一种充电故障分析方法、充电故障分析装置以及存储介质与流程

1.本技术涉及新能源汽车充电领域，特别涉及一种充电故障分析方法、充电故障分析装置以及存储介质。


背景技术：

2.目前，新能源汽车充电故障率依然不低，而且因为充电站场和车型多种多样，导致故障种类繁多，进而降低新能源车主充电体验。
3.相关技术中，目前仍未有针对充电设备上传的故障信息和车型信息进行建模分析的充电故障分析方法，无法对故障信息进行准确定位分析，提高了充电站场运维方针对充电故障进行维护的难度。


技术实现要素：

4.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种充电故障分析方法、服务器以及充电设备，能够在云端结合充电故障信息和车型信息对充电故障信息进行准确分析，能够有效降低充电站场运维方对充电站场的维护难度。
5.本技术的第一方面实施例提出了一种应用于服务器的充电故障分析方法，所述方法包括：
6.接收车辆图像、车辆识别代码和充电故障信息；
7.根据所述车辆图像和所述车辆识别代码得到车辆的车型信息；
8.根据所述车型信息和所述充电故障信息，进行充电大数据分析，得到大数据分析结果，所述大数据分析结果表示根据所述充电故障信息进行分析得到的结果。
9.本技术的第二方面实施例提出了一种应用于充电设备端的充电故障分析方法，所述方法包括：
10.获取车辆图像、车辆识别代码；
11.发送车辆图像、车辆识别代码；
12.监测车辆充电情况，在检测到故障的情况下，向服务器发送充电故障信息，以使服务器进行充电大数据分析，所述充电故障信息包括：充电设备信息、桩号、第一故障码、第二故障码、车辆图像、车辆识别代码。
13.本技术的第三方面实施例提出了一种充电故障分析装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的充电故障分析方法。
14.本技术的第四方面实施例提出了一种可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的充电故障分析方法。
15.根据本技术的一些实施例，所述充电大数据分析，包括：
16.分析故障是否存在故障类型集中性。
17.根据本技术的一些实施例，所述充电大数据分析，包括分析故障是否存在车型集
中性，所述分析故障是否存在车型集中性，包括：
18.从所述充电故障信息中得到所述目标故障类型，所述目标故障类型表示一个或多个目标故障类型的集合；
19.分析出现所述目标故障类型的车型比例；
20.在单一车型比例超过预设比例的情况下，判定所述目标故障类型存在车型集中性。
21.根据本技术的一些实施例，所述充电大数据分析，包括分析故障是否存在充电设备集中性，所述分析故障是否存在充电设备集中性，包括：
22.从所述充电故障信息中得到所述目标故障类型，所述目标故障类型表示一个或多个目标故障类型的集合；
23.分析导致出现所述目标故障类型的原因；
24.在充电设备导致所述目标故障类型出现的比例超过预设比例的情况下，判定所述目标故障类型存在充电设备集中性。
25.根据本技术的一些实施例，所述充电大数据分析，包括分析故障是否存在客户行为集中性，所述分析故障是否存在客户行为集中性，包括：
26.从所述充电故障信息中得到所述目标故障类型，所述目标故障类型表示一个或多个目标故障类型的集合；
27.分析导致出现所述目标故障类型的原因；
28.在客户行为导致所述故障类型出现的比例超过预设比例的情况下，判定所述目标故障类型存在客户行为集中性。
29.根据本技术的一些实施例，得到大数据分析结果后，所述充电故障分析方法，包括：
30.接收人工录入信息，所述人工录入信息包括车辆识别代码；
31.根据所述人工录入信息完善所述充电故障信息。
32.根据本技术的一些实施例，所述监测车辆充电情况，在检测到故障的情况下，发送充电故障信息，包括：
33.监测车辆充电情况；
34.在监测到充电发生故障的情况下，确认故障类型；
35.根据所述故障类型，生成第一故障码、第二故障码；
36.发送当前充电设备信息、桩号、第一故障码、第二故障码、当前充电车辆图像、车辆识别码。
37.根据本技术的实施例，至少具有如下有益效果：
38.本技术通过充电设备将车型信息、故障信息、充电设备信息上传至服务器，使服务器能够根据车型信息、故障信息、充电设备信息进行充电大数据分析和对故障原因进行准确定位，降低充电站场运维方针对充电故障进行维护的难度。
39.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
40.本技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
41.图1是本技术一个实施例提供的充电故障分析装置的结构示意图；
42.图2是本技术一个实施例提供的应用于服务器的充电故障分析方法的流程图；
43.图3是图2中步骤s300的具体方法的流程图；
44.图4是图2中步骤s300的另一具体方法的流程图；
45.图5是图2中步骤s300的又一具体方法的流程图；
46.图6是本技术另一个实施例提供的应用于服务器充电故障分析方法的流程图；
47.图7是本技术一个实施例提供的应用于充电设备的充电故障分析方法的流程图；
48.图8是图7中步骤s600的具体方法的流程图；
49.图9是本技术另一个实施例提供的充电故障分析装置的结构示意图。
具体实施方式
50.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。
51.在本技术的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
52.在本技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
53.本技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本技术中的具体含义。
54.本技术提供了一种充电故障分析方法、服务器以及充电设备，通过充电设备将车型信息、故障信息、充电设备信息上传至服务器，使服务器能够根据车型信息、故障信息、充电设备信息进行充电大数据分析和对故障原因进行准确定位，降低充电站场运维方针对充电故障进行维护的难度。
55.下面结合附图，对本技术实施例作进一步阐述。
56.如图1所示，图1是本技术一个实施例提供的用于执行充电故障分析方法的充电故障分析装置的结构示意图，该充电故障分析装置包括服务器和充电设备。
57.服务器能够获取来自充电设备的充电信息和充电故障信息，其中充电信息包括充电设备信息、桩号、前充电车辆图像、车辆识别码、充电信息编号等等，此处不作具体限制；充电故障信息包括充电设备信息、桩号、第一故障码、第二故障码、当前充电车辆图像、车辆识别码，除此之外，充电故障信息还可以包括充电故障信息的编号，等等，此处不作具体限
定。服务器除了能够接收来自充电设备的充电信息之外，还能够对充电故障信息进行分析。服务器对充电故障信息进行分析包括但不限于对充电故障的车型集中性、充电故障的充电设备集中性以及充电故障的客户行为集中性进行分析。
58.充电设备能够在车辆开始进行充电时获取车辆图像和车辆识别码，其中车辆识别码为车辆的vin码，以及发送充电信息至服务器。在充电过程中，充电设备能够监测车辆充电状态，监测方法是每隔一段时间读取一次车辆的充电信息，充电信息可以包括但不限于车辆充电百分比、当前充电电流、电压、充电总功率和电池温度。在监测到出现充电故障的情况下，充电设备能够将充电故障信息发送至服务器，充电故障信息包括充电设备信息、桩号、第一故障码、第二故障码、当前充电车辆图像、车辆识别码，除此之外，充电故障信息还可以包括充电故障信息的编号，等等，此处不作具体限定。
59.如图2所示，图2是本技术一个实施例提供的充电故障分析方法的流程图，该充电故障分析方法可以应用于服务器。该充电故障分析方法可以包括但不限于有步骤s100、步骤s200、步骤s300。
60.s100：接收车辆图像、车辆识别码和充电故障信息。
61.本步骤中，服务器接收车辆图像、车辆识别码和充电故障信息。其中，车辆图像和车辆识别码用于获取车辆的车型信息，充电故障信息用于表示车辆在充电过程中发生故障的详细信息。
62.需要说明的是，充电故障信息包括充电设备信息、桩号、第一故障码、第二故障码、车辆图像、车辆识别代码。其中，第一故障码和第二故障码可以是异常结束代码和故障代码等，此处不作具体限定。在服务器接收充电故障信息后，自动将接收到充电故障信息的时间作为故障时间，一并记录到充电故障信息中。
63.在一实施例中，服务器端在接收车辆图像、车辆识别码和故障信息后，对车辆图像、车辆识别码和故障信息进行存储，在存储空间方面，可以是服务器本地存储空间，也可以是云端存储空间，等等，此处不作具体限定。
64.s200：根据车辆图像和所述车辆识别代码得到车辆的车型信息。
65.本步骤中，服务器根据车辆图像和车辆识别代码得到车辆的车型信息。
66.需要说明的是，车辆识别代码为车辆的vin码，在服务器获取到的车辆的vin码并非空值的情况下，服务器直接通过车辆vin码获得车辆的车型信息；在服务器获取到的车辆的vin码为空值，但是获取到的车辆图像并非空值的情况下，服务器通过将获取到的车辆图像结合自身存储的车辆图像以及车辆型号信息获取车辆的车型信息，但是，该车型信息获取方式存在由于车型较新或者保有量较小，导致服务器无法通过获取到的车辆图像获取车辆的车型信息的可能性；在服务器获取到的vin码和车辆图像均为空值的情况下，服务器将车型信息设置为空值，并将订单设置为错误订单，通知客服安排回访。
67.s300：根据车型信息和充电故障信息，进行充电大数据分析，得到大数据分析结果，大数据分析结果用于反映导致充电故障的原因的特点。
68.本步骤中，服务器根据接收到的故障信息和分析得到的车型信息进行充电大数据分析，得到大数据分析结果，大数据分析结果可以包括故障是否存在车型集中性、故障是否存在充电设备集中性、故障是否存在客户行为集中性，等等，此处不作具体限定。
69.在一实施例中，如图3所示，充电大数据分析可以包括但不限于有步骤s310和步骤
s320。
70.s310：从充电故障信息中得到目标故障类型，目标故障类型表示一个或多个目标故障类型的集合。
71.本步骤中，服务器从充电故障信息中选出需要进行分析的故障类型，被服务器选出的故障类型通常可以表示为一个故障类型，或者表示多个故障类型的集合。
72.比如，服务器从充电故障信息中选出名为“结束原因异常”的故障类型，准备对“结束原因异常”的故障类型进行分析。其中，“结束原因异常”可以表示正常结束和正常扣费，但是结束原因异常这一种故障类型；“结束原因异常”也可以是包括正常结束但是扣费和结束原因异常、充电未正常结束且未正常扣费、充电正常结束但未正常扣费等等故障类型的集合，此处不作具体限定。
73.s320：分析出现目标故障类型的车型的比例，比例表示单一车型在所有出现目标故障类型的车型中所占的比例。
74.本步骤中，服务器针对步骤s310中选出的目标故障类型进行车型比例分析，在分析结果中，出现目标故障类型的单一车型比例超过预设比例的情况下，即可认为该目标故障类型存在车型集中性。其中，预设比例可以是40％，可以是50％，可以是60％等等，此处不作具体限定。
75.比如，服务器对“结束原因异常”的故障类型进行分析，由分析结果可得，出现“结束原因异常”故障的车型中，车型a比例为50％，车型b的比例为40％，车型c的比例为4％，车型d的比例为3％，车型f的比例为3％，如果预设比例设定为40％，就能够判定“结束原因异常”故障集中出现在车型a和车型b上，即具备车型集中性；或者，由分析结果可得，出现“结束原因异常”故障的车型中，车型a比例为15％，车型b的比例为20％，车型c的比例为15％，车型d的比例为25％，车型f的比例为25％，如果目标车型比例设定为40％，就能够判定“结束原因异常”故障不具备车型集中性。
76.在另一实施例中，如图4所示，充电大数据分析可以包括但不限于有步骤s330、步骤s340和步骤s350。
77.步骤s330：从充电故障信息中得到目标故障类型，目标故障类型表示一个或多个目标故障类型的集合。
78.本步骤中，服务器的执行步骤和步骤s310的执行步骤一样，从充电故障信息中选出需要进行分析的故障类型，被服务器选出的故障类型通常可以表示为一个故障类型，或者表示多个故障类型的集合。
79.步骤s340：分析导致出现目标故障类型的原因，原因包括充电设备导致出现目标故障类型情况。
80.本步骤中，服务器针对步骤s330中选出的目标故障类型进行故障原因比例分析，通过分析能够得到各类故障原因。故障原因可以包括充电设备离网、无法输出电流进行充电、无法识别车型等原因导致出现故障，具体故障表现此处不作具体限定。
81.s350：根据导致出现目标故障类型的原因，得到充电设备导致出现目标故障类型的比例。
82.本步骤中，服务器对导致出现目标故障类型的原因所占的比例进行计算，能够得到包括充电设备在内的各种原因导致出现目标故障类型的比例，在由于特定充电设备导致
故障的比例达到或者超过预设比例的情况下，即可认为该目标故障类型存在充电设备集中性。其中，预设比例可以是40％，可以是50％，可以是60％等等，此处不作具体限定。
83.比如，服务器需要对“结束原因异常”这一故障类型进行分析，由分析结果可得，由于特定充电设备原因导致出现“结束原因异常”故障的比例为50％，由于充电车辆不兼容或者充电车辆出现故障导致出现“结束原因异常”故障的比例为30％，由于客户主观行为导致“结束原因异常”故障的比例为20％，如果预设比例设定为40％，就能够判定“结束原因异常”存在充电设备集中性；或者，由分析结果可得，由于特定充电设备原因导致出现“结束原因异常”故障的比例为35％，由于充电车辆不兼容或者充电车辆出现故障导致出现“结束原因异常”故障的比例为35％，由于客户行为导致“结束原因异常”故障的比例为30％，如果预设比例设定为40％，就能够判定“结束原因异常”不存在充电设备集中性。
84.在又一实施例中，如图5所示，充电大数据分析可以包括但不限于有步骤s360、步骤s370和步骤s380。
85.步骤s360：从充电故障信息中得到目标故障类型，目标故障类型表示一个或多个目标故障类型的集合。
86.本步骤中，服务器的执行步骤和步骤s310的执行步骤一样，从充电故障信息中选出需要进行分析的故障类型，被服务器选出的故障类型通常可以表示为一个故障类型，或者表示多个故障类型的集合。
87.步骤s370：分析导致出现所述目标故障类型的原因，所述原因包括客户行为导致出现所述目标故障类型情况。
88.本步骤中，服务器针对步骤s360中选出的目标故障类型进行车型比例分析，通过分析能够得到各类故障原因。故障原因可以包括客户提前拔出充电枪、客户重复扫码等等行为，此处不作具体限定。在分析结果中，由于客户行为导致故障的比例达到或者超过预设比例的情况下，即可认为该目标故障类型存在充电设备集中性。其中，预设比例可以是40％，可以是50％，可以是60％等等，此处不作具体限定。
89.步骤s380：根据所述导致出现所述目标故障类型的原因，得到客户行为导致出现所述目标故障类型的比例。
90.本步骤中，服务器对导致出现目标故障类型的原因所占的比例进行计算，能够得到包括客户行为在内的各种原因导致出现目标故障类型的比例，在由于客户行为导致故障的比例达到或者超过预设比例的情况下，即可认为该目标故障类型存在客户行为集中性。其中，预设比例可以是40％，可以是50％，可以是60％等等，此处不作具体限定。
91.比如，服务器需要对“异常结束”这一故障类型进行分析，由分析结果可得，由于充电设备原因导致“异常结束”故障的比例为20％，由于充电车辆不兼容或者充电车辆出现故障导致“异常结束”故障的比例为25％，由于客户行为导致“异常结束”故障的比例为50％，其他原因导致故障的比例为5％，如果预设比例设定为40％，就能够判定“异常结束”这一故障类型存在客户行为集中性；或者，由分析结果可得，由于充电设备原因导致出现“异常结束”故障的比例为30％，由于充电车辆不兼容或者充电车辆出现故障导致出现“结束异常”故障的比例为30％，由于客户行为导致“结束异常”故障的比例为30％，其他原因导致故障的比例为10％，如果预设比例设定为40％，就能够判定“异常结束”这一故障不存在客户行为集中性。
92.在一实施例中，如图6所示，执行步骤s300之后，该充电故障分析方法可以包括单不限于有步骤s390和步骤s391。
93.步骤s390：接收人工录入信息，人工录入信息包括车辆识别代码。
94.本步骤中，客服进行回访并获得充电故障信息中所缺少的车辆信息后，对车辆信息进行补充录入。服务器接收来自客服人员的人工录入信息，服务器接收到的人工服务信息包括充电故障信息编号、车辆识别代码、车型信息、订单故障信息，等等，此处不作具体限定。
95.步骤s391：根据人工录入信息完善充电故障信息。
96.本步骤中，服务器根据接收到的人工录入信息，将充电故障信息中所缺少的信息补充完整。其中，服务器可以根据充电故障信息编号，或者充电故障信息编号和故障码、结束码结合以检索到人工录入信息的对应的充电故障信息，再把充电故障信息所缺少的信息补充到充电故障信息中。
97.比如，客服人员输入的人工录入信息中包括充电故障信息中所缺少的车型信息，车型信息中包括车辆的具体型号和车辆识别码，客服端接收人工录入信息后加上车型信息对应的充电故障信息编号后发送至服务器，服务器接收来自客服人员录入的人工录入信息后，根据人工录入信息中所包括的充电故障信息编号在充电故障信息中检索，在能够检索到相关充电故障信息的情况下，将人工录入信息中的车型信息补充至充电故障信息中；在不能根据充电故障信息编号检索到相关充电故障信息的情况下，向客服人员返回错误信息，错误信息表示服务器不能录入客服人员所输入的人工录入信息。
98.如图7所示，图7是本技术一个实施例提供的充电故障分析方法的流程图，该充电故障分析方法可以应用于充电设备，电故障分析方法可以包括但不限于有步骤s400、步骤s500、步骤s600。
99.s400：获取车辆图像、车辆识别代码。
100.本步骤中，当用户进行扫码，确认充电车辆需要进行充电时，充电设备通过调用自身摄像头，获取充电车辆的车辆图像信息。在充电枪插入车辆之后，充电设备通过和车辆进行通信，获取车辆的识别代码，其中车辆识别代码为车辆vin码。车辆图像和车辆识别码被充电设备获取后，临时存储在充电设备缓存中，等待发送至服务器。
101.需要说明的是，当用户扫码，确认充电车辆需要充电时，充电设备会自动生成充电订单编号，以及将充电订单编号发送至服务器。
102.s500：发送车辆图像、车辆识别代码。
103.本步骤中，充电设备将步骤s400中获取到的车辆图像和车辆识别代码和充电订单编号一同发送至服务器，以使服务器能够根据充电订单编号检索相应的充电订单，将车辆图像和车辆识别代码填充至相应订单信息中，以便后续对车型进行分析。
104.s600：监测车辆充电情况，获取在发生充电故障的情况下产生的充电故障信息，向服务器发送充电故障信息，以使服务器根据车辆图像和车辆识别代码得到车辆的车型信息，根据车型信息和充电故障信息，进行充电大数据分析，得到大数据分析结果，大数据分析结果用于反映导致充电故障的原因的特点。
105.本步骤中，当车辆充电的时候，充电设备监测车辆充电状态。在充电设备检测到出现故障的情况下，首先根据故障类型生成第一故障码和第二故障码，其中第一故障码是充
电结束码、第二故障码是充电故障码。在生成第一故障码和第二故障码之后，充电设备将的充电设备、桩号、第一故障码、第二故障码车辆图像、车辆识别代码以及充电订单编号发送至服务器，以便服务器存储本次充电故障信息和对应的充电设备的信息，以及用于充电大数据分析，大数据分析结果表示导致充电故障的原因的特点。
106.在一实施例中，如图8所示，对步骤s600的进一步说明，该步骤s600可以包括但不仅于有步骤s610至步骤s640。
107.s610：监测车辆充电情况。
108.本步骤中，当车辆在进行充电的时候，充电设备对车辆充电情况进行监测，监测是否出现故障或者异常情况。
109.需要说明的是，充电设备监测车辆充电状态的方法是每隔一段时间对车辆充电信息进行读取，时间间隔可以是5秒、10秒、15秒或者20秒，此处不作具体限定。充电信息可以包括但不仅限于车辆充电百分比、当前充电电流、电压、充电总功率和电池温度。
110.s620：在监测到充电发生故障的情况下，确认故障类型。
111.本步骤中，在出现充电故障且被充电设备监测到的情况下，充电设备再一次确认故障类型。
112.需要说明的是，故障类型可以是由于车辆兼容性导致充电中断或者充电功率过低甚至充电功率为零、车辆充电电压过高、电流过高或者功率过高、由于充电设备出现故障导致充电功率过低或无法充电、充电设备无法监测充电枪和车辆的连接状态，此处不作具体限定。而在出现诸如车辆充电功率过高的情况下，充电设备能够马上停止充电，以免继续充电造成危险。
113.s630：根据故障类型，生成第一故障码、第二故障码。
114.本步骤中，充电设备在确认故障类型后，根据故障类型和故障表现生成第一故障码和第二故障码，其中第一故障码是充电结束码、第二故障码是充电故障码。充电设备首先根据故障表现确定停止充电原因，生成充电结束码，并根据故障表现确定故障类型，根据故障类型生成充电故障码。
115.s640：向服务器发送充电故障信息，充电故障信息包括当前充电设备信息、桩号、第一故障码、第二故障码、车辆图像、车辆识别代码。
116.本步骤中，充电设备在确认充电过程中出现故障，且已经生成第一故障码和第二故障码的情况下，将充电设备信息、桩号、第一故障码、第二故障码、当前充电车辆图像、车辆识别码以及当前充电订单编号，当前充电订单编号作为充电故障信息编号发送至服务器，以便服务器进行充电大数据分析。
117.比如，车辆a在充电设备a处进行充电，在充电过程中，充电设备a监测车辆a的充电情况，充电设备a监测车辆a的充电情况的监测方法为：每隔10秒钟读取一次车辆a的充电百分比、车辆a的充电电压、充电电流、充电总功率以及电池温度。在监测到车辆a在充电过程中出现充电电压过高的异常情况，充电设备a在检测到充电电压过高，且经过确认的情况下停止为车辆a进行充电，且根据充电电压过高导致停止充电生成第一故障码和根据充电电压过高生成第二故障码，最后将充电设备信息、桩号、第一故障码、第二故障码、车辆a的图像、车辆识别代码以及订单编号发送至服务器。
118.在一实施例中，本技术还提供了一种充电大数据分析方法。
119.从所有充电故障信息中提取故障类型，分析车型集中性。分析车型集中性的方法是提取出所有故障类型，接着逐一分析出现该故障类型的车型信息，从分析结果中能够得知出现该故障类型的单一车型比例，如果单一车型比例超过预设比例，则可以认为该故障类型存在车型集中性。需要注意的是，如果仅在单一充电设备出现某故障类型的单一车型比例超过预设比例，并不能认为该故障类型存在车型集中性，如果在多个充电设备上，出现某故障类型的单一车型比例均超过预设比例，则认为该故障类型存在车型集中性。
120.同样地，除了可以分析单一故障类型的车型集中性之外，还可以分析单一车型主要出现的故障类型，具体分析方法为从所有充电故障信息中提取某单一车型，查找该车型曾出现的故障类型，如果特定故障类型占该车型出现的故障类型的比例超过预设比例，就能够认为该故障类型为该车型主要出现的故障类型。
121.从所有充电故障信息中提取故障类型，分析充电设备集中性。当分析充电设备集中性的时候，分析是否有某一特定故障类型出现在特定一台充电设备，或者出现在某一特定充电站场内的比例超过预设比例，或者明显高于其他故障类型出现的比例，如果某一特定故障类型出现在特定一台充电设备，或者出现在某一特定充电站场内的比例超过预设比例，或者明显高于其他故障类型出现的比例，就能够认为该故障类型存在充电设备集中性。
122.同样地，除了可以分析单一故障类型的充电设备集中性之外，还可以分析单一充电设备是否需要检修。具体分析方法为从所有充电故障信息中提取所有充电设备，根据服务器内存储的充电故障信息，如果某一特定充电设备出现故障的数量明显高于其他充电设备，或者某一特定充电站场内的充电设备出现故障的数量明显高于其他充电站场的充电设备，则认为该充电设备或该充电站场可能需要进行检修。
123.从所有充电故障信息中提取故障类型，分析客户行为集中性以及由于平台原因导致全面故障。分析客户行为集中性的分析方法是提取所有故障类型，如果某一故障类型的诱因之中，客户人为导致故障的比例超过预设比例，就能够认为该故障类型具有客户行为集中性。分析是否因为平台原因导致全面故障的方法是，从出现故障的时间进行分析，如果在某一时间点，或某一特定时间段内，大部分充电设备，或者全部充电设备均出现故障，就能够认为由于平台原因导致全面故障。
124.本技术实施例还提供了一种充电故障分析装置100，如图9所示，该充电故障分析装置100包括但不限于：
125.存储器120，用于存储程序；
126.处理器110，用于执行存储器120存储的程序，当处理器110执行存储器120存储的程序时，处理器110用于执行上述的充电故障分析方法。
127.处理器110和存储器120可以通过总线或者其他方式连接。
128.存储器120作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本技术实施例描述的充电故障分析方法。处理器110通过运行存储在存储器120中的非暂态软件程序以及指令，从而实现上述的充电故障分析方法。
129.存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述的充电故障分析方法。此外，存储器120可以包括高速随机存取存储器120，还可以包括非暂态存储器120，例如至少一个磁盘存储器120件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器
120可选包括相对于处理器110远程设置的存储器120，这些远程存储器120可以通过网络连接至该处理器110。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
130.实现上述的充电故障分析方法所需的非暂态软件程序以及指令存储在存储器120中，当被一个或者多个处理器110执行时，执行上述的充电故障分析方法，例如，执行以上描述的图2中的方法步骤s100至步骤s300、图3中的方法步骤s310和步骤s320、图4中的方法步骤s330至步骤350、图5中的方法步骤s360至步骤s380、图6中的方法步骤s390和步骤s391、图7中的方法步骤s400至步骤s600、图8中的方法步骤s610至步骤s640。
131.此外，本技术的一个实施例还提供了一种计算机程序产品，包括计算机程序或计算机指令，计算机程序或计算机指令存储在计算机可读存储介质中，计算机设备的处理器110从计算机可读存储介质读取计算机程序或计算机指令，处理器110执行计算机程序或计算机指令，使得计算机设备执行上述实施例中的充电故障分析方法，例如，执行以上描述的图2中的方法步骤s100至步骤s300、图3中的方法步骤s310和步骤s320、图4中的方法步骤s330至步骤350、图5中的方法步骤s360至步骤s380、图6中的方法步骤s390和步骤s391、图7中的方法步骤s400至步骤s600、图8中的方法步骤s610至步骤s640。
132.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
133.以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方式，熟悉.本领域的技术人员在不违背本技术精神的前提下还可作出多种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。
134.以上所描述的装置实施例或者系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
135.上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下作出各种变化。

技术特征：
1.一种充电故障分析方法，应用于服务器，其特征在于，包括：接收车辆图像、车辆识别代码和充电故障信息；根据所述车辆图像和所述车辆识别代码得到车辆的车型信息；根据所述车型信息和所述充电故障信息，进行充电大数据分析，得到大数据分析结果，所述大数据分析结果用于反映导致充电故障的原因的特点。2.根据权利要求1所述的充电故障分析方法，其特征在于，所述充电大数据分析，包括：分析故障是否存在故障类型集中性。3.根据权利要求2所述的充电故障分析方法，其特征在于，所述充电大数据分析，包括：从所述充电故障信息中得到目标故障类型，所述目标故障类型表示一个或多个目标故障类型的集合；分析出现所述目标故障类型的车型的比例，所述比例表示单一车型在所有出现所述目标故障类型的车型中所占的比例；在所述单一车型所占的比例超过预设比例的情况下，判定所述目标故障类型存在车型集中性。4.根据权利要求2所述的充电故障分析方法，其特征在于，所述充电大数据分析，包括：从所述充电故障信息中得到目标故障类型，所述目标故障类型表示一个或多个目标故障类型的集合；分析导致出现所述目标故障类型的原因，所述原因包括充电设备导致出现所述目标故障类型情况；根据所述导致出现所述目标故障类型的原因，得到充电设备导致出现所述目标故障类型的比例；在所述充电设备导致所述目标故障类型的比例超过预设比例的情况下，判定所述目标故障类型存在充电设备集中性。5.根据权利要求2所述的充电故障分析方法，其特征在于，所述充电大数据分析，包括：从所述充电故障信息中得到目标故障类型，所述目标故障类型表示一个或多个目标故障类型的集合；分析导致出现所述目标故障类型的原因，所述原因包括客户行为导致出现所述目标故障类型情况；根据所述导致出现所述目标故障类型的原因，得到客户行为导致出现所述目标故障类型的比例；在客户行为导致所述故障类型的比例超过预设比例的情况下，判定所述目标故障类型存在客户行为集中性。6.根据权利要求1所述的充电故障分析方法，其特征在于，得到大数据分析结果后，所述充电故障分析方法，包括：接收人工录入信息，所述人工录入信息包括车辆识别代码；根据所述人工录入信息完善所述充电故障信息。7.一种充电故障分析方法，应用于充电设备端，其特征在于，包括：获取车辆图像、车辆识别代码；向服务器发送车辆图像、车辆识别代码；
监测车辆充电情况，获取在发生充电故障的情况下产生的充电故障信息，向所述服务器发送所述充电故障信息，以使所述服务器根据所述车辆图像和所述车辆识别代码得到车辆的车型信息，根据所述车型信息和所述充电故障信息，进行充电大数据分析，得到大数据分析结果，所述大数据分析结果用于反映导致充电故障的原因的特点。8.根据权利要求7所述的充电故障分析方法，其特征在于，所述监测车辆充电情况，获取在发生充电故障的情况下产生的充电故障信息，向所述服务器发送所述充电故障信息，包括：监测车辆充电情况；在监测到充电发生故障的情况下，确认故障类型；根据所述故障类型，生成第一故障码、第二故障码；向所述服务器发送所述充电故障信息，所述充电故障信息包括当前充电设备信息、桩号、所述第一故障码、所述第二故障码、所述车辆图像、车辆识别代码。9.一种充电故障分析装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的充电故障分析方法。10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至8任意一项所述的充电故障分析方法。

技术总结
本申请公开了一种充电故障分析方法，充电故障分析装置以及存储介质，充电故障分析方法包括：接收车辆图像、车辆识别代码和充电故障信息；根据所述车辆图像和所述车辆识别代码得到车辆的车型信息；根据所述车型信息和所述充电故障信息，进行充电大数据分析，得到大数据分析结果，所述大数据分析结果用于反映导致充电故障的原因的特点。本申请公开的充电故障分析方法能够通过对充电故障信息进行建模分析对充电故障原因进行准确定位分析，降低充电站场运维方对充电站场进行维护的难度。场运维方对充电站场进行维护的难度。场运维方对充电站场进行维护的难度。


技术研发人员：阮耀灿 廖锦星 王增华 夏嘉豪 吕雯禧 张浩 麦丽凡 钟泽鹏 梁忠友 林耀鸿 周源昊 陈述锋 陈健华
受保护的技术使用者：广东健怡投资有限公司
技术研发日：2023.02.15
技术公布日：2023/7/31