买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提出了一种基于时序数据增强的充电桩故障预测方法，属于充电桩技术领域，包括以下步骤：S1：采集充电桩运行的源数据集，通过卡尔曼滤波对源数据集过滤噪声，获取中间数据集；S2：建立时序生成对抗网络，实现对中间数据集的数据增强；S3：基于增强后的中间数据集，通过多层感知机网络，实现对充电桩故障数据的预测，得到目标数据集；S4：基于中间数据集和目标数据集，得到最终的充电桩故障预测方法。本发明提出的充电桩故障预测方法，可有效提高充电桩的运行稳定性和故障检测的准确性，对智能充电网络的可靠性和安全性具有重要意义。

主权项：1.一种基于时序数据增强的充电桩故障预测方法，其特征在于，包括以下步骤：S1：采集充电桩运行的源数据集，通过卡尔曼滤波对源数据集过滤噪声，获取中间数据集；S2：建立时序生成对抗网络，实现对中间数据集的数据增强；S3：基于增强后的中间数据集，通过多层感知机网络，实现对充电桩故障数据的预测，得到目标数据集；S4：基于中间数据集和目标数据集，得到最终的充电桩故障预测方法；所述S1中，过滤噪声的方法包括以下步骤：S11：根据当前状态向量预测下一时间的状态向量，公式如下： （1）；式中，表示时间步k的信息下对时间步k+1的状态预测，表示当前时间步k的状态向量，表示状态转移矩阵，表示过程噪声；S12：根据当前估计误差协方差矩阵，预测下一时间步的估计误差协方差矩阵，公式如下： （2）；式中，表示时间步k的信息下对时间步k+1的误差协方差矩阵预测，表示当前时间步k的估计误差协方差矩阵，表示状态转移矩阵，表示过程噪声协方差；S13：通过观测矩阵和观测噪声协方差计算卡尔曼增益，公式如下： （3）；式中，表示时间步k的卡尔曼增益，H表示观测矩阵，表示观测噪声协方差；S14：根据当前状态向量和估计误差协方差，利用卡尔曼增益进行更新，获取准确的状态估计，去除信号中的噪声成分，公式如下： （4）；式中，表示更新后的状态向量，表示更新前的状态向量，表示卡尔曼增益，表示时间步k的观测数据，H表示观测矩阵，表示更新后的估计误差协方差矩阵，表示更新前的估计误差协方差矩阵，I表示单位矩阵；所述S2中，数据增强的方法包括以下步骤：S21：基于门控循环单元建立时序生成对抗网络，门控循环单元利用更新门和重置门来提取和学习数据特征，更新门控制上一时间步信息的保留，重置门对过去信息选择性的遗忘，保留重要信息，公式如下： （5）；式中，表示当前时间步t的输入特征向量，表示上一时间步t-1的隐藏状态，表示时间步t更新门的输出，表示时间步t重置门的输出，表示时间步t的候选隐藏状态，表示时间步t的最终隐藏状态； 表示更新门、遗忘门、候选隐藏状态的权重和偏置，、表示sigmoid激活函数和tanh激活函数；S22：基于自动编码组件，实现对数据特征的自动编码解码，自动编码组件包含嵌入函数和恢复函数，公式如下： （6）；式中，表示当前时间步t的输入特征向量，表示输入经过嵌入函数后的嵌入向量，表示嵌入向量经过恢复函数后的特征向量，表示嵌入向量映射到监督空间的中间状态向量，用于后续的监督训练，表示相应的门控循环单元；S23：对抗生成组件由生成器和判别器组成，生成器公式如下： （7）；式中，表示当前时间步t的输入随机高斯噪声，表示生成器生成的隐藏状态，表示隐藏状态映射到监督空间的表示，表示隐藏状态经过恢复函数后的向量，表示相应的门控循环单元；判别器公式如下： （8）；式中，表示生成器经噪声输入后生成的隐藏状态，表示隐藏状态映射到监督空间的表示，表示输入数据经嵌入函数后的嵌入向量，表示相应输入后判别器的判别结果，表示相应的门控循环单元；S24：模型通过优化算法最小化损失进行训练，在时序生成对抗网络中，包括有三个损失函数，损失函数公式如下： （9）；式中，表示判别器判别结果的交叉熵损失，N表示样本数，表示相应输入后判别器的判别结果，γ为权重参数，表示生成器的损失，包含和；其中，计算输入的嵌入向量与其映射到监督空间的中间向量之间的差别，计算输入与生成器输出经恢复函数后的特征向量之间的差别，与分别代表方差计算、均值计算，v为参数； 表示有监督学习的损失，计算输入与恢复函数后的特征向量的差别，以及嵌入向量与监督空间的中间向量之间的差别。

全文数据：

权利要求：

百度查询： 国网(山东)电动汽车服务有限公司 一种基于时序数据增强的充电桩故障预测方法