本發明涉及充電樁通訊控制系統，具體而言，涉及一種充電樁通訊自修復控制系統及自修復方法。

背景技術：

1、在電動汽車充電過程中，車樁通訊的穩定性直接影響充電效率與用戶體驗。現有技術中，充電樁車樁通訊系統普遍存在以下問題：首先，故障檢測手段依賴簡單的通訊狀態判斷（如超時重試），難以精準識別故障類型（如線路短路、協議沖突或電磁干擾）；其次，故障修復高度依賴人工排查，維修人員需逐一檢查硬件連接、協議配置等，平均耗時長達4小時，導致充電樁長時間停用，運維成本高昂。此外，傳統系統缺乏自適應能力，無法適應多樣化的通訊協議更新，導致新協議兼容性問題頻發。隨著車樁通訊協議多樣化，現有系統的局限性愈發突出。

技術實現思路

1、本發明的目的在于提供一種充電樁通訊自修復控制系統及自修復方法，以改善上述傳統系統缺乏自適應能力，無法適應多樣化的通訊協議更新，導致新協議兼容性問題頻發的問題。

2、為了實現上述目的，本技術實施例提供了如下技術方案：

3、一方面，本技術實施例提供了一種充電樁通訊自修復控制系統，所述系統包括：數據采集模塊，用于通過部署在充電樁與電動汽車通訊接口處的傳感器實時采集通訊數據，所述通訊數據包括通訊狀態、數據傳輸速率、錯誤數據包數量和通訊協議交互信息，并對所述通訊數據進行清洗和歸一化處理；故障診斷模塊，由卷積神經網絡和長短時記憶網絡融合構成，所述卷積神經網絡用于提取預處理后通訊數據的局部特征，所述長短時記憶網絡用于分析時間序列依賴關系，輸出故障類型診斷結果；故障自修復模塊，根據所述故障類型診斷結果執行修復操作：若為軟件通訊故障，則自動重新加載通訊協議棧或調整協議參數配置；若為硬件通訊故障，則觸發預警并切換至備用通訊線路；若為電磁干擾故障，則調整通訊線路或增強抗干擾措施。

4、可選地，故障診斷模型中的卷積神經網絡包含3個卷積層和3個池化層，用于提取不同尺度的局部特征，所述長短時記憶網絡包含2層網絡，用于捕捉長期時序依賴關系；

5、故障自修復模塊針對協議沖突故障，自動比對當前通訊協議與預設協議庫的差異，并動態更新協議配置參數。

6、可選地，還包括通信協調模塊，用于協調所述數據采集與預處理模塊、深度學習故障診斷模型和故障自修復策略模塊的運行流程，并與充電樁的充電控制模塊及管理平臺通信，實時上傳故障信息和接收遠程指令，并在通訊不穩定時，向充電控制模塊發送指令降低充電功率，直至通訊恢復穩定。

7、第二方面，本實施例提供了一種基于充電樁通訊自修復控制系統的自修復方法，所述方法包括：

8、響應于用戶訂單指令，數據采集模塊向當前新能源汽車的bms發送通訊請求，進而使bms反饋當前新能源汽車的車輛信息，所述車輛信息包括車輛型號和車輛電池信息；

9、數據采集模塊將所述車輛信息發送至故障診斷模塊，以使故障診斷模塊檢測充電功率預設運行庫中是否存在與所述車輛型號一致的充電功率曲線，若不存在，則判定與bms出現通訊異常，并生成車輛型號無法匹配的通訊異常指令，并將通訊異常指令發送至故障自修復模塊，以使故障診斷模型調取車輛電池信息，并基于車輛電池信息生成與所述車輛型號相匹配的充電功率曲線；并基于充電功率曲線與bms建立新的通訊協議，以使充電樁按照所述充電功率曲線對新能源汽車進行充電。

10、可選地，基于車輛電池信息生成與所述車輛型號相匹配的充電功率曲線,包括：

11、解析車輛電池信息得到單體電壓、單體溫度和電池類型，并基于單體電壓和標準電壓之間壓差，構建電池模塊對應的壓差分布圖，基于電池類型確定單體的熱阻系數，所述熱阻系數由新能源汽車的電池供應商提供，并燒錄在車輛電池信息中；

12、基于電壓值大小對多個單體電壓進行排序，進而構建電壓幅度曲線，基于預設波動斜率框選多個基礎電壓單體，所述波動斜率的起點與電壓幅度曲線的起點重合，并從電壓幅度曲線的起點開始，選擇多個連續的電壓值在設波動斜率下方的單體電壓，并將選中的單體電壓標記為基礎電壓單體；

13、計算多個基礎電壓單體的第一均值電壓，并基于第一均值電壓與標準電壓的差值構建多個電壓閾值范圍，并基于多個電壓閾值范圍在壓差分布圖中構建每個電壓閾值范圍對應的單體分布種群；

14、基于距離類的聚類算法在每個單體分布種群中構建核心聚集區，多個單體分布種群對應的核心聚集區彼此不重疊，并計算每個核心聚集區對應的第二均值電壓，并基于第二均值電壓計算與標準電壓之間的差值、核心聚集區中的單體數量和核心聚集區中單體分布形狀構建，構建核心聚集區在充電過程的時間-熱量堆積圖；

15、基于單體溫度構建溫度云圖，并將時間-熱量堆積圖疊加至溫度云圖上，進而得到電池模塊在充電過程中的第一電池熱量變化云圖，并基于當前的環境溫度和電池類型計算第一電池熱量變化云圖的動態散熱分布圖，通過疊加第一電池熱量變化云圖和對應的動態散熱分布圖得到電池模塊在充電過程中的第二電池熱量變化云圖，并基于第二電池熱量變化云圖制定對應的充電功率曲線，并將車輛型號、充電功率曲線、壓差分布圖和環境溫度錄入大數據存儲服務器，作為后期的充電功率匹配用神經網絡模型的訓練數據。

16、可選地，基于當前的環境溫度和電池類型計算第一電池熱量變化云圖的動態散熱分布圖，包括：

17、基于當前環境溫度構建環境溫度場，并依次對第一電池熱量變化云圖和環境溫度場進行歸一化處理；

18、通過兩層3d卷積層提取歸一化處理后的第一電池熱量變化云圖的時空局部特征，并通過多頭自注意力機制捕獲時間維度全局依賴關系，生成時序增強特征；

19、將歸一化處理后的環境溫度場經雙線性插值至與第一電池熱量變化云圖對應的分辨率，并與所述時序增強特征進行通道拼接，形成融合特征；

20、將所述融合特征輸入預設的物理約束模型，然后按照時序生成對應的動態散熱分布圖。

21、所述物理約束模型構建局部區域的散熱量的方式為：

22、提取融合特征中環境溫度通道，并生成溫度敏感系數矩陣，并將溫度敏感系數矩陣與卷積核權重按元素進行相乘，進而得到初始散熱量；

23、提取融合特征中的電池溫度，并基于電池溫度與環境溫度之間的溫差調整方向一致性閾值，并基于方向一致性閾值通過損失函數計算得到梯度修正后的散熱量，然后基于梯度修正后的散熱量逐幀構建多個散熱分布圖，進而構成動態散熱分布圖。

24、可選地，基于第二電池熱量變化云圖制定對應的充電功率曲線，包括：

25、基于預設安全充電溫度閾值構建第一安全溫度參照面，并基于某一時刻的第二電池熱量變化云圖凸出于第一安全溫度參照面部分的體積降低對應時刻的預設充電功率，進而得到修正后的預設充電功率，并基于當前的電壓一致性波動圖，進一步降低整個修正后的預設充電功率，得到充電功率曲線。

26、可選地，所述電壓一致性波動圖的構建方式為：

27、基于電壓閾值范圍最低的一個單體分布種群對應的均值電壓和單體數量結合壓差分布圖對應的均值電壓通過加權算法計算得到基礎電壓，進而構建基礎電壓底座；

28、將基礎電壓底座擬合至壓差分布圖，以使壓差分布圖扣除基礎電壓底座部分進而得到電壓一致性波動圖，所述電壓一致性波動圖用于表征電池模塊中的多個單體的電壓浮動情況。

29、第三方面，本技術實施例提供了一種高壓電氣設備局部放電類型識別設備，所述設備包括存儲器和處理器。

30、存儲器用于存儲計算機程序；處理器用于執行所述計算機程序時實現上述充電樁通訊自修復控制系統的步驟。

31、第四方面，本技術實施例提供了一種介質，所述介質上存儲有計算機程序，所述計算機程序被處理器執行時實現上述充電樁通訊自修復控制系統的步驟。

32、本發明的有益效果為：

33、本發明所述的充電樁通訊自修復控制系統，基于cnn與lstm的深度學習模型，能夠同時捕捉通訊數據的局部特征（如異常數據包格式）和時序依賴關系（如周期性干擾），診斷準確率較傳統方法提升30%～50%，顯著減少誤判和漏判；

34、其次通過故障自修復策略模塊，系統可針對軟件協議錯誤自動重載配置，并針對電磁干擾調整通訊參數，將平均修復時間從4小時縮短至30分鐘內，大幅降低人工干預需求。

35、其次，深度學習模型支持在線更新，能夠學習新通訊協議下的正常與異常模式，確保系統在協議迭代或環境變化時仍保持高穩定性。

36、本發明的其他特征和優點將在隨后的說明書闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明實施例了解。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。