基于深度神經網絡的智能化充電樁故障診斷研究

王 娟，饒晶晶

（廣東機電職業技術學院，廣州 510515）

近年來，隨著工業技術的發展和經濟全球化腳步的推進，溫室效應、大氣污染等生態問題愈發嚴重?；谄囆袠I對空氣污染帶來的一系列問題，世界各國汽車行業普遍意識到汽車行業節能減排在未來發展過程中的重要性。電動汽車產業在一些發達國家已取得一定發展成果。相比于傳統能源車輛，電動汽車具有自身獨特優勢，例如高能量效率、低溫室氣體排放，以及可以利用可再生能源（例如風能和太陽能）等，不論是短途通勤還是長途旅程，電動汽車越來越受歡迎。雖然電動汽車實現了綠色環保的出行方式，但是與傳統能源車輛相比，電動汽車電池組的電力容量有限，因此電動汽車需要頻繁充電，使得電動汽車在行駛過程中，經常需要尋找充電樁進行再次充電[1]。

隨著石油、煤炭等傳統能源儲備的快速消耗和大氣環境的惡化，以及各國政府在交通網絡中尋求減碳的趨勢，人們對能源和環境問題越來越重視。傳統交通系統中的汽車尾氣排放法規已變得越來越嚴格。因此，電動汽車（EVS）應運而生。電動汽車已經被廣泛研究和開發，用于更環保的現代交通系統。在現代交通系統中，電動汽車發揮著極其重要的作用，因為它符合低能耗、更環保、更可持續的綠色減碳原則。作為新一代的交通工具，電動汽車在節能減排、減少人類對傳統化石能源的依賴方面有著無可比擬的優勢。作為電動汽車的衍生形式，越來越多的電動出租車也已投入運營，它們通過攜帶電池來維持行駛，并依靠充電樁進行耐久的充電。關于智能充電樁電源設備故障診斷的研究相對較少。

1 深度神經網絡模型架構的搭建

人工神經網絡（Artificial Neural Networks）是在當今時代下一種重要的信息處理技術，該技術運行基礎為動物神經網絡的行為，進而形成算法數學模型，對信息進行分布式并行處理。該網絡中存在復雜、大量相互關聯的節點（即神經元），處理信息過程中能夠運用網絡的復雜性這一特征達到信息處理的目的，相關專業學者統一將其定義為神經化統計模型，該模型具有下述功能特性。

（1）模型運行基礎為已設置可調權值，同時也反映神經網絡的連接強度特性；

（2）能夠對所獲輸入數據進行非線性函數關系分析。

人工神經網絡在信息處理過程中體現的優勢為：無需對特定單元進行指定任務描述，同時對所輸入信息能夠進行復雜的、集中的并行處理，因此效率極高。隨著科技的發展與進步，現代神經網絡軟件已經超越了最初生物學啟發設計起點，現代神經網絡技術在實際運用中更多地是基于信號處理和統計學。在很多相關軟件中神經網絡已經成為重要組成部分，非自適應性元素和自適應性元素在系統中已經做到功能性和自身機能的充分融合（圖1）。

圖1 深度神經網絡的基本結構單元

20世紀80年代后期，神經網絡模型最早運用于實際生產進程中，這一重要轉變也是低符號化機器學習逐步取代高度符號化人工智能的重要節點。

（1）激勵函數（Activation Rule）：該函數的特點是各組成神經元與相應的激勵值相對應，而該值的改變則由其他神經元決定，該改變是由一種動力學規則來定義的，人工神經網絡模型內在運行機制多遵循短時限的動力學規則。

（2）學習規則（Learning Rule）：人工神經網絡就其本質，遵循原則為長時限動力學規則，該規則能夠調整各神經元的功能結構并且隨著時間推進調整權重。

為了對智能化車充電樁的故障診斷進行測試與預測，采用深度卷積神經網絡對系統進行全方位的深度架構，將STN（SPATIO-TEMPORAL NETWORK）最后的輸出部分改為3D-ConvNet，使得該網絡能同時輸出多個時間步數的時空動態故障矩陣。

深度神經網絡結構展示了高緯度的全連接神經網絡的架構，在深度網絡架構中，全連接層網絡架構包括輸入、隱藏以及輸出層，在深度神經架構中的神經元中，輸入以及輸出的層級一般只含有一個，主要目的就是用于信息的輸入以及輸出，其中的隱藏層主要在輸入與輸出之間，它相當于神經網絡的黑匣子，其中含有多個高緯度高層次的鏈接神經元，其中的神經元是通過層級之間不同層的架構進行連接的，下一層的神經系統連接到上一層的神經系統，進行網絡的構建（圖2）。

圖2 深度神經網絡架構系統圖

深度神經網絡（DNN）與常規神經網絡相比，特點是其隱藏層相對較多，與之對應的是淺層網絡，就表達力而言，深層神經網絡更強，如一個神經網絡含有一個隱藏層，但有很多神經元，則能夠擬合任意函數。相鄰層間前一級如定義為輸入則下一級即可定義為輸出。

在預測充電樁故障時，輸入模塊、絕緣檢測模塊、并聯接觸器檢測模塊、漏電檢測模塊、急停按鈕檢測模塊、識別模塊、定位模塊、輸出電壓檢測模塊、溫度檢測模塊充電時間控制檢測模塊和監控模塊將檢測到的數據傳輸到數據采集模塊進行數據處理，并與存儲模塊中的正確數據配對。如果符合要求，說明是正常的。如果在數據配對過程中出現差異，數據處理模塊會通過無線傳輸模塊將錯誤信息遠程報告給控制室的無線接收模塊。通過傳輸模塊傳輸給維修模塊，促使維修人員快速維修。同時，集成控制模塊通過驅動模塊向語音模塊、顯示模塊和報警模塊發出警報，警告相應的充電樁出現故障，需要維修。臨時存儲模塊臨時存儲故障信息并重新啟動充電樁，在初始化其內部數據后，將臨時存儲模塊中存儲的信息傳輸到存儲模塊中，實現自動修正。

計算機的計算能力日益增強，神經網絡的計算能力相比之前也有了極大的進步，所以越來越多的領域已經開始使用神經網絡進行建模、循環神經網絡具有非常廣闊的應用空間，已在自然語言處理、推薦系統、語音識別、圖像識別等方面展開運用。傳統神經網絡模型的特點是，不同層之間的存在狀態為全連接節點，因此在進行信息處理時存在一定劣勢，而循環神經網絡則是在傳統神經網絡基礎上發展起來的，則性能更優，即在進行信息處理過程中，下層決策可根據上層信息做輔助分析，也就是說循環神經網絡可以同時使用神經元對歷史的信息進行記憶，并用于當前層的計算中。循環神經網絡在進行信息處理時，當前信息的處理是基于之前信息記憶完成的，換言之，隱藏層節點存在狀態為連接狀態。

候選門、輸出門、輸入門、遺忘門共同構成了長短期記憶網絡。輸入同時包括外部輸入，來源于上一時間片的隱藏狀態，以及上一時間片的記憶單元狀態向量，利用門控，進而對信息的遺忘、記憶進行控制。我國近年來大力發展新能源汽車，電動汽車成為當下主流產品，電動汽車不像往常的汽油車，其能源為電力，需要在專門的充電樁上進行充電，充電站不需要專門配備操作人員，一般都是顧客自己手動操作完成，因此電動車充電站通常為無人看守狀態。為了便于對電動汽車充電，通常需要在使用地設置多個充電站，對于大批量的充電樁來說，充電樁發生故障是不可避免的，因此需要對其進行定期故障排查?，F有的故障排查方式是運維人員定期對充電樁進行排查，排查周期長，排查不及時，當充電樁發生故障時，存在不能夠對其進行及時的故障排查預測的問題。

在文章中所提出的深度神經網絡架構系統設計流程中，是對智能化充電樁的輸入數據進行設計，將其中的數據分為訓練集以及測試集合，其中不同的集合之間采用7 ∶3的概率進行數據的分配，其中的長短時交錯的神經網絡作為分位數的模型回歸系統，將輸入的數據送入到神經網絡的自回歸分位數模型中進行決策，其中不同的分為點的預測值結合高斯密度函數曲線進行密度譜函數的估計，同時，設置一個給定的閾值函數，對分位數回歸模型的數值進行閾值的判斷，判斷閾值是否等于1，條件不符合的再返回送到測試集中進行測試，進入這樣一個深度卷積神經網絡循環的系統中，進行模式的判定，對于測試和訓練的部分采用不同的架構進行搭建，同時，這種模型對于高緯度特征函數的預測系統具有較好的魯棒性和可行性，對于不同的充電樁故障的輸入數據具有不同的系統維持效果。

文章提供的基于深度神經網絡的電動汽車充電樁故障預測方法，通過在充電樁體上設置有集成控制模塊，集成控制模塊內的數據采集模塊對其故障數據進行實時檢測，若是發生故障數據，數據處理模塊將錯誤報告以及充電樁體所在位置信息通過無線傳輸模塊傳輸給遠程的無線接收模塊上，中轉模塊經過報修模塊驅使維修人員對其進行維修提示，且集成控制模塊通過驅動模塊分別使語音模塊、顯示模塊和警報模塊發出警報，警示使用人員充電樁體發生故障，具有較好的故障及時排查能力。

2 智能化充電樁故障檢測實驗

多層神經網絡包含多個計算層，該計算層由前饋網絡構成，信號輸入至輸出進程中，在前饋方向上相互銜接的層存在形式為相互饋入。在此過程中存在一個假定前提條件，即相鄰層間節點完全連接。針對所研究神經網絡進行其組成架構的確定，首先需對各層的構成節點進行類型以及數量的確定，并確定層數。與單層網絡的情況一樣，偏置神經元在功能上能夠作為輸出層，同時也能作為隱藏層。輸入層的功能是數據傳輸，該層并不參與計算執行。

深度神經網絡構建模塊：用于構建深度神經網絡，在基于深度神經網絡下的智能化充電樁系統神經網絡的激活函數一般采用Sigmoid 函數，其中的輸入層包括3個神經元，分別對應訓練樣本中不同的故障電源設備、不同電池放電率下的電池端電壓波動以及充電樁智能側的輸出電壓。

卷積神經網絡具有較廣的應用范圍，尤其在圖像處理領域，它是在權值共享的基礎上，利用卷積計算進行前向推理，極大簡化了計算過程，是深度學習中學習能力較強的一種前饋神經網絡，如果在多維矩陣的輸入情況下，優勢則更為明顯。卷積神經網絡在其構成上由不同結構層組成，通過組合不同的層，可以構建出不同的卷積神經網絡。給出了一個在某些時候充電故障矩陣的直觀例子。顏色越深，說明這里的故障越大。將矩陣歸一化，然后使用dmstn 模型進行訓練和預測。以過去1000h 的故障矩陣為訓練集，提前預測未來智能化充電樁的故障矩陣。

為了找出模型的最佳單元堆積數，體現模型的優勢，將不同單元堆積的情況與STN 預測模型進行比較。表1顯示了兩個模型在不同單元層下預測實驗的平均結果評價，包括MAPE、MSE 和R2。

表1 網絡模型算法的比較

深度神經網絡訓練模塊：用于利用訓練樣本集對深度神經網絡進行訓練，其中采用反向傳播算法修改所述Sigmoid 函數的權重值和閾值，使神經網絡模型的損失函數達到一個較小的值，從而獲取訓練好的深度神經網絡。

3 結論

文章提出了一種基于深度神經網絡的智能充電樁故障診斷方法，基于多層次的深度神經網絡的方法模型是根據智能充電樁的性能，在不同算法與控制策略以及不同狀態下的輸出電壓波形的各種特征進行人工智能的無監督學習，采用多層的高緯度特征信息進行研究和判斷，進而實現智能化充電樁故障狀態的自動診斷。結果表明，基于深度神經網絡的故障診斷方法能夠根據智能化充電樁的電壓波形，進行特征的提取并且識別正常運行、器件故障和控制元件故障等各種不同狀態，具有較高的精度特征。