选集合；
99.s30610：将分类精度最高的一组所述候选节点组作为所述根节点的下层节点；其中，所述候选节点组的分类精度为候选节点组中包含的两个所述二分类模型的分类精度的平均值。
100.在训练完每个二分类模型后，需先确定根节点，再逐一确定之下层级的节点二分类模型，并且按照多分类模型的构建方法进行构建，多分类模型的构建方法如下：
101.(1)每个二分类模型只能出现一次；
102.(2)除最底层输出的二分类模型外，其余层相邻节点的二分类模型不能出现相同样本；
103.(3)经过任一个二分类模型的节点后，如果分类结果是该二分类模型的第一故障类型，下一层走左侧分支；如果是该二分类模型的第二故障类型，则走右侧分支。
104.(4)选取分类精度最高的二分类模块作为根节点，从根节点出发的每一条分支要使得所有故障类型参与分类。
105.(5)n个故障类型需要构建n-1层模型结构，第i层节点有i+1(i＝0,1,2
…
)个分类模型。
106.在本实施例中，进一步参见图2所示，故障类型为5个，数字为故障类型对应的标签，故障类型组包括1-2、1-3、1-4、1-5、2-3、2-4、2-5、3-4、3-5，共9组的故障类型组，建立对应的9个二分类模型；
107.在一些可选的实施例中，所述二分类模型的分类精度获取方法为：
108.获取所述二分类模型的预测正确的正样本tp、预测正确的负样本tn、预测错误的正样本fp和预测错误的负样本fn；
109.将所述预测正确的正、负样本与所述预测正确的正、负样本和预测错误的正、负样本之和的比值确定为所述二分类模型的分类精度。
110.对每个svm分类器进行测试，统计每个二分类模型的分类精度accuracy，分测试结果的分类精度越高，即表示两类样本的可分性越好，可分性越好越不容易出现误分现象；分类精度的具体计算方式采用下式1进行计算。
[0111][0112]
其中，tp为预测正确的正样本，tn为预测正确的负样本，tp为预测错误的正样本、fn为预测错误的负样本；分子分子为预测正确的个数；分母为预测总数，包括预测正确的个数和预测错误的个数。
[0113]
在一些可选的实施例中，基于所述根节点的二分类模型对应的根节点故障类型组确定包含其他故障类型组对应的二分类模型的两个候选节点集合，包括：
[0114]
确定所述的根节点包括的第一故障类型和第二故障类型；
[0115]
响应于判定所述充电桩当前的故障类型不是第一故障类型时，则选出包含所述第二故障类型的所有二分类模型作为第一候选节点集合；
[0116]
响应于判定所述充电桩当前的故障类型不是第二故障类型时，则选出包含所述第一故障类型的所有二分类模型作为第二候选节点集合。
[0117]
如第二层的候选集合为(1-2，1-3，1-4)，右节点的候选集合是(2-5，3-5，4-5)，候选集合则有9组，(1-2、2-5)(1-2、3-5)(1-2、4-5)(1-3、2-5)(1-3、3-5)(1-3、4-5)(1-4、2-5)(1-4、3-5)(1-4、4-5)。进而对所有候选集合进行精度比较，每个组合的分类精度利用组合内两个分类模型分类精度的平均值，分类精度高的组合作为第二层节点。
[0118]
进一步地，在第三层节点中，因为它的上层左右分支都已确定类别自动确定中间节点。两侧的两个节点的二分类模型按照分类精度最高的原则确定。
[0119]
并且，在第三层之后的第四层以至于其他可选的实施例中的其他层级均按照此方式确定每个节点的二分类模型；以此类推就可以确定后面每一层的二分类模型位置。
[0120]
在一些可选的实施例中，在最低层的输出故障类型标签(1、2、3、4、5)中，任一个故障类型(如标签5)可以为无故障的情况，当多分类模型输出标签5的情况下，则表示为充电桩当前无故障。
[0121]
本实施例鉴于有向无环图(dag)构建多分类模型方式存在误差累积现象，利用支持向量机算法按照有向无环图方式构建多分类模型，
[0122]
在一些可选的实施例中，本方案中用到的支持向量机分类算法可以替换为朴素贝叶斯算法、knn算法、决策树算法、神经网络模型和adaboost算法等，它们都属于常见的分类预测模型，都可以按照的多分类模型构建方法实现实现多故障类型预测。
[0123]
本公开提供的充电桩故障预测方法先基于故障数据构建故障样本集，进而构建一个多分类模型，再将充电桩实时的特征数据输入到多分类模型中，预测充电桩发生的故障对应故障样本集中的哪类故障类型；对多故障预测样本集进行构建并且设定了特定的多分类模型构建规则，采用支持向量机的分类模型，构建多分类策略，达到对充电桩多类型故障的准确识别和分类目的；通过构建多分类故障数据集，采用支持向量机算法，利用多分类的思想构建起一个多分类模型的故障预测模型，实现对充电桩不同故障类型的精准判断，帮助运维人员快速解决故障问题，提升了充电桩的运维效率，提高了充电桩的使用率。
[0124]
结合图3所示，基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种充电桩故障预测装置，包括：
[0125]
获取模块1，用于获取充电桩的故障数据以及在充电过程中的实时特征数据；
[0126]
样本集构建模块2，用于基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集；
[0127]
多分类模型构建模块3，用于基于所述故障样本集构建用于预测故障类型的多分类模型；
[0128]
执行模块4，用于将所述充电桩的实时特征数据输入至所述多分类模型中；
[0129]
输出模块5，用于基于所述多分类模型预测所述充电桩当前的故障类型。
[0130]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的充电桩故障预测方法。
[0131]
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0132]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0133]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0134]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0135]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0136]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0137]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0138]
上述实施例的电子设备用于实现前述任一实施例中相应的充电桩故障预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0139]
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一
个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0140]
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。
[0141]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0142]
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0143]
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0144]
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

技术特征：
1.一种充电桩故障预测方法，其特征在于，包括：获取充电桩的故障数据以及在充电过程中的实时特征数据；基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集；基于所述故障样本集构建用于预测故障类型的多分类模型；将所述充电桩的实时特征数据输入至所述多分类模型中；基于所述多分类模型预测所述充电桩当前的故障类型。2.根据权利要求1所述的充电桩故障预测方法，其特征在于，所述实时特征数据包括充电桩的输出电压、输出电流、桩内温度、充电时长、已充电量和充电功率；所述基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集，包括：将所述故障类型赋予故障标签；其中，每个故障类型对应一个故障标签；将赋予故障标签的所述故障类型与对应的故障数据关联。3.根据权利要求2所述的充电桩故障预测方法，其特征在于，所述将赋予故障标签的所述故障类型与对应的故障数据关联之后，所述方法还包括：将每个所述故障数据以及与其关联的故障类型作为一个故障样本；将每个故障样本以及与其对应的故障标签统计为故障样本集。4.根据权利要求1所述的充电桩故障预测方法，其特征在于，所述基于所述故障样本集构建用于预测故障类型的多分类模型，包括：将每个故障类型依次与其他任意一个的故障类型配对生成多个故障类型组；其中，不同的所述故障类型组包含不同的故障类型；确定与每个所述故障类型组对应的二分类模型；以所述二分类模型作为节点建立具有层级关系的多分类模型。5.根据权利要求4所述的充电桩故障预测方法，其特征在于，所述以所述二分类模型作为节点建立具有层级关系的多分类模型，包括：获取二分类模型的分类精度；将分类精度最高的一组所述二分类模型作为多分类模型的根节点。6.根据权利要求5所述的充电桩故障预测方法，其特征在于，所述将分类精度最高的一组所述二分类模型作为多分类模型的根节点之后，所述方法还包括：基于所述根节点的二分类模型对应的根节点故障类型组确定包含其他故障类型组对应的二分类模型的两个候选节点集合；其中，所述其他故障类型组为除所述根节点故障类型组之外的故障类型组，两个所述候选节点集合包括第一候选集合和第二候选集合；将所述第一候选节点集合中的每组二分类模型依次与第二候选集合中的任一组二分类模型配对，生成多组候选节点组；将分类精度最高的一组所述候选节点组作为所述根节点的下层节点；其中，所述候选节点组的分类精度为候选节点组中包含的两个所述二分类模型的分类精度的平均值。7.根据权利要求6所述的充电桩故障预测方法，其特征在于，所述基于所述根节点的二分类模型对应的根节点故障类型组确定包含其他故障类型组对应的二分类模型的两个候选节点集合，包括：确定所述的根节点包括的第一故障类型和第二故障类型；响应于判定所述充电桩当前的故障类型不是第一故障类型时，则选出包含所述第二故
障类型的所有二分类模型作为第一候选节点集合；响应于判定所述充电桩当前的故障类型不是第二故障类型时，则选出包含所述第一故障类型的所有二分类模型作为第二候选节点集合。8.根据权利要求4所述的充电桩故障预测方法，其特征在于，所述获取二分类模型的分类精度，包括：获取所述二分类模型的预测正确的正样本、预测正确的负样本、预测错误的正样本和预测错误的负样本；将所述预测正确的正、负样本与所述预测正确的正、负样本和预测错误的正、负样本之和的比值确定为所述二分类模型的分类精度。9.一种充电桩故障预测装置，其特征在于，包括：获取模块，用于获取充电桩的故障数据以及在充电过程中的实时特征数据；样本集构建模块，用于基于所述故障数据以及与所述故障数据对应的故障类型构建故障样本集；多分类模型构建模块，用于基于所述故障样本集构建用于预测故障类型的多分类模型；执行模块，用于将所述充电桩的实时特征数据输入至所述多分类模型中；输出模块，用于基于所述多分类模型预测所述充电桩当前的故障类型。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8中任意一项所述的故障预测方法。

技术总结
本公开提供一种充电桩故障预测方法、装置及电子设备。方法包括获取充电桩的故障数据以及在充电过程中的实时特征数据；基于故障数据以及与故障数据对应的故障类型构建故障样本集；基于故障样本集构建用于预测故障类型的多分类模型；将充电桩的实时特征数据输入至多分类模型中；基于多分类模型预测充电桩当前的故障类型。本公开采用支持向量机的多分类模型，构建多分类策略，达到对充电桩多类型故障的准确识别和分类目的；并且通过构建故障样本集构建一个多分类模型的故障预测模型，实现对充电桩不同故障类型的精准判断，能够快速了解并解决故障，帮助运维人员快速查看并解决故障问题，提升了充电桩的运维效率和安全性。提升了充电桩的运维效率和安全性。提升了充电桩的运维效率和安全性。


技术研发人员：姜燕 宋嘉伟 宋雪莹 盛志强 王奔 刘峥 王悦 李露 吴康桥 卫一宁 宋丹丹 孟子冰 田佩佩 周嘉楠 王贯瑶 张旭泽 张一丹 王正阳 李然 李想 马平川 贾云杰 樊兴 徐艺庭 张媛 高策
受保护的技术使用者：北京中电飞华通信有限公司
技术研发日：2023.04.11
技术公布日：2023/9/14