本数据集以充电场站为分析单元，通过历史运行数据训练多点温度预测模型，结合当前输入参数判定模块温度是否异常，实现对充电桩电源模块过温风险的早期识别。具体应用场景如下： 1.对平台（即申请人）而言：可基于预测结果构建电源模块多点温度健康画像，识别存在热失控隐患的设备区域，支撑平台在大规模设备层面推进预警机制部署和远程动态风险管控； 2.对场站商家而言：可据此开展模块级精准诊断，提前干预可能出现热损伤的部件，延长电源模块使用寿命、减少高温引发的非计划停机，提高设备可用率和服务连续性； 3.对政府而言：可将该模型纳入对充电基础设施的安全运行监管工具箱，动态监测重点区域场站的电源模块运行温控状况，为制定设备技术标准与完善充电站安全管理政策提供数据支撑。
1.数据采集：原始数据经授权合法获取，按场站维度实时采集电源模块运行过程中的关键参数字段，包括：场站编号、设备编号、分析时间、模块唯一标识、模块累计运行时间、模块输出电压、模块输出电流、模块PFC_U温度、模块PFC_V温度、模块PFC_W温度、模块环境温度、模块DCDC正MOS管温度、模块DCDC负MOS管温度、模块DCDC输出二极管温度、模块整流二极管温度。 2.模型训练：采用Scikit-learn多项式回归模型，分别建立模块PFC_U温度、PFC_V温度、PFC_W温度、DCDC正MOS管温度、DCDC负MOS管温度、DCDC输出二极管温度、整流二极管温度的预测模型，基于长期积累的历史数据拟合模块累计运行时间、输出电压、电流、环境温度等参数与各温度点位之间的变化关系，获得各点位的温度预测能力。 3.温度预测结果输出：对当前模块输入运行参数（即步骤1采集的数据），调用对应预测模型（即步骤2训练的模型），分别输出各点位的温度预测值，包括预测模块PFC_U温度、预测模块PFC_V温度、预测模块PFC_W温度、预测模块DCDC正MOS管温度、预测模块DCDC负MOS管温度、预测模块DCDC输出二极管温度、预测模块整流二极管温度。 4.异常判定与结论输出：对每个温度点，计算其预测温度与实际温度的差值。若某点位温差≥6℃，则判定该点位温度异常，并输出对应结论。若所有点位温差均＜6℃，则输出结论为“温度正常”。
| 字段名 | 类型 | 描述 |
|---|---|---|
场站编号 |
-- | -- |
设备编号 |
-- | -- |
分析时间 |
-- | -- |
模块唯一标识 |
-- | -- |
模块累计运行时间/h |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 场站编号 | ******001 |
| 设备编号 | 101437******012 |
| 分析时间 | 2025/7/1 0:00:00 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/188575