云边协同的充电预警方法、设备及介质

专利主权项内容

1.一种云边协同的充电预警方法，其特征在于，包括：根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果；根据充电设备的边缘端监测数据和规则推理引擎，获取充电设备的边缘端短期预警结果；基于所述边缘端短期预警结果和所述云端中长期诊断结果，确定云边协同安全运维策略；基于所述云边协同安全运维策略输出云边协同预警诊断结果；所述根据充电设备的云端监测数据和门控循环神经网络故障诊断模型，获取充电设备的云端中长期诊断结果，包括：选取充电设备的云端故障表征参数、实时订单数据和用采数据；对实时订单数据和用采数据进行线性归一化处理，作为神经网络的输入参量，线性归一化公式如下：
, 其中，为线性归一化之后的实时订单数据和用采数据，/>为线性归一化之前的实时订单数据和用采数据，/>为实时订单数据和用采数据中的最大值，/>为实时订单数据和用采数据中的最小值；采用重心拉格朗日插值法对充电设备数据进行插值处理，重心拉格朗日插值法公式如下：
, 其中，为订单数据或用采数据中，需要插入的缺失特征值的计算值，/>为订单数据或用采数据中，需要插入缺失特征值的时间维度的取值，/>为第j个订单数据或用采数据的时间维度的取值，/>为第j个订单数据或用采数据的已记录特征值的取值，/>为重心权重，为插值过程中，参与计算缺失特征值/>的订单数据或用采数据中已记录特征值的个数，/>；将处理好的实时订单数据和用采数据分为训练集和测试集，训练集用于训练门控循环神经网络故障诊断模型；建立门控循环神经网络故障诊断模型，门控循环神经网络故障诊断模型中的各单元输入输出满足：重置门，用来控制保留前一时刻的记忆，公式为：
, 其中，为t时刻的输入；/>为sigmoid激活函数；/>为t-1时刻的隐藏状态；/>为输入到隐藏层的权重；/>为隐藏层到隐藏层的权重；/>为输入到隐藏层的偏置；/>为隐藏层到隐藏层的偏置；更新门公式为：
，其中，为sigmoid激活函数；/>为上一个时间步的隐藏状态；/>为当前时间步的输入；/>为输入到隐藏层的权重，/>为隐藏层到隐藏层的权重；/>和/>分别为输入到隐藏层的偏置、隐藏层到隐藏层的偏置；候选隐藏层公式为：
，其中，为上一个时间步的隐藏状态；/>为当前时间步的输入；/>为输入到隐藏层的权重，/>为隐藏层到隐藏层的权重；/>为输入到隐藏层的偏置，/>为隐藏层到隐藏层的偏置；t时刻的隐藏状态为：
, 其中，为t-1时刻的隐藏状态，开始时刻的初始状态为零；设计门控循环神经网络参数，隐藏层的节点个数公式为：
, 其中，x为输入节点数，y为输出节点个数，取1，设置Dropout参数为0.5防止过拟合，训练门控循环神经网络故障诊断模型每次批处理样本大小为100，激活函数利用tanh函数，分类层采用Softmax分类器，/>为向下取整；选取Adam算法优化，Adam算法优化器参数的一阶动量项公式为：
, 其中，m为一阶动量项，为一阶动量加权衰减系数，/>为门控循环神经网络的损失函数，/>为门控循环神经网络损失函数对应的隐藏层的权重，/>表示将右侧公式更新后的数值赋值给左侧变量m；Adam算法优化器参数的二阶动量项公式为：
, 其中，g为二阶动量项，为二阶动量加权衰减系数；修正一阶动量项的偏差公式为：
, 修正二阶动量项的偏差公式为：
, Adam的学习参数更新误差公式为：
, 其中，为学习参数；/>为学习率；/>为一个非常小的常量；使用测试集测试门控循环神经网络故障诊断模型，输出故障分类诊断结果。