基于GAIN的數(shù)據(jù)插補及Bi-GRU在充電樁預警中的應用

李翔，高輝，陳良亮

(1. 南京郵電大學 自動化學院/人工智能學院，江蘇 南京 210023；2. 國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]，電動汽車也隨之發(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，同時帶來的建設(shè)、運營管理、運維服務(wù)等工作面臨越來越大的負擔。充電樁運行過程的多維海量數(shù)據(jù)關(guān)聯(lián)著充電樁的運行狀態(tài)[2]，且充電樁作為電動汽車與電網(wǎng)的連接點，影響著電動汽車的高效使用以及電網(wǎng)的安全運行。因此，研究充電樁的故障影響因素，基于充電樁的運行工況數(shù)據(jù)對可能發(fā)生的故障進行預警是至關(guān)重要的[3]。

目前，數(shù)據(jù)挖掘技術(shù)已成功應用到電網(wǎng)中。作為充電樁故障預警的數(shù)據(jù)源，在實際情況中，監(jiān)控系統(tǒng)采集的數(shù)據(jù)有可能受到干擾而導致部分數(shù)據(jù)缺失，學者研究小波神經(jīng)網(wǎng)絡(luò)、均值插補、回歸插補等數(shù)據(jù)插補方法對缺失數(shù)據(jù)集進行數(shù)據(jù)插補，實現(xiàn)缺失部分數(shù)據(jù)的高精度插補[4-9]。以往的數(shù)據(jù)挖掘技術(shù)都是通過人工檢測和建立分析模型來進行故障診斷和故障預測，但對充電樁運行狀態(tài)參數(shù)涉及不多，僅包含關(guān)鍵元器件的故障檢測，其考察的故障檢測范圍也不夠明確，判斷準確率并不高[10]。隨著機器學習神經(jīng)網(wǎng)絡(luò)的興起，眾多學者開始研究基于神經(jīng)網(wǎng)絡(luò)的故障診斷及預警方法。文獻[11]基于隨機森林算法以及小波包分解法，實現(xiàn)充電樁開關(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[12]根據(jù)充電樁故障現(xiàn)象，將其分為多個類別，并給出相應的處理方案，但并未考慮充電樁故障提前預警問題；在對充電樁故障診斷的基礎(chǔ)上，文獻[13]建立充電樁廣義回歸模型，對電力負荷參數(shù)進行估算，加入影響因素，實驗得到充電樁電力負荷異常運行結(jié)果，但該模型較簡單，預警精度有待改善；文獻[14]提出了一種改進的狀態(tài)空間的智慧預警方法，細化了充電樁智能預警系統(tǒng)處理模式，把新型算法嵌入到預警系統(tǒng)中，實現(xiàn)了系統(tǒng)的預警控制能力以及預警精度，但僅適用于速度要求較低的電子設(shè)備；文獻[15]針對充電樁運行參數(shù)缺失值進行均值插補，結(jié)合改進支持向量機算法，對充電樁故障分類預測，適用于故障多分類的預測應用，且模型尋優(yōu)收斂速度較快，但缺失值插補精度不高，影響充電樁故障預測的精度，在充電樁安全運維方面存在局限性。

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抗插補網(wǎng)絡(luò)(generative adversarial imputation network，GAIN)的缺失數(shù)據(jù)插補方法，詳細描述GAIN內(nèi)部3個模型的作用，進而分析充電樁運行典型故障參數(shù)，對充電樁運行狀態(tài)進行評價；然后基于雙向門控循環(huán)單元網(wǎng)絡(luò)(bidirectional gated recurrent unit network, Bi-GRU)建立充電樁運行狀態(tài)安全預警模型，對已告警的異常狀態(tài)進行故障預測，實現(xiàn)充電樁的安全預警。最后，通過算例分析驗證該方法的有效性及模型的準確性。

1 充電樁運行過程安全影響因素分析

1.1 絕緣因素

充電樁的絕緣設(shè)計包括充電樁的外殼絕緣防護、介電強度、電氣間隙、絕緣電阻及爬電距離等[16]?；贕B/T 18487.1—2015標準中電動汽車供電設(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)計還可以有效地對充電樁的絕緣問題進行自動告警，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)會自動判斷電池管理系統(tǒng)(battery management system, BMS)與充電樁通信協(xié)議是否兼容，若兼容則開始充電；在充電過程中，任何一方的設(shè)備接收到或發(fā)送錯誤消息，都將自動斷開充電；在充電結(jié)束過程中，倘若BMS發(fā)生故障，充電樁沒有及時收到BMS發(fā)送的充電終止報文，充電樁會繼續(xù)輸出導致電池過充，縮短電池壽命甚至發(fā)生安全性問題。人為的惡意網(wǎng)絡(luò)攻擊會中斷充電或在充電過程中篡改充電數(shù)據(jù)，可能會影響用戶和運營商的資金流轉(zhuǎn)。

1.3 設(shè)備及元件的老化

內(nèi)部元件的老化產(chǎn)生故障會影響充電樁的安全運行。充電樁整個生命周期中面臨的高溫、曝曬等問題，會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)境因素都會影響充電樁的絕緣性能或?qū)е聝?nèi)部元件的故障，進而導致充電樁的運行異常，嚴重時會危及電動汽車的充電安全與人身安全。

2 基于GAIN的充電樁運行數(shù)據(jù)缺失插補方法

2.1 充電樁運行數(shù)據(jù)集分析

對充電樁運行監(jiān)控系統(tǒng)采集到的充電樁多維運行數(shù)據(jù)，統(tǒng)一維度進行數(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)充電樁運行數(shù)據(jù)。本文所選取的運行數(shù)據(jù)集部分缺失情況見表1。

表1 充電樁運行數(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、存儲介質(zhì)的故障、傳輸故障等非人為因素導致運行數(shù)據(jù)集呈現(xiàn)部分時段或者整天時段缺失。根據(jù)統(tǒng)計，充電樁原始運行數(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)集的缺失會影響充電樁運行狀態(tài)的監(jiān)測，不能及時發(fā)現(xiàn)充電樁的運行異常，從而導致充電樁故障積累，嚴重時會影響人身安全，同時阻礙數(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警精度。

由于運行數(shù)據(jù)的時間依賴性、分布復雜性等因素，傳統(tǒng)的缺失數(shù)據(jù)插補方法(如均值插補、零插補、基于矩陣分解的插補等)都不能很好地建模，因此本文提出基于GAIN的數(shù)據(jù)插補方法，在傳統(tǒng)生成對抗網(wǎng)絡(luò)(generative adversarial networks, GAN)的基礎(chǔ)上引入提示機制，采用缺失提示矩陣H(即有部分提示信息的標注矩陣)，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，可以訓練出具有不同數(shù)據(jù)分布的生成器。通過強化生成器和鑒別器的相互對抗過程，最終達到納什均衡狀態(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充電樁數(shù)據(jù)進行插補,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數(shù)據(jù)集，而不僅僅是傳統(tǒng)GAN中的隨機噪聲Z；鑒別器可以更加細致地鑒別每一個元素的真假，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)學描述分析如下：

a)定義該問題在n維空間A中。

b)定義在空間A中隨機取一個數(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Mij為0時，未監(jiān)測到的數(shù)據(jù)；當Mij為1時，保留未缺失的原數(shù)據(jù)Xij。

2.2.1 GAIN的提示機制

矩陣B定義為

B=(b1,b2,…,bi,…,bn)，

(5)

式中：bi為第i維隨機變量；B為維數(shù)與掩碼矩陣Mmask一致的二值隨機矩陣，B中元素隨機為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：⊙表示哈達瑪積運算；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)?；陔S機噪聲變量S并訓練生成器網(wǎng)絡(luò)進行填補得到變量Ximputation。對于Xoutput：當Mij為1時，保留原始數(shù)據(jù)X中未缺失的值；當Mij為0時，使用生成器網(wǎng)絡(luò)訓練好的值Ximputation進行插補，得到完整的充電樁運行數(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：每個從生成器輸出的完整數(shù)據(jù)是否為生成器自己補充后的數(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]。同時結(jié)合式(6)可知，除bij為0時的分量外，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)插補及Bi-GRU的充電樁安全預警模型

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對充電樁缺失數(shù)據(jù)進行插補，并對插補后的數(shù)據(jù)集進行聚類分析，計算波動閾值，根據(jù)數(shù)據(jù)波動閾值判斷設(shè)備或模塊運行狀態(tài)；最后基于Bi-GRU的充電樁安全預警模型對已告警的異常狀態(tài)進行故障預測。

3.1 充電樁典型運行異常問題

充電樁內(nèi)部電路設(shè)計復雜，運行過程中每個模塊都有可能發(fā)生故障，結(jié)合相關(guān)資料及國家標準定義典型故障參數(shù)，為充電樁狀態(tài)評價奠定基礎(chǔ)[20-23]。

3.1.1 充電樁輸出電壓故障參數(shù)

電動汽車充電時根據(jù)車輛不同型號設(shè)定充電樁輸出電壓標準值Um0，即BMS需求值。采集充電樁實時輸出的電壓測量值Um，輸出電壓誤差應保持在±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準值Im0，采集充電樁實時輸出的電流測量值Im，輸出電流誤差應保持在±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)計復雜，由許多模塊及高精密度的電力電子元器件組成，且每個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)測量，在充電樁運行過程中充電模塊的溫度θC與環(huán)境溫度θ的差值Δθ應保持在50 ℃以內(nèi)，若超出該閾值判斷為充電模塊過溫故障，其差值表達式如下：

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，選取充電過程中BMS向充電控制器發(fā)送報文的時間tb以及充電控制器接收到報文的時間tc為監(jiān)測量，其時間差Δt應保持在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 充電樁運行狀態(tài)評價

依據(jù)上述充電樁典型故障參數(shù)，結(jié)合相關(guān)國家標準資料及充電樁運行工況數(shù)據(jù)，整理充電樁運行過程采集量、異常告警及設(shè)備狀態(tài)3種數(shù)據(jù)類型，見表2。

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

3.2.2 充電樁運行狀態(tài)評價方法

使用自適應k-means算法[24]對GAIN插補后的各充電樁采集數(shù)據(jù)進行預處理，得到其對應采集量的數(shù)據(jù)中心點并計算相應的閾值；同時通過數(shù)據(jù)中心點進行區(qū)間估計得到置信區(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狀態(tài)，流程如圖2所示。置信區(qū)間的計算公式為

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

由于電動汽車充電周期是一個多階段過程，選取最具代表性和穩(wěn)定性的穩(wěn)定充電階段進行研究，分析該階段的充電樁運行狀態(tài)。充電樁運行狀態(tài)評價流程如圖3所示。

圖3 充電樁運行狀態(tài)評價流程Fig.3 Charging pile operation status evaluating framework

通過3.1節(jié)對充電樁部分典型運行異常狀態(tài)參數(shù)的分析，結(jié)合充電樁運行狀態(tài)評價指標集合、故障閾值和波動閾值，將充電樁設(shè)備及各模塊運行狀態(tài)分為正常、波動、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文，需立即進行更換設(shè)備或模塊；未超出異常狀態(tài)閾值時，根據(jù)歷史正常充電周期選取各項數(shù)據(jù)中心點并計算正常波動的閾值，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 ℃等多項數(shù)據(jù)對應的波動閾值。若某項監(jiān)測數(shù)據(jù)超出波動閾值，則判斷為波動狀態(tài)；若在1次完整充電周期內(nèi)波動次數(shù)超過5次則判斷為異常狀態(tài)，需要及時進行運維；若某項監(jiān)測數(shù)據(jù)在一次完整充電周期內(nèi)未超出波動閾值，則判斷為正常狀態(tài)。

3.3 基于Bi-GRU的充電樁安全預警

采集到的充電樁運行故障數(shù)據(jù)不僅與當前時間變化密切相關(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)在前期波動多次，則可能會在后期突變，超出其故障安全閾值，達到故障狀態(tài)，所以需要對異常狀態(tài)進行故障預測。

3.3.1 Bi-GRU基本結(jié)構(gòu)

本文基于Bi-GRU建立充電樁安全預警模型，能夠顯著提高數(shù)據(jù)處理速度，及時預測可能發(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 充電樁運行狀態(tài)安全預警模型

通過充電樁監(jiān)控系統(tǒng)采集到充電樁多維運行數(shù)據(jù)，對數(shù)據(jù)進行預處理及缺失數(shù)據(jù)的插補，使得每個充電周期的充電樁運行數(shù)據(jù)保持完整。同時計算每個異常運行狀態(tài)的波動閾值，結(jié)合故障參數(shù)，判斷設(shè)備或模塊的運行狀態(tài)，對處于異常告警狀態(tài)的設(shè)備或模塊進行故障預測，預測其是否會發(fā)生故障，實現(xiàn)充電樁的安全預警。其流程如圖6所示。

圖6 充電樁安全預警流程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月某一充電樁運行數(shù)據(jù)進行分析，隨機劃分處理樣本數(shù)據(jù)庫中的2 000例充電樁數(shù)據(jù)，選取1 600例充電樁運行狀態(tài)數(shù)據(jù)構(gòu)成訓練集，剩下的400例充電樁數(shù)據(jù)構(gòu)成測試集，Bi-GRU模型選取步長為10，進行滾動預測，主要運行數(shù)據(jù)見表1。為統(tǒng)一維度，將數(shù)據(jù)重采樣，得到以1 min為采樣間隔的運行數(shù)據(jù)。

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

(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)作為驗證模型性能的評價指標：

(25)

為驗證GAIN算法在數(shù)據(jù)插補中的有效性，隨機選取一部分完整充電周期的充電樁運行數(shù)據(jù)，即不包含缺失值的小數(shù)據(jù)集，對其進行隨機數(shù)據(jù)刪減處理，可得到不完整的運行數(shù)據(jù)集以進行實驗。因此選取2021年12月的充電樁運行數(shù)據(jù)進行分析，假設(shè)環(huán)境因素或設(shè)備因素導致部分數(shù)據(jù)缺失的情況，對其數(shù)據(jù)集隨機缺失處理。并將插補結(jié)果和原始數(shù)據(jù)集進行對比，以ERMSE作為評估指標，某完整充電周期的實際值與插補值對比如圖7所示，不同數(shù)據(jù)插補方法的誤差對比見表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 不同插補方法的誤差對比Tab.3 Error comparison of different imputation methods

表3中，KNN(K- nearest neighbor)為K近鄰插補算法，Matrix為矩陣插補算法，MICE為基于鏈式方程的多重插補算法。所提的基于GAIN數(shù)據(jù)插補方法相較于傳統(tǒng)的插補方法誤差更低。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方法對某一充電周期的電流值進行數(shù)據(jù)插補，可以看出，在數(shù)據(jù)波動處插補效果理想，但是在數(shù)據(jù)驟變?nèi)缂眲∩仙蛳陆倒拯c處，相對會有較大的誤差，總體效果較好；圖7(b)所示為缺失率為80%的情況，由于缺失率過大，插補精度較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)評價模型的分析，選取1個充電周期內(nèi)有5次及以上波動狀態(tài)的原始異常數(shù)據(jù)進行分析，對數(shù)據(jù)進行插補。根據(jù)充電樁大數(shù)據(jù)分析平臺得到的異常告警信息，某次充電報出充電模塊溫度異常告警，進而對其進行故障預測。

假設(shè)環(huán)境溫度為20 ℃，根據(jù)上述的充電模塊溫度波動狀態(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，充電模塊在運行到30～40 min時，處于波動狀態(tài)，且多次超過波動閾值60 ℃，判定為異常狀態(tài)，基于Bi-GRU模型對其進行后續(xù)的故障預測，如圖9所示。

圖9 充電模塊過溫故障預警結(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)告警及過溫故障前的升溫趨勢分析，充電模塊過溫故障被提前預測。該模型在預測溫度變化時，中期的升溫過程能較準確地進行預測，與實際溫度曲線比較貼合。盡管在后期的波動過程中，明顯看出與實際曲線有偏差，但最終可以提前判斷出溫度即將超出故障閾值，提前做出預警。

同理，若是發(fā)出輸出電流異常告警，則對輸出過流故障進行預測。所選取電動汽車恒流充電電流為85 A左右，其誤差波動閾值為±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。

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

通過對歷史數(shù)據(jù)的訓練，選取80 min以后的BMS需求電流曲線、實際值曲線、預測值曲線作比較，90 min以后發(fā)生多次輸出電流故障，如圖11所示，紅色虛線為預測的充電樁輸出電流值。與實際值進行對比分析，模型能夠較好地預測即將發(fā)生的輸出電流故障。由于電流數(shù)據(jù)的波動較多，無法精確預測，但大致趨勢預測效果較好。

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

對電壓、功率、濕度、通信時延等故障類型進行數(shù)據(jù)監(jiān)測。以輸出電壓預警為例：某次充電樁輸出最高電壓為469 V，由式(10)得到波動閾值范圍為(469.938 V，468.062 V)，電壓故障值范圍值(466.655 V，471.345 V)。若前期超出波動閾值5次，則進行電壓預警；若預測值超過電壓故障值范圍，則判定充電樁輸出電壓故障。通過傳感器完成多維動態(tài)數(shù)據(jù)收集，有效提高了異常預測誤差識別性能，同時將數(shù)據(jù)輸入該模型，實現(xiàn)充電樁的實時預警。

同時為驗證本文提出的GAIN數(shù)據(jù)插補模型在充電樁運行狀態(tài)安全預警中的有效性，以1個月充電樁存在故障狀態(tài)的運行數(shù)據(jù)樣本為對象，使用隨機空缺數(shù)據(jù)集訓練模型，對比基于GAIN的Bi-GRU算法與其他算法在測試集上的準確率，結(jié)果如圖12所示。

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

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

5 結(jié)束語

針對采集數(shù)據(jù)的不完整性，本文提出了一種基于GAIN的數(shù)據(jù)插補及充電樁安全預警方法。考慮充電樁運行過程可采集到的監(jiān)控量及可能發(fā)生的故障，結(jié)合GAIN數(shù)據(jù)插補及Bi-GRU算法，建立充電樁安全預警模型，對產(chǎn)生異常告警的情況進行故障預測，判斷其是否超出故障閾值。通過算例分析，驗證本文所提數(shù)據(jù)插補方法精度較高，將其應用于充電樁運行狀態(tài)安全預警時可提高預警準確率，能夠很好地預測故障的發(fā)生，為充電樁的安全運維奠定基礎(chǔ)。但本文未考慮GAIN初始插補方式對GAIN插補方法精度的影響，即本文初始插補矩陣僅考慮0矩陣，同時數(shù)據(jù)波動狀態(tài)較多、數(shù)據(jù)驟變的情況也會導致預警準確率降低。未來將針對在該種情況下如何提高精度以及GAIN初始插補方式開展進一步研究分析。