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技术

本发明专利技术公开了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，涉及充电桩故障诊断技术领域。为解决充电桩故障诊断中普遍存在的特征提取难题以及复杂的人工智能模型容易产生过拟合问题，本发明专利技术提出基于梯度提升树GBDT与多层感知机MLP融合的新方法，根据集成学习理论，建立多个独立的梯度提升树GBDT模型，组建多个全连接的GBDT层，最后连接一个多层感知机MLP模型，进行特征学习与分类。该融合方案避免了手动提取特征的困难，在降低对单个模型性能和复杂度依赖的同时，其融合性能得到提升而且更加稳定。在公开数据集上的实验结果表明，本发明专利技术提出的方案优于典型的独立机器学习方案。习方案。习方案。

【技术实现步骤摘要】
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


[0001]本专利技术涉及充电桩故障诊断
，尤其涉及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。

技术介绍

[0002]当今世界人类正面临日益严重的能源危机和环境危机。发展电动汽车，不仅可以有效缓解传统化石能源不可再生的问题，同时还是治理环境的有效手段。作为能量补给源的充电站是电动汽车的重要配套设施，而充电桩是电动汽车充电站和充电服务网络的核心设备。预计到2030年，我国的电动汽车市场规模将达到1500万辆，届时对充电桩的需求将大大增加。充电桩长期曝露在自然环境中，风吹日晒雨淋，引起充电桩部件逐渐老化，最终导致充电桩故障发生，给电动汽车充电带来极大的不便。实现充电桩故障的智能检测，对于及时发现有故障的充电桩，以便维护，保持充电桩的可靠运行具有重要意义。
[0003]黄彩娟的“电动汽车交流充电桩的故障诊断与排除”和李苗的“电动汽车充电桩故障诊断与检测”讨论了充电桩的常见故障类型与应对方案；
[0004]林越等的“基于AP
‑
HMM混合模型的充电桩故障诊断”采集充电桩的电压数据，结合确定性的相似性传播(AP)聚类方法快速、准确提取故障的特征，和统计性的隐马尔可夫模型(HMM)强大的故障分类能力，构建AP
‑
HMM混合充电桩故障诊断模型，实现了充电桩继电器失效故障诊断；林越等的“基于隐生灭过程模型的充电桩故障诊断研究”提出针对充电桩继电器失效故障建立隐生灭过程模型实现故障诊断；
[0005]李亦非等的“有监督机器学习算法在充电设施状态评估中的应用”在分析充电桩故障原因的基础上，以遥信数据、充电电量、充电时长、平均功率等信息为输入量，构建决策树诊断模型，可以识别从正常到异常的5种充电桩健康状态；
[0006]蔡松桓的“充电桩数据挖掘与充电量预测算法研究”尝试使用多种基于树的分类器实现充电桩故障诊断，例如随机森林，XGBoost等；
[0007]赵翔等的“一种基于深度神经网络的直流充电桩故障诊断方法”以充电桩的运行电压数据为输入提出了基于深度学习的故障诊断方案，实现了直流充电桩故障状态的自动诊断；
[0008]王群飞等的“基于随机森林算法的V2G充电桩故障诊断研究”使用小波包分析提取故障电流信号中的特征信息，使用随机森林构造适用于直流充电桩开关模块的故障诊断器；
[0009]周睿等的“汽车充电桩运行状态及故障诊断系统的设计”和高德欣等的“电动汽车充电桩移动监控与故障诊断系统设计”提出了充电桩故障诊断系统的软硬件设计与开发方案。
[0010]为描述充电桩故障检测问题，本专利技术使用向量表示从充电桩上采集的一组物理量，例如电压的总谐波失真、电流的总谐波失真、电子锁驱动信号等。任务是根据向量x将充电桩分成两类：正常和有故障，其类别标签可由变量y∈{0,1}表示。因此，充电桩故
障诊断模型可以表示为
[0011]y＝Det(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，映射Det(
·
)是未知的，将通过数据驱动的方式获得。
[0012]为了构建映射Det(
·
)，通常可以测得一组充电桩数据以此为基础，针对该分类问题可以采用一般机器学习的处理模式，即特征提取和组建分类器。然而，每个输入量x
i
可能都是不同充电桩的数据，因此，难以建立统计量观测不同时间同一个充电桩状态的变化情况。同时，正常的充电桩和故障的充电桩数据差距甚微，各自的数据统计分布交叠严重，难以区分。而且，输入量x
i
的行数L通常很小，难以通过降维的方式提取特征。另外，映射Det(
·
)是非线性的。这些方面显著增加了问题的难度，使得传统解决方案的性能并不理想。
[0013]传统机器学习方案的性能很大程度上依赖于特征提取，手动提取特征一直是其难点，该问题对充电桩故障诊断尤其突出。为了避免该问题，可以考虑设计深度神经网络。神经网络可以自动提取特征，通过堆叠带有非线性处理器的神经网络层学习深层的特征表达，可以在一个端到端的框架里对特征提取和分类器联合进行优化。神经网络可视为一个完全自动的优化工具，在大规模数据集获得良好的性能。然而，神经网络因其参数众多，优化困难，容易陷入局部最优和引起过拟合。同时，对于表格数据，因其不具有旋转不变性，会显著降低神经网络的性能。该问题对充电桩故障诊断尤其突出。
[0014]对于表格数据，基于树的分类器相比深度神经网络更有优势，而且，也能用于构建非线性模型。但是，基于树的分类器一般需要手动提取特征，随着树深度增加，容易引起过拟合，计算复杂度也会随之增加。
[0015]基于以上分析，由于充电桩数据的特点，用于故障诊断的手动特征提取相对困难，复杂的人工智能模型容易产生过拟合问题，完全自动化的方案，例如神经网络，容易陷入局部最优，训练困难。因此，针对充电桩故障诊断中普遍存在的特征提取难题以及复杂的人工智能模型容易产生过拟合问题的研究十分必要。

技术实现思路

[0016]针对现有技术存在的缺陷，本专利技术提出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，采集待测充电桩数据集，构造成特征向量，并将所述特征向量输入融合模型，输出充电桩故障诊断结果，
[0017]所述融合模型包括N层学习器，其中N≥2，
[0018]前N
‑
1层学习器均由多个独立的梯度提升树GBDT模型构成，前一层学习器的输出作为后一层学习器的输入，第一层学习器中的梯度提升树GBDT模型以充电桩的特征向量为输入，输出充电桩故障预测，后一层的梯度提升树GBDT模型通过集成前一层的梯度提升树GBDT模型的输出，输出新的充电桩故障预测，
[0019]第N层学习器为一个含有两个隐含层的多层感知机MLP模型，用于接收成前一层学习器中梯度提升树GBDT模型的输出，输出充电桩故障诊断结果。
[0020]进一步的，所述充电桩数据集包括充电桩的K1K2驱动信号、电子锁驱动信号、充电桩急停信号、充电桩门禁信号以及充电桩电压和电流的总谐波失真。
[0021]进一步的，所述融合模型可以由三层学习器构成，第一层学习器包括5个梯度提升
树GBDT模型，第二层学习器包括3个梯度提升树GBDT模型，第三层学习器包括一个含有两个隐含层的多层感知机MLP模型。
[0022]进一步的，所述融合模型中，对特征向量进行多次采样，为第一层学习器中每个梯度提升树GBDT模型提供不同的输入数据，对前一层学习器中所有梯度提升树GBDT模型输出的充电桩故障预测值进行Stacking处理，为后一层学习器中每个梯度提升树GBDT模型提供不同的输入数据。
[0023]进一步的，同一层学习器中的每个梯度提升树GBDT模型超参数设置不同。
[0024]进一步的，所述融合模型中每个梯度提升树GBDT模型均使用基于Softmax目标函数和精确贪婪算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.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，其特征在于，采集待测充电桩数据集，构造成特征向量，并将所述特征向量输入融合模型，输出充电桩故障诊断结果，所述融合模型包括N层学习器，其中N≥2，前N
‑
1层学习器均由多个独立的梯度提升树GBDT模型构成，第N层学习器为一个含有多个隐含层的多层感知机MLP模型。2.根据权利要求1所述的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，其特征在于，所述充电桩数据集包括充电桩的K1K2驱动信号、电子锁驱动信号、充电桩急停信号、充电桩门禁信号以及充电桩电压和电流的总谐波失真。3.根据权利要求1所述的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，其特征在于，前一层学习器的输出作为后一层学习器的输入，第一层学习器的梯度提升树GBDT模型以充电桩的特征向量为输入，输出充电桩故障预测，后一层的梯度提升树GBDT模型通过集成前一层的梯度提升树GBDT模型的输出，输出新的充电桩故障预测，第N层学习器的多层感知机MLP模型接收成第N
‑
1层学习器的梯度提升树GBDT模型的输出，输出充电桩故障诊断结果。4.根据权利要求1所述的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，其特征在于，所述融合模型可以由三层学习器构成，第一层学习器包括5个梯度提升树GBDT模型，第二层学习器包括3个梯度提升树GBDT模型，第三层学习器包括一个含有两个隐含层的多层感知机MLP模型。5.根据权利要求1所述的基于梯度提升树与多层感知机融合的充电...

【专利技术属性】
技术研发人员：郭志，朱新山，许成乾，郭恩伯，郭恩仲，陈南冰，张云，高宇，刘畅，
申请(专利权)人：天津大学，
类型：发明
国别省市：