李翔，高輝，陳良亮

(1. 南京郵電大學(xué) 自動(dòng)化學(xué)院/人工智能學(xué)院，江蘇 南京 210023；2. 國(guó)電南瑞科技股份有限公司，江蘇 南京 211106))

隨著高比例新能源接入電力系統(tǒng)以及能源互聯(lián)網(wǎng)的建設(shè)[1]，電動(dòng)汽車(chē)也隨之發(fā)展，伴隨著充電樁的數(shù)量急劇上升。自2015年起，充電樁建設(shè)至少以每年50%的速度增長(zhǎng)，同時(shí)帶來(lái)的建設(shè)、運(yùn)營(yíng)管理、運(yùn)維服務(wù)等工作面臨越來(lái)越大的負(fù)擔(dān)。充電樁運(yùn)行過(guò)程的多維海量數(shù)據(jù)關(guān)聯(lián)著充電樁的運(yùn)行狀態(tài)[2]，且充電樁作為電動(dòng)汽車(chē)與電網(wǎng)的連接點(diǎn)，影響著電動(dòng)汽車(chē)的高效使用以及電網(wǎng)的安全運(yùn)行。因此，研究充電樁的故障影響因素，基于充電樁的運(yùn)行工況數(shù)據(jù)對(duì)可能發(fā)生的故障進(jìn)行預(yù)警是至關(guān)重要的[3]。

目前，數(shù)據(jù)挖掘技術(shù)已成功應(yīng)用到電網(wǎng)中。作為充電樁故障預(yù)警的數(shù)據(jù)源，在實(shí)際情況中，監(jiān)控系統(tǒng)采集的數(shù)據(jù)有可能受到干擾而導(dǎo)致部分?jǐn)?shù)據(jù)缺失，學(xué)者研究小波神經(jīng)網(wǎng)絡(luò)、均值插補(bǔ)、回歸插補(bǔ)等數(shù)據(jù)插補(bǔ)方法對(duì)缺失數(shù)據(jù)集進(jìn)行數(shù)據(jù)插補(bǔ)，實(shí)現(xiàn)缺失部分?jǐn)?shù)據(jù)的高精度插補(bǔ)[4-9]。以往的數(shù)據(jù)挖掘技術(shù)都是通過(guò)人工檢測(cè)和建立分析模型來(lái)進(jìn)行故障診斷和故障預(yù)測(cè)，但對(duì)充電樁運(yùn)行狀態(tài)參數(shù)涉及不多，僅包含關(guān)鍵元器件的故障檢測(cè)，其考察的故障檢測(cè)范圍也不夠明確，判斷準(zhǔn)確率并不高[10]。隨著機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的興起，眾多學(xué)者開(kāi)始研究基于神經(jīng)網(wǎng)絡(luò)的故障診斷及預(yù)警方法。文獻(xiàn)[11]基于隨機(jī)森林算法以及小波包分解法，實(shí)現(xiàn)充電樁開(kāi)關(guān)模塊的高精度故障診斷，但并未研究其他模塊的故障診斷，存在局限性；文獻(xiàn)[12]根據(jù)充電樁故障現(xiàn)象，將其分為多個(gè)類(lèi)別，并給出相應(yīng)的處理方案，但并未考慮充電樁故障提前預(yù)警問(wèn)題；在對(duì)充電樁故障診斷的基礎(chǔ)上，文獻(xiàn)[13]建立充電樁廣義回歸模型，對(duì)電力負(fù)荷參數(shù)進(jìn)行估算，加入影響因素，實(shí)驗(yàn)得到充電樁電力負(fù)荷異常運(yùn)行結(jié)果，但該模型較簡(jiǎn)單，預(yù)警精度有待改善；文獻(xiàn)[14]提出了一種改進(jìn)的狀態(tài)空間的智慧預(yù)警方法，細(xì)化了充電樁智能預(yù)警系統(tǒng)處理模式，把新型算法嵌入到預(yù)警系統(tǒng)中，實(shí)現(xiàn)了系統(tǒng)的預(yù)警控制能力以及預(yù)警精度，但僅適用于速度要求較低的電子設(shè)備；文獻(xiàn)[15]針對(duì)充電樁運(yùn)行參數(shù)缺失值進(jìn)行均值插補(bǔ)，結(jié)合改進(jìn)支持向量機(jī)算法，對(duì)充電樁故障分類(lèi)預(yù)測(cè)，適用于故障多分類(lèi)的預(yù)測(cè)應(yīng)用，且模型尋優(yōu)收斂速度較快，但缺失值插補(bǔ)精度不高，影響充電樁故障預(yù)測(cè)的精度，在充電樁安全運(yùn)維方面存在局限性。

基于上述背景，本文首先分析直流充電樁多種安全影響因素以及采集到的數(shù)據(jù)缺失情況；其次研究基于生成對(duì)抗插補(bǔ)網(wǎng)絡(luò)(generative adversarial imputation network，GAIN)的缺失數(shù)據(jù)插補(bǔ)方法，詳細(xì)描述GAIN內(nèi)部3個(gè)模型的作用，進(jìn)而分析充電樁運(yùn)行典型故障參數(shù)，對(duì)充電樁運(yùn)行狀態(tài)進(jìn)行評(píng)價(jià)；然后基于雙向門(mén)控循環(huán)單元網(wǎng)絡(luò)(bidirectional gated recurrent unit network, Bi-GRU)建立充電樁運(yùn)行狀態(tài)安全預(yù)警模型，對(duì)已告警的異常狀態(tài)進(jìn)行故障預(yù)測(cè)，實(shí)現(xiàn)充電樁的安全預(yù)警。最后，通過(guò)算例分析驗(yàn)證該方法的有效性及模型的準(zhǔn)確性。

1 充電樁運(yùn)行過(guò)程安全影響因素分析

1.1 絕緣因素

充電樁的絕緣設(shè)計(jì)包括充電樁的外殼絕緣防護(hù)、介電強(qiáng)度、電氣間隙、絕緣電阻及爬電距離等[16]?；贕B/T 18487.1—2015標(biāo)準(zhǔn)中電動(dòng)汽車(chē)供電設(shè)備結(jié)構(gòu)要求和性能要求相關(guān)章節(jié)，明確分析了上述參數(shù)的要求。此外，充電樁的絕緣設(shè)計(jì)還可以有效地對(duì)充電樁的絕緣問(wèn)題進(jìn)行自動(dòng)告警，提高其安全性。

1.2 通信協(xié)議故障或通信威脅

在充電前期，系統(tǒng)會(huì)自動(dòng)判斷電池管理系統(tǒng)(battery management system, BMS)與充電樁通信協(xié)議是否兼容，若兼容則開(kāi)始充電；在充電過(guò)程中，任何一方的設(shè)備接收到或發(fā)送錯(cuò)誤消息，都將自動(dòng)斷開(kāi)充電；在充電結(jié)束過(guò)程中，倘若BMS發(fā)生故障，充電樁沒(méi)有及時(shí)收到BMS發(fā)送的充電終止報(bào)文，充電樁會(huì)繼續(xù)輸出導(dǎo)致電池過(guò)充，縮短電池壽命甚至發(fā)生安全性問(wèn)題。人為的惡意網(wǎng)絡(luò)攻擊會(huì)中斷充電或在充電過(guò)程中篡改充電數(shù)據(jù)，可能會(huì)影響用戶和運(yùn)營(yíng)商的資金流轉(zhuǎn)。

1.3 設(shè)備及元件的老化

內(nèi)部元件的老化產(chǎn)生故障會(huì)影響充電樁的安全運(yùn)行。充電樁整個(gè)生命周期中面臨的高溫、曝曬等問(wèn)題，會(huì)加速電力電子器件的損耗，且其溫升情況與損耗有關(guān)，使得耐熱性降低[17]，導(dǎo)致充電樁性能失效和充電事故。

1.4 環(huán)境因素

充電樁大多安裝于室外，天氣、溫度和濕度等環(huán)境因素都會(huì)影響充電樁的絕緣性能或?qū)е聝?nèi)部元件的故障，進(jìn)而導(dǎo)致充電樁的運(yùn)行異常，嚴(yán)重時(shí)會(huì)危及電動(dòng)汽車(chē)的充電安全與人身安全。

2 基于GAIN的充電樁運(yùn)行數(shù)據(jù)缺失插補(bǔ)方法

2.1 充電樁運(yùn)行數(shù)據(jù)集分析

對(duì)充電樁運(yùn)行監(jiān)控系統(tǒng)采集到的充電樁多維運(yùn)行數(shù)據(jù)，統(tǒng)一維度進(jìn)行數(shù)據(jù)分析，將數(shù)據(jù)重采樣，得到以1 min為采樣間隔的連續(xù)充電樁運(yùn)行數(shù)據(jù)。本文所選取的運(yùn)行數(shù)據(jù)集部分缺失情況見(jiàn)表1。

表1 充電樁運(yùn)行數(shù)據(jù)集部分缺失情況Tab.1 Partial missing of charging pile operation data set

由表1可知，傳感器設(shè)備的故障、存儲(chǔ)介質(zhì)的故障、傳輸故障等非人為因素導(dǎo)致運(yùn)行數(shù)據(jù)集呈現(xiàn)部分時(shí)段或者整天時(shí)段缺失。根據(jù)統(tǒng)計(jì)，充電樁原始運(yùn)行數(shù)據(jù)集中缺失率接近8%，并且數(shù)據(jù)集中涉及許多連續(xù)片段的缺失，即可判斷原始數(shù)據(jù)集數(shù)據(jù)質(zhì)量較差。數(shù)據(jù)集的缺失會(huì)影響充電樁運(yùn)行狀態(tài)的監(jiān)測(cè)，不能及時(shí)發(fā)現(xiàn)充電樁的運(yùn)行異常，從而導(dǎo)致充電樁故障積累，嚴(yán)重時(shí)會(huì)影響人身安全，同時(shí)阻礙數(shù)據(jù)的分析、數(shù)據(jù)挖掘模型的建立，以及降低充電樁的安全預(yù)警精度。

由于運(yùn)行數(shù)據(jù)的時(shí)間依賴性、分布復(fù)雜性等因素，傳統(tǒng)的缺失數(shù)據(jù)插補(bǔ)方法(如均值插補(bǔ)、零插補(bǔ)、基于矩陣分解的插補(bǔ)等)都不能很好地建模，因此本文提出基于GAIN的數(shù)據(jù)插補(bǔ)方法，在傳統(tǒng)生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GAN)的基礎(chǔ)上引入提示機(jī)制，采用缺失提示矩陣H(即有部分提示信息的標(biāo)注矩陣)，用于判別原始數(shù)據(jù)集的缺失位置。根據(jù)提示率給鑒別器不同的提示信息，可以訓(xùn)練出具有不同數(shù)據(jù)分布的生成器。通過(guò)強(qiáng)化生成器和鑒別器的相互對(duì)抗過(guò)程，最終達(dá)到納什均衡狀態(tài)，從而得到最優(yōu)的數(shù)據(jù)分布。

2.2 GAIN的基本原理及結(jié)構(gòu)

GAIN可以直接使用不完整的真實(shí)充電樁數(shù)據(jù)進(jìn)行插補(bǔ),與傳統(tǒng)GAN相似，由鑒別器和生成器網(wǎng)絡(luò)組成，但是加入了提示機(jī)制，得到的H矩陣表示原始數(shù)據(jù)的缺失數(shù)據(jù)位置，作為鑒別器的輸入。GAIN中生成器的輸入是不完整的真實(shí)數(shù)據(jù)集，而不僅僅是傳統(tǒng)GAN中的隨機(jī)噪聲Z；鑒別器可以更加細(xì)致地鑒別每一個(gè)元素的真假，而不是傳統(tǒng)GAN中鑒別器鑒別整體樣本的真假[18-19]。GAIN的基本原理流程如圖1所示。GAIN的數(shù)學(xué)描述分析如下：

a)定義該問(wèn)題在n維空間A中。

b)定義在空間A中隨機(jī)取一個(gè)數(shù)據(jù)矩陣X，其分布為P(X)。該數(shù)據(jù)矩陣表示為：

(1)

式中Xij為第i行j列的元素。

c)定義掩碼矩陣Mmask，用于記錄采集到的充電樁運(yùn)行數(shù)據(jù)的缺失位置，其掩碼由0或1表示：

(2)

式中Mij為第i行j列的掩碼元素，取值為0或1，用于屏蔽一些特定數(shù)值。

(3)

即

(4)

式中*表示：當(dāng)Mij為0時(shí)，未監(jiān)測(cè)到的數(shù)據(jù)；當(dāng)Mij為1時(shí)，保留未缺失的原數(shù)據(jù)Xij。

2.2.1 GAIN的提示機(jī)制

矩陣B定義為

B=(b1,b2,…,bi,…,bn)，

(5)

式中：bi為第i維隨機(jī)變量；B為維數(shù)與掩碼矩陣Mmask一致的二值隨機(jī)矩陣，B中元素隨機(jī)為0或1。

根據(jù)上述的Mmask和B變量，定義提示矩陣

H=B⊙Mmask+0.5(E-B).

(6)

式中：⊙表示哈達(dá)瑪積運(yùn)算；E為元素均為1的矩陣。

圖1 GAIN的基本原理流程Fig.1 The basic principle flow chart of GAIN

2.2.2 GAIN的生成器網(wǎng)絡(luò)

(7)

(8)

式中G為生成函數(shù)。基于隨機(jī)噪聲變量S并訓(xùn)練生成器網(wǎng)絡(luò)進(jìn)行填補(bǔ)得到變量Ximputation。對(duì)于Xoutput：當(dāng)Mij為1時(shí)，保留原始數(shù)據(jù)X中未缺失的值；當(dāng)Mij為0時(shí)，使用生成器網(wǎng)絡(luò)訓(xùn)練好的值Ximputation進(jìn)行插補(bǔ)，得到完整的充電樁運(yùn)行數(shù)據(jù)集。

2.2.3 GAIN的鑒別器網(wǎng)絡(luò)

在鑒別器中，需要判斷的是：每個(gè)從生成器輸出的完整數(shù)據(jù)是否為生成器自己補(bǔ)充后的數(shù)據(jù)。因此鑒別器需要輸出數(shù)據(jù)未缺失的概率Moutput，表示為

Moutput=D(Xoutput,H).

(9)

式中：D為判別函數(shù)；Moutput取值為[0,1]。同時(shí)結(jié)合式(6)可知，除bij為0時(shí)的分量外，H矩陣包含了Mmask到D的其他所有組成部分。

3 基于GAIN的數(shù)據(jù)插補(bǔ)及Bi-GRU的充電樁安全預(yù)警模型

考慮直流充電樁安全影響因素，首先分析充電樁典型故障參數(shù)，設(shè)定故障閾值；其次采用GAIN對(duì)充電樁缺失數(shù)據(jù)進(jìn)行插補(bǔ)，并對(duì)插補(bǔ)后的數(shù)據(jù)集進(jìn)行聚類(lèi)分析，計(jì)算波動(dòng)閾值，根據(jù)數(shù)據(jù)波動(dòng)閾值判斷設(shè)備或模塊運(yùn)行狀態(tài)；最后基于Bi-GRU的充電樁安全預(yù)警模型對(duì)已告警的異常狀態(tài)進(jìn)行故障預(yù)測(cè)。

3.1 充電樁典型運(yùn)行異常問(wèn)題

充電樁內(nèi)部電路設(shè)計(jì)復(fù)雜，運(yùn)行過(guò)程中每個(gè)模塊都有可能發(fā)生故障，結(jié)合相關(guān)資料及國(guó)家標(biāo)準(zhǔn)定義典型故障參數(shù)，為充電樁狀態(tài)評(píng)價(jià)奠定基礎(chǔ)[20-23]。

3.1.1 充電樁輸出電壓故障參數(shù)

電動(dòng)汽車(chē)充電時(shí)根據(jù)車(chē)輛不同型號(hào)設(shè)定充電樁輸出電壓標(biāo)準(zhǔn)值Um0，即BMS需求值。采集充電樁實(shí)時(shí)輸出的電壓測(cè)量值Um，輸出電壓誤差應(yīng)保持在±0.5%以內(nèi)，超出該閾值判斷為輸出電壓狀態(tài)故障，其誤差表達(dá)式如下：

(10)

3.1.2 充電樁輸出電流故障參數(shù)

同理設(shè)定充電樁輸出電流標(biāo)準(zhǔn)值Im0，采集充電樁實(shí)時(shí)輸出的電流測(cè)量值Im，輸出電流誤差應(yīng)保持在±1%以內(nèi)，超出該閾值判斷為輸出電流狀態(tài)故障，其誤差表達(dá)式如下：

(11)

3.1.3 充電樁溫度故障參數(shù)

充電樁內(nèi)部結(jié)構(gòu)設(shè)計(jì)復(fù)雜，由許多模塊及高精密度的電力電子元器件組成，且每個(gè)元器件的溫度閾值不同。選取較為重要的充電模塊溫度作為監(jiān)測(cè)量，在充電樁運(yùn)行過(guò)程中充電模塊的溫度θC與環(huán)境溫度θ的差值Δθ應(yīng)保持在50 ℃以內(nèi)，若超出該閾值判斷為充電模塊過(guò)溫故障，其差值表達(dá)式如下：

Δθ=|θ-θC|,Δθ≤50 ℃.

(12)

3.1.4 充電樁通信故障參數(shù)

基于第1章BMS與充電的通信要求分析，選取充電過(guò)程中BMS向充電控制器發(fā)送報(bào)文的時(shí)間tb以及充電控制器接收到報(bào)文的時(shí)間tc為監(jiān)測(cè)量，其時(shí)間差Δt應(yīng)保持在5 s內(nèi)，若超出該閾值判斷為充電樁與BMS通信故障，其差值表達(dá)式如下：

Δt=tc-tb，Δt≤5 s.

(13)

3.2 充電樁典型異常狀態(tài)分析

3.2.1 充電樁運(yùn)行狀態(tài)評(píng)價(jià)

依據(jù)上述充電樁典型故障參數(shù)，結(jié)合相關(guān)國(guó)家標(biāo)準(zhǔn)資料及充電樁運(yùn)行工況數(shù)據(jù)，整理充電樁運(yùn)行過(guò)程采集量、異常告警及設(shè)備狀態(tài)3種數(shù)據(jù)類(lèi)型，見(jiàn)表2。

表2 充電樁運(yùn)行工況數(shù)據(jù)項(xiàng)Tab.2 Charging pile operating condition data item

3.2.2 充電樁運(yùn)行狀態(tài)評(píng)價(jià)方法

使用自適應(yīng)k-means算法[24]對(duì)GAIN插補(bǔ)后的各充電樁采集數(shù)據(jù)進(jìn)行預(yù)處理，得到其對(duì)應(yīng)采集量的數(shù)據(jù)中心點(diǎn)并計(jì)算相應(yīng)的閾值；同時(shí)通過(guò)數(shù)據(jù)中心點(diǎn)進(jìn)行區(qū)間估計(jì)得到置信區(qū)間值，即閾值參數(shù)；然后再根據(jù)閾值判斷充電樁的波動(dòng)狀態(tài)，流程如圖2所示。置信區(qū)間的計(jì)算公式為

P(c1≤μ≤c2)=1-a=0.95.

(14)

式中：a為置信水平，初始化為0.5；c1、c2為置信區(qū)間的范圍變量，代表正態(tài)分布的期望值，即數(shù)據(jù)中心的閾值。

圖2 波動(dòng)閾值獲取參數(shù)流程Fig.2 Fluctuation threshold acquisition parameter framework

由于電動(dòng)汽車(chē)充電周期是一個(gè)多階段過(guò)程，選取最具代表性和穩(wěn)定性的穩(wěn)定充電階段進(jìn)行研究，分析該階段的充電樁運(yùn)行狀態(tài)。充電樁運(yùn)行狀態(tài)評(píng)價(jià)流程如圖3所示。

圖3 充電樁運(yùn)行狀態(tài)評(píng)價(jià)流程Fig.3 Charging pile operation status evaluating framework

通過(guò)3.1節(jié)對(duì)充電樁部分典型運(yùn)行異常狀態(tài)參數(shù)的分析，結(jié)合充電樁運(yùn)行狀態(tài)評(píng)價(jià)指標(biāo)集合、故障閾值和波動(dòng)閾值，將充電樁設(shè)備及各模塊運(yùn)行狀態(tài)分為正常、波動(dòng)、異常、故障4種狀態(tài)。由圖3可知：根據(jù)采集到的充電樁多維運(yùn)行數(shù)據(jù)，若超出異常狀態(tài)參數(shù)閾值則判斷為故障狀態(tài)且充電樁給出故障報(bào)文，需立即進(jìn)行更換設(shè)備或模塊；未超出異常狀態(tài)閾值時(shí)，根據(jù)歷史正常充電周期選取各項(xiàng)數(shù)據(jù)中心點(diǎn)并計(jì)算正常波動(dòng)的閾值，包括電壓差值誤差±0.2%、電流差值誤差±0.5%、充電模塊溫度差值40 ℃等多項(xiàng)數(shù)據(jù)對(duì)應(yīng)的波動(dòng)閾值。若某項(xiàng)監(jiān)測(cè)數(shù)據(jù)超出波動(dòng)閾值，則判斷為波動(dòng)狀態(tài)；若在1次完整充電周期內(nèi)波動(dòng)次數(shù)超過(guò)5次則判斷為異常狀態(tài)，需要及時(shí)進(jìn)行運(yùn)維；若某項(xiàng)監(jiān)測(cè)數(shù)據(jù)在一次完整充電周期內(nèi)未超出波動(dòng)閾值，則判斷為正常狀態(tài)。

3.3 基于Bi-GRU的充電樁安全預(yù)警

采集到的充電樁運(yùn)行故障數(shù)據(jù)不僅與當(dāng)前時(shí)間變化密切相關(guān)，而且與歷史累積故障次數(shù)相關(guān)，如電壓、電流、溫度等數(shù)據(jù)在前期波動(dòng)多次，則可能會(huì)在后期突變，超出其故障安全閾值，達(dá)到故障狀態(tài)，所以需要對(duì)異常狀態(tài)進(jìn)行故障預(yù)測(cè)。

3.3.1 Bi-GRU基本結(jié)構(gòu)

本文基于Bi-GRU建立充電樁安全預(yù)警模型，能夠顯著提高數(shù)據(jù)處理速度，及時(shí)預(yù)測(cè)可能發(fā)生的故障。GRU結(jié)構(gòu)如圖4所示。

圖4 傳統(tǒng)GRU結(jié)構(gòu)Fig.4 Traditional GRU structure

GRU正向傳播的數(shù)學(xué)描述如下：

Zt=σ(WZ?[xt,ht-1]).

(15)

rt=σ(Wr?[xt,ht-1]).

(16)

(17)

(18)

Ot=σ(Wo·ht).

(19)

Bi-GRU模型的數(shù)學(xué)描述如下：

(20)

(21)

(22)

Ot=σ(WB·ht).

(23)

圖5 Bi-GRU結(jié)構(gòu)Fig.5 Bi-GRU structure

3.3.2 充電樁運(yùn)行狀態(tài)安全預(yù)警模型

通過(guò)充電樁監(jiān)控系統(tǒng)采集到充電樁多維運(yùn)行數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理及缺失數(shù)據(jù)的插補(bǔ)，使得每個(gè)充電周期的充電樁運(yùn)行數(shù)據(jù)保持完整。同時(shí)計(jì)算每個(gè)異常運(yùn)行狀態(tài)的波動(dòng)閾值，結(jié)合故障參數(shù)，判斷設(shè)備或模塊的運(yùn)行狀態(tài)，對(duì)處于異常告警狀態(tài)的設(shè)備或模塊進(jìn)行故障預(yù)測(cè)，預(yù)測(cè)其是否會(huì)發(fā)生故障，實(shí)現(xiàn)充電樁的安全預(yù)警。其流程如圖6所示。

圖6 充電樁安全預(yù)警流程Fig.6 Flow chart of charging pile safety warning

4 算例分析

本文選取監(jiān)控系統(tǒng)采集到的2021年11月至2022年4月某一充電樁運(yùn)行數(shù)據(jù)進(jìn)行分析，隨機(jī)劃分處理樣本數(shù)據(jù)庫(kù)中的2 000例充電樁數(shù)據(jù)，選取1 600例充電樁運(yùn)行狀態(tài)數(shù)據(jù)構(gòu)成訓(xùn)練集，剩下的400例充電樁數(shù)據(jù)構(gòu)成測(cè)試集，Bi-GRU模型選取步長(zhǎng)為10，進(jìn)行滾動(dòng)預(yù)測(cè)，主要運(yùn)行數(shù)據(jù)見(jiàn)表1。為統(tǒng)一維度，將數(shù)據(jù)重采樣，得到以1 min為采樣間隔的運(yùn)行數(shù)據(jù)。

將初始數(shù)據(jù)進(jìn)行歸一化處理，映射到[0,1]之間，其歸一化表達(dá)式為：

(24)

式中：x為初始數(shù)據(jù)；xmax為最大值；xmin為最小值。

本文選取均方根誤差(ERMSE)作為驗(yàn)證模型性能的評(píng)價(jià)指標(biāo)：

(25)

為驗(yàn)證GAIN算法在數(shù)據(jù)插補(bǔ)中的有效性，隨機(jī)選取一部分完整充電周期的充電樁運(yùn)行數(shù)據(jù)，即不包含缺失值的小數(shù)據(jù)集，對(duì)其進(jìn)行隨機(jī)數(shù)據(jù)刪減處理，可得到不完整的運(yùn)行數(shù)據(jù)集以進(jìn)行實(shí)驗(yàn)。因此選取2021年12月的充電樁運(yùn)行數(shù)據(jù)進(jìn)行分析，假設(shè)環(huán)境因素或設(shè)備因素導(dǎo)致部分?jǐn)?shù)據(jù)缺失的情況，對(duì)其數(shù)據(jù)集隨機(jī)缺失處理。并將插補(bǔ)結(jié)果和原始數(shù)據(jù)集進(jìn)行對(duì)比，以ERMSE作為評(píng)估指標(biāo)，某完整充電周期的實(shí)際值與插補(bǔ)值對(duì)比如圖7所示，不同數(shù)據(jù)插補(bǔ)方法的誤差對(duì)比見(jiàn)表3。

圖7 GAIN的缺失數(shù)據(jù)插值結(jié)果Fig.7 Missing data imputation results for GAIN

表3 不同插補(bǔ)方法的誤差對(duì)比Tab.3 Error comparison of different imputation methods

表3中，KNN(K- nearest neighbor)為K近鄰插補(bǔ)算法，Matrix為矩陣插補(bǔ)算法，MICE為基于鏈?zhǔn)椒匠痰亩嘀夭逖a(bǔ)算法。所提的基于GAIN數(shù)據(jù)插補(bǔ)方法相較于傳統(tǒng)的插補(bǔ)方法誤差更低。在缺失率為5%的情況下，其比MICE法誤差降低了54.9%；在缺失率為35%的情況下，較MICE法誤差降低了13.9%。由圖7(a)可以看出，缺失率為35%的情況下，采用本文所提的GAIN方法對(duì)某一充電周期的電流值進(jìn)行數(shù)據(jù)插補(bǔ)，可以看出，在數(shù)據(jù)波動(dòng)處插補(bǔ)效果理想，但是在數(shù)據(jù)驟變?nèi)缂眲∩仙蛳陆倒拯c(diǎn)處，相對(duì)會(huì)有較大的誤差，總體效果較好；圖7(b)所示為缺失率為80%的情況，由于缺失率過(guò)大，插補(bǔ)精度較35%的情況較低，但總體效果較好。

基于上述充電樁異常狀態(tài)評(píng)價(jià)模型的分析，選取1個(gè)充電周期內(nèi)有5次及以上波動(dòng)狀態(tài)的原始異常數(shù)據(jù)進(jìn)行分析，對(duì)數(shù)據(jù)進(jìn)行插補(bǔ)。根據(jù)充電樁大數(shù)據(jù)分析平臺(tái)得到的異常告警信息，某次充電報(bào)出充電模塊溫度異常告警，進(jìn)而對(duì)其進(jìn)行故障預(yù)測(cè)。

假設(shè)環(huán)境溫度為20 ℃，根據(jù)上述的充電模塊溫度波動(dòng)狀態(tài)閾值為60 ℃，故障閾值為70 ℃，充電模塊前50 min溫度曲線如圖8所示。

圖8 充電模塊運(yùn)行50 min的溫度Fig.8 The temperature which the charging module operates for 50 minutes

由圖8可知，充電模塊在運(yùn)行到30～40 min時(shí)，處于波動(dòng)狀態(tài)，且多次超過(guò)波動(dòng)閾值60 ℃，判定為異常狀態(tài)，基于Bi-GRU模型對(duì)其進(jìn)行后續(xù)的故障預(yù)測(cè)，如圖9所示。

圖9 充電模塊過(guò)溫故障預(yù)警結(jié)果Fig.9 Charging module over-temperature fault warning result

由圖9可知，根據(jù)溫度異常狀態(tài)告警及過(guò)溫故障前的升溫趨勢(shì)分析，充電模塊過(guò)溫故障被提前預(yù)測(cè)。該模型在預(yù)測(cè)溫度變化時(shí)，中期的升溫過(guò)程能較準(zhǔn)確地進(jìn)行預(yù)測(cè)，與實(shí)際溫度曲線比較貼合。盡管在后期的波動(dòng)過(guò)程中，明顯看出與實(shí)際曲線有偏差，但最終可以提前判斷出溫度即將超出故障閾值，提前做出預(yù)警。

同理，若是發(fā)出輸出電流異常告警，則對(duì)輸出過(guò)流故障進(jìn)行預(yù)測(cè)。所選取電動(dòng)汽車(chē)恒流充電電流為85 A左右，其誤差波動(dòng)閾值為±0.425 A，故障閾值為±0.85 A，BMS電流需求值與充電樁輸出電流值前80 min如圖10所示，可知在60～80 min內(nèi)充電電流產(chǎn)生多次波動(dòng)。

圖10 充電80 min電流曲線Fig.10 80 minutes charging current curve

通過(guò)對(duì)歷史數(shù)據(jù)的訓(xùn)練，選取80 min以后的BMS需求電流曲線、實(shí)際值曲線、預(yù)測(cè)值曲線作比較，90 min以后發(fā)生多次輸出電流故障，如圖11所示，紅色虛線為預(yù)測(cè)的充電樁輸出電流值。與實(shí)際值進(jìn)行對(duì)比分析，模型能夠較好地預(yù)測(cè)即將發(fā)生的輸出電流故障。由于電流數(shù)據(jù)的波動(dòng)較多，無(wú)法精確預(yù)測(cè)，但大致趨勢(shì)預(yù)測(cè)效果較好。

圖11 輸出電流故障預(yù)警結(jié)果Fig.11 Output current fault warning result

對(duì)電壓、功率、濕度、通信時(shí)延等故障類(lèi)型進(jìn)行數(shù)據(jù)監(jiān)測(cè)。以輸出電壓預(yù)警為例：某次充電樁輸出最高電壓為469 V，由式(10)得到波動(dòng)閾值范圍為(469.938 V，468.062 V)，電壓故障值范圍值(466.655 V，471.345 V)。若前期超出波動(dòng)閾值5次，則進(jìn)行電壓預(yù)警；若預(yù)測(cè)值超過(guò)電壓故障值范圍，則判定充電樁輸出電壓故障。通過(guò)傳感器完成多維動(dòng)態(tài)數(shù)據(jù)收集，有效提高了異常預(yù)測(cè)誤差識(shí)別性能，同時(shí)將數(shù)據(jù)輸入該模型，實(shí)現(xiàn)充電樁的實(shí)時(shí)預(yù)警。

同時(shí)為驗(yàn)證本文提出的GAIN數(shù)據(jù)插補(bǔ)模型在充電樁運(yùn)行狀態(tài)安全預(yù)警中的有效性，以1個(gè)月充電樁存在故障狀態(tài)的運(yùn)行數(shù)據(jù)樣本為對(duì)象，使用隨機(jī)空缺數(shù)據(jù)集訓(xùn)練模型，對(duì)比基于GAIN的Bi-GRU算法與其他算法在測(cè)試集上的準(zhǔn)確率，結(jié)果如圖12所示。

圖12 充電樁運(yùn)行狀態(tài)安全預(yù)警準(zhǔn)確率Fig.12 Accuracy rate of safety warning of charging pile operation status

圖12中，GRU為門(mén)控循環(huán)單元，Bi-LSTM為雙向長(zhǎng)短期記憶網(wǎng)絡(luò)，SVM為支持向量機(jī)，ARIMA為差分整合移動(dòng)平均自回歸模型，BP為多層前饋神經(jīng)網(wǎng)絡(luò)。由圖12可知，當(dāng)預(yù)測(cè)時(shí)間尺度很短即短期預(yù)測(cè)(一般指4～48 h內(nèi)的預(yù)測(cè))時(shí)，多種預(yù)測(cè)算法在使用GAIN的插補(bǔ)方法后的預(yù)測(cè)精度都有所提高，說(shuō)明經(jīng)過(guò)GAIN算法的數(shù)據(jù)插補(bǔ)，數(shù)據(jù)質(zhì)量明顯提升；且本文所提Bi-GRU算法在測(cè)試集上的準(zhǔn)確率相較于其他算法更高，在測(cè)試集上的性能均有所提升，能夠有效提高充電樁安全預(yù)警的精度。

5 結(jié)束語(yǔ)

針對(duì)采集數(shù)據(jù)的不完整性，本文提出了一種基于GAIN的數(shù)據(jù)插補(bǔ)及充電樁安全預(yù)警方法。考慮充電樁運(yùn)行過(guò)程可采集到的監(jiān)控量及可能發(fā)生的故障，結(jié)合GAIN數(shù)據(jù)插補(bǔ)及Bi-GRU算法，建立充電樁安全預(yù)警模型，對(duì)產(chǎn)生異常告警的情況進(jìn)行故障預(yù)測(cè)，判斷其是否超出故障閾值。通過(guò)算例分析，驗(yàn)證本文所提數(shù)據(jù)插補(bǔ)方法精度較高，將其應(yīng)用于充電樁運(yùn)行狀態(tài)安全預(yù)警時(shí)可提高預(yù)警準(zhǔn)確率，能夠很好地預(yù)測(cè)故障的發(fā)生，為充電樁的安全運(yùn)維奠定基礎(chǔ)。但本文未考慮GAIN初始插補(bǔ)方式對(duì)GAIN插補(bǔ)方法精度的影響，即本文初始插補(bǔ)矩陣僅考慮0矩陣，同時(shí)數(shù)據(jù)波動(dòng)狀態(tài)較多、數(shù)據(jù)驟變的情況也會(huì)導(dǎo)致預(yù)警準(zhǔn)確率降低。未來(lái)將針對(duì)在該種情況下如何提高精度以及GAIN初始插補(bǔ)方式開(kāi)展進(jìn)一步研究分析。