本技術涉及計算機，尤其涉及一種充電樁網絡異常數據檢測方法、系統及電子設備。

背景技術：

1、隨著全球能源結構的轉變和新能源汽車的快速發展，新能源充電樁的需求不斷增加。充電樁作為新能源汽車的重要配套設施，其基礎建設的完善與否直接影響到新能源汽車的推廣和應用。在新能源汽車領域，open?charge?point?protocol（ocpp）2.0作為一個至關重要的通信標準，用于電動汽車充電站和中央管理系統之間的通訊，已經稱為全球范圍內廣泛采用的充電基礎設施通信協議之一，特別是在實現智能充電管理和跨平臺互操作性方面，ocpp?2.0發揮了關鍵作用。

2、然而相關技術在充電樁安全領域主要面臨的問題包括對異常行為的檢測能力有限，尤其是在實時監控和自動化響應方面。現有解決方案在處理大量ocpp數據時，往往缺乏有效的自動化分析能力，難以從海量數據中準確地識別出潛在的安全威脅。

技術實現思路

1、為解決上述問題至少之一，本技術實施例提出了一種檢測準確率高的充電樁網絡異常數據檢測方法、系統及電子設備。

2、為實現上述目的，本技術實施例的一方面提出了一種充電樁網絡異常數據檢測方法，所述方法包括：

3、獲取充電樁網絡的開放充電點協議通信數據，得到待檢測通信數據；

4、對所述待檢測通信數據進行數據預處理，得到第一通信數據；

5、從所述第一通信數據中提取時間戳、充電次數、充電量和充電持續時間；

6、根據所述時間戳、所述充電次數、所述充電量和所述充電持續時間，確定所述開放充電點協議通信數據的原始線性特征；其中，所述原始線性特征包括歷史平移特征、差分特征和窗口統計特征；

7、對所述原始線性特征進行特征相關性篩選，得到第一線性特征；

8、根據所述第一線性特征，識別充電樁的充電模式、用戶行為模式和異常使用模式；

9、基于所述充電模式、所述用戶行為模式和所述異常使用模式，對所述開放充電點協議通信數據進行分類，得到充電樁網絡的異常數據檢測結果。

10、在一些實施例中，所述對所述待檢測通信數據進行數據預處理，得到第一通信數據，包括以下步驟：

11、采用中值濾波對所述待檢測通信數據進行去噪處理，得到第二通信數據；

12、對所述第二通信數據進行歸一化處理，得到第一通信數據。

13、在一些實施例中，所述根據所述時間戳、所述充電次數、所述充電量和所述充電持續時間，確定所述開放充電點協議通信數據的原始線性特征，包括以下步驟：

14、將所述時間戳、所述充電次數、所述充電量和所述充電持續時間作為關鍵特征；

15、計算預設窗口內，每個所述關鍵特征的變化量，得到每個所述關鍵特征的歷史平移特征；

16、計算每個所述關鍵特征的連續值差異，得到每個所述關鍵特征的差分特征；

17、計算每個所述關鍵特征在固定時間窗口內的統計數據，得到窗口統計特征。

18、在一些實施例中，所述對所述原始線性特征進行特征相關性篩選，得到第一線性特征，包括以下步驟：

19、計算所述原始線性特征中所有特征對之間的特征相關性；

20、當所述特征對之間的所述特征相關性超過預設的相關系數閾值，計算所述特征對各自的缺失值比例；

21、去除所述特征對中缺失值比例較小的特征；

22、返回執行所述當所述特征對之間的所述特征相關性超過預設的相關系數閾值，計算所述特征對各自的缺失值比例的步驟，直至所有的所述原始線性特征處理完成，得到第一線性特征。

23、在一些實施例中，所述根據所述第一線性特征，識別充電樁的充電模式、用戶行為模式和異常使用模式，包括以下步驟：

24、通過預訓練的目標模式識別子模型分析所述第一線性特征中的歷史平移特征和窗口統計特征，得到充電模式；

25、對于每個用戶，通過所述目標模式識別子模型分析所述第一線性特征中的所述窗口統計特征，得到每個所述用戶的用戶行為模式；

26、通過所述目標模式識別子模型分析所述第一線性特征中的差分特征，得到異常使用模式。

27、在一些實施例中，所述基于所述充電模式、所述用戶行為模式和所述異常使用模式，對所述開放充電點協議通信數據進行分類，得到充電樁網絡的異常數據檢測結果，包括以下步驟：

28、將所述充電模式、所述用戶行為模式和所述異常使用模式作為非線性特征；

29、采用決策函數計算所述非線性特征中數據點到決策邊界的距離，得到輸出值；

30、對所述輸出值的異常情況進行閾值判斷，得到判斷結果；

31、根據所述判斷結果輸出所述數據點的標簽，得到充電樁網絡異常數據檢測結果。

32、在一些實施例中，所述方法還包括構建并訓練所述目標模式識別子模型，具體包括以下步驟：

33、構建包括一個輸入層、若干個隱藏層和一個輸出層的初始模式識別子模型；其中，所述輸入層的神經元數量配置為輸入特征的第一數量；所述輸出層的神經元數量配置為輸出特征的第二數量；所述隱藏層的神經元數量配置為所述第一數量和所述第二數量之間；

34、獲取正常操作和異常操作下充電樁網絡的開放充電點協議通信數據，得到正常狀態數據和異常狀態數據；

35、對所述正常狀態數據和所述異常狀態數據進行數據預處理，并生成訓練數據集；

36、基于所述訓練數據集對所述初始模式識別子模型進行模型訓練，得到目標模式識別子模型。

37、在一些實施例中，所述方法還包括以下步驟：

38、根據所述充電樁網絡異常數據檢測結果，提取出異常行為和異常時間；

39、將所述異常行為和所述異常時間整理成異常報告；

40、將所述異常報告發送給管理人員。

41、為實現上述目的，本技術實施例的另一方面提出了一種充電樁網絡異常數據檢測系統，所述系統包括：

42、第一模塊，用于獲取充電樁網絡的開放充電點協議通信數據，得到待檢測通信數據；

43、第二模塊，用于對所述待檢測通信數據進行數據預處理，得到第一通信數據；

44、第三模塊，用于從所述第一通信數據中提取時間戳、充電次數、充電量和充電持續時間；

45、第四模塊，用于根據所述時間戳、所述充電次數、所述充電量和所述充電持續時間，確定所述開放充電點協議通信數據的原始線性特征；其中，所述原始線性特征包括歷史平移特征、差分特征和窗口統計特征；

46、第五模塊，用于對所述原始線性特征進行特征相關性篩選，得到第一線性特征；

47、第六模塊，用于根據所述第一線性特征，識別充電樁的充電模式、用戶行為模式和異常使用模式；

48、第七模塊，用于基于所述充電模式、所述用戶行為模式和所述異常使用模式，對所述開放充電點協議通信數據進行分類，得到充電樁網絡的異常數據檢測結果。

49、為實現上述目的，本技術實施例的另一方面提出了一種電子設備，所述電子設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現前面所述的方法。

50、為實現上述目的，本技術實施例的另一方面提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現前面所述的方法。

51、本技術實施例至少包括以下有益效果：本技術提供一種充電樁網絡異常數據檢測方法、系統及電子設備，該方案通過獲取充電樁網絡的開放充電點協議通信數據，并對這些數據進行預處理，可以過濾掉數據中的隨機噪聲，提高數據質量，有利于提高后續識別處理的準確性；從預處理后的數據中提取時間戳、充電次數、充電量和充電持續時間，根據提取出的上述特征確定開放充電點協議通信數據的歷史平移特征、差分特征和窗口統計特征，能夠對海量的數據進行信息整合，提取出有用的特征后，再基于這些特征識別充電樁的充電模式、用戶行為模式和異常使用模式，進而基于識別出的模式對開放充電點協議通信數據進行分類，能夠更準確地得到最終的充電樁網絡的異常數據檢測結果，提升充電樁網絡的整體安全性和可靠性。