【技术实现步骤摘要】
本专利技术涉及电动汽车充电桩故障预测的，尤其涉及一种充电桩故障预测方法及装置。
技术介绍
1、随着新能源汽车以及充电基础设施保有量的增加，充电桩的故障问题日渐明显，这不仅给用户以及充电设施运营商造成严重的经济损失，还打击了一些消费者对电动汽车的信赖，不利于该产业的持续发展。
2、但目前用于电动汽车充电桩故障预测的模型考虑因素不够全面；只采用单一模型对充电桩故障进行预测，由于随机性影响导致效果不佳；模型过多又会浪费计算资源。因此基于一种改进stacking多模型融合的方法来对充电桩故障进行预测。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术。
3、因此，本专利技术提供了一种充电桩故障预测方法及装置解决现有的充电桩故障预测容易受到随机性因素的影响，导致预测准确性低以及过度增加模型数量导致计算资源浪费的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案：
5、第一方面，本专利技术实施例提供了一种充电桩故障预测方法，包括：基于充电桩数据构建stacking多模型融合的充电桩故障预测模型，所述充电桩故障预测模型包括第一层级预选的若干基学习器以及第二层级的元学习器；>
6、训练所述第一层级预选的若干基学习器，并通过麻雀搜索算法优化所述基学习器的超参数得到第一层级输出结果；
7、对所述第一层级输出结果进行树模型重要性选择以及关联性分析，所述第二层级的元学习器根据所述第一层级输出结果选择最优基学习器组合构建改进stacking多模型融合的故障预测优化模型；
8、基于所述改进stacking多模型融合的故障预测优化模型预测充电桩故障。
9、作为本专利技术所述的充电桩故障预测方法的一种优选方案，其中：训练所述第一层级预选的若干基学习器还包括：
10、对充电桩正常运行的状态数据进行标准化处理；
11、计算各个特征量与充电桩状态变量的相关性，并基于各个特征量与充电桩状态变量的相关性选择相关强的特征量作为所述第一层级预选的若干基学习器的输入。
12、作为本专利技术所述的充电桩故障预测方法的一种优选方案，其中：通过麻雀搜索算法优化所述基学习器的超参数包括：
13、根据所述第一层级预选的任一基学习器超参数建立麻雀种群，所述麻雀种群为一个n×d的矩阵，每个麻雀的位置代表一组超参数，其中n为麻雀的数量，d为优化变量个数；
14、比较麻雀的预警值与安全阈值对麻雀位置进行更新；若麻雀的预警值小于安全阈值，则发现者的新位置会受到当前位置和一个随机因子的影响；否则发现者的新位置加上q×l矩阵，其中q为服从正态分布中抽取的随机数，l为一个元素全为1的矩阵；
15、当加入者数量大于麻雀总数的一半时，新位置由q乘以从最差位置到当前位置的差值决定；否则，新位置由当前麻雀的最佳位置加上q乘以a的绝对值再乘以l矩阵；其中a为一个元素为1或-1的1×d矩阵；
16、若当前全局最大适应度值大于最小适应度值，则全局最佳位置更新为当前麻雀的位置加上γ乘以两者之差；否则，全局最佳位置更新为当前麻雀的位置加上k除以当前麻雀位置的适应度值与当前全局最优解的适应度值之间的差值与小正数的和；其中，γ是一个服从正态分布的随机数，g为(-1，1)之间的随机数。
17、作为本专利技术所述的充电桩故障预测方法的一种优选方案，其中：对所述第一层级输出结果进行树模型重要性选择以及关联性分析包括：二维向量的pearson相关系数计算表示为：
18、
19、其中，和分别为预选的若干基学习器k折交叉验证后的输出结果中元素的平均值，xi和yi分别为若干基学习器k折交叉验证后的第i个输出结果，rxy为pearson相关系数结果，c为基学习器输出结果总数；
20、树模型实现思维为：
21、
22、其中，d为样本种类的数量，pqk为在决策树节点q中，类别k的比例即从节点q中随机选择的两个样本的所属类别不同的几率；
23、
24、其中，gil和gir分别为进行分支结束后决策树节点l和r的纯度指标。
25、作为本专利技术所述的充电桩故障预测方法的一种优选方案，其中：所述第二层级的元学习器根据所述第一层级输出结果选择最优基学习器组合包括：根据树模型以及perason相关系数计算得到第一层级各基学习器对目标特征以及输出结果的相关性；
26、基于所述相关性结果，剔除两个对目标特征相关性最低的基学习器；
27、以及与输出结果相关性最低的基学习器；
28、结合目标特征以及输出结果的相关性结果，将第一层级其余基学习器中相关性最低的剔除，选择最终保留的基学习器作为最优的基学习器组合。
29、作为本专利技术所述的充电桩故障预测方法的一种优选方案，其中：基于所述改进stacking多模型融合的故障预测优化模型预测充电桩故障包括：将充电桩数据划分为训练集htrain＝{mtrain，ntrain}和测试集htext＝{mtext，ntext}，其中mtrain和ntrain为训练集的输入和输出，mtext和ntext为测试集的输入和输出；
30、将训练集平均划分为k份，得到数据集依次选择其中的一份用作第一层级基学习器o1,o2,…,om的测试，剩余的k-1份数据集作为其中训练；任意一个基学习器都会训练出k个子模型，以及k段预测值；各段预测值按照顺序排列得到同mtrain相同标签维度的数据集l1；各基学习器的数据集组合即可得到元学习器的输入m'text＝l1,l2,…,lm；
31、将测试集mtext输入到训练得到的k个子模型中，计算这k个预测结果的平均值，并组合各基学习器结果得到元学习器测试集的输入m'test；
32、以m'text和ntrain作为第二层级元学习器训练集的输入和输出，训练元学习器，得到改进stacking多模型融合的故障预测优化模型，m'test输入元学习器模型得到的输出即为最终的故障预测结果。
33、第二方面，本专利技术提供了一种充电桩故障预测装置，包括：模型搭建模块，基于充电桩数据构建stacking多模型融合的充电桩故障预测模型，所述充电桩故障预测模型包括第一层级预选的若干基学习器以及第二层级的元学习器；
34、第一层级预测模块，用于训练所述第一层级预选的若干基学习器，并通过麻雀搜索算法优化所述基学习器的超参数得到第一层级输出结果；
35、第二层级预测模块，用于对所述第一层级输出结果进行树模型重要性选择以及关联性分析，所述第二层级的元学习器根据所述第一层级输出结果选择最优基学习器组合构建改本文档来自技高网...
【技术保护点】
1.一种充电桩故障预测方法，其特征在于，包括：
2.如权利要求1所述的充电桩故障预测方法，其特征在于，训练所述第一层级预选的若干基学习器还包括：
3.如权利要求2所述的充电桩故障预测方法，其特征在于，通过麻雀搜索算法优化所述基学习器的超参数包括：
4.如权利要求3所述的充电桩故障预测方法，其特征在于，对所述第一层级输出结果进行树模型重要性选择以及关联性分析包括：二维向量的Pearson相关系数计算表示为：
5.如权利要求4所述的充电桩故障预测方法，其特征在于，所述第二层级的元学习器根据所述第一层级输出结果选择最优基学习器组合包括：根据树模型以及perason相关系数计算得到第一层级各基学习器对目标特征以及输出结果的相关性；
6.如权利要求5所述的充电桩故障预测方法，其特征在于，基于所述改进Stacking多模型融合的故障预测优化模型预测充电桩故障包括：将充电桩数据划分为训练集Htrain＝{Mtrain，Ntrain}和测试集Htext＝{Mtext，Ntext}，其中Mtrain和Ntrain为训练集的输入和输出，Mt
7.一种充电桩故障预测装置，其特征在于，包括：
8.如权利要求7所述的充电桩故障预测装置，其特征在于，所述第一层级预测模块包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述充电桩故障预测方法的步骤。
...【技术特征摘要】
1.一种充电桩故障预测方法，其特征在于，包括：
2.如权利要求1所述的充电桩故障预测方法，其特征在于，训练所述第一层级预选的若干基学习器还包括：
3.如权利要求2所述的充电桩故障预测方法，其特征在于，通过麻雀搜索算法优化所述基学习器的超参数包括：
4.如权利要求3所述的充电桩故障预测方法，其特征在于，对所述第一层级输出结果进行树模型重要性选择以及关联性分析包括：二维向量的pearson相关系数计算表示为：
5.如权利要求4所述的充电桩故障预测方法，其特征在于，所述第二层级的元学习器根据所述第一层级输出结果选择最优基学习器组合包括：根据树模型以及perason相关系数计算得到第一层级各基学习器对目标特征以及输出结果的相关性；
...
【专利技术属性】
技术研发人员：杨凤坤，杨陈，夏华，李谦，陈良亮，牛荣义，原浩，马玉立，李磊，张智达，王治坤，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。