基于改进GRU模型的直流充电桩故障预测_臧斌斌.pdf

基于改进 GRU 模型的直流充电桩故障预测臧斌斌1,高辉1,刘建2,陈良亮31(南京邮电大学自动化学院、人工智能学院,南京210023)2(国网江苏省电力有限公司电力科学研究院,南京210019)3(国电南瑞科技股份有限公司,南京211106)通信作者:高辉,E-mail:摘要:直流充电桩作为电动汽车有效的供电设备,其故障频发对电动汽车充电安全带来隐患.对充电桩的故障进行准确预测将有效地确保电动汽车充电过程的安全.本文提出了一种改进门控循环单元(gaterecurrentunit,GRU)直流充电桩的故障预测模型.首先,分析充电过程中直流充电桩的常见故障类型,考虑到实际采集过程中具体故障数据样本量少的情况,利用变分自编码器(variationalauto-encoder,VAE)数据增强方法对样本数据进行扩充;然后,基于 GRU 网络模型的故障预测方法,利用粒子群优化(particleswarmoptimization,PSO)算法优化 GRU 网络参数,采用支持向量机(supportvectormachine,SVM)模型改善网络输出的分类函数,提出了 PSO-GRU-SVM 直流充电桩故障诊断模型;最后,利用算例对比改进前后的预测精度,分析对比混淆矩阵热力图,并且与常用的两种网络模型进行对比,结果表明了文中方法有效地提高了预测精度,验证了文章中方法的可行性.关键词:直流充电桩;门控循环单元;故障预测;粒子群优化(PSO);支持向量机模型;神经网络引用格式:臧斌斌,高辉,刘建,陈良亮.基于改进 GRU 模型的直流充电桩故障预测.计算机系统应用,2023,32(2):356363.http:/www.c-s- Prediction of DC Charging Pile Based on Improved GRU ModelZANGBin-Bin1,GAOHui1,LIUJian2,CHENLiang-Liang31(CollegeofAutomation&CollegeofArtificialIntelligence,NanjingUniversityofPostsandTelecommunications,Nanjing210023,China)2(ElectricPowerResearchInstituteofStateGridJiangsuElectricPowerCo.Ltd.,Nanjing210019,China)3(NARITechnologyCo.Ltd.,Nanjing211106,China)Abstract:Althoughdirect-current(DC)chargingpilesareeffectivepowersupplyequipmentforelectricvehicles(EVs),theirfrequentfaultsposeathreattothechargingsafetyofEVs.AccuratelypredictingchargingpilefaultscaneffectivelyensurethesafetyofEVsinthechargingprocess.Forthisreason,afaultpredictionmodelforDCchargingpilesbasedonanimprovedgatedrecurrentunit(GRU)isproposedinthisstudy.Specifically,thecommonfaulttypesofDCchargingpilesduringchargingareanalyzed.Consideringthesmallsamplesizeofspecificfaultdataintheactualcollection,variationalautoencoder(VAE)-baseddataaugmentationisperformedtoexpandthesampledata.Then,onthebasisofthecurrentfaultpredictionmethodbasedontheGRUnetworkmodel,thisstudyresortstotheparticleswarmoptimization(PSO)algorithmtooptimizeGRUnetworkparameters,employsthesupportvectormachine(SVM)modeltoimprovetheclassificationfunctionoutputbythenetwork,andtherebyproposesaPSO-GRU-SVMfaultdiagnosismodelforDCchargingpiles.Finally,anexampleisdiscussedtocomparethepredictionaccuracybeforeandaftertheimprovement,andtheconfusionmatrixheatmapsarecomparativelyanalyzed.Furthermore,theproposedmodeliscomparedwithtwo计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(2):356363doi:10.15888/ki.csa.008929http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041基金项目:国家自然科学基金(52077107)收稿时间:2022-06-23;修改时间:2022-07-25;采用时间:2022-08-08;csa 在线出版时间:2022-09-26CNKI 网络首发时间:2022-11-15356研究开发ResearchandDevelopmentcommonlyusednetworkmodels.Theresultsshowthattheproposedmethodcaneffectivelyimprovepredictionaccuracyandthusverifythefeasibilityoftheproposedmethod.Key words:DCchargingpile;gaterecurrentunit(GRU);faultprediction;particleswarmoptimization(PSO);supportvectormachine(SVM)model;neuralnetwork近几年,电动汽车因其环保、清洁、节能的优势在我国各个省市大力推广,逐渐普及1.电动汽车充电设施作为电动汽车推广过程中的重要组成成分,也发展迅速2.目前,电动汽车充电设施内部结构逐渐精细,功能也越来越多,智能化也在逐渐增强3.但是,在充电过程中,相关的故障还是时有发生.充电设施的安全问题,不仅关乎着电动汽车的推广,更关乎着电动汽车用户的安全4.充电设施的故障诊断与预测是保障充电安全的重要措施,也是电动汽车整个行业关切的问题.充电设施根据不同用户的需求分为直流快充桩与交流慢充桩,用户可根据自身需求进行选择5.充电设施运行环境复杂,涉及各方面人员.由于运维服务体系的不完善,故障率较高阻碍了电动汽车的推广发展6.因此,提高充电设施使用率,减少充电设施故障发生率是需要解决的关键问题7.目前,充电设施的故障检测方面更多是人工检测建立分析模型,或者充电设施自身的过压、过流等保护装置进行判断8.其诊断精度与效率还够高.传统一些充电设施运行状态和故障检测方法存在一定的缺陷.根据相似性传播聚类算法无需先设置聚类中心与个数的特点,江南大学学者利用基于距离的相似性传播聚类处理区间数据9,因此能够较为快速的识别数据中心,但是在实际的故障诊断过程中由于数据信息冗杂,影响因素较多,造成设备的故障诊断准确率不高.在过去的 10 年里,马尔克夫模型在多个领域被广泛使用,其中隐马尔克夫模型在故障诊断与预测中的使用逐渐活跃10.隐马尔克夫模型是属于一种不确定性概率模型,是通过一个隐藏的马尔可夫链生成随机不可观测序列,然后由各个不可观测状态生成一个可观测随机序列的过程11.其过程与故障发生的演变过程具有相似之处.随着近些年来,深度学习已成为研究领域的热点12,13,在故障诊断与预测方面也有所应用.其中,CNN 是一种广泛应用在图像处理相关问题上14,具有强大的特征提取优势.循环神经网络(recurrentneuralnetwork,RNN)自提出以来,被广泛应用在随着时间序列变化的特征参数当中15.文章利用深度学习算法的优势,基于 GRU 网络模型,提出一种改进的 GRU 算法对充电设施进行故障预测.GRU 模型本身是基于 RNN 网络基础上改进的网络模型,解决了 RNN 学习过程中反向传播长时间滞后导致梯度爆炸或减小的问题.文中利用粒子群算法对GRU 网络初始参数进行优化,并利用 SVM 优化网络输出,最优利用算例结果表明,该模型提高了充电设施的故障预测准确率.1直流充电桩故障分析及数据扩充直流充电桩主要包括 AC-DC 和 DC-DC 充电模块、辅助电源模块、非车载控制器模块、充电接口模块(充电枪部分).充电桩输入电压为 380V,经过 AC-DC 和 DC-DC,变换为电动汽车所需的充电电压,具体输出电压由电动汽车电池最高电压和充电桩最高输出电压的最小值决定,该过程由车载控制器与非车载控制器进行通信对充电模块进行控制实现.而充电过程中故障的发生严重影响了充电设施、电动汽车以及人员的安全.1.1 充电故障分析充电桩故障状态类型可分为充电时故障以及非充电时故障,而绝大多数故障发生在故障过程中,非充电时故障原因主要是由于环境影响以及运维服务的欠缺造成,存在较大的不确定性,主要解决方案为定期检修排查.文中主要研究的充电桩故障为充电时故障.某地区直流充电桩故障的统计,在充电过程中,充电机输出过压占比 37.54%;通信超时故障发生占比 10.32%,直流输出短路故障占比 7.31%;充电模块过温占比 6.75%、输出欠压故障占比 4.48%;输出过流占比 3.89%;充电枪故障占比 3.01%;绝缘异常故障占比 2.87%;其他故障占比 23.83%.输出过压故障占比最高,该故障影响不可忽视.通信故障包括通信超时故障与通信中断故障,发生通信超时故障时,控制器控制开关断开,10s 内停止充电;若通信中断,则所有开关全部断开,10s 内停止2023年第32卷第2期http:/www.c-s-计 算 机 系 统 应 用ResearchandDevelopment研究开发357充电.正常情况下相关设备并不会损坏.但对于发生充电机输出过压故障,输出短路故障等,虽然充电设施内的断路器能够在一定时间内进行断开处理,这些故障已经对充电模块以及其他电路造成影响,如果多次发生类似故障,将同时对电动汽车的电池产生损坏.因此,亟需在故障即将发生时,判断出故障并预测出故障类型,提前采取措施,避免故障发生带来的不必要的损坏.文中主要研究充电设施输出过压、输出欠压、充电模块过温、输出过流、直流输出短路以及绝缘异常的故障预测.由于从实际充电设施中获取的具体故障类型的数据量有限,因此需要对原始数据样本进行扩充处理,增加样本量以便用于后续的深度学习网络训练与测试.1.2 充电故障分析数据扩充处理的方法有多种,VAE 是一个不受数据格式影响的通用性很强的数据增强方法16,17.VAE是由编码器与解码器构成,其中编码器通过对原始充电过程采样的训练数据 X 进行编码得到隐藏层的隐向量 Z,设置 Z 分布的均值和方差,依据生成的隐藏变量Z 的变概率分布,最后利用解码器生成近似于原始数据的 X.基本框架见图 1.编码器采样解码器原始样本 X生成样本 X 隐变量 ZX1X2.XnX1X2XnZ1Z2Zn图 1VAE 数据扩充基本架构其中编码器将观测空间中独立同分布数