CN117520803B - 一种充电桩故障诊断方法、计算机可读介质及设备 - Google Patents

Abstract

本申请提供了一种充电桩故障诊断方法、计算机可读介质及设备，其中，方法为基于自适应特征模态分解与核极限学习机(Adaptive feature mode decomposition–Kernel extreme learning machine,AFMD‑KELM)的充电桩故障诊断方法，包括：(1)数据获取与准备；(2)信号自适应分解；(3)故障特征筛选；(4)充电桩故障诊断模型搭建与训练；(5)充电桩故障诊断。本发明将采集到的充电桩传感器信号可以自适应地分解为多个特征分量，根据重要性刻画指标选择出其中重要的特征，提取信号中有效信息并减少噪声的干扰。利用金枪鱼群优化的核极限学习机将提取的特征进行分类，进一步提高充电桩故障诊断的准确率。

Description

一种充电桩故障诊断方法、计算机可读介质及设备

技术领域

本申请涉及充电桩技术领域，特别涉及一种充电桩故障诊断方法、计算机可读介质及设备。

背景技术

电动汽车作为汽车产业转型升级的重要途径，近些年来获得了井喷式的发展，充电桩作为电动汽车的主要充电设施至关重要。但充电桩在使用过程中会出现各种故障，严重时可造成经济损失与人员伤亡。因此，亟需对充电桩状态进行监测，构建一种智能高效的充电桩故障诊断方法，从而在其出现故障时快速报警并识别出具体故障类型，便于维修人员检修与维护，切实保证财产和人员安全。

信号分解方法是将原始信号中各个成分进行分离，得到规则的简单模态，以便于在时域和频域进行分析。经验模态分解作为信号分解的经典方法广泛应用于各个领域，然而其容易出现模态混叠、边界效应等问题，故而又涌现出了集合经验模态分解、局部均值分解、变分模态分解等方法，但这些方法也都具有一定缺陷。特征模态分解(FMD)是带入自适应分解与解卷积理论，迭代更新滤波器系数，将非平稳多分量信号分解为若干个信号，对待处理采集到的充电桩电压、电流信号这样的非线性信号具有很好的处理效果，然而其参数需要根据经验预先设置。

在以往的实践中，信号分解后得到的各个模态分量直接用于后面的分类器进行分类，然而其中包含许多信号中的无关分量和噪声干扰，需要通过一定的算法对特征分量进行筛选以获得更准确、更具有差异度的特征数据库，提高充电桩故障诊断的准确率和抗干扰性。

发明内容

本申请提供了一种充电桩故障诊断方法、计算机可读介质及设备，其优点是通过对充电桩电压信号进行分解和筛选，提取信号中的有效信息，通过筛选后的信号对充电桩故障诊断模型进行训练并对充电桩故障进行诊断，减少噪声干扰，提高充电桩故障诊断的准确率。

本申请的技术方案如下：

一方面，本申请提供一种充电桩故障诊断方法，包括如下步骤：

数据获取与准备：采集充电桩正常、过流、失流、过压、失压、负荷超容运行状态下的电压信号，并将采集到的信号划分为训练集和测试集；

信号自适应分解：对信号进行K层特征模态分解得到K个模态分量；

故障特征筛选：依据重要性刻画指标IRI作为选择模态分量的标准，筛选信号中与故障信息相关程度大的重要成分；

充电桩故障诊断模型搭建与训练：搭建基于金枪鱼群优化的核极限学习机模型，将所述故障特征筛选步骤中获得的训练集数据输入到模型中进行训练得到训练好的充电桩故障诊断模型；

充电桩故障诊断：将所述故障特征筛选步骤中获得的测试集数据输入到模型中输出预测的充电桩故障类型。

进一步的，数据获取与准备步骤中：采集充电桩正常、过流、失流、过压、失压、负荷超容运行状态下的电压信号，每种充电桩状态采集60条信号，采集到的360组信号按照7:3比例划分为训练集与测试集。

进一步的，数据获取与准备步骤中：每条信号可表示为x＝(x₁,x₂,…,x_N)，x_i表示电压信号x的第i个采样点，1≤i≤N，N是信号的总采样点数，设置为1000。

进一步的，信号自适应分解步骤中：K为最优分解层数，最优分解层数K的确定方法为：

首先对信号进行k层特征模态分解，其中，k＝2,3,…,8，对于分解得到的k个模态分量[u₁,u₂,…,u_k]，分别计算其时域峰度值与其包络谱峰度值，并根据如下公式计算联合峰度值：

γ_k＝mean(K_u,x,k·K_u,e,k)(1)

其中，mean代表取均值，K_u,x,k为第k个模态的时域峰度，K_u,e,k为第k个模态的包络谱峰度，其计算公式如下：

其中，表示第k个模态数据的均值，σ_ik为第k个模态数据的标准差；其中，表示第k个模态数据包络谱的均值，σ_ek为第k个模态数据包络谱的标准差；

计算各个分解层数对应下的γ_k之后，选择γ_k最大时对应的k值即为该信号最优分解层数K

然后对信号x进行K层特征模态分解得到K个模态分量[u₁,u₂,…,u_K]。

进一步的，故障特征筛选步骤中，重要性刻画指标IRI定义如下：

IRI＝D_e+D_c(3)

其中，D_e代表两个模态分量的归一化欧氏距离，D_c代表两个模态分量的归一化余弦距离，其值的计算根据如下步骤：

假设分解后得到的任意两个模态分量为IMF_p(t)＝[x_p1,x_p2,…,x_pN]与IMF′_p(t)＝[x′_p1,x′_p2,…,x′_pN]，其中，p∈[1,K]，则基于距离的相似性度量d_e为：

归一化得到相似性指标D_e为：

基于两个模态分量之间的夹角进行计算得到的相似性度量d_c为：

归一化得到的相似性指标D_c为：

分别计算K个模态分量[u₁,u₂,…,u_K]中任意两个之间的重要性刻画指标IRI的值，得到重要性度量矩阵：

矩阵中每一行的数据相加后排序，每一行数据和代表一个模态分量的重要性，选择出重要性前3的模态分量[u_IRI1,u_IRI2,u_IRI3]作为本步骤的输出。

进一步的，充电桩故障诊断模型搭建与训练步骤中，所述核极限学习机模型核矩阵与输出方程如下：

其中，H为隐藏层神经元的输出矩阵，C为正则化系数，I为单位矩阵，T为数据标签值，K(x_N,x_N)表示关于x_N与x_N的核函数；选择核函数为高斯径向基核函数，表达式如下：

核极限学习机中存在两个重要的参数：正则化系数C与核参数gamma，对分类结果具有很大的影响，利用金枪鱼群优化算法对这两个参数进行优化，优化步骤如下：

首先，在预设的参数搜索空间内随机均匀生成初始金枪鱼群，将核极限学习机中的正则化系数C与核参数gamma作为初始位置，如下式：

其中，是第i个初始金枪鱼个体，具体为ub和lb分别为搜索空间的上下边界，NP为整个金枪鱼种群的数量，rand则是范围为(0,1)的均匀分布随机向量；

随后设置参数a和z，其中a是常数，用于确定在初始化种群时金枪鱼跟随最佳个体和前一个个体的程度；z为某一金枪鱼个体重新生成初始位置的概率；

定义适应度函数为核极限学习机的分类准确率，计算金枪鱼群初始位置时的适应度函数值，如下：

若rand＜z，重新生成金枪鱼群个体位置根据式(11)。

若rand≥z且rand＜0.5且t/t_max＜rand，则根据下式更新金枪鱼群个体位置：

若rand≥z且rand＜0.5且t/t_max≥rand，则根据下式更新金枪鱼群个体位置：

其中，β＝e^bl·cos(2πb)，是第t+1次迭代的第i个金枪鱼个体；是当前的最佳个体，也就是食物所在的位置；α₁和α₂是控制个体向最佳个体和前一个个体移动趋势的权重系数；t表示当前的迭代次数；t_max表示算法的最大迭代次数；b是均匀分布在(0,1)之间的随机数；

若rand≥z且rand≥0.5，则根据下式更新金枪鱼群个体位置：

其中，TF是取值为1或-1的随机数；

每次迭代判断当前参数位置适应度函数值是否比更新前位置的适应度函数值更高，若是则更新最优解位置；不断重复上述过程直到达到最大迭代次数t_max，记录最优解时的核参数gamma和正则化系数C值的大小以及此时的适应度函数值；

利用获得的参数最优解对故障特征筛选步骤获得的特征向量对核极限学习机模型进行训练，得到训练好的充电桩故障诊断模型。

另一方面，本申请提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被计算机调用时，执行如上述方案中所述的充电桩故障诊断方法。

另一方面，本申请提供一种设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器调用时，执行如上述方案中所述的充电桩故障诊断方法。

综上所述，本申请的有益效果有：

1.针对信号在经过特征模态分解时，其分解层数需要预先设定的问题，采用联合峰度指标自动确定分解层数，减少了人为干预和专家经验，同时提取充电桩信号中的有效特征；

2.针对信号分解得到的模态分量仍然包含与信号相关度较小的模态部分的问题，采用重要性刻画指标对分解得到的模态分量进行进一步筛选，挖掘与故障相关更为准确的特征数据集、去除冗余信息，提高充电桩故障分类精度；

3.针对核极限学习机中的核参数与正则化系数难以同时保证最优问题，采用金枪鱼群优化算法对其进行优化，提升充电桩故障分类准确率。

附图说明

图1是本申请中充电桩故障诊断方法的流程示意图；

图2是本申请中金枪鱼群优化核极限学习机过程图。

具体实施方式

下面结合附图详细说明本申请的具体实施方式。

实施例：参考图1，本申请实施例提供一种充电桩故障诊断方法，本方法为基于自适应特征模态分解与核极限学习机(Adaptive feature mode decomposition–Kernelextreme learning machine,AFMD-KELM)的充电桩故障诊断方法，包括如下步骤：

步骤(1)：数据获取与准备

搭建充电桩数据采集与故障模拟系统，利用电压传感器采集充电桩正常、过流、失流、过压、失压、负荷超容运行状态下的电压信号，传感器采集频率为10Hz。每种充电桩状态采集60条信号，每条信号可表示为x＝(x₁,x₂,…,x_N)，x_i表示电压信号x的第i个采样点，1≤i≤N，N是信号的总采样点数，设置为1000。采集到的360组信号按照7:3比例划分训练集与测试集用于后续充电桩故障诊断模型训练与评估。

步骤(2)信号自适应分解

信号自适应分解是根据联合峰度指标确定最优特征模态分解层数K，首先对信号进行k层特征模态分解。其中，k＝2,3,…,8。对于分解得到的k个模态分量[u₁,u₂,…,u_k]，分别计算其时域峰度值与其包络谱峰度值，并根据如下公式计算联合峰度值。

γ_k＝mean(K_u,x,k·K_u,e,k)(1)

其中，mean代表取均值，K_u,x,k为第k个模态的时域峰度，K_u,e,k为第k个模态的包络谱峰度，其计算公式如下：

其中，表示第k个模态数据的均值，σ_ik为第k个模态数据的标准差；其中，表示第k个模态数据包络谱的均值，σ_ek为第k个模态数据包络谱的标准差；

当充电桩出现故障后，其电压信号不可避免地会出现冲击成分，峰度值会显著增大，且不同故障下的电压冲击幅度不同。当充电桩正常工作时，则其电压信号为稳定信号，幅度变化微小。信号的时域峰度对故障的脉冲敏感，包络谱的峰度能够关注到冲击的周期性变化，由两者构建的联合峰度可以确定最优分解层数K，以此最大限度地提取故障信息。因此在得到各个分解层数对应下的γ_k之后，选择γ_k最大时对应的k值即为该信号最优分解模态层数K。

然后对信号x进行K层特征模态分解得到K个模态分量[u₁,u₂,…,u_K]。

步骤(3)：故障特征筛选

在步骤(2)获取到的K个模态分量[u₁,u₂,…,u_K]，其中包含许多对于充电桩故障不相关的分量和干扰项，依据重要性刻画指标IRI作为选择模态分量的标准，筛选与故障信息相关程度大的重要成分，重要性刻画指标IRI定义如下：

IRI＝D_e+D_c(3)

其中，D_e代表两个模态分量的归一化欧氏距离，D_c代表两个模态分量的归一化余弦距离，其值的计算根据如下步骤：

假设分解后得到的任意两个模态分量为IMF_p(t)＝[x_p1,x_p2,...,x_pN]与IMF′_p(t)＝[x′_p1,x′_p2,…,x′_pN]，其中，p∈[1,K]。则基于距离的相似性度量d_e为：

归一化得到相似性指标D_e为：

基于两个模态分量之间的夹角进行计算得到的相似性度量d_c为：

归一化得到的相似性指标D_c为：

分别计算K个模态分量[u₁,u₂,…,u_K]中任意两个之间的重要性刻画指标IRI的值，得到重要性度量矩阵：

矩阵中每一行的数据相加后排序，每一行数据和代表一个模态分量的重要性，选择出重要性前3的模态分量[u_IRI1,u_IRI2,u_IRI3]作为本步骤的输出，并作为充电桩故障特征向量输入到后续的分类器模型中进行训练与评估。

步骤(4)：充电桩故障诊断模型搭建与训练

搭建基于金枪鱼群优化的核极限学习机模型，具体优化过程如图2所示。并将步骤(3)所提取的各个充电桩运行状态下的重要模态分量输入到模型中进行训练。

核极限学习机(KELM)是在极限学习机的基础上，用核函数代替极限学习机中的隐藏层的特征映射，通过将输入向量映射到高维核空间中，实现更为高效准确的分类，核极限学习机核矩阵与输出方程如下：

其中，H为隐藏层神经元的输出矩阵，C为正则化系数，I为单位矩阵，T为数据标签值，K(x_N,x_N)表示关于x_N与x_N的核函数。选择核函数为高斯径向基核函数，表达式如下：

核极限学习机中存在两个重要的参数：正则化系数C与核参数gamma，对分类结果具有很大的影响。金枪鱼群拥有螺旋觅食和抛物线觅食两种优化过程，能够在短时间内迅速收敛。利用金枪鱼群优化算法对这两个参数进行优化，优化步骤如下：

首先，在预设的参数搜索空间内随机均匀生成初始金枪鱼群，将核极限学习机中的正则化系数C与核参数gamma作为初始位置，如下式：

其中，是第i个初始金枪鱼个体，具体为ub和lb分别为搜索空间的上下边界，NP为整个金枪鱼种群的数量，rand则是范围为(0,1)的均匀分布随机向量。

随后设置参数a和z，其中a是常数，用于确定在初始化种群时金枪鱼跟随最佳个体和前一个个体的程度；z为某一金枪鱼个体重新生成初始位置的概率。

定义适应度函数为核极限学习机的分类准确率，计算金枪鱼群初始位置时的适应度函数值，如下：

若rand＜z，重新生成金枪鱼群个体位置根据式(11)。

若rand≥z且rand＜0.5且t/t_max＜rand，则根据下式更新金枪鱼群个体位置：

若rand≥z且rand＜0.5且t/t_max≥rand，则根据下式更新金枪鱼群个体位置：

其中，β＝e^bl·cos(2πb)，是第t+1次迭代的第i个金枪鱼个体；是当前的最佳个体，也就是食物所在的位置；α₁和α₂是控制个体向最佳个体和前一个个体移动趋势的权重系数；t表示当前的迭代次数；t_max表示算法的最大迭代次数；b是均匀分布在(0,1)之间的随机数。

若rand≥z且rand≥0.5，则根据下式更新金枪鱼群个体位置：

其中，TF是取值为1或-1的随机数。

每次迭代判断当前参数位置适应度函数值是否比更新前位置的适应度函数值更高，若是则更新最优解位置。不断重复上述过程直到达到最大迭代次数t_max，记录最优解时的核参数gamma和正则化系数C值的大小以及此时的适应度函数值。

利用获得的参数最优解对步骤(3)获得的特征向量对核极限学习机模型进行训练，得到训练好的充电桩故障诊断模型。

步骤(5)：充电桩故障诊断

在完成基于金枪鱼群优化的核极限学习机充电桩故障诊断模型训练后，将测试集的数据提取特征输入到模型中即可输出预测的充电桩故障类型。

本申请实施例还提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被计算机调用时，执行如上述方案中所述的充电桩故障诊断方法。

本申请实施例还提供一种设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器调用时，执行如上述方案中所述的充电桩故障诊断方法。

以上所述的仅是本申请的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (5)

1.一种充电桩故障诊断方法，其特征在于，包括如下步骤：

数据获取与准备：采集充电桩正常、过流、失流、过压、失压、负荷超容运行状态下的电压信号，并将采集到的信号划分为训练集和测试集；

信号自适应分解：对信号进行K层特征模态分解得到K个模态分量；

故障特征筛选：依据重要性刻画指标IRI作为选择模态分量的标准，筛选信号中与故障信息相关程度大的重要成分；

充电桩故障诊断模型搭建与训练：搭建基于金枪鱼群优化的核极限学习机模型，将所述故障特征筛选步骤中获得的训练集数据输入到模型中进行训练得到训练好的充电桩故障诊断模型；

充电桩故障诊断：将所述故障特征筛选步骤中获得的测试集数据输入到模型中输出预测的充电桩故障类型；

信号自适应分解步骤中：K为最优分解层数，最优分解层数K的确定方法为：

首先对信号进行k层特征模态分解，其中，k＝2,3,…,8，对于分解得到的k个模态分量[u₁,u₂,…,u_k]，分别计算其时域峰度值与其包络谱峰度值，并根据如下公式计算联合峰度值：

γ_k＝mean(K_u,x,k·K_u,e,k)(1)

其中，mean代表取均值，K_u,x,k为第k个模态的时域峰度，K_u,e,k为第k个模态的包络谱峰度，其计算公式如下：

其中，表示第k个模态数据的均值，σ_ik为第k个模态数据的标准差；其中，表示第k个模态数据包络谱的均值，σ_ek为第k个模态数据包络谱的标准差；

计算各个分解层数对应下的γ_k之后，选择γ_k最大时对应的k值即为该信号最优分解层数K；

然后对信号x进行K层特征模态分解得到K个模态分量[u₁,u₂,…,u_K]；

故障特征筛选步骤中，重要性刻画指标IRI定义如下：

IRI＝D_e+D_c(3)

其中，D_e代表两个模态分量的归一化欧氏距离，D_c代表两个模态分量的归一化余弦距离，其值的计算根据如下步骤：

假设分解后得到的任意两个模态分量为IMF_p(t)＝[x_p1,x_p2,…,x_pN]与IMF′_p(t)＝[x′_p1,x′_p2,…,x′_pN]，其中，p∈[1,K]，则基于距离的相似性度量d_e为：

归一化得到相似性指标D_e为：

基于两个模态分量之间的夹角进行计算得到的相似性度量d_c为：

归一化得到的相似性指标D_c为：

分别计算K个模态分量[u₁,u₂,...,u_K]中任意两个之间的重要性刻画指标IRI的值，得到重要性度量矩阵：

矩阵中每一行的数据相加后排序，每一行数据和代表一个模态分量的重要性，选择出重要性前3的模态分量[u_IRI1,u_IRI2,u_IRI3]作为本步骤的输出；

充电桩故障诊断模型搭建与训练步骤中，所述核极限学习机模型核矩阵与输出方程如下：

其中，H为隐藏层神经元的输出矩阵，C为正则化系数，I为单位矩阵，T为数据标签值，K(x_N,x_N)表示关于x_N与x_N的核函数；选择核函数为高斯径向基核函数，表达式如下：

核极限学习机中存在两个重要的参数：正则化系数C与核参数gamma，对分类结果具有很大的影响，利用金枪鱼群优化算法对这两个参数进行优化，优化步骤如下：

首先，在预设的参数搜索空间内随机均匀生成初始金枪鱼群，将核极限学习机中的正则化系数C与核参数gamma作为初始位置，如下式：

其中，是第i个初始金枪鱼个体，具体为ub和lb分别为搜索空间的上下边界，NP为整个金枪鱼种群的数量，rand则是范围为(0,1)的均匀分布随机向量；

随后设置参数a和z，其中a是常数，用于确定在初始化种群时金枪鱼跟随最佳个体和前一个个体的程度；z为某一金枪鱼个体重新生成初始位置的概率；

定义适应度函数为核极限学习机的分类准确率，计算金枪鱼群初始位置时的适应度函数值，如下：

若rand＜z，重新生成金枪鱼群个体位置根据式(11)；

若rand≥z且rand＜0.5且t/t_max＜rand，则根据下式更新金枪鱼群个体位置：

若rand≥z且rand＜0.5且t/t_max≥rand，则根据下式更新金枪鱼群个体位置：

其中，β＝e^bl·cos(2πb)， 是第t+1次迭代的第i个金枪鱼个体；是当前的最佳个体，也就是食物所在的位置；α₁和α₂是控制个体向最佳个体和前一个个体移动趋势的权重系数；t表示当前的迭代次数；t_max表示算法的最大迭代次数；b是均匀分布在(0,1)之间的随机数；

若rand≥z且rand≥0.5，则根据下式更新金枪鱼群个体位置：

其中，TF是取值为1或-1的随机数；

每次迭代判断当前参数位置适应度函数值是否比更新前位置的适应度函数值更高，若是则更新最优解位置；不断重复上述过程直到达到最大迭代次数t_max，记录最优解时的核参数gamma和正则化系数C值的大小以及此时的适应度函数值；

利用获得的参数最优解对故障特征筛选步骤获得的特征向量对核极限学习机模型进行训练，得到训练好的充电桩故障诊断模型。

2.根据权利要求1所述的充电桩故障诊断方法，其特征在于，数据获取与准备步骤中：采集充电桩正常、过流、失流、过压、失压、负荷超容运行状态下的电压信号，每种充电桩状态采集60条信号，采集到的360组信号按照7:3比例划分为训练集与测试集。

3.根据权利要求2所述的充电桩故障诊断方法，其特征在于，数据获取与准备步骤中：每条信号可表示为x＝(x₁,x₂,…,x_N)，x_i表示电压信号x的第i个采样点，1≤i≤N，N是信号的总采样点数，设置为1000。

4.一种计算机可读介质，其特征在于，所述计算机可读介质存储有计算机程序，所述计算机程序被计算机调用时，执行如权利要求1-3任意一项所述的充电桩故障诊断方法。

5.一种设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器调用时，执行如权利要求1-3任意一项所述的充电桩故障诊断方法。