王亚超, 党兆帅, 李学超, 韩迪, 戚成飞, 毕超然, 杨挺
随着新能源汽车数量的激增,电动汽车充电设施的稳定运行对电网安全和用户权益保障变得尤为关键。本文针对电动汽车充电桩的故障预测进行了深入分析,首先基于核密度估计研究用户的充电行为,探讨了充电起始、持续时间和结束时刻的时序相关性,并据此提出了非欧几里得域数据建模方法。进一步,研究引入图卷积神经网络(GCN)和卷积神经网络(CNN),搭建了一个GCN-CNN深度学习联合模型,有效捕捉故障分类与数据特征间的复杂非线性关系。通过在真实数据集上进行消融和算法对比实验,本模型在验证集上取得了F1score和G-mean均为0.844的优越性能,较其他模型平均性能分别提升了6.28%和6.04%。该研究为充电桩故障预测提供了创新解决方案,有助于降低运维成本并提升检测效率。