【技术实现步骤摘要】
本公开涉及充电站故障诊断，具体涉及一种非侵入式充电站故障诊断方法、系统、设备及存储介质。
技术介绍
1、随着电动汽车市场的快速扩大，充电设施的可靠性和效率成为关键的考量因素。充电站在运行过程中处于高压、大功率、高频工作，潜在故障率高，如充电站主电路故障、充电模块故障等。此外，伴随着充电运行的智能化和场景的多样化，充电站软硬件模块及其功能不断复杂化，日常维护与故障维护工作量不断增加，可靠性无法得到充分保障，大功率充电站日益突出的故障问题影响充电站正常使用，不仅导致充电性能下降，甚至使充电站完全停止工作。
2、而现有的故障诊断方法存在如下缺陷：传统的充电站故障诊断方法常需侵入性干预和复杂维修，故障诊断正确率低，导致停机时间长、成本高。
技术实现思路
1、本公开实施例提供一种非侵入式充电站故障诊断方法、系统、设备及存储介质，以解决或缓解现有技术中的以上一个或多个技术问题。
2、根据本公开的一个方面，提供一种非侵入式充电站故障诊断方法，包括：
3、对后级多路并联的各个dc/dc模块设置不同工作频率；
4、在ac/dc模块输出端与后级多路并联dc/dc模块输入端连接处的直流功率池部分，采集具有不同工作频率的各个dc/dc模块的电流信号；
5、对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号；
6、对所述具有不同频率成分的信号进行故障特征提取；
7、基于所述故障特征进行模型训练，形成充电站故
8、在一种可能的实现方式中，对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号之前包括：
9、对所述电流信号进行预处理，所述预处理包括去噪处理、消除异常值处理和数据插补处理。
10、在一种可能的实现方式中，对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号包括：
11、对电流信号进行时频域分析，提取各电流信号中的频率成分，所述频率成分包括频率幅值、频率变化率和频谱成分；
12、基于所述频率成分进行频率特征分析，获取频率成分的统计特征，包括均值、方差、偏度和峰值。
13、在一种可能的实现方式中，对所述具有不同频率成分的信号进行故障特征提取包括：
14、利用小波变换对电流信号进行分解与重构处理，形成重构数据矩阵；
15、对重构数据矩阵进行归一化处理，形成归一化变量矩阵；
16、利用主成分分析对归一化变量矩阵进行故障特征提取。
17、在一种可能的实现方式中，利用小波变换对电流信号进行分解与重构处理，形成重构数据矩阵包括：
18、利用小波变换将经过预处理后的电流信号从时域映射到时频域：
19、选择母小波：设ψ(t)∈l2(r)，l2(r)为平方可积的r空间，ψ(t)经傅里叶变换后为当满足完全重构条件时，则将ψ(t)称为母小波，完全重构条件为：
20、
21、式(1)中，cψ表示与母小波的傅里叶变换相关的常数；ω表示频率变量，是母小波ψ(t)的傅里叶变换的模；
22、将母小波ψ(t)伸缩平移后，得到小波序列ψa,b(t)，表达式如下：
23、
24、式(2)中，a为伸缩因子，b为平移因子；
25、对于任意的函数f(t)(f(t)∈l2(r))，利用母小波ψ(t)进行连续小波变换，连续小波变换的公式如下：
26、
27、式(3)中，wf(a,b)为小波变换系数；f(t)为待恢复的电流信号；
28、对wf(a,b)进行小波逆变换，实现小波重构，逆变换公式如下：
29、
30、在一种可能的实现方式中，对重构数据矩阵进行归一化处理，形成归一化变量矩阵包括：
31、利用小波变换对电流信号进行分解与重构处理形成的重构数据矩阵表达式如下：
32、
33、式(5)中，m表示样本个数；n表示变量的个数；
34、对重构数据矩阵xmn的每行分别做归一化处理，使其每个变量均值为0且方差为l：
35、
36、式(6)中，y*为归一化变量矩阵；xj为变量向量；μj为变量向量对应的期望值；σjj为变量向量对应的方差值；yij为重构矩阵归一化后，矩阵第i行，第j列对应的元素。
37、在一种可能的实现方式中，利用主成分分析对归一化变量矩阵进行故障特征提取包括：
38、建立协方差矩阵：根据归一化变量矩阵建立协方差矩阵r，协方差矩阵表示为：
39、
40、式(7)中，rij为变量yi*与的相关系数；
41、对相关矩阵的特征值和对应的特征向量进行计算，将计算得到的特征值从大到小排列：λ1≥λ2≥…≥λn>0，并计算相应的特征向量：
42、α1＝[α11 α21 … αn1]t，α2＝[α12 α22 … αn2]t，……,αn＝[α1n α2n … αnn]t； (8)
43、建立特征样本的主成分zi为：
44、zi＝α1iy1+α2iy2+…+αniyn； (9)
45、式(9)中，αni表示第i个特征值对应的特征向量中第n个元素；yn表示归一化矩阵的第n列；
46、计算方差贡献率：
47、
48、当式(10)的值为85％以上时，即可确定主成分个数k的值，有：z＝(zij)n×k；yij表示归一化矩阵中第i行第j列对应的元素；k表示主成分个数；n表示矩阵zij的行数；αji表示第j个特征值对应的特征向量。
49、在一种可能的实现方式中，基于所述故障特征进行模型训练，形成充电站故障诊断模型，通过充电站故障诊断模型进行充电站故障诊断包括：
50、对所述故障特征进行降维处理；
51、将进行降维处理后故障特征输入至神经网络模型，选择神经网络模型的激活函数，对神经网络模型的故障输出进行编码；
52、设定神经网络模型的输入权值和隐藏层节点阈值；
53、分别计算隐藏层输出及输出层输出；
54、分别计算隐藏层输出及输出层输出与期望值的误差，并计算误差性能指标；
55、利用神经网络模型进行样本训练；
56、根据学习效率反向传播更新神经网络模型的权值和阈值；
57、计算更新后的输出结果，直至满足终止条件，预设条件包括训练轮数达到预设轮数和误差性能指标达到满意值。
58、根据本公开的一个方面，提供一种非侵入式充电站故障诊断系统，包括：
59、设置单元，用于对后级多路并联的各个dc/dc模块设置不同工作频率；
60、采集单元，用于在ac/dc模块输出端与后级多路并联dc/dc模块输本文档来自技高网...
【技术保护点】
1.一种非侵入式充电站故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号之前包括：
3.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号包括：
4.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，对所述具有不同频率成分的信号进行故障特征提取包括：
5.根据权利要求4所述的非侵入式充电站故障诊断方法，其特征在于，利用小波变换对电流信号进行分解与重构处理，形成重构数据矩阵包括：
6.根据权利要求4所述的非侵入式充电站故障诊断方法，其特征在于，对重构数据矩阵进行归一化处理，形成归一化变量矩阵包括：
7.根据权利要求4所述的非侵入式充电站故障诊断方法，其特征在于，利用主成分分析对归一化变量矩阵进行故障特征提取包括：
8.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，基于所述故障特征进行模
9.一种非侵入式充电站故障诊断系统，其特征在于，包括：
10.根据权利要求9所述的非侵入式充电站故障诊断系统，其特征在于，还包括：
11.根据权利要求9所述的非侵入式充电站故障诊断系统，其特征在于，分析单元包括：
12.根据权利要求9所述的非侵入式充电站故障诊断系统，其特征在于，提取单元包括：
13.根据权利要求12所述的非侵入式充电站故障诊断系统，其特征在于，处理模块，用于：
14.根据权利要求12所述的非侵入式充电站故障诊断系统，其特征在于，归一化模块用于：
15.根据权利要求12所述的非侵入式充电站故障诊断系统，其特征在于，提取模块用于：
16.根据权利要求9所述的非侵入式充电站故障诊断系统，其特征在于，训练单元包括：
17.一种设备，其特征在于，包括：
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器能够执行权利要求1至8任一项所述的非侵入式充电站故障诊断方法。
...【技术特征摘要】
1.一种非侵入式充电站故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号之前包括：
3.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，对所述电流信号进行频率成分和特征分析处理，形成具有不同频率成分的信号包括：
4.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，对所述具有不同频率成分的信号进行故障特征提取包括：
5.根据权利要求4所述的非侵入式充电站故障诊断方法，其特征在于，利用小波变换对电流信号进行分解与重构处理，形成重构数据矩阵包括：
6.根据权利要求4所述的非侵入式充电站故障诊断方法，其特征在于，对重构数据矩阵进行归一化处理，形成归一化变量矩阵包括：
7.根据权利要求4所述的非侵入式充电站故障诊断方法，其特征在于，利用主成分分析对归一化变量矩阵进行故障特征提取包括：
8.根据权利要求1所述的非侵入式充电站故障诊断方法，其特征在于，基于所述故障特征进行模型训练，形成充电站故障诊断模型，通...
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。