.png){kind=icon}
返回
Fault-Aware Decision Support for Renewable-Powered EV Charging Stations Using Multi-Source Explainable Learning
.png){kind=icon}
OA
AI
DOI：10.3390/eng7080391.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电动汽车充电站（EVCS）作为电网互动能源资产被越来越多地部署，其结合了电力电子转换器、传感设备、通信接口、光伏（PV）发电、电池储能系统（BESS）和多个充电端口。这种复杂性带来了可靠性挑战，因为异常行为可能源于电气、热、传感、通信、端口级或电网侧来源。本文提出了一种基于多源可解释学习的可再生能源供电EVCS的故障感知决策支持框架。该框架将电气、热、会话/端口、电网/PV/BESS和通信/数据质量指标整合到一个统一的健康监测表示中。监督模型诊断已知故障类别，异常检测模型标记未知或异常事件，而源级可解释性层支持候选源解释和面向维护的风险映射。开发了一个场景控制的EVCS基准，包含PV发电、BESS运行、电网进口、充电端口行为、通信/数据质量指标以及六类注入的故障/异常。一个扩展的180天基准进一步评估了长期运行、季节/天气多样性、漂移/老化代理和事件级行为。最强的闭集分类器（带类别权重的LightGBM）实现了98.45%的准确率和0.9792的宏F1，而用于可解释性和决策层分析的随机森林模型实现了97.35%的准确率和0.9626的宏F1。全多源监测将随机森林宏F1从仅电气监测下的0.6922提升至0.9626，在受控基准中证明了异构EVCS可观测性的诊断价值。开放集性能具有源依赖性：传感器/测量和通信/数据异常更易检测，而热/冷却和端口/会话未知在选定阈值下仍难以检测。在名义场景响应假设下，不可用端口小时数和未满足充电能量分别较被动运行减少了49.01%和38.33%；敏感性分析表明这些结果取决于干预有效性和响应延迟。这些发现为可解释的多源EVCS决策支持在受控基准中的可行性奠定了基础。使用充电器遥测数据、维护确认标签和操作员校准的响应策略进行现场验证仍是必要的。
Keyword:
electric vehicle charging stations
fault-aware decision support
anomaly detection
multi-source monitoring
explainable machine learning
renewable-powered charging
grid-interactive operation
battery energy storage systems
maintenance-oriented risk states
EVCS reliability
期刊
IF:
4.2
论文数:
3.1K
被引数:
1.1W
机构
引用论文
A Comprehensive Review of Electric Vehicle Charging Stations with Solar Photovoltaic System Considering Market, Technical Requirements, Network Implications, and Future Challenges考虑市场，技术要求，网络影响和未来挑战的带有太阳能光伏系统的电动汽车充电站的全面审查.png)
SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏A high-resolution electric vehicle charging transaction dataset with multidimensional features in China一个具有多维特征的、来自中国的高分辨率电动汽车充电交易数据集SCIENTIFIC DATAOAAI
SCIENTIFIC DATAIF6.9
OAAI分享收藏VMD-LSSA-SVM Based Open-circuit Fault Diagnosis Method For Electric Vehicle DC Charging Pile基于VMD-LSSA-SVM的电动汽车直流充电桩开路故障诊断方法
PREAI
分享收藏Charge Scheduling of Electric Vehicle Fleets: Maximizing Battery Remaining Useful Life Using Machine Learning Models电动汽车车队的充电调度: 使用机器学习模型最大化电池剩余使用寿命BATTERIES-BASELOAAI
BATTERIES-BASELIF4.8
OAAI分享收藏Detection of cyber attacks in electric vehicle charging systems using a remaining useful life generative adversarial network使用剩余使用寿命生成对抗网络检测电动汽车充电系统中的网络攻击SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏FL-EVCS: Federated Learning based Anomaly Detection for EV Charging EcosystemPurohit, S.; Govindarasu, M. FL-EVCS：基于联邦学习的电动汽车充电生态系统异常检测。发表于计算机通信与网络国际会议（ICCCN），Kailua-Kona, HI, USA，2024年7月29日至31日。 [Google Scholar] [CrossRef]
PREAI
分享收藏Deep Learning-Based Multifeature Fusion Model for Accurate Open-Circuit Fault Diagnosis in Electric Vehicle DC Charging Piles基于深度学习的多特征融合模型，用于电动汽车直流充电桩的准确开路故障诊断
PREAI
分享收藏
查看更多内容