一种基于充电站低通信环境异常数据诊断修复方法及系统与流程
本发明涉及充电站数据处理,具体来说,涉及一种基于充电站低通信环境异常数据诊断修复方法及系统。
背景技术:
1、随着新能源汽车产业快速发展,充电站作为新能源汽车配套基础设施,建设规模和数量持续增长。在实际运行过程中,充电站多部署在户外或偏远区域,常面临低通信环境的严峻挑战,通信链路不稳定导致的数据丢包、传输延迟、信号干扰等情况时有发生,严重影响数据完整性、准确性与一致性。异常数据如果不能及时准确诊断与修复,会干扰充电站运营管理系统对设备状态的判断,降低运营效益,甚至可能引发安全事故。
2、传统的规则匹配式异常数据诊断方法依赖人工预设阈值,对复杂场景下的多类型数据异常适应性差,诊断精度低、误判率高。
3、传统的数据修复多采用单一维度插值方法,未融合设备物理逻辑与场景业务特性,修复数据与实际运行工况偏差较大;同时,多数方法未针对低通信环境进行适配优化,存在计算量大、对算力需求高、无法断点续传等问题,难以满足充电站低通信场景下的实时数据处理需求。
4、深度学习技术具备强大的特征提取与非线性拟合能力,在数据异常诊断领域优势突出,但现有基于深度学习的方案未充分结合充电站多设备耦合特性与低通信环境痛点,无法实现异常数据的及时准确处理,难以支撑充电站运营管理系统的稳定运行。
5、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题,本发明提出一种基于充电站低通信环境异常数据诊断修复方法及系统,以克服现有相关技术所存在的上述技术问题。
2、为此,本发明采用的具体技术方案如下:
3、第一方面,本发明提供了一种基于充电站低通信环境异常数据诊断修复方法,包括:
4、采集充电站内各设备的多源运行数据并进行预处理,得到标准化数据;
5、对标准化数据进行分割,形成连续的时序数据片段,并通过信息熵判别机制计算各时序数据片段的信息熵,当任一信息熵大于预设信息熵阈值时,则判定时序数据片段为异常风险数据片段;
6、利用轻量化异常诊断模型,从异常风险数据片段中提取局部空间特征与时序依赖关系,输出异常类型数据及诊断置信度;
7、当诊断置信度大于或等于预设置信度阈值时,则判定异常类型数据为有效异常数据,以完成对异常数据的诊断;
8、基于有效异常数据,利用拉格朗日优化修复算法构建目标函数,并将物理硬约束与通信质量软约束融入优化目标函数,迭代求解满足物理硬约束与通信质量软约束的最优修复值,以完成对异常数据的修复;
9、建立有效异常数据与网关设备身份信息的关联映射,并基于关联映射关系,提取有效异常数据中的来源特征集,确定故障设备及故障类型。
10、第二方面,本发明还提供了一种基于充电站低通信环境异常数据诊断修复系统,该系统包括:
11、数据采集与预处理模块,用于采集充电站内各设备的多源运行数据并进行预处理,得到标准化数据;
12、有序度判别模块,用于对标准化数据进行分割,形成连续的时序数据片段,并通过信息熵判别机制计算各时序数据片段的信息熵,当任一信息熵大于预设信息熵阈值时,则判定时序数据片段为异常风险数据片段;
13、异常数据诊断模块,用于利用轻量化异常诊断模型,从异常风险数据片段中提取局部空间特征与时序依赖关系,输出异常类型数据及诊断置信度;
14、有效数据判别模块,用于当诊断置信度大于或等于预设置信度阈值时,则判定异常类型数据为有效异常数据,以完成对异常数据的诊断;
15、异常数据修复模块,用于基于有效异常数据,利用拉格朗日优化修复算法构建目标函数,并将物理硬约束与通信质量软约束融入优化目标函数,迭代求解满足物理硬约束与通信质量软约束的最优修复值,以完成对异常数据的修复;
16、故障定位模块,用于建立有效异常数据与网关设备身份信息的关联映射,并基于关联映射关系,提取有效异常数据中的来源特征集,确定故障设备及故障类型。
17、本发明的有益效果为:
18、1)本发明采用cnn-lstm融合深度学习模型,结合历史数据,实现充电站多类型异常数据的精准识别,同时通过模型轻量化优化,适配充电站低通信环境的算力与通信需求,解决了低通信环境下数据处理效率低的问题。
19、2)本发明提出带物理约束的拉格朗日优化修复算法,融合电压、电流、soc、单机额定功率及多设备功率平衡等物理硬约束,从根本上杜绝修复值超量程、违背电气规律的问题;引入基于丢包率、校验错误率、传输时延的通信质量软约束,使修复过程能够根据通信环境动态调整权重,避免通信质量极差时修复结果过度依赖不可靠数据。
20、3)本发明通过建立有效异常数据与网关设备身份信息的关联映射,可定位故障网关设备,降低了运维成本,提升了充电站数据管理的智能化水平。
1.一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,包括:
2.根据权利要求1所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述采集充电站内各设备的多源运行数据并进行预处理,得到标准化数据包括:
3.根据权利要求1所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述对标准化数据进行分割,形成连续的时序数据片段,并通过信息熵判别机制计算各时序数据片段的信息熵,当任一信息熵大于预设信息熵阈值时,则判定时序数据片段为异常风险数据片段包括:
4.根据权利要求1所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述利用轻量化异常诊断模型,从异常风险数据片段中提取局部空间特征与时序依赖关系,输出异常类型数据及诊断置信度包括:
5.根据权利要求1所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述基于有效异常数据,利用拉格朗日优化修复算法构建目标函数,并将物理硬约束与通信质量软约束融入优化目标函数,迭代求解满足物理硬约束与通信质量软约束的最优修复值,以完成对异常数据的修复包括:
6.根据权利要求5所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述构建物理硬约束与通信质量软约束包括:
7.根据权利要求5所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述拉格朗日优化函数的构建公式为:
8.根据权利要求7所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述拉格朗日优化函数的求偏导公式为:
9.根据权利要求1所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,所述建立有效异常数据与网关设备身份信息的关联映射,并基于关联映射关系,提取有效异常数据中的来源特征集,确定故障设备及故障类型包括:
10.一种基于充电站低通信环境异常数据诊断修复系统,用于实现权利要求1-9中任一项所述的一种基于充电站低通信环境异常数据诊断修复方法,其特征在于,该系统包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com