一种充电模块检测方法、系统、设备及存储介质与流程

摘要: 本发明涉及汽车充电桩,具体涉及一种充电模块检测方法、系统、设备及存储介质。背景技术:1、充电模块是汽车充电桩的核心组件,承担着电网电能转换、功率调节、安全防护的...
一种充电模块检测方法、系统、设备及存储介质与流程

本发明涉及汽车充电桩,具体涉及一种充电模块检测方法、系统、设备及存储介质。

背景技术:

1、充电模块是汽车充电桩的核心组件,承担着电网电能转换、功率调节、安全防护的关键功能,其运行稳定性直接决定充电效率、充电安全及设备使用寿命;当前汽车充电桩广泛应用于公共场站、高速路等多场景,面临电网波动、负载动态变化、环境温湿度波动、长期高负荷运行等复杂工况,易出现过压/欠压、过温、输出电流不稳定等故障,严重时会引发充电中断、设备损毁甚至安全事故。

技术实现思路

1、本发明的目的是为了解决上述问题,设计了一种充电模块检测方法、系统、设备及存储介质。

2、本发明第一方面提供一种充电模块检测方法,所述充电模块检测方法包括:

3、采集汽车充电桩中充电模块运行过程的电气参数、环境参数及通信参数,形成原始检测数据;

4、采用变分模态分解算法对原始检测数据进行去噪与特征拆分,对有效模态数据进行归一化处理,得到标准化时序数据,从标准化时序数据中提取时域特征、频域特征及时频域特征,构建高维特征向量;

5、基于时序图神经网络与注意力机制构建检测模型,并采用麻雀搜索算法优化模型超参数;

6、将高维特征向量中的每个特征视为图节点,计算当前滑动窗口内各节点特征间的皮尔逊相关系数矩阵,将绝对值大于0.7的相关系数作为边,构建无向图;

7、将无向图输入检测模型,通过图卷积层聚合节点邻居信息,并通过门控循环单元捕获时序动态,在输出层引入注意力机制进行特征权重分配,最终输出健康状态指数;

8、当健康状态指数的下降速率超过预设值时,触发预警,当预警触发时,利用注意力权重和梯度反向传播方法,计算参数节点对健康状态指数下降的贡献度;

9、根据贡献度排序,确定充电模块中潜在故障元件,并输出包括健康状态指数、预警信息、潜在故障元件的检测报告。

10、可选的,在本发明第一方面的第一种实现方式中,所述采用变分模态分解算法对原始检测数据进行去噪与特征拆分,对有效模态数据进行归一化处理,得到标准化时序数据,包括:

11、初始化雾凇种群个体,每个个体对应变分模态分解算法的参数,其中参数包括模态数和惩罚因子;

12、以皮尔逊相关系数作为适应度评价指标,计算每个种群个体对应的变分模态分解结果的适应度函数值;

13、结合种群中最优雾凇粒子的位置信息,调整每个雾凇个体的参数值,重复计算适应度和更新位置过程,直到达到预设的最大迭代次数输出优化后变分模态分解算法的最优参数;

14、将最优模态数和惩罚因子输入变分模态分解算法,对原始检测数据执行变分模态分解,得到多个固有模态函数;

15、计算每个固有模态函数与原始检测数据的皮尔逊相关系数,判断各模态分量是否携带有效故障特征,得到有效模态分量;

16、将筛选出的有效模态分量进行叠加合并,重构得到初步去噪后的信号;

17、采用db6小波和7层分解层,对初步去噪后的信号进行小波多尺度分解,得到各尺度下的近似系数和细节系数;

18、采用小波阈值函数对分解得到的细节系数进行处理,对经过小波阈值函数处理后的小波系数执行逆小波变换,得到二次去噪后的信号;

19、采用z-score标准化方法对二次去噪的信号进行处理,最终形成标准化时序数据。

20、可选的,在本发明第一方面的第二种实现方式中,所述采用小波阈值函数对分解得到的细节系数进行处理,对经过小波阈值函数处理后的小波系数执行逆小波变换,得到二次去噪后的信号,包括:

21、设定小波阈值函数的表达式为:

22、

23、其中,为小波分解得到的原始细节系数,为经过小波阈值函数处理后的细节系数,为小波阈值,为阈值调节因子,阈值调节因子用于控制函数在阈值处的平滑程度;

24、计算各尺度细节系数对应的最优阈值,计算公式为:

25、

26、其中,为小波分解细节系数中噪声的标准差,由第一层细节系数的中值绝对偏差计算得到,为原始检测数据的样本长度;

27、遍历小波多尺度分解得到的所有细节系数,将每个细节系数代入小波阈值函数中,得到各尺度下经过阈值处理后的细节系数;

28、将经过阈值处理后的细节系数和分解过程中得到的近似系数进行整合,形成小波系数集;

29、对小波系数集执行小波逆变换,重构得到时间域信号,最终得到二次去噪后的信号。

30、可选的,在本发明第一方面的第三种实现方式中,所述基于时序图神经网络与注意力机制构建检测模型,并采用麻雀搜索算法优化模型超参数,包括:

31、构建检测模型,其中检测模型包括输入层、图卷积层、门控循环单元层及输出层;

32、将每个超参数组合视为一个麻雀个体,通过logistic混沌映射生成初始种群位置;

33、按照预设比例将初始种群划分为发现者、跟随者和预警者,发现者、跟随者和预警者根据角色更新种群个体位置;

34、计算更新后每个种群个体对应的适应度值,对比新适应度值与当前全局最优适应度值;

35、若新适应度值更优则接受当前个体对应的超参数组合,若新适应度值差,根据metropolis准则计算接受概率,当接受概率大于预设阈值时,接受新适应度值;

36、从当前种群中筛选出适应度值最优的多个个体作为精英解,在下一轮迭代中引导位置更新;

37、当达到最大迭代次数,停止迭代,从精英解中选取适应度值最高的个体,得到最优超参数,将最优超参数代入检测模型中,完成模型的超参数优化。

38、可选的,在本发明第一方面的第四种实现方式中,所述按照预设比例将初始种群划分为发现者、跟随者和预警者,发现者、跟随者和预警者根据角色更新种群个体位置,包括:

39、发现者在超参数空间内进行搜索,结合精英解信息调整位置,引领种群向潜在最优区域移动;

40、对于跟随者,适应度排名靠前的个个体在发现者找到的最优位置附近进行搜索,排名靠后的个个体向其他个体学习以调整自身超参数组合;

41、预警者持续监测周围环境,当察觉当前区域为局部最优时,调整位置,远离局部极值区域。

42、可选的,在本发明第一方面的第五种实现方式中,所述将无向图输入检测模型,通过图卷积层聚合节点邻居信息,并通过门控循环单元捕获时序动态,在输出层引入注意力机制进行特征权重分配,最终输出健康状态指数,包括:

43、将构建的无向图拆解为节点特征矩阵和邻接矩阵,将节点特征矩阵和邻接矩阵输入图卷积层,基于邻接矩阵,对每个节点的邻居节点特征进行加权聚合,通过线性变换与激活函数处理,生成融合空间关联信息的节点特征向量;

44、将图卷积层输出的节点特征向量按时间顺序输入门控循环单元层,通过输入门、遗忘门和输出门的调控,按时间步捕获节点特征序列中的时序动态变化规律,输出时空特征向量;

45、将时空特征向量输入注意力机制对融合后的所有特征进行权重分配,为与充电模块健康状态相关的节点分配更高权重,输出加权后的时空特征序列;

46、将加权后的时空特征序列输入多层感知机进行非线性变换,输出优化后的综合特征向量,并通过输出层转换为单一数值,得到健康状态指数。

47、可选的,在本发明第一方面的第六种实现方式中,所述当健康状态指数的下降速率超过预设值时,触发预警,当预警触发时,利用注意力权重和梯度反向传播方法,计算参数节点对健康状态指数下降的贡献度,包括:

48、结合充电模块历史运行数据,确定下降速率预警预设值以及计算健康状态指数下降速率时固定时间窗口长度;

49、获取检测模型输出的充电模块健康状态指数,按照时间戳顺序形成连续的健康状态指数时序数据集;

50、按照预设的固定时间窗口,对健康状态指数时序数据进行滑动截取,获取当前时间窗口内的指数数据,通过窗口内的指数初始值、终止值及时间窗口长度,计算得到当前健康状态指数的下降速率;

51、将计算得到的下降速率与预设值进行对比,若下降速率未超过预设值则保持正常监测状态,若下降速率超过预设值则立即触发充电模块故障预警机制;

52、预警触发后,从检测模型的注意力机制中,提取触发预警的时间窗口内每个参数节点对应的注意力权重值;

53、以健康状态指数为梯度计算的起点,将健康状态指数的下降量作为反向传播的损失基准,采用梯度反向传播方法得到每个参数节点对健康状态指数输出值的梯度变化量;

54、将提取注意力权重值与梯度变化量进行匹配对齐和融合处理,得到参数节点对健康状态指数下降的贡献度。

55、本发明第二方面提供了一种充电模块检测系统,所述充电模块检测系统包括:

56、数据采集模块,用于采集汽车充电桩中充电模块运行过程的电气参数、环境参数及通信参数,形成原始检测数据;

57、数据处理模块,用于采用变分模态分解算法对原始检测数据进行去噪与特征拆分,对有效模态数据进行归一化处理,得到标准化时序数据,从标准化时序数据中提取时域特征、频域特征及时频域特征,构建高维特征向量;

58、模型优化模块,用于基于时序图神经网络与注意力机制构建检测模型,并采用麻雀搜索算法优化模型超参数;

59、第一计算模块,用于将高维特征向量中的每个特征视为图节点,计算当前滑动窗口内各节点特征间的皮尔逊相关系数矩阵,将绝对值大于0.7的相关系数作为边,构建无向图;

60、指数输出模块,用于将无向图输入检测模型,通过图卷积层聚合节点邻居信息,并通过门控循环单元捕获时序动态,在输出层引入注意力机制进行特征权重分配,最终输出健康状态指数;

61、第二计算模块,用于当健康状态指数的下降速率超过预设值时,触发预警,当预警触发时,利用注意力权重和梯度反向传播方法,计算参数节点对健康状态指数下降的贡献度;

62、报告输出模块,用于根据贡献度排序,确定充电模块中潜在故障元件,并输出包括健康状态指数、预警信息、潜在故障元件的检测报告。

63、本发明的第三方面提供了一种充电模块检测设备,所述充电模块检测设备包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述充电模块检测设备执行如上任一项所述的充电模块检测方法的各个步骤。

64、本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现如上任一项所述充电模块检测方法的各个步骤。

65、本发明提供的技术方案中,采集汽车充电桩中充电模块运行过程的电气参数、环境参数及通信参数,形成原始检测数据;采用变分模态分解算法对原始检测数据进行去噪与特征拆分,对有效模态数据进行归一化处理,得到标准化时序数据,从标准化时序数据中提取时域特征、频域特征及时频域特征,构建高维特征向量;基于时序图神经网络与注意力机制构建检测模型,并采用麻雀搜索算法优化模型超参数;将高维特征向量中的每个特征视为图节点,计算当前滑动窗口内各节点特征间的皮尔逊相关系数矩阵,将绝对值大于0.7的相关系数作为边,构建无向图;将无向图输入检测模型,通过图卷积层聚合节点邻居信息,并通过门控循环单元捕获时序动态,在输出层引入注意力机制进行特征权重分配,最终输出健康状态指数;当健康状态指数的下降速率超过预设值时,触发预警,当预警触发时,利用注意力权重和梯度反向传播方法,计算参数节点对健康状态指数下降的贡献度;根据贡献度排序,确定充电模块中潜在故障元件,并输出包括健康状态指数、预警信息、潜在故障元件的检测报告;本发明突破传统单一维度特征提取的局限,检测模型兼顾特征关联捕捉与时序动态适配,提升充电模块检测效率和准确性,定位潜在故障元件,降低运维排查成本,实现前瞻性防控,有效提升充电模块运行可靠性与使用寿命,保障充电桩安全稳定运行。