CN110619321A - 一种基于深度神经网络的充电桩技术状况诊断方法及系统 - Google Patents

一种基于深度神经网络的充电桩技术状况诊断方法及系统 Download PDF

Info

Publication number
CN110619321A
CN110619321A CN201910965970.8A CN201910965970A CN110619321A CN 110619321 A CN110619321 A CN 110619321A CN 201910965970 A CN201910965970 A CN 201910965970A CN 110619321 A CN110619321 A CN 110619321A
Authority
CN
China
Prior art keywords
charging pile
neural network
deep neural
power device
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910965970.8A
Other languages
English (en)
Other versions
CN110619321B (zh
Inventor
陈良亮
张�浩
张卫国
杨凤坤
郑红娟
邵军军
周静
李化
周材
李明贞
周承科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
Wuhan University WHU
State Grid Jiangsu Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
State Grid Jiangsu Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Wuhan University WHU, State Grid Jiangsu Electric Power Co Ltd, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, State Grid Electric Power Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN201910965970.8A priority Critical patent/CN110619321B/zh
Publication of CN110619321A publication Critical patent/CN110619321A/zh
Application granted granted Critical
Publication of CN110619321B publication Critical patent/CN110619321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G01R31/379—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator for lead-acid batteries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了故障检测技术领域的一种基于深度神经网络的充电桩技术状况诊断方法及系统，旨在解决现有技术中的充电桩因功率器件开路或短路所导致的故障最多、后果最严重，且不能提前评估预测的技术问题。所述方法包括如下步骤：获取目标充电桩直流侧的电压信号；将所述电压信号输入预先训练好的深度神经网络，获取目标充电桩中功率器件发生故障的概率。

Description

一种基于深度神经网络的充电桩技术状况诊断方法及系统
技术领域
本发明涉及一种基于深度神经网络的充电桩技术状况诊断方法及系统，属于故障检测技术领域。
背景技术
随着动力电池和快速充电技术的日益成熟，电动汽车已成为汽车市场的重要组成部分。电动汽车将电能转化为机械能以提供动力，从而取代或者部分取代化石能源，有利于减轻对石油资源的依赖，减少尾气污染，改善大气环境，减少二氧化碳排放。由于锂离子电池具有较高的功率密度和能量密度，常被用于电动汽车的动力电池，其中磷酸铁锂电池因具备优良的循环稳定性，市场上72％的动力电池均采用磷酸铁锂电池，根据研究表明，磷酸铁锂电池单体端电压在不同放电倍率下的充放电特性不同。
充电桩与电动汽车之间存在相互依存的发展关系，二者的发展几乎是同步的。充电桩在实际运营和使用过程中，可能会由于线路、散热、误操作等原因发生故障，其中因功率器件开路或短路所导致的故障最多、后果最严重，因而迫切需要一种能够评估充电桩技术状况的诊断方法及系统，及时诊断发现功率器件故障，从而防范于未然。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于深度神经网络的充电桩技术状况诊断方法及系统，以解决现有技术中的充电桩因功率器件开路或短路所导致的故障最多、后果最严重，且不能提前评估预测的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于深度神经网络的充电桩技术状况诊断方法，包括如下步骤：
获取目标充电桩直流侧的电压信号；
将所述电压信号输入预先训练好的深度神经网络，获取目标充电桩中功率器件发生故障的概率。
优选地，在将所述电压信号输入预先训练好的深度神经网络之前，还包括：
构建深度神经网络；
获取不少于两个训练样本，构成训练样本集；
利用训练样本集对深度神经网络进行训练。
优选地，所述训练样本，包括：不同的功率器件故障、不同电池放电倍率下电池端电压波动条件下的充电桩直流侧的输出电压。
优选地，所述电池包括磷酸铁锂电池。
优选地，所述深度神经网络的输入层包括至少三个神经元，所述三个神经元各自对应所述训练样本中不同的故障功率器件、不同电池放电倍率下电池端电压的波动、充电桩直流侧的输出电压。
优选地，所述深度神经网络的激活函数采用Sigmoid函数。
优选地，利用训练样本集对深度神经网络进行训练，包括：采用反向传播算法修改所述Sigmoid函数的权重值和阈值。
优选地，还包括：将所述概率与预设阈值进行比较，根据比较结果判定目标充电桩的功率器件有无故障。
优选地，根据比较结果判定目标充电桩的功率器件有无故障，包括：
如果所述概率大于预设阈值，判定目标充电桩的功率器件有故障；
如果所述概率不大于预设阈值，判定目标充电桩的功率器件无故障。
为达到上述目的，本发明还提供了一种基于深度神经网络的充电桩技术状况诊断系统，包括：
充电桩直流侧电压采集模块：用于获取目标充电桩直流侧的电压信号；
充电桩技术状况诊断模块：用于将所述电压信号输入预先训练好的深度神经网络，获取目标充电桩中功率器件发生故障的概率。
优选地，还包括：
深度神经网络构建模块：用于构建深度神经网络；
训练样本集构建模块：用于获取不少于两个训练样本，构成训练样本集；
深度神经网络训练模块：用于利用训练样本集对深度神经网络进行训练。
优选地，还包括：
概率比较模块：用于将所述概率与预设阈值进行比较；
故障判定模块：用于根据比较结果判定目标充电桩的功率器件有无故障，如果所述概率大于预设阈值，判定目标充电桩的功率器件有故障；如果所述概率不大于预设阈值，判定目标充电桩的功率器件无故障。
为达到上述目的，本发明还提供了计算机处理控制装置，包括：
存储器：用于存储指令；
处理器：用于根据所述指令进行操作以执行本发明提供的一种基于深度神经网络的充电桩技术状况诊断方法的步骤。
为达到上述目的，本发明还提供了计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的一种基于深度神经网络的充电桩技术状况诊断方法的步骤。
与现有技术相比，本发明所达到的有益效果：结合充电电池在不同放电倍率下的充放电特性，借助深度神经网络将充电桩直流侧输出电压的波形特征转化为充电桩中功率器件可能发生故障的概率，并将获得的概率与预设阈值进行比较，以判定充电桩的功率器件有无故障。本发明能够有效评估预测充电桩中功率器件有无故障，以达到评估充电桩技术状况的目的，避免发生严重后果。
附图说明
图1是本发明实施例中三相PWM整流器电路拓扑原理示意图；
图2是本发明实施例中深度神经网络基本结构示意图；
图3是本发明实施例中典型参数下充电桩整流模块输出电压波形示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明具体实施方式提供了一种基于深度神经网络的充电桩技术状况诊断方法，该方法基于磷酸铁锂电池在不同放电倍率下的充放电特性，并结合充电桩整流输出的电压波形(包括幅值和纹波特性)，对充电桩中功率器件的运行状态进行诊断。
直流充电桩的功率模块主要包含PWM整流、滤波和高频DC/DC功率变换三个环节，如图1所示，是本发明实施例中三相PWM整流器电路拓扑原理示意图，图中，T1～T6为功率器件，Ua、Ub、Uc为三相输入电压，La、Lb、Lc为交流侧三相滤波电感，Cf为直流侧滤波电容，Rf为直流负载，Udc为直流侧电压。每个桥臂上下两个功率器件开关状态互补运行，并且任意时刻每个桥臂上都有一个功率器件处于导通状态。在正常运行状态以及T1～T6中一个或多个功率器件发生故障的情况下，所输出的直流侧电压Udc波形不同，当三个及三个以上功率器件同时发生故障时，直流侧电压将发生严重畸变，其纹波系数远大于运行规程规定的5％；当两个及两个以下功率器件发生故障时，直流侧电压的波形可能较为相似，其纹波系数仍可能满足5％以内的运行规程要求。
磷酸铁锂电池是目前比较常见的充电电池，研究表明，磷酸铁锂电池单体端电压在不同放电倍率下的充放电特性不同，电池可用容量随着放电倍率的增大而减小，放电倍率可以影响电池的可用容量，并且电池的放电倍率越大，电池的端电压越低，电池的端电压变化也体现在充电桩输出的直流侧电压Udc的变化上。
为实现Udc波形与两个及两个以下功率器件发生故障时的对应关系，本实施例对图1所示电路进行模拟仿真，得出任意一个或两个功率器件发生故障时的Udc波形，并在不同电池放电倍率下计及电池端电压的波动，然后将该波动一并叠加至Udc波形，接着，利用深度神经网络模型对不同的功率器件故障、不同电池放电倍率下电池端电压波动条件下的充电桩直流侧输出电压Udc的波形进行学习，掌握Udc波形的变化特征，具体如下：
1)构建深度神经网络。如图2所示，是本发明实施例中深度神经网络基本结构示意图，该深度神经网络共设有三层，其输入层(即第1层)设有三个神经元，x1、x2、x3表示该第1层的输入数据，分别对应不同的故障功率器件、不同电池放电倍率下电池端电压的波动、充电桩直流侧输出电压Udc；该深度神经网络的中间层(即第2层)也设有三个神经元，a1 (2)、a2 (2)、a3 (2)表示该第2层的数据，从第1层数据到第2层数据需要一个激活函数，这个函数可以是逻辑回归的Sigmoid函数，也可以是其他的函数，本实施例采用Sigmoid函数，记为z(x)；
设定从第1层数据至第2层数据的权重分别为w1、w2、w3，则有：
a1 (2)＝z(x)·(w1x1+w2x2+w3x3)，同理可得a2 (2)和a3 (2)；
设定从第2层数据至第3层数据的权重分别为θ1、θ2、θ3，则有：
hθ(x)＝z(x)·(θ1a1 (2)+θ2a2 (2)+θ3a3 (2))，式中，hθ(x)为该深度神经网络的输出层(即第三层)的输出数据，本实施例中，该输出数据是根据输入数据获取的充电桩中功率器件发生故障的概率。
2)对深度神经网络进行训练。训练过程就是优化输出的过程，这里定义损失函数如下：
式中，H(p,q)为该深度神经网络的损失函数，p(x)为真实的样本分布，q(x)表示预估的样本分布，所述样本即各采样点采集的充电桩直流侧电压波形幅值。
训练过程包括如下两个阶段：
第一个阶段，是输入已知学习样本，通过预设的网络结构和前一次迭代的权重值和阈值，从网络第一层向后计算出各神经元的输出；
第二个阶段，是对上述权重值和阈值进行修改，从最后一层向前计算各权重值和阈值对总误差的影响(即梯度)，据此对各权重值和阈值进行修改；
以上两个阶段过程反复交替，误差逐层往回传递，以修正层与层之间的权重值和阈值，直到收敛为止。这种逐层往回传递的算法也叫做反向传播算法，是训练神经网络的核心算法，可以根据定义好的损失函数优化神经网络的参数值，使神经网络模型的损失函数达到一个较小的值。
3)利用训练好的深度神经网络将目标充电桩的直流侧输出电压Udc的波形特征转化为目标充电桩中功率器件可能发生故障的概率。神经网络的目标输出概率，可参照如下文献：[1]Lecun Y,Bengio Y,Hinton G.Deep learning.[J].Nature,2015,521(7553):436；[2]Hinton G E.Learning multiple layers of representation[J].Trends inCognitive Sciences,2007,11(10):0-434；[3]王改华.深度学习:卷积神经网络算法原理与应用[M].北京:中国水利水电出版社,2019(ISBN：978-7-5170-7595-0，第1-3章)。
4)最后，将该概率与预设的故障发生概率阈值进行比较，根据比较结果判定目标充电桩中功率器件的故障情况。所述故障发生概率阈值即置信区间，本实施例中选取该阈值为95％，如果经深度神经网络输出的概率大于95％，则判定目标充电桩中功率器件有故障，否则判定无故障。
本实施例中，在一个在典型参数下，分别仿真了不同电池充电倍率下直流充电桩整流模块在正常运行、功率器件T1发生故障(1C和2C)、功率器件T1和T4发生故障的情况下，充电桩直流侧输出电压Udc的波形。如图3所示，是本发明实施例中典型参数下充电桩整流模块输出电压波形示意图，在以上三种故障状态下，直接通过输出电压Udc波形本身，较难直接区分出不同的故障。
将图3所示的波形，输入已经训练好的深度神经网络，得出如下结果：
1)整流模块正常运行时的波形，其所对应充电桩中功率器件为正常运行状态的概率为99.99％，
2)功率器件T1和T4发生故障时的波形，其所对应充电桩中功率器件发生故障的概率为95.39％；
3)功率器件T1发生故障时的波形(1C)，其所对应充电桩中功率器件发生故障的概率为98.33％；
4)功率器件T1发生故障时的波形(2C)，其所对应充电桩中功率器件发生故障的概率为97.45％；
可以看出，除第一个波形外，其余三个波形，其所对应充电桩中功率器件发生故障的概率均大于95％，其结果证实了本发明方法的有效性。
本发明具体实施方式还提供了一种基于深度神经网络的充电桩技术状况诊断系统，所述系统包括：
训练样本集构建模块：用于获取较大数量的训练样本，构成训练样本集，所述训练样本不同的功率器件故障、不同电池放电倍率下电池端电压波动条件下的充电桩直流侧的输出电压；
深度神经网络构建模块：用于构建深度神经网络，所述深度神经网络的输入层包括三个神经元，该三个神经元各自对应所述训练样本中不同的故障功率器件、不同电池放电倍率下电池端电压的波动、充电桩直流侧的输出电压，深度神经网络的激活函数采用Sigmoid函数；
深度神经网络训练模块：用于利用训练样本集对深度神经网络进行训练，其中采用反向传播算法修改所述Sigmoid函数的权重值和阈值，使神经网络模型的损失函数达到一个较小的值，从而获取训练好的深度神经网络；
充电桩直流侧电压采集模块：用于获取目标充电桩直流侧的电压信号；
充电桩技术状况诊断模块：用于将所述电压信号输入预先训练好的深度神经网络，获取目标充电桩中功率器件发生故障的概率；
概率比较模块：用于将所述概率与预设阈值进行比较；
故障判定模块：用于根据比较结果判定目标充电桩的功率器件有无故障，如果所述概率大于预设阈值，判定目标充电桩的功率器件有故障；如果所述概率不大于预设阈值，判定目标充电桩的功率器件无故障。
本发明具体实施方式还提供了计算机处理控制装置，包括：
存储器：用于存储指令；
处理器：用于根据所述指令进行操作以执行本发明提供的一种基于深度神经网络的充电桩技术状况诊断方法的步骤。
本发明具体实施方式还提供了计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的一种基于深度神经网络的充电桩技术状况诊断方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (14)

1.一种基于深度神经网络的充电桩技术状况诊断方法，其特征是，包括如下步骤：
获取目标充电桩直流侧的电压信号；
将所述电压信号输入预先训练好的深度神经网络，获取目标充电桩中功率器件发生故障的概率。
2.根据权利要求1所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，在将所述电压信号输入预先训练好的深度神经网络之前，还包括：
构建深度神经网络；
获取不少于两个训练样本，构成训练样本集；
利用训练样本集对深度神经网络进行训练。
3.根据权利要求2所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，所述训练样本，包括：不同的功率器件故障、不同电池放电倍率下电池端电压波动条件下的充电桩直流侧的输出电压。
4.根据权利要求3所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，所述电池包括磷酸铁锂电池。
5.根据权利要求3所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，所述深度神经网络的输入层包括至少三个神经元，所述三个神经元各自对应所述训练样本中不同的故障功率器件、不同电池放电倍率下电池端电压的波动、充电桩直流侧的输出电压。
6.根据权利要求1至5中任一项所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，所述深度神经网络的激活函数采用Sigmoid函数。
7.根据权利要求6所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，利用训练样本集对深度神经网络进行训练，包括：采用反向传播算法修改所述Sigmoid函数的权重值和阈值。
8.根据权利要求1至5中任一项所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，还包括：将所述概率与预设阈值进行比较，根据比较结果判定目标充电桩的功率器件有无故障。
9.根据权利要求8所述的基于深度神经网络的充电桩技术状况诊断方法，其特征是，根据比较结果判定目标充电桩的功率器件有无故障，包括：
如果所述概率大于预设阈值，判定目标充电桩的功率器件有故障；
如果所述概率不大于预设阈值，判定目标充电桩的功率器件无故障。
10.一种基于深度神经网络的充电桩技术状况诊断系统，其特征是，包括：
充电桩直流侧电压采集模块：用于获取目标充电桩直流侧的电压信号；
充电桩技术状况诊断模块：用于将所述电压信号输入预先训练好的深度神经网络，获取目标充电桩中功率器件发生故障的概率。
11.根据权利要求10所述的基于深度神经网络的充电桩技术状况诊断系统，其特征是，还包括：
深度神经网络构建模块：用于构建深度神经网络；
训练样本集构建模块：用于获取不少于两个训练样本，构成训练样本集；
深度神经网络训练模块：用于利用训练样本集对深度神经网络进行训练。
12.根据权利要求10所述的基于深度神经网络的充电桩技术状况诊断系统，其特征是，还包括：
概率比较模块：用于将所述概率与预设阈值进行比较；
故障判定模块：用于根据比较结果判定目标充电桩的功率器件有无故障，如果所述概率大于预设阈值，判定目标充电桩的功率器件有故障；如果所述概率不大于预设阈值，判定目标充电桩的功率器件无故障。
13.计算机处理控制装置，其特征是，包括：
存储器：用于存储指令；
处理器：用于根据所述指令进行操作以执行权利要求1至9中任一项所述方法的步骤。
14.计算机可读存储介质，其上存储有计算机程序，其特征是，所述程序被处理器执行时实现权利要求1至9中任一项所述方法的步骤。
CN201910965970.8A 2019-10-12 2019-10-12 一种基于深度神经网络的充电桩技术状况诊断方法及系统 Active CN110619321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910965970.8A CN110619321B (zh) 2019-10-12 2019-10-12 一种基于深度神经网络的充电桩技术状况诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910965970.8A CN110619321B (zh) 2019-10-12 2019-10-12 一种基于深度神经网络的充电桩技术状况诊断方法及系统

Publications (2)

Publication Number Publication Date
CN110619321A true CN110619321A (zh) 2019-12-27
CN110619321B CN110619321B (zh) 2022-07-29

Family

ID=68925729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910965970.8A Active CN110619321B (zh) 2019-10-12 2019-10-12 一种基于深度神经网络的充电桩技术状况诊断方法及系统

Country Status (1)

Country Link
CN (1) CN110619321B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111391694A (zh) * 2020-02-29 2020-07-10 国网江苏省电力有限公司苏州供电分公司 一种充电站运行维护的多层次快速数据监测方法和系统
CN112067997A (zh) * 2020-08-14 2020-12-11 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112193112A (zh) * 2020-10-16 2021-01-08 安徽继远软件有限公司 一种电动汽车充电场站充电桩智能管理方法及装置
CN113156243A (zh) * 2021-04-09 2021-07-23 南方电网电动汽车服务有限公司 故障预测方法和预测系统
CN114679068A (zh) * 2022-05-30 2022-06-28 深圳戴普森新能源技术有限公司 一种储能变换器电能变换双向dcdc变换器及储能系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303630A (zh) * 2018-02-08 2018-07-20 国电南瑞科技股份有限公司 一种基于小波包分析的交直流充电设备功率器件故障诊断方法
CN108490370A (zh) * 2018-03-19 2018-09-04 万帮充电设备有限公司 一种故障诊断的方法和装置
CN109063785A (zh) * 2018-08-23 2018-12-21 国网河北省电力有限公司沧州供电分公司 充电桩故障检测方法及终端设备
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110232142A (zh) * 2019-06-03 2019-09-13 国家电网有限公司 充电桩故障检测方法、系统及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303630A (zh) * 2018-02-08 2018-07-20 国电南瑞科技股份有限公司 一种基于小波包分析的交直流充电设备功率器件故障诊断方法
CN108490370A (zh) * 2018-03-19 2018-09-04 万帮充电设备有限公司 一种故障诊断的方法和装置
CN109063785A (zh) * 2018-08-23 2018-12-21 国网河北省电力有限公司沧州供电分公司 充电桩故障检测方法及终端设备
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110232142A (zh) * 2019-06-03 2019-09-13 国家电网有限公司 充电桩故障检测方法、系统及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨凤坤 等: ""基于小波包分析的电动汽车直流充电桩功率器件开路故障诊断研究"", 《电器与能效管理技术》 *
林越 等: ""基于AP-HMM混合模型的充电桩故障诊断"", 《广西师范大学学报(自然科学版)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111391694A (zh) * 2020-02-29 2020-07-10 国网江苏省电力有限公司苏州供电分公司 一种充电站运行维护的多层次快速数据监测方法和系统
CN111391694B (zh) * 2020-02-29 2023-08-11 国网江苏省电力有限公司苏州供电分公司 一种充电站运行维护的多层次快速数据监测方法和系统
CN112067997A (zh) * 2020-08-14 2020-12-11 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112067997B (zh) * 2020-08-14 2023-11-14 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112193112A (zh) * 2020-10-16 2021-01-08 安徽继远软件有限公司 一种电动汽车充电场站充电桩智能管理方法及装置
CN113156243A (zh) * 2021-04-09 2021-07-23 南方电网电动汽车服务有限公司 故障预测方法和预测系统
CN114679068A (zh) * 2022-05-30 2022-06-28 深圳戴普森新能源技术有限公司 一种储能变换器电能变换双向dcdc变换器及储能系统

Also Published As

Publication number Publication date
CN110619321B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110619321B (zh) 一种基于深度神经网络的充电桩技术状况诊断方法及系统
CN111628501B (zh) 一种交直流大电网暂态电压稳定评估方法及系统
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN109524982B (zh) 一种交直流电网暂态稳定风险评估方法
CN111007429A (zh) 基于anfis的同步调相机短路故障识别方法和系统
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN104062541A (zh) 一种针对容错永磁电机定子匝间短路的故障诊断方法
CN116436327A (zh) 一种基于神经网络的变流器自适应预测控制方法及系统
CN110297452B (zh) 一种蓄电池组相邻型均衡系统及其预测控制方法
Geng et al. Fault diagnosis of converter based on wavelet decomposition and BP neural network
CN117057228A (zh) 一种基于深度强化学习的逆变器多目标优化方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN104502754A (zh) 一种纯电动车辆动力系统的故障诊断方法
CN111130053A (zh) 一种基于深度强化学习的配电网过流保护方法
Zhang et al. The forecasting model for time series of transformer DGA data based on WNN-GNN-SVM combined algorithm
CN111856285B (zh) 一种电动汽车退役电池组等效模型建模方法
CN111413647B (zh) 一种clllc谐振变换器开路故障实时检测方法和系统
CN112100923A (zh) 一种全功率发电系统变频器igbt的状态评价方法
CN110134004B (zh) 一种基于电力弹簧电路结构的pi控制参数整定方法
CN115184839A (zh) 一种级联h桥并网逆变器系统的开路故障功率管定位方法
CN110909455B (zh) 一种延缓固体氧化物燃料电池性能衰退的方法
CN114814391A (zh) 充电桩故障识别方法和存储介质
CN114418287A (zh) 一种含电-气-热耦合系统的微电网频率安全评估方法
CN113449771B (zh) 基于人工神经网络的四象限变流器故障诊断方法及系统
Wang et al. Fault diagnosis method for hybrid HVDC transmission system based on stacked sparse auto-encoder

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210719

Address after: 211106 No. 19 Chengxin Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant after: NARI NANJING CONTROL SYSTEM Co.,Ltd.

Applicant after: NARI TECHNOLOGY Co.,Ltd.

Applicant after: NARI Group Corp.

Applicant after: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant after: State Grid Jiangsu Electric Power Co.,Ltd. Marketing Service Center

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: WUHAN University

Address before: 211106 No. 19 Chengxin Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant before: NARI NANJING CONTROL SYSTEM Co.,Ltd.

Applicant before: NARI TECHNOLOGY Co.,Ltd.

Applicant before: NARI Group Corp.

Applicant before: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: WUHAN University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant