基于BP神经网络的充电设备故障率分析系统和方法

摘要

本发明属于电网信息化领域，具体为基于BP神经网络的充电设备故障率分析系统和方法，其系统包括数据预处理模块、指标体系构建模块、模型构建模块和分析决策模块。数据预处理模块对从车联网平台导出的数据进行预处理；指标体系构建模块从多个维度全面构造影响充电设备故障率的指标，形成充电设备故障率分析指标体系；模型构建模块根据故障率分析指标体系构建充电设备的多维度宽表数据，构建并训练BP神经网络模型对充电设备故障率进行预测；分析决策模块多维度分析影响充电设备故障率的因素，为决策提供数据支撑。本发明能充分利用充电设备运行的多维度信息，对充电设备故障率进行全面有效预测，为提高设备投资收益率提供了有效的支撑。

说明书

技术领域

本发明属于电网信息化领域，具体为基于BP神经网络的充电设备故障率分析系统和方法。

背景技术

目前能源与环境已成为当前全球最为关注的问题，随着“碳达峰”与“碳中和”新业态的发展，传统燃油汽车作为消耗石油资源和污染环境的大户，正在不断受到新型清洁能源汽车的冲击。电动汽车以电代油，能够实现“零排放”与“低噪音”，是缓解石油资源紧张、城市大气污染严重问题的重要手段，是推进交通发展模式转变的有效载体。

目前电动汽车研发力度持续加大，在发展电动汽车的同时，还要兼顾充电设施的发展。建设电动汽车充电站，实现电动汽车与电网间能量转换，是推动电动汽车产业发展的基础。面向需求，政府提出了“新基建”战略目标，其中充电桩作为电动汽车的“加油站”，是“新基建”的重要领域之一。

随着充电桩数量的迅速提升，充电设备的运行状态监测成为了不得不重点关注的问题，通过采集已运行充电桩的相关数据，并对其进行数据整理、筛选、汇总后，在获取数据的基础上运用数据统计分析计算方法结合具体业务建立相应指标体系，建立监测分析模型、预测模型，分析预测充电设备故障率，全面剖析影响充电桩稳定运行的异常因素，为提高设备运行效率以及向用户提供更好的充电服务和发展具有重要意义。然而，目前在充电设备故障率分析预测领域研究还处于起步阶段，现有技术大多是基于单一设备运行数据进行设备故障分析与预测，未能充分利用充电设备的多维度信息，无法对充电换设备故障及引起故障因素进行全面感知，亟需相关研究来填补空白。

发明内容

有鉴于此，本发明的目的在于提供基于BP神经网络的充电设备故障率分析系统，以解决现有技术中大多是基于单一硬件设备运行数据进行相应的故障识别与预测，未能充分利用充电设备运行的多维度信息，无法对充电设备故障率进行全面有效预测，无法准确分析设备故障率的真实原因，导致设备故障率较高且服务质量不佳的问题，在充电交易中提升了设备使用效率，减少设备故障率和客户投诉，提高设备投资收益率。

本发明的另一目的是提供基于BP神经网络的充电设备故障率分析方法。

本发明基于BP神经网络的充电设备故障率分析系统，包括：

数据预处理模块，用于对从车联网平台导出的相关数据进行预处理；

指标体系构建模块，用于根据数据预处理模块的预处理结果，将充电设备故障率与实际业务场景相联系，根据业务实际情况从多个维度全面构造影响充电设备故障率的指标，形成充电设备故障率分析指标体系；

模型构建模块，用于根据故障率分析指标体系构建充电设备的多维度宽表数据，构建并训练BP神经网络模型对充电设备故障率进行预测，得到充电设备故障率的预测结果。

在优先的实施例中，本发明的充电设备故障率分析系统还包括：

分析决策模块，用于根据BP神经网络模型预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。

在本发明优选的分析系统中，指标体系构建模块将结合充电设备的基础属性、设备属性、自身属性、时间特性多个维度构建衍生指标；所构建的故障率分析指标体系，其数据维度包括：地理位置、设备投运年限、天气因素、充电站类型、生产厂家、节假日及统计指标，并通过对设备投运年限进行统计分析后按照其数据分布特征对投运年限进行模糊处理，对充电站按照充电站类型进行模糊处理。BP神经网络模型包括输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，输入层节点数与故障率分析指标体系中数据维度一致，隐含层的神经元个数采用遍历方法同时根据测试集和训练集的均方误差来确定，输出节点数为1。

本发明基于BP神经网络的充电设备故障率分析方法，包括以下步骤：

S1、对从车联网平台导出的充电桩信息、充电桩维修等数据进行预处理，包括数据清洗、数据规约、数据缺失值填补、数据错误格式修改；

S2、根据预处理结果，将充电设备故障率与具体业务过程相联系，根据业务实际情况结合数据统计分析方法构造全面刻画影响充电设备故障率的各项指标，并形成充电设备故障率分析指标体系；

S3、根据充电设备故障率分析指标体系构建对应的多维度宽表数据，构建BP神经网络模型对充电设备故障率进行预测。

在优先的实施例中，本发明充电设备故障率分析方法还包括以下步骤：

S4、根据BP神经网络模型的预测结果，即预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。

优选地，步骤S3构建的BP神经网络模型包括输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接，输入层节点数与故障率分析指标体系中数据维度一致，隐含层的神经元个数采用遍历方法同时根据测试集和训练集的均方误差来确定，输出节点数为1。

进一步优选地，BP神经网络模型的网络结构大小为(d,q,l)，其中d为输入层节点数，q为隐含层节点数，l为输出层节点数；BP神经网络模型的构建过程，包括以下步骤：

步骤301、构建宽表数据与充电设备故障率对应关系的样本数据，并对样本数据进行归一化处理，形成故障率样本集，并将故障率样本集按照比例划分为训练集与测试集，其中训练集

步骤302、分别给定不同的隐含层节点数q来确定不同的网络结构，对不同隐含层节点数的网络分别进行步骤303-308；

步骤303、设置各网络各权值和阈值进行初始化，

(1)计算缩放因子：

(2)初始化任一层的权值ω

(3)重新初始化权值ω

(4)对隐含层的第i个神经元，设置偏置为一个[-ω

设定激活函数f，隐含层与输出层的神经元均使用Sigmoid函数；

步骤304、将故障率对应的多维宽表数据作为神经网络的输入，经隐含层、输出层加权处理后获得输出数据并计算期望输出的误差平方和；

步骤305、计算隐含层、输出层各层间权值和阈值的梯度项；

步骤306、修正隐含层、输出层各层间的权值和阈值；

步骤307、当故障率样本集中的所有样本都经历了步骤304-306后，计算性能指标；

步骤308、如果性能指标满足精度要求，那么训练结束，否则，转到步骤304继续下一个训练周期；

步骤309、根据测试集和训练集的均方误差，确定最终的隐含层的节点数，得到训练好的BP神经网络模型。

本发明与现有技术相比，具有如下优点及有益效果：

本发明从不同维度对影响设备故障率因素进行分析，构造计算影响充电设备故障率的指标体系，在此基础上构建BP神经网络模型，之后基于BP神经网络对充电设备故障率进行分析预测，在所预测的充电设备故障率基础上，完善充电设备故障率分析体系，解决了充电设备故障率感知不全面的问题，为以后的充电交易中提升设备使用效率，减少设备故障率和客户投诉，支撑服务管理决策，提升供电服务品质，提高客户满意度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中基于BP神经网络的充电设备故障率分析系统的结构示意图；

图2是本发明实施例中基于BP神经网络的充电设备故障率分析方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和有点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

请参见图1，本实施例基于BP神经网络的充电设备故障率分析系统，包括数据预处理模块100、指标体系构建模块200、模型构建模块300、分析决策模块400。本实施例的分析系统可评价充电设备的故障率，在对所涉及的由车联网平台获取的相关数据进行深入挖掘之前，先通过数据预处理模块对数据探索分析、数据缺失值的填补、数据错误格式修改、数据异常值剔除，以及通过指标体系构建模块对衍生指标的构造，为后续模型构建提供数据基础，再通过分析决策模块分析预测充电设备故障率预测。

本实施例的分析系统数据收集选取来源于车联网平台导出的冀北地区的充电网络运营数据、充电桩信息、充电桩维修等数据，即数据预处理模块中车联网平台导出的相关数据包括充电网络运营数据、充电桩信息、充电桩维修等数据。由于冀北充电站在2016年-2019年大规模投运，又考虑疫情对充电数据的影响，为了使模型更加精确，本实施例选取2019年1月到2019年12月数据，选择投运天数大于60天的充电站，并且将其采用中间数据库进行数据缓存，按照ETL模式开发源业务系统数据源配置、数据抽取、入库的流程，进行源业务表全表导入。

数据预处理模块100对从车联网平台导出的充电网络运营数据、充电桩信息、充电桩维修数据、充电交易数据进行数据清洗、数据规约、数据异常值修复、数据缺失值填补。也就是说，通过数据预处理模块对原始数据进行探索分析、数据缺失值的填补、数据错误格式修改、数据异常值剔除处理。缺失值填补也叫空值修复，主要是在数据探索过程中，对由于通讯、计算机死机或其他原因造成数据缺失进行处理。对充电交易数据中充电站名称缺失，采用通过充电交易数据中的充电桩编号关联到充电桩信息表，对充电站名称进行填补；对交易时间和充电桩编号缺失，由于充电交易数据中的交易流水号包括充电桩编号和交易时间，通过分析交易流水号进行填补。

进一步地，数据预处理模块还给出充电设备故障率定义：将交易结束原因中的异常掉电、充电设备故障、TCU(自动变速箱控制单元)故障或BMS(电池管理系统)通信异常故障定义为故障，同时将故障次数除以总交易次数定义为充电设备故障率；对充电站的设备故障率按月计算，同时对月充电次数小于10和月充电电量小于50kwh进行删除。与此同时，梳理充电设备在设备资产概况、运行地域、资产寿命、故障概况、生产厂家、运行环境等方面分析场景，从基础属性、设备属性、自身属性、时间特性等维度信息提取关键业务指标。数据错误格式修改包括对由于充电交易数据是从车联网前台导出而产生的时间格式错误进行修改。

指标体系构建模块200在给出的充电设备故障率的基础上，根据数据预处理模块的预处理结果，将充电设备故障率与实际业务场景相联系，根据业务实际情况从多个维度全面构造影响充电设备故障率的指标，并形成充电设备故障率分析指标体系，对现场设备故障率进行全面描述，并应用于后续模型的构建。具体来说，指标体系构建模块将结合上述充电设备的基础属性、设备属性、自身属性、时间特性等多个维度构建衍生指标；所构建的故障率分析指标体系，其数据维度包括：地理位置、设备投运年限、天气因素、充电站类型、生产厂家、节假日及统计指标等，各指标分别介绍如下：

地理位置：选择经度和纬度进行衡量。

天气因素：根据IEEE标准将天气分为3类：正常天气、恶劣天气、大灾难天气，同时统计正常天气和恶劣天气的占比。由于大灾难天气出现的机会极小，因此大多数天气条件归为正常和恶劣两种。对充电设备的影响较小的天气为正常天气，对充电设备影响较大的天气归为一般恶劣天气如雷雨、大风、冰雪、雨雾等，同时统计正常天气和恶劣天气的占比，构造天气因素指标。

设备投运年限：通过对设备投运年限进行统计分析后，按照其数据分布特征对投运年限进行模糊处理，模糊化规则如下：对投运年限小于0.5的情况，将投运年限模糊化为1，对投运年限在大于等于0.5小于1的情况，模糊化为2，对投运年项大于1小于1.5的情况，模糊化为3，对投运年项大于1.5的情况，模糊化为4。

充电站类型：充电基础设施主要包括两种：集中式充电站和分散式充电桩。其中，集中式充电站：主要用于专用车的充电，主要应用在公交车、出租车、环卫物流、城市公共、城际快充等；集中式充电站由四大系统组成，分别是配电系统、充电系统、监控系统、土建等，配电系统中有配电柜、变压器、有源滤波、直流电源、计量柜，充电系统涵盖充电桩、线缆；监控系统主要是保障充电安全及计费收费功能，包括电流电压监控、配电保护、安防监控和计费系统四大方面。分散式充电桩：指的是用户专用的消费类电桩，主要解决电动乘用车的难续航问题。本实施例对充电站按照充电站类型进行模糊处理，模糊化规则如下：对集中式充电站模糊化为1，分散式充电桩模糊化为2。

节假日：通过对现有充电交易记录进行分析，发现平均日充电电量最高的是节日，其次是假日，最少的是工作日；节日平均每天充电量是工作日平均每天充电量的2倍多，假日平均每天充电量接近工作日平均每天充电量的1.5倍，说明节假日对充电电量存在影响，而充电频次对充电设备有直接的关联性。分别计算节日、假日、工作日的天数占比。

为避免由于数据中自变量的量纲存在较大差异，而对后续数据挖掘的有效性及收敛速度造成影响，对数据进行标准化处理，将数据限制在0-1范围内，本实施例采取零-均值标准化，其转换公式如下：

式中，

模型构建模块300根据故障率分析指标体系构建充电设备的多维度宽表数据，构建并训练BP(Back Propagation)神经网络模型；训练好的BP神经网络模型用于对充电设备故障率进行预测，得到充电设备故障率的预测结果。

在所构建的指标体系基础上，为了便于评价BP神经网络模型效果，模型构建模块将数据按4:1比例分为训练集和测试集，用训练集构建并训练BP神经网络模型；利用训练后的BP神经网络模型对测试集中的充电设备故障率进行预测。

模型构建模块还从不同角度对指标数据的建模过程进行信息统计，得到相应的统计报表，所述统计报表包括数据质量报表、数据预处理结果类报表、指标体系分布特征类报表、模型结果类报表、分析策略类报表。

分析决策模块400根据BP神经网络模型预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑，解决充电设备故障率感知不全面的问题，支撑服务管理决策，提升充电设备使用率及供电服务品质，提高客户整体满意度

具体来说，分析决策模块根据预测结果多维度统计分析影响充电设备故障率的因素，包括设备安装区域分布(即地理位置)、设备投运年限、设备类型、天气情况、故障类别、节假日、生产厂家等维度，构建完善的充电设备故障率状态检测评估体系，高效、准确地分析出引发充电设备故障率所处的具体维度及原因，为后续业务部门相关工作的决策提供数据支撑，有的放矢地提升充电服务质量，有效提升设备运行效率，完善设备运维服务体系，并针对实际工作提出相应建议，提高设备运行的可靠性以及客户充电服务满意度。

其中，分析决策模块的多维度统计分析，从不同角度对指标数据的建模过程进行信息统计，得到相应的统计报表。所述统计报表包括数据质量报表、数据预处理结果类报表、指标体系分布特征类报表、模型结果类报表、分析策略类报表。统计分析的过程具体依据基于BP神经网络模型的充电网络设备故障率分析系统日常的各类报表信息，从不同角度对指标数据的建模过程进行信息统计，得到相应的统计报表，可以满足不同业务部门的统计需求，为后续的信息分析工作提供了依据。

基于相同的发明构思，本实施例还提供基于BP神经网络的充电设备故障率分析方法，包括以下步骤：

S1、对从车联网平台导出的充电桩信息、充电桩维修等数据进行预处理，包括数据清洗、数据规约、数据缺失值填补、数据错误格式修改；

S2、根据预处理结果，将充电设备故障率与具体业务过程相联系，根据业务实际情况结合数据统计分析方法构造全面刻画影响充电设备故障率的各项指标，并形成充电设备故障率分析指标体系；

S3、根据充电设备故障率分析指标体系构建对应的多维度宽表数据，构建BP神经网络模型对充电设备故障率进行预测；

S4、根据BP神经网络模型的预测结果，即预测的充电设备故障率，对充电设备故障率进行全面感知，结合多维度分析影响充电设备故障率的因素，完善充电设备故障率分析指标体系，为决策提供数据支撑。

本实施例中，步骤S3构建的BP神经网络模型作为模拟人的智能和形象思维能力的一种方法，广泛应用于非线性问题的求解。神经网络通过对输入模式的学习，将输入模式的特征进行提取，从而达到对输入模式的记忆。当前研究最成熟、应用最广泛的人工神经网络模型是BP神经网络，它采用误差反向传播学习算法的神经网络，是一种监督式的学习算法。BP神经网络共三层，分为输入层、隐含层和输出层，相邻层神经元全互连，同层神经元无连接；其中输入层节点个数与故障率分析指标体系中数据维度一致。在本实施例中由于输出结果为故障率，故输出节点数为1，而BP神经网络模型的构造过程中，最重要的是需要确定隐含层的节点个数，隐含层的节点个数可多可少，但是太多可能导致过度拟合，太少则可能拟合不太好，本实施例采用遍历方法，同时根据测试集和训练集的均方误差，确定了隐含层的神经元个数为12。下面以给定网络结构大小为例来说明BP神经网络模型的具体构建过程。

设训练集

步骤301、构建宽表数据与充电设备故障率对应关系的样本数据，并对样本数据进行归一化处理，形成故障率样本集，并将故障率样本集按照4：1的比例划分为训练集与测试集，其中训练集

步骤302、分别给定不同的隐含层节点数q来确定不同的网络结构，对不同隐含层节点数的网络分别进行步骤303-308。

步骤303、按照Nguyen-Widrow方法设置神经网络模型各权值和阈值，并进行初始化；

(1)计算缩放因子：

(2)初始化任一层的权值ω

(3)按照下列公式重新初始化权值：

(4)对隐含层的第i个神经元，设置偏置为一个[-ω

设定激活函数f，隐含层与输出层的神经元均使用Sigmoid函数；

步骤304、将故障率对应的多维宽表数据作为神经网络的输入，经隐含层、输出层加权处理后获得输出数据并计算期望输出的误差平方和。

对当前输入训练样本(x

b

计算输出数据与期望输出的误差平方和：

步骤305、计算隐含层、输出层各层间权值和阈值的梯度项：

步骤306、修正隐含层、输出层各层间的权值和阈值：

w

θ

v

γ

步骤307、当故障率样本集中的所有样本都经历了步骤304-306后，即完成了一个训练周期(Epoch)，在完成一个训练周期Epoch后，计算性能指标：

步骤308、如果性能指标满足精度要求，即E≤ε，那么训练结束，否则，转到步骤304，继续下一个训练周期。ε是用于衡量精度要求的正数，根据实际情况而定。

步骤309、根据测试集和训练集的均方误差，确定最终隐含层的节点数，得到训练好的BP神经网络模型。利用训练好的改进BP神经网络模型对充电设备进行故障率预测。

基于上述描述可以看出，构建模型时采用了遍历方法，同时根据测试集和训练集的均方误差来确定BP网络的隐层节点个数，且在模型训练过程中采用了Nguyen-Widrow初始化算法来提高网络的训练速度，同时在目标误差函数中增加权值的平方和项，来抑制BP神经网络的过拟合现象。

基于前述的指标体系及相应的多维度宽表数据，建立模型后，为了使BP神经网络模型、支持向量机(SVM)模型具有可比性，以便选择设备故障率预测最适合的模型，本实施例将数据按4:1比例分为训练集和测试集，用训练集构建BP神经网络模型。用来预测测试集中充电设备故障率。

选择标准均方差和均方差作为模型评价标准，标准均方差即预测的故障率的均方误差除以实际故障率的均方误差，是模型因变量的拟合值与因变量的原始值的比较，当标准均方差大于1时，说明模型预测的故障率不如实际的故障率的均值效果好，均方误差是反映模型拟合效果，均方差越小，说明模型预测的故障率越接近实际的故障率。同时根据故障率分布，定义合格预测记录为预测的故障率和实际的故障率之差在0.1，而模型预测的准确率为合格预测记录数量除以总数量。

表1分析结果

表1的分析结果表示支持向量机回归、BP神经网络回归，随机抽样按4:1比例分为训练集和测试集的均方误差和标准化误差。可以发现，radial核函数的支持向量机模型和BP神经网络模型的训练集和测试集的标准均方差小于1，说明模型预测的故障率比实际的故障率的均值效果好；BP神经网络模型的测试集和训练集的均方误差小于支持向量机，说明神经网络模型对故障率拟合能力优于支持向量机，同时该模型的合格率高于支持向量机，因此选择神经网络模型。

通过以上实施方式的描述可知，本领域普通技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上所述近似本发明的优选实施方式，应当指出，对于本领域普通技术人员来说，在不脱离本发明原理的前提下，还可以做出改进和润饰，这些改进和润饰也应视为本发明的保护范围。