[0001] 本发明属于电力计量监测技术领域，尤其涉及一种充电机异常预警方法、系统、电子设备及存储介质。

[0002] 电动汽车的普及对于节约能源、环境保护等都具有重要意义，电动汽车的充电技术作为其关键之一，影响着电动汽车的使用体验。非车载充电机作为电动汽车的主要能源补充设备，其计量性能异常可能会影响电动汽车的充电效率和安全性。

[0003] 目前，常见的充电机计量性能检测方法是采用电能计量测试方法，使用专业的测试设备对充电机进行电能计量测试，以验证充电机提供的电能是否与标称数值相匹配。但这种检测方式不能与电动车充电同时进行，需要中断车辆充电才能进行计量性能检测，实际应用中会影响车辆的充电效率。

[0019] 为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0020] 应当理解，本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。

[0021] 请参阅图1，本发明实施例提供的一种充电机异常预警方法的流程示意图，包括：S101、采集预设时间长度内的充电数据、环境数据以及对应的电能误差值，将充电数据和环境数据作为特征数据，根据所述电能误差值为不同任务中相同时刻输入的特征数据添加标签；
所述充电数据包括电压、电流、功率等，所述环境数据包括温度、湿度、气压等。采集一段时间内的充电数据和环境数据，将其作为特征数据构建输入矩阵，并根据实际电能误差值对输入矩阵中同一时刻的特征数据添加不同标签。

[0022] 所述不同任务包括电能误差值的趋势预测任务、电能误差值的数值预测任务和充电机计量性能异常检测任务。

[0023] 具体的，在电能误差值趋势预测任务中，若当前时刻电能误差值大于下一个时刻的电能误差值，则将当前时刻特征数据的标签设定为1，否则，即电能误差值小于或等于下一个时刻的电能误差值，将当前时刻特征数据标签设定为0；在电能误差数值预测任务中，将每个时刻特征数据对应的标签设为该时刻对应的电能误差值；
在充电机计量性能异常检测任务中，若当前时刻的电能误差值在充电机准确度等级范围内，则将当前时刻特征数据的标签设为1，表示检测正常，否则，即当前时刻的电能误差值在充电机准确度等级范围外，则将当前时刻特征数据的标签设为0，表示检测异常。

[0024] S102、构建多任务学习模型，分别采用逻辑回归模型、时序预测模型以及二分类模型进行对应的电能误差值变化趋势预测、误差数值预测及充电机计量性能异常检测，并构建对应的损失函数；其中，分别定义逻辑回归模型、时序预测模型以及二分类模型的损失函数，通过利用电能误差值变化趋势预测和误差数值预测辅助充电机计量性能异常检测，构建对应的辅助损失函数，并构造基于辅助损失函数和二分类模型损失函数的联合损失函数；
在一个实施例中，如图2所示，所述多任务学习模型采用MLP模型，共有n个MLP模型，包括三个子任务和三个门限网络（如图中门1、门2和门3）；
三个子任务分别为电能误差值变化趋势预测、误差数值预测及充电机计量性能异常检测，分别通过逻辑回归模型、时序预测模型和二分类模型实现；
通过门限网络输出每个专家系统的权重，对专家系统的输出加权求和后输出至子任务模型；
其中，每个专家系统分配的权重表示为： ;
所有专家系统的输出表示为： ；
子任务模型的输出表示为： ；
k
式中，g (x)表示第k个任务每个专家系统分配的权重，Wgk表示第k个任务对应门控函数的参数矩阵，x表示多任务学习模型的输入数据， 表示第k个任务对应的所有专家网络的组合输出结果,n表示专家系统个数，i为计数变量，fi(x)表示第i个专家系统的输出，k表示每个子任务的输出， 表示子任务模型。

[0025] 所述多任务学习模型引入电能误差值预测作为辅助任务，辅助充电机计量性能的异常检测任务，同时引入电能误差值的变化趋势预测作为电能误差值的辅助任务，来提高预测精度。

[0026] 在多任务学习模型的损失函数设计中采用电能误差值变化趋势预测和数值预测的结果能够辅助实现充电机计量性能的异常检测。

[0027] 具体的，通过交叉熵函数表示逻辑回归模型的损失函数L1，通过均方误差损失表示时序预测模型的损失函数L2，通过焦点损失函数表示二分类模型的损失函数L3；基于逻辑回归模型损失函数L1和时序预测模型损失函数L2构建的辅助损失函数表示为：
；
式中，L辅表示辅助损失函数，α表示为逻辑回归模型输出结果对应的标签序列 与时序预测模型输出结果对应的趋势标签序列 在同一时刻数值相同的数量
，将β表示为序列 的长度 ；
联合损失函数表示为：
；
式中，L联表示联合损失函数，δ表示时序预测模型输出结果对应的状态标签序列与二分类模型输出结果对应的标签序列 在同一时刻值相同的数量 ，
将η表示为序列 的长度 。

[0028] 电能误差值变化趋势预测可以作为电能误差值数值预测的一种辅助工具，帮助提高预测模型的准确性、理解数据的变化趋势和提高预测结果的稳定性。电能误差值变化趋势预测任务采用逻辑回归模型，逻辑回归模型的损失函数采用的是交叉熵函数：；
电能误差值数值预测用于监测充电机计量性能的变化。通过预测电能误差值，可以及时发现充电机计量性能是否存在异常，从而提前采取措施进行修复。因此，可以将电能误差值数值预测当作充电机计量性能的异常检测的辅助任务。误差数值预测任务采用常用的预测模型，损失函数采用均方误差损失：
；
异常检测是一种特殊的二分类任务，其特殊点在于参与训练的数据具有类别不平衡性，异常样本较少，正常样本较多。针对异常检测任务的特殊性，采用焦点损失函数：
；
式中，ω表示正负样本采样比例，焦点损失采用交叉熵损失函数作为基础，当时，交叉熵损失可写为 ， 越大，表明该样本越容易
预测，因此要给样本分配一个较小的权重，可知样本权重与 时负相关关系，因此使用去计算该样本的权重，同时引入正负样本类别不平衡因子ω表达最终的焦点损失函数。

[0029] 逻辑回归模型的输出结果是 ，若某时刻 的值大于等于0.5，则该时刻的数据对应的标签为1，若某时刻 的值小于0.5，则该时刻的数据对应的标签为0，定义 对应的标签序列数据为 。

[0030] 预测模型的输出结果是 ，在序列 中为每个数据打上趋势标签，趋势标签定义方式为：若某时刻的值大于下一个时刻值，那么该时刻的数据对应的趋势标签为1；若某时刻的值小于或等于下一个时刻值，那么该时刻的数据对应的趋势标签为0；定义趋势标签序列为 。将α定义为标签 与标签 在同一时刻值相同的数量 ；将β定义为序列 的长度 ；那么辅任务损失可定义为：
;
为预测模型的输出结果是 打上状态标签，状态标签定义方式为：若某时刻的值在准确度等级范围内（1级，±1.0%），那么该时刻的数据对应的状态标签为正常，记为1；若该时刻的值在准确度等级范围外，那么该时刻的数据对应的标签为异常，记为0；定义趋势标签序列为 。

[0031] 二分类模型的输出结果是 ， 和 使用相同的打标签方式，将 的标签序列数据为 。将 定义为标签 与标签 在同一时刻值相同的数量 ,将β定义为序列 的长度 ；那么联合任务损失可定义为：
;
将所有的公式整合得到最终的损失函数：
。

[0032] S103、通过带标签的特征数据训练所述多任务学习模型，基于训练后的多任务学习模型对待充电机计量性能异常进行检测和预警。

[0033] 通过将带标签的特征数据输入多任务学习模型，对该多任务学习模型进行训练，基于训练后的多任务学习模型即可实现待检测充电机计量性能异常的检测判断，并能进行预警提示。

[0034] 本实施例中，通过建立多任务学习模型，在实现电能误差值变化趋势预测、数值预测以及充电机计量性能异常检测的同时，利用电能误差值变化趋势预测和数值预测的结果辅助实现充电机计量性能的异常检测，从而不仅解决了现有充电机计量性能检测方式影响车辆正常充电效率的问题，而且能够保障充电机计量性能检测结果的准确性和可靠性。基于子任务模型损失函数构建对应的辅助函数和联合函数，相较于传统多任务学习采用的加权求和方法，具有更高的检测精度。

[0035] 应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

[0036] 图3为本发明实施例提供的一种充电机异常预警系统的结构示意图，该系统包括：采集标注模块310，用于采集预设时间长度内的充电数据、环境数据以及对应的电能误差值，将充电数据和环境数据作为特征数据，根据所述电能误差值为不同任务中相同时刻输入的特征数据添加标签；
具体的，所述根据所述电能误差值为不同任务中相同时刻输入的特征数据添加标签包括：
在电能误差值趋势预测任务中，若当前时刻电能误差值大于下一个时刻的电能误差值，则将当前时刻特征数据的标签设定为1，否则，将当前时刻特征数据标签设定为0；
在电能误差数值预测任务中，将每个时刻特征数据对应的标签设为该时刻对应的电能误差值；
在充电机计量性能异常检测任务中，若当前时刻的电能误差值在充电机准确度等级范围内，则将当前时刻特征数据的标签设为1，表示检测正常，否则，则将当前时刻特征数据的标签设为0，表示检测异常。

[0037] 模型构建模块320，用于构建多任务学习模型，分别采用逻辑回归模型、时序预测模型以及二分类模型进行对应的电能误差值变化趋势预测、误差数值预测及充电机计量性能异常检测，并构建对应的损失函数；其中，分别定义逻辑回归模型、时序预测模型以及二分类模型的损失函数，通过利用电能误差值变化趋势预测和误差数值预测辅助充电机计量性能异常检测，构建对应的辅助损失函数，并构造基于辅助损失函数和二分类模型损失函数的联合损失函数；
其中，所述多任务学习模型采用MLP模型，包括三个子任务和三个门限网络；
三个子任务分别为电能误差值变化趋势预测、误差数值预测及充电机计量性能异常检测；
通过门限网络输出每个专家系统的权重，对专家系统的输出加权求和后输出至子任务模型；
其中，每个专家系统分配的权重表示为： ;
所有专家系统的输出表示为： ；
子任务模型的输出表示为： ;
k
式中，g (x)表示第k个任务每个专家系统分配的权重，Wgk表示第k个任务对应门控函数的参数矩阵，x表示多任务学习模型的输入数据， 表示第k个任务对应的所有专家网络的组合输出结果,n表示专家系统个数，i为计数变量，fi(x)表示第i个专家系统的输出，k表示每个子任务的输出， 表示子任务模型。

[0038] 其中，所述模型构建模块320包括：损失函数定义单元，用于通过交叉熵函数表示逻辑回归模型的损失函数L1，通过均方误差损失表示时序预测模型的损失函数L2，通过焦点损失函数表示二分类模型的损失函数L3；
基于逻辑回归模型损失函数L1和时序预测模型损失函数L2构建的辅助损失函数表示为：
;
式中，L辅表示辅助损失函数，α表示为逻辑回归模型输出结果对应的标签序列 与时序预测模型输出结果对应的趋势标签序列 在同一时刻数值相同的数量
，将β表示为序列 的长度 ；
基于辅助损失函数和二分类模型损失函数构造的联合损失函数表示为：
;
式中，L联表示联合损失函数，δ表示时序预测模型输出结果对应的状态标签序列与二分类模型输出结果对应的标签序列 在同一时刻值相同的数量 ，将η
表示为序列 的长度 。

[0039] 训练检测模块330，用于通过带标签的特征数据训练所述多任务学习模型，基于训练后的多任务学习模型对待充电机计量性能异常进行检测和预警。

[0040] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程可以参考前述方法实施例中对应的过程，在此不再赘述。

[0041] 图4是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于充电机计量性能异常检测预警。如图4所示，该实施例的电子设备4包括：存储器410、处理器420以及系统总线430，所述存储器410包括存储其上的可运行的程序4101，本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

[0042] 下面结合图4对电子设备的各个构成部件进行具体的介绍：存储器410可用于存储软件程序以及模块，处理器420通过运行存储在存储器410的软件程序以及模块，从而执行电子设备的各种功能应用以及数据处理。存储器410可主要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、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据（比如缓存数据）等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

[0043] 在存储器410上包含网络请求方法的可运行程序4101，所述可运行程序4101可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器410中，并由处理器420执行，以实现充电机计量性能异常检测预警等，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序4101在所述电子设备4中的执行过程。例如，所述计算机程序4101可以被分割为采集标注模块、模型构建模块和训练检测模块等功能模块。

[0044] 处理器420是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器410内的软件程序和/或模块，以及调用存储在存储器410内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体状态监控。可选的，处理器420可包括一个或多个处理单元；优选的，处理器420可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器420中。

[0045] 系统总线430是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、CAN总线等。处理器420的指令通过总线传递至存储器410，存储器410反馈数据给处理器420，系统总线430负责处理器420与存储器410之间的数据、指令交互。当然系统总线430还可以接入其他设备，例如网络接口、显示设备等。

[0046] 在本发明实施例中，该电子设备所包括的处理420执行的可运行程序包括：采集预设时间长度内的充电数据、环境数据以及对应的电能误差值，将充电数据和环境数据作为特征数据，根据所述电能误差值为不同任务中相同时刻输入的特征数据添加标签；
构建多任务学习模型，分别采用逻辑回归模型、时序预测模型以及二分类模型进行对应的电能误差值变化趋势预测、误差数值预测及充电机计量性能异常检测，并构建对应的损失函数；
其中，分别定义逻辑回归模型、时序预测模型以及二分类模型的损失函数，通过利用电能误差值变化趋势预测和误差数值预测辅助充电机计量性能异常检测，构建对应的辅助损失函数，并构造基于辅助损失函数和二分类模型损失函数的联合损失函数；
通过带标签的特征数据训练所述多任务学习模型，基于训练后的多任务学习模型对待充电机计量性能异常进行检测和预警。

[0047] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0048] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0049] 以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。