本发明属于充电桩，具体涉及一种基于概率稀疏自注意力机制的充电桩故障检测方法。
背景技术：
1、随着动力电池和快速充电技术的日益成熟，电动汽车获得了长足的发展，已成为汽车市场的重要组成部分。电动汽车使用电能转化为机械能作为动力，取代了传统的是由等化石能源，从而减轻了对不可再生能源的依赖，减少二氧化碳的排放，有利于环境保护。
2、在电动汽车发展的过程中，充电设备的故障与安全问题也不断凸显，从而影响了用户的使用体验，这不仅增加了充电桩的维护成本和难度，还给电动汽车的普及带来了巨大困难。因此，完善充电桩故障诊断技术，对充电桩的维护、安全运行以及电动汽车的发展具有重要意义。
3、随着充电桩故障类型的多样化，传统人工诊断难度加大，使人们逐渐向人工智能领域开展研究，并提出了诸如线性神经网络、隐马尔可夫模型等方法。虽然上述研究都对直流充电桩故障诊断的方法进行了优化，但上述方法存在诊断精度和诊断速度未能适配，诊断时间长，数据获取困难的问题。
技术实现思路
1、为了解决上述现有技术中存在的问题，提供了一种基于概率稀疏自注意力机制的充电桩故障检测方法。
2、本发明解决其技术问题所采用的技术方案是：
3、本技术方案提出了一种基于概率稀疏自注意力机制的充电桩故障检测方法，包括以下步骤：
4、s1：对充电桩常见的故障种类进行模拟，获取充电桩的输出电压，基于dingo优化算法选择超参数，并将获得的超参数输入模型；
5、s2：依照时间顺序将s1中得到的输出电压进行排列，将各种不同故障形式的输出电压作为模型的多维输入序列，输入到模型的输入层中，输入层将输入的电压值序列转化为模型的编码层可处理的高维向量；
6、s3：通过将模型的输入层输出的高维向量转化为q、k、v矩阵，模型的编码层通过自注意力机制得到不同输入变量之间的相关性得分，相关性得分得到包含故障信息特征的指针向量；
7、s4：模型的特质提取层分析指针向量得到故障种类，将故障种类与已知的故障信息进行比较，并根据结果通过模型的反向传播层对可训练参数进行修正，实现对模型的训练；
8、s5：将训练后的模型进行部署，输入充电桩的电压数据，将输出的指针向量作为特征判据进行分析，得到充电桩故障的诊断结果。
9、优选的，所述s1中，故障种类包括控制元件故障，单个功率器的开路故障和两个功率器故障的开路故障。
10、优选的，所述s2中，模型的嵌入层将原始的电压值序列通过式（1）和式（2）转化为高维向量，公式如下：
11、 （1）；
12、 （2）；
13、式中，表示位置编码序列，表示元素在序列中的位置，为隐藏层大小。
14、优选的，所述s2中，输入层包括嵌入层和线性层，嵌入层是模型结构的起始层，高维向量包含原始输入序列中的短时特征，嵌入层采用正余弦函数对输入向量的位置进行编码，编码后的输入向量包含本身的序列特征信息和位置特征信息，之后经过线性层训练将序列特征映射一组高维向量，作为特质提取层的输入。
15、优选的，所述s3中，根据式（3）计算第 i个query向量下，key向量的分布，得到相应的相关性得分，公式如下：
16、 （3）；
17、式中，为第 i个向量，为第 i个 k向量，为在第 i个 q向量下第 j个 k向量的概率；
18、通过softmax函数将相关性得分转化为概率形式，再将结果与value向量加权求和，得到输出序列。
19、优选的，基于式（3）计算得到的分布形式，若分布形式为均匀分布，则进行剔除，若分布形式的波动超出阈值，则进行保留。
20、优选的，通过kl散度来衡量分布形式的相似性，计算第i个query向量的条件下key值的分布与均匀分布之间的kl散度，得到每个query向量的稀疏度，kl散度值计算公式如下：
21、 （4）；
22、式中，为第 i个向量，为第 l个 k向量，与为两个可训练参数。
23、优选的，特质提取层包含编码层和解码层，编码层通过多头注意力机制对输入向量的特征矩阵q、k、v进行处理得到注意力值，再通过注意力值实现序列预测，在模型的解码层的输入中加入掩码层，掩码层将带预测序列替换为空序列，解码层对序列进行预测。
24、优选的，模型的回归层将解码层输出的完成特征提取的序列，转化为可进行故障类型判断的指针向量，解码层输出的序列形式为高维向量，通过一个线性层将高维向量映射为二维的指针向量，通过指针向量的两个维度实现故障类型判别。
25、与现有技术相比，本发明具有以下优点：
26、本申请通过概率稀疏自注意力机制大幅提高了模型的学习能力，同时编码层-解码层的整体模型结构，相较于线性结构不易发生梯度消失或者梯度爆炸现象，有效提高故障诊断精度，采用dingo优化算法对模型的超参数进行自优化，模型可自主获取较为准确的超参数值，降低了模型的泛化成本，有效降低了故障诊断的时间，保证了模型精度。
1.一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，所述s1中，故障种类包括控制元件故障，单个功率器的开路故障和两个功率器故障的开路故障。
3.根据权利要求1所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，所述s2中，模型的嵌入层将原始的电压值序列通过式（1）和式（2）转化为高维向量，公式如下：
4.根据权利要求1所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，所述s2中，输入层包括嵌入层和线性层，嵌入层是模型结构的起始层，高维向量包含原始输入序列中的短时特征，嵌入层采用正余弦函数对输入向量的位置进行编码，编码后的输入向量包含本身的序列特征信息和位置特征信息，之后经过线性层训练将序列特征映射一组高维向量，作为特质提取层的输入。
5.根据权利要求1所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，所述s3中，根据式（3）计算第i个query向量下，key向量的分布，得到相应的相关性得分，公式如下：
6.根据权利要求5所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，基于式（3）计算得到的分布形式，若分布形式为均匀分布，则进行剔除，若分布形式的波动超出阈值，则进行保留。
7.根据权利要求6所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，通过kl散度来衡量分布形式的相似性，计算第i个query向量的条件下key值的分布与均匀分布之间的kl散度，得到每个query向量的稀疏度，kl散度值计算公式如下：
8.根据权利要求1所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，特质提取层包含编码层和解码层，编码层通过多头注意力机制对输入向量的特征矩阵q、k、v进行处理得到注意力值，再通过注意力值实现序列预测，在模型的解码层的输入中加入掩码层，掩码层将带预测序列替换为空序列，解码层对序列进行预测。
9.根据权利要求8所述的一种基于概率稀疏自注意力机制的充电桩故障检测方法，其特征在于，模型的回归层将解码层输出的完成特征提取的序列转化为可进行故障类型判断的指针向量，解码层输出的序列形式为高维向量，通过一个线性层将高维向量映射为二维的指针向量，通过指针向量的两个维度实现故障类型判别。
