一种电动汽车充电桩设备故障诊断方法

1.本发明涉及充电桩故障诊断技术，特别是一种电动汽车充电桩设备故障诊断方法。


背景技术：

2.随着全球能源结构的转变和环境保护的日益重要性，电动汽车逐渐成为现代交通的重要组成部分。伴随着电动汽车市场的快速发展，充电桩作为电动汽车充电设施的关键部件，其需求也在迅速增长。然而，在充电桩的运行过程中，可能会出现各种故障，如电压异常、电流波动、温度过高等，这些故障可能导致充电设备损坏，甚至危及用户安全。
3.充电桩作为新能源汽车的重要充电设备，其稳定性和可靠性对于新能源汽车的推广和发展至关重要。目前针对直流充电桩，研究热点主要是充电策略、控制系统和负电预测等。研究方法主要以深度神经网络，随机森林算法，主成分分析，小波包分析等。其中，通过时间卷积网络(tcn)和fedformer构建tcn-fedformer融合模型，tcn能有效提取时间序列中的时空特征，fedformer模型可以更好地捕捉时间序列的全局特性，两种模型的融合可以提高充电桩设备故障诊断的准确率和效率，为新能源汽车的推广和发展提供技术支持。


技术实现要素：

4.发明目的：本发明旨在提供一种高效、准确的充电桩故障诊断方法，通过结合时间卷积网络(tcn)、fedformer和改进的阿基米德优化算法(maoa)，实现对充电桩运行数据的智能处理和故障类型的准确识别。
5.技术方案：本发明公开了一种电动汽车充电桩设备故障诊断方法，包括以下步骤：
6.(1)在大数据库中获取充电桩历史故障数据，并进行数据预处理；所述历史故障数据包括充电桩的电压异常、充电流异常、充电模块过温、输出过流、直流输出短路故障以及绝缘异常；
7.(2)利用timegan对原始数据集进行数据增强，生成时间序列数据，以扩充原始数据集；
8.(3)将步骤(2)扩充后数据集划分成训练集、验证集和测试集；通过时间卷积网络tcn和fedformer模型构建tcn-fedformer融合模型，时间卷积网络tcn提取时间序列中的时空特征，fedformer模型捕捉时间序列的全局特性；
9.(4)采用拉丁超立方对阿基米德优化算法aoa的种群进行初始化，引入柯西反向学习混合变异策略避免算法陷入局部最优，得到改进后的阿基米德优化算法maoa；利用maoa优化tcn-fedformer联合模型的超参数，所述超参数包括学习率、遗忘率、隐藏层数；
10.(5)利用优化后的tcn-fedformer联合模型进行电动汽车充电桩设备故障诊断，将融合模型的输出通过全局平均池化后使用softmax函数进行分类。
11.进一步地，所述步骤(1)中数据预处理的步骤如下：
12.步骤2.1：数据清洗，清除冗余数据、填充缺失数据和修正异常数据；
13.步骤2.2：对数据进行归一化，消除数据量纲的影响。
14.进一步地，所述步骤(2)中timegan对原始数据集进行数据增强，生成时间序列数据的步骤如下：
15.步骤3.1：构建timegan网络，调整生成器和判别器之间的对抗训练；将真实时间序列在自编码器中进行数据重构，嵌入及复现函数可定义为：
16.hs＝es(s),h
t
＝e
x
(hs,h
t-1
,x
t
) (1)
[0017][0018]
其中，s为静态特征的向量空间，x为时序特征的向量空间；e、r则分别表示嵌入函数和复现函数；es为静态特征的嵌入网络；e
x
是一种时间特征的循环嵌入网络；rs和r
x
为静态和时间嵌入的恢复网络；h
t-1
代表前一次的时态特征，hs和h
t
对应静态特征和时序特征的潜在空间；和为复现函数解码后的输入数据；
[0019]
步骤3.2：设计生成对抗网络，生成函数与对抗函数定义为：
[0020][0021][0022]
其中，g、d分别表示生成器函数和判别器函数，z表示生成器两种初始噪声类型，gs为静态特征的生成网络，g
x
为时间特征的循环生成网络，和分别表示正向和反向隐藏状态序列，和为经过生成器处理之后的两种数据格式，和对应数据的判别结果；
[0023]
步骤3.3：建立误差损失函数对timegan模型联合训练优化；
[0024]
步骤3.3.1：运用数据重构损失lr实现对自编码器编码与解码的优化，生成更高效的数据低维潜在表征；
[0025]
步骤3.3.2：引入真实多元数据作为生成器的监督项，通过定义生成器与真实数据之间的有监督损失ls，评价生成器对体现时序相关性的潜在表征和真实数据特征的学习能力；
[0026]
步骤3.3.3：定义无监督gan的对抗损失lu，实现对生成器的反馈模型在各网络联合训练实现三大误差最小的基础上，完成对嵌入空间下序列相关性的学习，从而生成符合真实时序分布的生成数据；
[0027]
模型各误差损失公式定义如下：
[0028][0029][0030][0031]
其中，下标s,x1:t～p表示原始数据分布，s和分别代表原始静态特征和通过自编码器后的静态特征，x
t
和分别代表原始时态特征和自编码器生成的时态特征，ys和y
t
表示真实序列的判别结果，和表示生成序列的判别结果，h
t
表示真实数据的潜在时态特征，g
x
(hs,h
t-1
,z
t
)表示通过生成器生成序列的潜在时态特征；步骤3.4：训练完成后，把生成器
生成的新的时间序列数据扩充原始数据集中。
[0032]
进一步地，所述步骤(3)中构建tcn-fedformer融合模型的步骤如下：
[0033]
步骤4.1：将步骤(2)扩充后数据集按照6：2：2的比例划分为训练集、验证集和测试集；
[0034]
步骤4.2：对时间卷积网络和fedformer模型进行融合，通过因果卷积对输入时间序列进行时空特征提取，其公式为：
[0035][0036]
其中，f＝(f1,f2,
…
,fk)为滤波器，x＝(x1,x2,
…
,x
t
)为输入序列，x
t
为输入层节点，k为卷积核的完整宽度，k为卷积核中有效的宽度；
[0037]
步骤4.3：进行池化运算，其公式为：
[0038][0039]
其中，r是池大小，n是确定要移动的数据区域的距离的步长，小于输入大小y，l为卷积层层数；
[0040]
步骤4.4：引入激活函数relu、权值归一化和dropout操作，通过步骤4.2和步骤4.3组合成残差块，由多个残差块组成残差网络；
[0041]
步骤4.5：将tcn的输出输入到fedformer的编码器-解码器结构中；
[0042]
步骤4.6.1：定义编码器的结构；
[0043][0044]
其中，l∈{1,
…
,n}表示第l层编码器的输出，为嵌入的历史序列；encoder(
·
)形式为：
[0045][0046][0047][0048]
其中，分别表示第l层第i个分解块后的季节分量；
[0049]
步骤4.6.2：定义解码器的结构；
[0050][0051]
其中，l∈{1,
…
,m}表示第l层解码器的输出；
[0052]
decoder(
·
)形式为：
[0053][0054][0055][0056]
[0057]
其中，分别表示第l层第i个分解块后的季节分量和趋势分量；w
l,i
,i∈{1,2,3}表示第i次提取的趋势的投影；预测结果为两个细化分解分量的和：其中ws是将深度变换后的季节分量投影到目标维度；
[0058]
步骤4.7：利用步骤4.1划分的训练集和验证集，对tcn-fedformer融合模型进行训练，使用融合模型对测试集进行预测。
[0059]
进一步地，所述步骤(4)中对阿基米德优化算法aoa进行改进，得到改进后的阿基米德优化算法maoa，包括如下步骤：
[0060]
步骤5.1：设置aoa算法的种群大小和迭代次数，以及搜索空间的上下限；
[0061]
步骤5.2：采用拉丁超立方策略初始化算法的种群位置，改进后的公式如下所示：
[0062][0063]
其中，lb
j,i
为第i个种群的第j个维度的下界，ub
j,i
为第i个种群的第j个维度的上界，lbj和ubj为第j个维度的上界和下届，a
i,j
为第i个种群的第j个维度的搜索空间，aj表示第i个种群所在的子搜索空间，x
i,d
为第i个种群的第d个维度的位置，rfp为全排列操作，n表示种群规模，d表示问题维度，xi表示第i个种群的初始化值，rand为一个取值为[0,1]的随机值；
[0064]
步骤5.3：更新个体的密度和体积：
[0065][0066]
式中，和为当前和下一次迭代中第i个体的密度，和为当前和下一次迭代中第i个体的体积，d
best
、v
best
分别为当前最优的密度和体积；
[0067]
步骤5.4：加速度跟新；
[0068]
步骤5.4.1：当转移因子tf≤0.5时，算法进行全局搜索阶段，其加速度更新公式如下式所示：
[0069][0070]
其中，为下一次迭代中第i个体的加速度，d
mr
、v
mr
和a
mr
分别为当前迭代中随机挑选个体的密度、体积、加速度；
[0071]
步骤5.4.2：当转移因子tf》0.5时，算法进行局部开发阶段，其加速度更新公式如下式所示：
[0072][0073]
其中，a
best
为最优对象的加速度；
[0074]
步骤5.4.3：对加速度进行标准化处理：
[0075][0076]
其中，为下一次迭代中第i个体归一化后的加速度，max(a)和min(a)为全局搜索中最大和最小的加速度，u和l表示归一化范围；
[0077]
步骤5.5：物体位置更新；
[0078]
步骤5.5.1：当转移因子tf≤0.5时，算法进行全局搜索阶段，其位置更新公式如下式所示：
[0079][0080]
式中，rand∈(0,1)，c1为常数，x
rand
表示第i个随机个体在第t次迭代的位置；
[0081]
步骤5.5.2：当转移因子tf》0.5时，算法进行局部开发阶段，引入柯西反向学习混合变异策略，对位置进行扰动，使其具备跳出局部最优能力，公式如下：
[0082]
x
′
best
(t)＝k1(ub+lb)-x
best
(t)
ꢀꢀ
(25)
[0083][0084]
其中，ub、lb表示上下界；x
′
best
(t)为第t次迭代时最优个体反向解，x
best
(t)为第t次迭代时最优个体解，为柯西反向学习最优解，k1、k2分别为[0,1]的随机数；cauchy(0,1)为标准柯西分布，p为服从正态分布的随机概率；当p＞0.5时，柯西算子变异为最优解，当p≤0.5时，反向学习策略扰动当前最优解；
[0085]
步骤5.6：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出tcn-fedformer融合模型的超参数，否则返回步骤5.3。
[0086]
进一步地，所述步骤(5)中对融合模型的输出通过全局平均池化后使用softmax函数进行分类，包括如下步骤：
[0087]
步骤6.1：将得到的充电桩故障特征通过全局平均池化代替全连接层降维，然后将池化后的特征向量s使用softmax函数计算特征向量被分到每个类别的概率p，softmax函数计算公式如下：
[0088][0089]
其中，ws为全局平均池化的权重矩阵，si为池化后的特征向量，bs、bf皆为偏置参数；
[0090]
步骤6.2：模型训练使用交叉熵损失函数loss对网络参数进行调整，计算公式如下：
[0091]
[0092]
式中，li表示实际的标签，n表示样本总数，x表示遍历所有可能的类别。
[0093]
有益效果：
[0094]
本发明能够有效地利用大数据中的充电桩历史故障数据，提高了故障诊断的准确性和可靠性。利用timegan对原始数据集进行数据增强，生成时间序列数据，扩充原始数据集。通过时间卷积网络tcn和fedformer构建tcn-fedformer融合模型，tcn能有效提取时间序列中的时空特征，fedformer模型则可以更好地捕捉时间序列的全局特性；利用maoa优化tcn-fedformer融合模型超参数，可以捕捉到更有效的充电桩设备故障特征信息，提高了故障预测的精度和效率。
附图说明
[0095]
图1为本发明流程示意图；
[0096]
图2为tcn-fedformer融合模型结构图；
[0097]
图3为maoa算法流程示意图。
具体实施方式
[0098]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0099]
本发明公开了一种电动汽车充电桩设备故障诊断方法，参见图1至图3，具体包括如下步骤：
[0100]
(1)在大数据库中获取充电桩历史故障数据，并进行数据预处理；历史故障数据包括充电桩的电压异常、充电流异常、充电模块过温、输出过流、直流输出短路故障以及绝缘异常。
[0101]
步骤1.1：数据清洗，清除冗余数据、填充缺失数据和修正异常数据。
[0102]
步骤1.2：对数据进行归一化，消除数据量纲的影响。
[0103]
(2)利用timegan对原始数据集进行数据增强，生成时间序列数据，以扩充原始数据集。
[0104]
步骤2.1：构建timegan网络，调整生成器和判别器之间的对抗训练；将真实时间序列在自编码器中进行数据重构，嵌入及复现函数可定义为：
[0105]hs
＝es(s),h
t
＝e
x
(hs,h
t-1
,x
t
) (1)
[0106][0107]
其中，s为静态特征的向量空间，x为时序特征的向量空间；e、r则分别表示嵌入函数和复现函数；es为静态特征的嵌入网络；e
x
是一种时间特征的循环嵌入网络；rs和r
x
为静态和时间嵌入的恢复网络；h
t-1
代表前一次的时态特征，hs和h
t
对应静态特征和时序特征的潜在空间；和为复现函数解码后的输入数据。
[0108]
步骤2.2：设计生成对抗网络，生成函数与对抗函数定义为：
[0109][0110][0111]
其中，g、d分别表示生成器函数和判别器函数，z表示生成器两种初始噪声类型，gs为静态特征的生成网络，g
x
为时间特征的循环生成网络，和分别表示正向和反向隐藏状态序列，和为经过生成器处理之后的两种数据格式，和对应数据的判别结果。
[0112]
步骤2.3：建立误差损失函数对timegan模型联合训练优化：
[0113]
步骤2.3.1：运用数据重构损失lr实现对自编码器编码与解码的优化，生成更高效的数据低维潜在表征。
[0114]
步骤2.3.2：引入真实多元数据作为生成器的监督项，通过定义生成器与真实数据之间的有监督损失ls，评价生成器对体现时序相关性的潜在表征和真实数据特征的学习能力。
[0115]
步骤2.3.3：定义无监督gan的对抗损失lu，实现对生成器的反馈模型在各网络联合训练实现三大误差最小的基础上，完成对嵌入空间下序列相关性的学习，从而生成符合真实时序分布的生成数据；
[0116]
模型各误差损失公式定义如下：
[0117][0118][0119][0120]
其中，下标s,x1:t～p表示原始数据分布，s和分别代表原始静态特征和通过自编码器后的静态特征，x
t
和分别代表原始时态特征和自编码器生成的时态特征，ys和y
t
表示真实序列的判别结果，和表示生成序列的判别结果，h
t
表示真实数据的潜在时态特征，g
x
(hs,h
t-1
,z
t
)表示通过生成器生成序列的潜在时态特征。
[0121]
步骤2.4：训练完成后，把生成器生成的新的时间序列数据扩充原始数据集中。
[0122]
(3)将步骤(2)扩充后数据集划分成训练集、验证集和测试集；通过时间卷积网络tcn和fedformer模型构建tcn-fedformer融合模型，时间卷积网络tcn提取时间序列中的时空特征，fedformer模型捕捉时间序列的全局特性。
[0123]
步骤3.1：将步骤(2)扩充后数据集按照6：2：2的比例划分为训练集、验证集和测试集。
[0124]
步骤3.2：对时间卷积网络和fedformer模型进行融合，通过因果卷积对输入时间序列进行时空特征提取，其公式为：
[0125][0126]
其中，f＝(f1,f2,
…
,fk)为滤波器，x＝(x1,x2,
…
,x
t
)为输入序列，x
t
为输入层节点，k为卷积核的完整宽度，k为卷积核中有效的宽度。
[0127]
步骤3.3：进行池化运算，其公式为：
[0128][0129]
其中，r是池大小，n是确定要移动的数据区域的距离的步长，小于输入大小y，l为卷积层层数。
[0130]
步骤3.4：引入激活函数relu、权值归一化和dropout操作，通过步骤3.2和步骤3.3组合成残差块，由多个残差块组成残差网络.
[0131]
步骤3.5：将tcn的输出输入到fedformer的编码器-解码器结构中。
[0132]
fedformer的编码器-解码器结构如下：
[0133]
步骤3.5.1：定义编码器的结构；
[0134][0135]
其中，l∈{1,
…
,n}表示第l层编码器的输出，为嵌入的历史序列；encoder(
·
)形式为：
[0136][0137][0138][0139]
其中，分别表示第l层第i个分解块后的季节分量。
[0140]
步骤3.5.2：定义解码器的结构；
[0141][0142]
其中，l∈{1,
…
,m}表示第l层解码器的输出.
[0143]
decoder(
·
)形式为：
[0144][0145][0146][0147][0148]
其中，分别表示第l层第i个分解块后的季节分量和趋势分量；w
l,i
,i∈{1,2,3}表示第i次提取的趋势的投影；预测结果为两个细化分解分量的和：其中ws是将深度变换后的季节分量投影到目标维度。
[0149]
步骤3.6：利用步骤3.1划分的训练集和验证集，对tcn-fedformer融合模型进行训练，使用融合模型对测试集进行预测。
[0150]
(4)采用拉丁超立方对阿基米德优化算法aoa的种群进行初始化，引入柯西反向学习混合变异策略避免算法陷入局部最优，得到改进后的阿基米德优化算法maoa；利用maoa优化tcn-fedformer联合模型的超参数，所述超参数包括学习率、遗忘率、隐藏层数。
[0151]
步骤4.1：设置aoa算法的种群大小和迭代次数，以及搜索空间的上下限.
[0152]
步骤4.2：采用拉丁超立方策略初始化算法的种群位置，改进后的公式如下所示：
[0153][0154]
其中，lb
j,i
为第i个种群的第j个维度的下界，ub
j,i
为第i个种群的第j个维度的上界，lbj和ubj为第j个维度的上界和下届，a
i,j
为第i个种群的第j个维度的搜索空间，aj表示第i个种群所在的子搜索空间，x
i,d
为第i个种群的第d个维度的位置，rfp为全排列操作，n表示种群规模，d表示问题维度，xi表示第i个种群的初始化值，rand为一个取值为[0,1]的随机值。
[0155]
步骤4.3：更新个体的密度和体积：
[0156][0157]
式中，和为当前和下一次迭代中第i个体的密度，和为当前和下一次迭代中第i个体的体积，d
best
、v
best
分别为当前最优的密度和体积。
[0158]
步骤4.4：加速度跟新。
[0159]
步骤4.4.1：当转移因子tf≤0.5时，算法进行全局搜索阶段，其加速度更新公式如下式所示：
[0160][0161]
其中，为下一次迭代中第i个体的加速度，d
mr
、v
mr
和a
mr
分别为当前迭代中随机挑选个体的密度、体积、加速度。
[0162]
步骤4.4.2：当转移因子tf》0.5时，算法进行局部开发阶段，其加速度更新公式如下式所示：
[0163][0164]
其中，a
best
为最优对象的加速度。
[0165]
步骤4.4.3：对加速度进行标准化处理：
[0166][0167]
其中，为下一次迭代中第i个体归一化后的加速度，max(a)和min(a)为全局搜索中最大和最小的加速度，u和l表示归一化范围。
[0168]
步骤4.5：物体位置更新。
[0169]
步骤4.5.1：当转移因子tf≤0.5时，算法进行全局搜索阶段，其位置更新公式如下
式所示：
[0170][0171]
式中，rand∈(0,1)，c1为常数，x
rand
表示第i个随机个体在第t次迭代的位置。
[0172]
步骤4.5.2：当转移因子tf》0.5时，算法进行局部开发阶段，引入柯西反向学习混合变异策略，对位置进行扰动，使其具备跳出局部最优能力，公式如下：
[0173]
x
′
best
(t)＝k1(ub+lb)-x
best
(t)
ꢀꢀ
(25)
[0174][0175]
其中，ub、lb表示上下界；x
′
best
(t)为第t次迭代时最优个体反向解，x
best
(t)为第t次迭代时最优个体解，为柯西反向学习最优解，k1、k2分别为[0,1]的随机数；cauchy(0,1)为标准柯西分布，p为服从正态分布的随机概率；当p＞0.5时，柯西算子变异为最优解，当p≤0.5时，反向学习策略扰动当前最优解。
[0176]
步骤4.6：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出tcn-fedformer融合模型的超参数，否则返回步骤4.3。
[0177]
(5)利用优化后的tcn-fedformer联合模型进行电动汽车充电桩设备故障诊断，将融合模型的输出通过全局平均池化后使用softmax函数进行分类。
[0178]
步骤5.1：将得到的充电桩故障特征通过全局平均池化代替全连接层降维，然后将池化后的特征向量s使用softmax函数计算特征向量被分到每个类别的概率p，softmax函数计算公式如下：
[0179][0180]
其中，ws为全局平均池化的权重矩阵，si为池化后的特征向量，bs、bf皆为偏置参数。
[0181]
步骤5.2：模型训练使用交叉熵损失函数loss对网络参数进行调整，计算公式如下：
[0182][0183]
式中，li表示实际的标签，n表示样本总数，x表示遍历所有可能的类别。
[0184]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种电动汽车充电桩设备故障诊断方法，其特征在于，包括以下步骤：(1)在大数据库中获取充电桩历史故障数据，并进行数据预处理；所述历史故障数据包括充电桩的电压异常、充电流异常、充电模块过温、输出过流、直流输出短路故障以及绝缘异常；(2)利用timegan对原始数据集进行数据增强，生成时间序列数据，以扩充原始数据集；(3)将步骤(2)扩充后数据集划分成训练集、验证集和测试集；通过时间卷积网络tcn和fedformer模型构建tcn-fedformer融合模型，时间卷积网络tcn提取时间序列中的时空特征，fedformer模型捕捉时间序列的全局特性；(4)采用拉丁超立方对阿基米德优化算法aoa的种群进行初始化，引入柯西反向学习混合变异策略避免算法陷入局部最优，得到改进后的阿基米德优化算法maoa；利用maoa优化tcn-fedformer联合模型的超参数，所述超参数包括学习率、遗忘率、隐藏层数；(5)利用优化后的tcn-fedformer联合模型进行电动汽车充电桩设备故障诊断，将融合模型的输出通过全局平均池化后使用softmax函数进行分类。2.根据权利要求1所述的一种电动汽车充电桩设备故障诊断方法，其特征在于，所述步骤(1)中数据预处理的步骤如下：步骤2.1：数据清洗，清除冗余数据、填充缺失数据和修正异常数据；步骤2.2：对数据进行归一化，消除数据量纲的影响。3.根据权利要求1所述的一种电动汽车充电桩设备故障诊断方法，其特征在于，所述步骤(2)中timegan对原始数据集进行数据增强，生成时间序列数据的步骤如下：步骤3.1：构建timegan网络，调整生成器和判别器之间的对抗训练；将真实时间序列在自编码器中进行数据重构，嵌入及复现函数可定义为：h
s
＝e
s
(s),h
t
＝e
x
(h
s
,h
t-1
,x
t
) (1)其中，s为静态特征的向量空间，x为时序特征的向量空间；e、r则分别表示嵌入函数和复现函数；e
s
为静态特征的嵌入网络；e
x
是一种时间特征的循环嵌入网络；r
s
和r
x
为静态和时间嵌入的恢复网络；h
t-1
代表前一次的时态特征，h
s
和h
t
对应静态特征和时序特征的潜在空间；和为复现函数解码后的输入数据；步骤3.2：设计生成对抗网络，生成函数与对抗函数定义为：步骤3.2：设计生成对抗网络，生成函数与对抗函数定义为：其中，g、d分别表示生成器函数和判别器函数，z表示生成器两种初始噪声类型，g
s
为静态特征的生成网络，g
x
为时间特征的循环生成网络，和分别表示正向和反向隐藏状态序列，和为经过生成器处理之后的两种数据格式，和对应数据的判别结果；步骤3.3：建立误差损失函数对timegan模型联合训练优化；步骤3.3.1：运用数据重构损失l
r
实现对自编码器编码与解码的优化，生成更高效的数据低维潜在表征；步骤3.3.2：引入真实多元数据作为生成器的监督项，通过定义生成器与真实数据之间
的有监督损失l
s
，评价生成器对体现时序相关性的潜在表征和真实数据特征的学习能力；步骤3.3.3：定义无监督gan的对抗损失l
u
，实现对生成器的反馈模型在各网络联合训练实现三大误差最小的基础上，完成对嵌入空间下序列相关性的学习，从而生成符合真实时序分布的生成数据；模型各误差损失公式定义如下：模型各误差损失公式定义如下：模型各误差损失公式定义如下：其中，下标s,x1:t～p表示原始数据分布，s和分别代表原始静态特征和通过自编码器后的静态特征，x
t
和分别代表原始时态特征和自编码器生成的时态特征，y
s
和y
t
表示真实序列的判别结果，和表示生成序列的判别结果，h
t
表示真实数据的潜在时态特征，g
x
(h
s
,h
t-1
,z
t
)表示通过生成器生成序列的潜在时态特征；步骤3.4：训练完成后，把生成器生成的新的时间序列数据扩充原始数据集中。4.根据权利要求1所述的一种电动汽车充电桩设备故障诊断方法，其特征在于，所述步骤(3)中构建tcn-fedformer融合模型的步骤如下：步骤4.1：将步骤(2)扩充后数据集按照6：2：2的比例划分为训练集、验证集和测试集；步骤4.2：对时间卷积网络和fedformer模型进行融合，通过因果卷积对输入时间序列进行时空特征提取，其公式为：其中，f＝(f1,f2,
…
,f
k
)为滤波器，x＝(x1,x2,
…
,x
t
)为输入序列，x
t
为输入层节点，k为卷积核的完整宽度，k为卷积核中有效的宽度；步骤4.3：进行池化运算，其公式为：其中，r是池大小，n是确定要移动的数据区域的距离的步长，小于输入大小y，l为卷积层层数；步骤4.4：引入激活函数relu、权值归一化和dropout操作，通过步骤4.2和步骤4.3组合成残差块，由多个残差块组成残差网络；步骤4.5：将tcn的输出输入到fedformer的编码器-解码器结构中；步骤4.6.1：定义编码器的结构；其中，l∈{1,
…
,n}表示第l层编码器的输出，为嵌入的历史序列；encoder(
·
)形式为：
其中，分别表示第l层第i个分解块后的季节分量；步骤4.6.2：定义解码器的结构；其中，l∈{1,
…
,m}表示第l层解码器的输出；decoder(
·
)形式为：)形式为：)形式为：)形式为：其中，分别表示第l层第i个分解块后的季节分量和趋势分量；w
l,i
,i∈{1,2,3}表示第i次提取的趋势的投影；预测结果为两个细化分解分量的和：其中w
s
是将深度变换后的季节分量投影到目标维度；步骤4.7：利用步骤4.1划分的训练集和验证集，对tcn-fedformer融合模型进行训练，使用融合模型对测试集进行预测。5.根据权利要求1所述的一种电动汽车充电桩设备故障诊断方法，其特征在于，所述步骤(4)中对阿基米德优化算法aoa进行改进，得到改进后的阿基米德优化算法maoa，包括如下步骤：步骤5.1：设置aoa算法的种群大小和迭代次数，以及搜索空间的上下限；步骤5.2：采用拉丁超立方策略初始化算法的种群位置，改进后的公式如下所示：其中，lb
j,i
为第i个种群的第j个维度的下界，ub
j,i
为第i个种群的第j个维度的上界，lb
j
和ub
j
为第j个维度的上界和下届，a
i,j
为第i个种群的第j个维度的搜索空间，a
j
表示第i个种群所在的子搜索空间，x
i,d
为第i个种群的第d个维度的位置，rfp为全排列操作，n表示种群规模，d表示问题维度，x
i
表示第i个种群的初始化值，rand为一个取值为[0,1]的随机值；步骤5.3：更新个体的密度和体积：
fedformer融合模型的超参数，否则返回步骤5.3。6.根据权利要求1所述的一种电动汽车充电桩设备故障诊断方法，其特征在于，所述步骤(5)中对融合模型的输出通过全局平均池化后使用softmax函数进行分类，包括如下步骤：步骤6.1：将得到的充电桩故障特征通过全局平均池化代替全连接层降维，然后将池化后的特征向量s使用softmax函数计算特征向量被分到每个类别的概率p，softmax函数计算公式如下：其中，w
s
为全局平均池化的权重矩阵，s
i
为池化后的特征向量，b
s
、b
f
皆为偏置参数；步骤6.2：模型训练使用交叉熵损失函数loss对网络参数进行调整，计算公式如下：式中，l
i
表示实际的标签，n表示样本总数，x表示遍历所有可能的类别。

技术总结
本发明公开了一种电动汽车充电桩设备故障诊断方法，在大数据库中获取充电桩历史故障数据，并进行数据预处理；利用TimeGAN对原始数据集进行数据增强，生成时间序列数据；将扩充后的数据集划分成训练集、验证集和测试集；通过时间卷积网络TCN和FEDformer构建TCN-FEDformer融合模型；采用拉丁超立方初始化方法和柯西反向学习混合变异策略对阿基米德优化算法AOA进行改进，得到MAOA算法；利用MAOA算法优化TCN-FEDformer融合模型的超参数，得到更有效的充电桩设备故障特征信息；将融合模型的输出通过全局平均池化后使用softmax函数进行分类。本发明能够实现对充电桩设备故障的快速、准确地诊断，提高充电桩设备的安全性和可用性。用性。用性。


技术研发人员：李燕妮 葛宜达 李茜 钱诗婕 王政 陈佳雷 彭甜 张楚 纪捷 孙娜 王熠伟 陈杰
受保护的技术使用者：淮阴工学院
技术研发日：2023.07.05
技术公布日：2023/10/6