本發(fā)明屬于充電樁非電變量檢測，涉及一種基于深度學(xué)習(xí)的充電場站充電樁異常檢測方法。

背景技術(shù)：

1、通過檢測充電樁電流、電壓異常，可以有效減少安全事故，如電氣火災(zāi)、電擊等。通過檢測異常算法，可以及時(shí)發(fā)現(xiàn)潛在的安全隱患，向充電場站運(yùn)營管理人員進(jìn)行報(bào)警，從而采取措施預(yù)防事故的發(fā)生，保證用戶和公眾的安全。充電樁的高效和穩(wěn)定運(yùn)作直接影響到用戶的使用體驗(yàn)。異常檢測和及時(shí)維護(hù)可以確保充電樁的良好性能，提升用戶對(duì)充電服務(wù)的滿意度和忠誠度。除此之外，通過對(duì)充電樁進(jìn)行定期的異常檢測和維護(hù)，可以有效延長其使用壽命。這不僅可以減少頻繁更換設(shè)備的成本，還有助于保持設(shè)備的高效運(yùn)作。

2、充電樁的電流、電壓數(shù)據(jù)主要由工業(yè)傳感器采集。充電樁的異常檢測，主要由充電場站的運(yùn)維人員，通過定期或?qū)崟r(shí)的監(jiān)控與值守來排查問題。運(yùn)維人員靠觀測運(yùn)行工況和相關(guān)的運(yùn)行數(shù)據(jù)憑經(jīng)驗(yàn)判斷與處理異常工況。當(dāng)外界條件與運(yùn)行工況發(fā)生變化時(shí)，難以及時(shí)準(zhǔn)確地預(yù)測、判斷與處理異常工況。這樣的異常檢測方法不僅耗時(shí)費(fèi)力，而且難以有效利用大量的充電樁數(shù)據(jù)，監(jiān)控和預(yù)測方法也不具備擴(kuò)展性和通用性。

3、傳統(tǒng)的異常檢測建模方法主要通過建立充電樁設(shè)備的機(jī)理模型進(jìn)行優(yōu)化控制。然而，實(shí)際被控過程中包含多變量、強(qiáng)非線性、不確定性，難以進(jìn)行數(shù)字化機(jī)理建模，或建模精度較低，且方法不具備通用性。基于機(jī)理模型的異常檢測方法缺乏對(duì)充電樁設(shè)備歷史運(yùn)行過程的系統(tǒng)性復(fù)盤排查，也無法實(shí)時(shí)檢測充電樁運(yùn)行過程中可能出現(xiàn)的設(shè)備異常問題。

4、基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測模型需要大量的數(shù)據(jù)樣本以及樣本標(biāo)記。雖然異常檢測模型可以動(dòng)態(tài)實(shí)時(shí)地檢測充電樁設(shè)備異常，但是人工標(biāo)記樣本耗時(shí)費(fèi)力，成本高昂。另一方面，基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型通常又需要大量的異常樣本點(diǎn)標(biāo)記，而異常樣本標(biāo)記成本高昂，難以獲取。即使存在大量標(biāo)記后的數(shù)據(jù)樣本，數(shù)據(jù)樣本的特征工程耗時(shí)費(fèi)力，并且極大程度上影響著模型的效果。

5、1.依賴人工經(jīng)驗(yàn)和實(shí)時(shí)監(jiān)控：傳統(tǒng)的異常檢測方法依賴運(yùn)維人員通過觀察和經(jīng)驗(yàn)判斷異常，這種方法耗時(shí)費(fèi)力，且在外界條件和運(yùn)行工況發(fā)生變化時(shí)，難以及時(shí)準(zhǔn)確地做出反應(yīng)。這種依賴人工的方法效率不高，也容易出現(xiàn)誤判。

6、2.機(jī)理模型的局限性：基于機(jī)理模型的建模方法在處理多變量、強(qiáng)非線性和不確定性方面存在困難，這導(dǎo)致難以精確建模或建模精度較低。基于機(jī)理模型的方法通常缺乏對(duì)充電樁設(shè)備歷史運(yùn)行數(shù)據(jù)的系統(tǒng)性分析和復(fù)盤，這限制了故障預(yù)測和診斷的深度和廣度。此外，機(jī)理模型不具備通用性，難以適應(yīng)不同類型或新型充電樁的需求。

7、3.數(shù)據(jù)驅(qū)動(dòng)模型的挑戰(zhàn)：雖然基于數(shù)據(jù)驅(qū)動(dòng)的模型能夠提供動(dòng)態(tài)實(shí)時(shí)的異常檢測，但這種方法需要大量的數(shù)據(jù)樣本和異常樣本的人工標(biāo)記，這不僅費(fèi)時(shí)費(fèi)力，而且成本高昂。數(shù)據(jù)標(biāo)記的難度和成本限制了這種方法的廣泛應(yīng)用。

8、4.數(shù)據(jù)樣本的質(zhì)量和特征工程：即使獲取了足夠的數(shù)據(jù)樣本，數(shù)據(jù)的特征工程也是一個(gè)復(fù)雜且耗時(shí)的過程，這直接影響到模型的性能和效果。特征提取和選擇的質(zhì)量是決定模型成功與否的關(guān)鍵因素。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種基于深度學(xué)習(xí)的充電場站充電樁異常檢測方法，充分利用線上異常樣本，降低人員值守的成本。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種基于深度學(xué)習(xí)的充電場站充電樁異常檢測方法，包括如下步驟：

3、s1，數(shù)據(jù)預(yù)處理；對(duì)充電樁的電流、電壓、傳感器收集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

4、s2，無監(jiān)督學(xué)習(xí)；基于預(yù)處理后的數(shù)據(jù)，對(duì)時(shí)間序列輕量級(jí)自適應(yīng)網(wǎng)絡(luò)tslanet進(jìn)行無監(jiān)督學(xué)習(xí)，對(duì)時(shí)間序列的表征進(jìn)行學(xué)習(xí)；自適應(yīng)網(wǎng)絡(luò)tslanet先將時(shí)間序列數(shù)據(jù)patchembedding化，將一維的時(shí)間序列數(shù)據(jù)轉(zhuǎn)化成二維的結(jié)構(gòu)；其具體是：根據(jù)一個(gè)窗口長度和步長在原始的時(shí)間序列上移動(dòng)，抽取出多個(gè)子序列，多個(gè)子序列組織成一個(gè)patch，再將patch的時(shí)間序列數(shù)據(jù)輸入到embedding層進(jìn)行embedding化；為了保留時(shí)間序列中的時(shí)間順序信息，在每個(gè)patch中加入位置編碼positional?embedding；位置編碼是學(xué)習(xí)到的參數(shù)，或者是基于正弦和余弦函數(shù)的固定模式；輸入的時(shí)間序列embedding經(jīng)過n個(gè)block抽取出對(duì)應(yīng)的特征后，經(jīng)過線性層解決不同類型的問題，包括回歸或者分類；

5、s3，分類模型訓(xùn)練；在預(yù)訓(xùn)練模型的基礎(chǔ)上，再進(jìn)行二分類模型訓(xùn)練，分類模型將異常的時(shí)間序列數(shù)據(jù)標(biāo)記為正類，正常的時(shí)間序列數(shù)據(jù)標(biāo)記為負(fù)類；

6、s4，預(yù)測；在線上預(yù)測過程，首先實(shí)時(shí)對(duì)充電樁的電流、電壓數(shù)據(jù)進(jìn)行預(yù)處理；

7、s5，判斷；將處理后的數(shù)據(jù)送入分類模型，判斷其是否存在異常；

8、s6，系統(tǒng)報(bào)警；若存在異常，則進(jìn)行系統(tǒng)報(bào)警，由運(yùn)營人員二次判斷其是否異常，對(duì)異常時(shí)間序列數(shù)據(jù)進(jìn)行打標(biāo)，存放樣本及標(biāo)簽至數(shù)據(jù)庫；

9、s7，異常樣本處理；異常檢測模型通過定時(shí)訓(xùn)練的方式進(jìn)行更新；按周或者按月，根據(jù)累計(jì)的異常樣本對(duì)無監(jiān)督模型、二分類模型進(jìn)行重新訓(xùn)練。

10、在s2中，?block中包括兩種結(jié)構(gòu)，一個(gè)是自適應(yīng)頻譜塊adaptive?spectralblock，即自適應(yīng)頻譜塊asb，另外一個(gè)是交互式卷積塊interactive?convolution?block，即交互式卷積塊icb。

11、在s2中，自適應(yīng)頻譜塊asb首先對(duì)輸入的時(shí)間序列特征進(jìn)行快速傅里葉變換fastfourier?transformations，其公式：

12、

13、其中，是一維的fft操作，是輸入的多通道時(shí)間序列數(shù)據(jù)；輸出代表了在原始時(shí)間序列在頻域上的特征。

14、在s2中，自適應(yīng)頻譜塊asb對(duì)高頻噪聲進(jìn)行去除；首先計(jì)算的功率譜，識(shí)別主導(dǎo)的頻率成分；再通過訓(xùn)練一個(gè)學(xué)習(xí)的參數(shù)theta作為閾值；該閾值根據(jù)數(shù)據(jù)的光譜特征進(jìn)行調(diào)整；功率譜高于theta的頻率被保留，而其他頻率被過濾；閾值theta通過自適應(yīng)選擇頻率閾值，自適應(yīng)頻譜塊asb根據(jù)每個(gè)時(shí)間序列數(shù)據(jù)集定制其過濾閾值，提高模型在處理各種數(shù)據(jù)場景時(shí)的整體有效性；其公式如下：

15、

16、

17、其中，p是頻域特征的功率譜,是頻率閾值。

18、在s2中，采用兩組可學(xué)習(xí)的濾波器，一個(gè)全局濾波器從原始頻域特征中學(xué)習(xí)，另外一個(gè)局部濾波器從自適應(yīng)濾波后的頻域特征中學(xué)習(xí)；之后對(duì)濾波后的特征進(jìn)行整合；

19、；

20、

21、

22、其中分別為可學(xué)習(xí)的濾波器參數(shù)；

23、最后通過逆快速傅里葉變換，將從頻域變化至?xí)r域，得到輸出。

24、在s2中，交互式卷積塊icb包含多個(gè)具有不同卷積核大小的并行卷積塊，用來捕獲布局特征和遠(yuǎn)程的依賴關(guān)系；其具體是：第一個(gè)卷積層的設(shè)計(jì)目的是用小的核捕獲數(shù)據(jù)中的細(xì)粒度、局部模式；第二層旨在用更大的內(nèi)核識(shí)別更廣泛、更長距離的依賴關(guān)系；其公式如下：

25、

26、；

27、；

28、其中，分別表示不同卷積核大小的卷積層，是交互式卷積塊icb的輸出。

29、在s7中，異常檢測步驟包括無監(jiān)督訓(xùn)練、二分類模型訓(xùn)練和線上預(yù)測。

30、在s7中，無監(jiān)督訓(xùn)練包括使用tslanet的自監(jiān)督學(xué)習(xí)機(jī)制，對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練；在這個(gè)階段，模型通過遮蔽一部分時(shí)間序列并嘗試重建這些遮蔽部分來學(xué)習(xí)時(shí)間序列的內(nèi)在結(jié)構(gòu)；這部分訓(xùn)練使用patch的重構(gòu)誤差，即均方誤差mean?squared?error，mse作為損失函數(shù)，隨機(jī)梯度下降法作為求導(dǎo)方法；均方誤差是預(yù)測值與真實(shí)值之間差異的平方的平均值；它衡量模型預(yù)測值與真實(shí)值之間的平均差異的平方；

31、；

32、其中，、分別指第 i個(gè)樣本的真實(shí)值與模型預(yù)測值。

33、在s7中，二分類模型訓(xùn)練包括將異常的時(shí)間序列數(shù)據(jù)作為正樣本，將非異常的時(shí)間序列數(shù)據(jù)作為負(fù)樣本；由于正樣本的數(shù)量少，存在正負(fù)樣本不平衡，采用欠采樣的方式，隨機(jī)減少負(fù)樣本數(shù)量，使得正負(fù)樣本比例達(dá)到1:1；使用tslanet進(jìn)行二分類模型訓(xùn)練，損失函數(shù)為二值交叉熵?fù)p失函數(shù)binary?cross-entropy，bce，隨機(jī)梯度下降法作為求導(dǎo)方法；

34、；

35、其中，、分別指第 i個(gè)樣本的真實(shí)值與模型預(yù)測值。

36、在s7中，線上預(yù)測包括首先實(shí)時(shí)對(duì)充電樁的電流、電壓數(shù)據(jù)進(jìn)行預(yù)處理，再將處理后的數(shù)據(jù)送入二分類模型，判斷其預(yù)測概率是否大于0.5；若大于0.5，則可能存在異常，進(jìn)行系統(tǒng)報(bào)警；再由運(yùn)營人員二次判斷其是否異常，對(duì)異常時(shí)間序列數(shù)據(jù)進(jìn)行打標(biāo)，存放樣本及標(biāo)簽至數(shù)據(jù)庫，對(duì)異常樣本進(jìn)行累計(jì)。

37、本發(fā)明的主要有益效果在于：

38、可充分利用企業(yè)積累的寶貴數(shù)據(jù)，數(shù)據(jù)加工成本小，計(jì)算開銷低，適應(yīng)于各類工業(yè)異常檢測場景，具有良好的拓展性及通用型。

39、無監(jiān)督學(xué)習(xí)可以有效學(xué)習(xí)到時(shí)間序列數(shù)據(jù)本身的特征，形成良好對(duì)特征抽取。

40、異常檢測模型在預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行學(xué)習(xí)，訓(xùn)練的計(jì)算開銷降低，只需要根據(jù)異常樣本數(shù)據(jù)進(jìn)行微調(diào)即可。

41、異常檢測模型通過定時(shí)訓(xùn)練的方式進(jìn)行更新，能夠充分利用線上異常樣本，降低人員值守的成本。

42、在模型檢測出異常的基礎(chǔ)上進(jìn)行人工審核，可以提高異常樣本捕獲的準(zhǔn)確率，降低人工打標(biāo)的范圍，進(jìn)而降低打標(biāo)簽的人力成本。