基于物联网与数字孪生的电动汽车充电设施智慧运维系统的制作方法
本发明涉及电动汽车充电设施运维，尤其涉及基于物联网与数字孪生的电动汽车充电设施智慧运维系统。
背景技术：
1、随着新能源汽车保有量的迅速攀升，配套的电动汽车充电设施已成为城市公共交通与私人出行的核心基础设施。充电设施的长期运行可靠性，直接影响着电网侧的负荷管理和终端用户的充电体验。目前，充电桩的运维管理主要依靠单一的电气参数（如电压、电流）超限告警，结合人工定期巡检来排除故障。随着物联网和大数据技术的发展，部分方案引入了数字孪生和数据驱动模型。
2、例如，现有技术（cn113205260a）公开了一种基于数字孪生的电动汽车充电桩健康状态评估方法，该方法基于充电桩的物理机理构建数字孪生模型，利用蒙特卡洛方法仿真产生健康状态指标结果，结合一致性组合算法（层次分析法、熵权法、灰色关联度法）计算指标权重，从而对充电桩健康状态进行分级评级。
3、又如，现有技术（cn119494428a）公开了一种电动汽车充电桩故障预测方法及系统，该方法采集历史故障数据，进行预处理和事件序列化，利用数据可视化分析挖掘特征，并构建了基于长短期记忆（lstm）神经网络和滑动窗口的预测模型，根据输入数据（如是否工作日、地理位置）对充电桩故障进行预测。
4、针对cn113205260a，其技术方案本质上依赖的是离线仿真与主观权重设定，其数字孪生模型并未与物理实体的实时传感数据进行高频映射与闭环耦合，无法应对由长期运行产生的隐性性能退化（如接触器触点氧化导致接触电阻非线性增大、散热风扇积灰导致热阻升高）；且其评估结果输出依赖于多级专家打分（层次分析法），存在较强的主观性，无法实现全自动的、基于物理状态矢量的实时决策与干预。
5、而针对cn119494428a，其技术方案完全属于“纯数据驱动”的黑盒预测方式，其输入特征主要依赖静态地理属性（如充电站名称、区县编码、生产厂商）和历史故障状态，完全忽略了充电桩在实时运行过程中产生的高频电气特性（如谐波畸变）、热力学特性（如温度波动速率）以及机械振动特性（如接触器动作频域响应），导致其预测结果缺乏物理可解释性，且只能输出“是否故障”的笼统结论，无法精准识别出具体的异常状态类别，从而无法指导后续的定向维修处置。
技术实现思路
1、针对现有技术的不足，本发明提供了基于物联网与数字孪生的电动汽车充电设施智慧运维系统，克服了现有技术的不足，有效的解决了上述背景技术提出的问题。
2、为了实现上述目的，本发明采用了如下技术方案：
3、基于物联网与数字孪生的电动汽车充电设施智慧运维系统，包括：
4、状态感知层，部署于各电动汽车充电桩内，包含电压传感器、电流传感器、温度传感器及振动传感器；所述状态感知层配置为以预设采样频率同步采集充电桩的实时电气参数、散热通道温度及桩体结构振动加速度；
5、边缘计算层，部署于充电站内的边缘网关设备，配置为接收所述状态感知层上传的传感数据，并对传感数据进行时间戳对齐与异常值剔除，生成标准化数据帧；所述边缘计算层还配置为根据标准化数据帧，在本地构建充电桩在预设时间窗口内的实时运行特征矢量；
6、数字孪生层，部署于云端服务器，配置为接收所述边缘计算层上传的实时运行特征矢量，并基于充电桩的物理结构模型与电磁热耦合模型，动态生成与实时运行特征矢量对应的虚拟运行状态模型；所述数字孪生层还配置为构建动态特征库，所述动态特征库存储有充电桩在不同老化程度与不同环境温度下的标准运行特征矢量集；
7、运维决策层，部署于所述云端服务器或用户终端，配置为将实时运行特征矢量与标准运行特征矢量集进行相似度匹配，当实时运行特征矢量与各标准运行特征矢量的相似度均低于预设阈值时判定为异常状态，并依据历史异常特征矢量库确定异常状态类别，并输出包含异常状态类别与对应处置策略的运维指令。
8、一种基于物联网与数字孪生的电动汽车充电设施智慧运维方法，包括以下步骤：
9、步骤s1，利用部署于各充电桩内的状态感知层，以预设采样频率同步采集充电桩的实时电气参数、散热通道温度及桩体结构振动加速度；
10、步骤s2，利用部署于充电站内的边缘网关，接收所述状态感知层采集的传感数据，并对传感数据进行时间戳对齐与异常值剔除，生成标准化数据帧，依据标准化数据帧构建充电桩在预设时间窗口内的实时运行特征矢量；
11、步骤s3，利用部署于云端服务器的数字孪生层，接收所述实时运行特征矢量，基于充电桩的物理结构模型与电磁热耦合模型，映射生成对应的虚拟运行状态模型，并构建动态特征库，所述动态特征库存储有充电桩在不同老化程度与不同环境温度下的标准运行特征矢量集；
12、步骤s4，将实时运行特征矢量与标准运行特征矢量集进行相似度匹配，当实时运行特征矢量与各标准运行特征矢量的相似度均低于预设阈值时判定为异常状态，并依据历史异常特征矢量库确定异常状态类别，并输出包含异常状态类别与对应处置策略的运维指令。
13、优选地，所述状态感知层还包括湿度传感器，配置为采集充电桩内部腔体的相对湿度数据；所述边缘计算层还配置为将相对湿度数据与温度传感器采集的温度数据进行关联，生成反映充电桩内部凝露风险的湿度-温度关联特征。
14、优选地，在步骤s1中，所述状态感知层还采集充电桩内部腔体的相对湿度数据；在步骤s2中，还将相对湿度数据与温度数据进行关联，生成反映充电桩内部凝露风险的湿度-温度关联特征。
15、优选地，所述边缘计算层配置为对振动传感器采集的加速度信号进行频域变换，提取振动频谱中与充电桩内部接触器动作相关的特征频带能量值，并将特征频带能量值作为所述实时运行特征矢量的组成部分。
16、优选地，在步骤s2中，还包括对振动加速度信号进行频域变换，提取振动频谱中与充电桩内部接触器动作相关的特征频带能量值，并将特征频带能量值作为所述实时运行特征矢量的组成部分。
17、优选地，所述数字孪生层构建的动态特征库是基于历史运维数据，利用自组织映射网络对充电桩在不同运行阶段下的多维度传感数据进行聚类后生成的，且所述动态特征库随新采集的充电桩运行数据持续更新。
18、优选地，在步骤s3中，所述动态特征库利用自组织映射网络对历史多维度传感数据进行聚类生成，并随新采集的充电桩运行数据持续更新。
19、优选地，所述数字孪生层配置为将实时运行特征矢量映射至虚拟运行状态模型中进行可视化显示，并在特征空间中根据实时运行特征矢量与动态特征库中各个标准运行特征矢量的欧几里得距离计算所述相似度；
20、所述数字孪生层还配置为根据当前运行电流与环境温度由电磁热耦合模型计算功率模块理论结温，当理论结温与实测散热通道温度的差值在连续多个时间窗口内单调递减时，判定温度传感或散热风道异常并输出传感器校准指令。
21、优选地，在步骤s4中，通过将实时运行特征矢量映射至虚拟运行状态模型中的对应三维坐标点，并根据三维坐标点与动态特征库中各个标准运行特征矢量的欧几里得距离，计算所述相似度。
22、本发明的有益效果为：
23、本发明通过构建状态感知层、边缘计算层、数字孪生层与运维决策层的四层递进架构，实现了从传感器底层数据到高层决策指令的完整闭环；
24、第一，通过边缘计算层对多源异构传感数据进行实时时间戳对齐与特征提取，生成标准化的实时运行特征矢量，有效消除了数据在传输与处理过程中的时序偏差与噪声干扰，显著提升了数据质量；
25、第二，通过数字孪生层构建动态特征库，将实时运行特征矢量与基于历史运行数据生成的标准特征矢量进行精准的相似度匹配，实现了从“静态阈值判断”向“动态矢量比对”的诊断模式跨越，从根本上解决了传统静态阈值方法导致的误报与漏报问题，使系统能够主动识别出处于亚健康状态的充电设施；
26、第三，通过运维决策层依据匹配结果输出包含具体处置策略的运维指令，实现了对异常状态的针对性、前瞻性干预，将传统的被动式事后维修转变为基于状态预测的主动式维护，有效缩短了充电设施的无效停机时长。