CN113283491A - 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 - Google Patents
一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 Download PDFInfo
- Publication number
- CN113283491A CN113283491A CN202110544358.0A CN202110544358A CN113283491A CN 113283491 A CN113283491 A CN 113283491A CN 202110544358 A CN202110544358 A CN 202110544358A CN 113283491 A CN113283491 A CN 113283491A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- alternating
- current charging
- data
- fault
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000009413 insulation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 1
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 1
- 102100022892 Kynurenine-oxoglutarate transaminase 3 Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明设计一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，首先选取电动汽车交流充电桩的运行状态数据，标注运行状态，建立数据集；其次将数据集划分为训练集、测试集，并对其进行预处理；接着将线性受限玻尔兹曼机作为深度置信网络的输出层，构建优化深度置信网络；然后采用改进粒子群算法调整所述网络的超参数；再使用训练集数据训练优化深度置信网络，继而得到交流充电桩故障诊断模型，并使用测试集数据评估故障诊断模型的性能；最后将电动汽车交流充电桩的运行数据输入故障诊断模型，得到所述充电桩的故障诊断结果。本发明对交流充电桩的运行状态数据进行了充分的利用，有效提高了充电桩故障诊断的分类精度。
Description
技术领域
本发明属于设备故障诊断技术领域，具体涉及一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法。
背景技术
随着电动汽车的日益普及，电动汽车交流充电桩凭借体积小、便于安装、建设成本低、工作时对电网产生的冲击较小、可延长电池使用寿命等优势，获得了大量的安装与使用，具有较高的普及度，随之而来的交流充电桩的设备维护问题引起了人们的广泛关注。由于交流充电桩大多安装在户外区域，长期承受着雨、露等较大的环境压力，这增大了交流充电桩的故障率。如果交流充电桩的输出控制模块、绝缘检测模块等核心部件发生故障，必将极大降低充电桩的安全性和可靠性。同时，充电桩的定期维护和发生故障后的原因排查往往需要花费大量的人力和时间，使其维护和保障成本越来越高。因此，当前交流充电桩故障诊断的研究重点在于如何快速有效地识别发生的故障，进而快速的切除故障。
目前的故障诊断方法主要分为定性分析和定量分析两大类，其中定量分析中基于解析模型的方法和基于数据驱动的方法在故障诊断领域得到了较为广泛的使用。基于解析模型的方法通常能够获得较高的故障诊断准确率，但是需要对设备进行精确建模，而且建立的模型也仅适应于特定型号的设备，普适性较差。基于数据驱动的方法避免了上述问题，其通过对运行数据进行分析，提取数据的特征，映射运行数据与运行状态之间的关系，从而实现设备的故障诊断。基于数据驱动的故障诊断方法包括机器学习方法和深度学习方法，机器学习方法是基于机器学习算法实现的，该方法往往需要相关领域的先验信息和专家知识为基础，以设计合理的特征提取方法，而且提取的特征往往是浅层特征，针对复杂的分类问题，其泛化能力受到一定的制约。此外，对于处理大数据问题，深度学习方法比其更具有优势。深度学习方法以逐层学习的方式提取数据中的深层特征，省略了信号处理的过程，摆脱了对信号处理技术以及专家知识的依赖，而且该方法能够分析出数据中内含的设备的健康状态变化，这种复杂的关联性一般的机器学习算法是很难学习到。在运行过程中，交流充电桩积累了大量的运行数据，这些数据含了其在不同工况下丰富的故障信息，具有耦合性强、多维性等特点。针对这种情况，本发明选择基于深度学习的方法对交流充电桩进行故障诊断。
深度置信网络(Deep Belief Network，DBN)是一种基于数据驱动的深度学习模型，具有突出的数据特征提取、处理高维以及非线性数据处理的能力，在解决复杂工业设备的故障诊断问题上具有较大优势。为改善典型DBN的性能，本发明使用线性受限玻尔兹曼机(Linear Restricted Boltzmann Machine，LRBM)作为网络的输出层，对输出层参数进行初始化，构建优化深度置信网络，该网络能够降低由于随机初始化输出层参数而导致模型陷入局部最优解的几率。此外，DBN的隐藏层节点数、学习率、动量值等超参数的设置往往是通过人为的不断调节实现的，这通常会耗费大量的时间和精力，而且获得的网络参数往往不尽人意，从而导致较低的故障诊断准确率。为解决上述问题，本发明借助改进粒子群算法寻找DBN的最优超参数，以增强交流充电桩故障诊断模型的分类性能。
发明内容
本发明针对电动汽车充电桩的故障诊断问题，提出一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法。针对充电桩的运行状态数据特点，提出了基于深度学习的充电桩故障诊断方法，以解决现有方法的不足。在该方法中，使用LRBM对输出层参数进行初始化，构建优化深度置信网络模型，减少模型在优化过程中陷入局部最优解的几率，并引入改进粒子群算法优化DBN网络的超参数，提升模型故障诊断的性能。
为实现上述目的，本发明提供如下方案：一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，具体包括如下步骤：
S1：选取电动汽车交流充电桩的运行状态数据，标注运行状态，建立数据集；
S2：将数据集划分为训练集、测试集，并对其进行预处理；
S3：将线性受限玻尔兹曼机作为深度置信网络的输出层，构建优化深度置信网络；
S4：采用改进粒子群算法调整优化深度置信网络的超参数；
S5：使用训练集数据训练优化深度置信网络，得到交流充电桩故障诊断模型，并使用测试集数据评估故障诊断模型的性能；
S6：将电动汽车交流充电桩的运行数据输入所述故障诊断模型，得到充电桩的故障诊断结果。
本发明步骤S1中，所述交流充电桩的运行状态数据，包括但不局限于交流充电桩输入电压、交流充电桩输入电流、交流充电桩输出电压、交流充电桩输出电流、交流充电桩输出功率、车辆充电需求电压、车辆充电需求电流、交流接触器状态、交流断路器状态、电池温度、电池设定温度、散热风扇状态、充电时长、绝缘检测模块状态、辅助单元输出电压等信息。
本发明步骤S1中，所述交流充电桩的运行状态包括正常运行状态和故障状态，故障状态为交流充电桩的各种常见故障，包括但不局限于交流充电桩输出过电压故障、交流充电桩输出过电流故障、交流接触器故障、交流断路器故障、电动汽车BMS通信故障、绝缘检测故障、充电模块过温故障、交流充电模块输入缺相故障、交流充电桩输出过电压故障、交流充电桩连接器故障等。
本发明步骤S2中，对数据集进行预处理，具体包括以下操作：
(1)缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；
(2)异常值的处理，对于数据集中的异常数据，执行删除操作；
(3)数据的归一化，通过极差标准化的方法将数据的范围转化到0-1之间。
本发明步骤S3中，所述优化深度置信网络，将一个线性受限玻尔兹曼机作为网络的输出层，经过网络的预训练实现输出层参数的初始化，且输出层单元的状态值是输出单元与连接权重的线性函数，计算公式为：
式中，hj，bj分别为输出层第j个单元的激活状态和偏置，wij为输出层第j个单元与输入层第i个单元之间的连接权重，vi为输入层第i个单元的激活状态。
本发明步骤S4中，采用改进粒子群算法调整优化深度置信网络的超参数，所述改进粒子群算法惯性因子的调整公式为：
式中，
是第d次迭代时第i个粒子的惯性因子，ωmax与ωmin分别为惯性因子的预设最大值和最小值，f(·)为适应度函数，
为第d次迭代所有粒子的平均适应度。
本发明步骤S5中，使用训练集数据训练优化深度置信网络，得到交流充电桩故障诊断模型的过程具体包括两个阶段，第一个阶段是预训练，按照自下而上的顺序对每一个受限玻尔兹曼机以及顶层的线性受限玻尔兹曼机进行训练，从而实现输入数据高层特征的提取和网络参数的初始化；第二个阶段是微调，采用反向传播算法，使用标签数据，按照自上而下的顺序对网络参数进行微调，进一步优化网络结构。上述过程结束之后，使用测试集数据评估故障诊断模型的性能。
本申请的有益效果在于：本申请基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，对充电桩的数据进行预处理之后，使用深度学习的方法逐层提取充电桩原始数据中隐含特征，实现故障数据与故障类型之间的映射；本申请提出的充电桩故障诊断方法是基于数据驱动的实现的，不需要建立精准的充电桩物理模型，降低了对传统信号处理技术以及先验知识的依赖，且具有较强的普适性；本申请在深度置信网络的基础上，用一个线性受限玻尔兹曼机对输出层参数进行初始化，构建优化深度置信网络，在一定程度上克服了典型DBN的输出层参数因使用随机数初始化而导致模型易陷入局部最优解而不能继续优化的缺陷，并使用改进粒子群算法优化网络的超参数，进一步增强了交流充电桩故障诊断模型的分类性能。
附图说明
图1为本发明基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法的流程示意图；
图2为本发明受限玻尔兹曼机结构示意图；
图3为本发明优化深度置信网络的结构示意图；
图4为本发明改进粒子群算法流程图；
图5为本发明优化深度置信网络的训练流程图。
具体实施方式
下面结合说明书附图对本发明的具体实施方法作进一步详细的说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
图1为本发明基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法的流程示意图。如图1所示，本发明基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法包括以下步骤：
S1：选取电动汽车交流充电桩的运行状态数据，标注运行状态，建立数据集。具体的，选取包含交流充电桩输入电压、交流充电桩输入电流、交流充电桩输出电压、交流充电桩输出电流、车辆充电需求电压、车辆充电需求电流、交流接触器状态、交流断路器状态、电池温度、电池设定温度、充电时长、散热风扇开关状态、绝缘检测模块状态、辅助单元输出电压等数据的样本构建数据集，并按照故障类型对数据进行标注。
S2：将数据集划分为训练集、测试集，并对其进行预处理。具体的，按照4:1的比例将数据集划分为测试集和训练集，训练集数据用于构建故障诊断模型，测试集数据用于评估故障诊断模型的分类性能。
数据的预处理包括以下操作：
(1)缺失值的处理，按照缺失数据的重要程度，对缺失的数据字段执行删除或者插值操作。
(2)异常值的处理，对于数据集中的异常数据，执行删除操作。
(3)数据的归一化，使用离差标准化的方法将原始数据映射到[0,1]区间，计算公式为：
式中，xmin和xmax分别为数据样本中的最小值和最大值，
是输入数据x进行归一化后的结果。
S3：将线性受限玻尔兹曼机作为深度置信网络的输出层，构建优化深度置信网络。典型的DBN由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)和一个BP网络堆叠而成，采用无监督的贪婪学习算法调整每一层RBM的连接权重和有监督学习的方法优化网络参数。
RBM作为DBN的基本组成单元，是一种基于能量的概率分布模型。它由一个可见层v＝(v1,v2,v3,…,vn)和一个隐藏层h＝(h1,h2,h3,…,hm)组成，可见层单元表示输入数据；隐藏层单元表示输入数据的隐含特征。可见层与隐藏层的各单元之间通过权重向量W双向全连接，而本层内的单元无连接，相互独立。RBM各单元的取值均为二值状态，即对
有vi,hj∈{0,1}。RBM的结构如图2所示。
对于一组可见层和隐藏层单元的状态(v，h)，RBM的能量函数可以表示为：
E(v,h|θ)＝-aTv-bTh-vTWh (2)
式中，θ＝{W,a,b}是RBM的参数集合，其中W∈Rn×m是可见层与隐藏层的连接权重矩阵，a∈Rn是可见层偏置，b∈Rm是隐藏层偏置。
由公式(2)，可以计算出RBM可见层与隐藏层的联合概率分布：
式中，Z(θ)＝∑v,hexp(-E(v,h|θ))称为配分函数。
由公式(3)可以计算出可见层节点单元的边缘分布P(v|θ)：
根据RBM的结构特点，可见层的第i个单元和隐藏层的第j个单元被激活的概率可以表示为：
式中，σ(x)＝1/(1+e-x)。
为便于求得DBN的网络参数，使用对比散度算法(Contrastive Divergence，CD-k)来快速训练RBM。因此，RBM各参数的梯度近似计算公式为：
式中，m表示学习率，γ表示动量，l表示训练的迭代次数，k表示对比散度算法进行吉布斯采样的次数，<·>data表示输入数据分布的期望，<·>k表示经过k次吉布斯采样后重构数据分布的期望。
为解决典型深度置信网络的输出层参数由于随机初始化造成的分类准确率较低的潜在问题，本发明设计使用一个线性受限玻尔兹曼机对网络的输出层参数进行初始化，用于优化网络结构。线性受限玻尔兹曼机可以对输入数据进行抽象，从抽象后的映射关系实现对深层架构进行全局调整，以取得更好的分类效果。由3个RBM和1个LRBM构成的优化深度置信网络的结构如图3所示。
LRBM的结构与RBM类似，主要区别在于LRBM的输出层单元是从服从正态分布的随机数中选取的实数建模的，正态分布的均值为通过输入层h和参数w计算得到的每个单元的实数值。LRBM具体的训练过程如下：
输出层单元的状态值是输入层v和连接权重w的线性函数：
式中，hj为输出层第j个单元的状态值，bj为LRBM输出层第j个单元的偏置，数字上标0表示该值没有经过迭代计算。
由公式(10)得到的输出层单元的值加上一个相对应的服从正态分布的随机数r，即可得到输出层第j个单元的状态
经过一次迭代计算，输入层第i个单元的新状态值为：
式中，ai为线性RBM输入层第i个单元的偏置，数字上标1表示这个值是经过一次迭代计算得到。
同理，输出层第j个单元的新状态值为：
与RBM方法类似，LRBM权重参数W以及输入层、可见层的偏置a，b的调整同样可以通过对比散度算法实现。
S4：采用改进粒子群算法调整优化深度置信网络的超参数。优化深度置信网络的超参数指的是网络的隐藏层节点数、迭代次数等参数，采用不同的超参数，得到的网络性能具有较大的差异。当前深度置信网络的超参数往往是依靠经验，选择多组不同的参数进行调试比较得到的，这往往需要耗费大量的时间和精力。针对这个问题，本发明提出使用粒子群算法寻找网络的最优超参数，并对粒子群算法进行改进，提出改进粒子群算法的定义。改进粒子群算法在运行过程中，将每一个粒子的适应度与所有粒子的平均适应度进行比较，根据比较结果，采取不同的策略对每一个粒子的惯性因子进行调整，以减少训练所用的时间。改进粒子群算法的流程图如图4所示，具体地按照以下步骤进行：
S4.1：参数的初始化。确定粒子群的粒子数量N，粒子群的每一个粒子表示一组待优化的深度置信网络参数；最大迭代次数M；
S4.2：在一定的范围内，对每一个粒子的位置Xi d＝0和速度Vi d＝0进行初始化；
S4.3：将DBN的分类误差作为粒子群的适应度函数，并对每一个粒子进行评估。在本次迭代历史数据中寻找具有最大适应度的粒子
和全局最佳粒子
并计算所有粒子的平均适应度以及最小适应度；
S4.4：对粒子群算法的惯性因子进行调整，计算公式为：
式中，
是第d次迭代时第i个粒子的惯性因子，ωmax与ωmin分别为惯性因子的预设最大值和最小值，f(·)为适应度函数，
为第d次迭代所以粒子的平均适应度；
S4.5：利用下式更新每一个粒子的位置和速度，
式中，Vi d+1是更新后的第i个粒子的速度，ω为惯性因子，c1，c2为学习因子，取值范围为[0,2]，r1，r2是随机分布在0-1之间的随机数，
是更新后第i个粒子的位置；
S4.6：利用更新后的粒子重新计算分类误差，判断是否满足迭代停止条件，所述迭代停止条件为当前的迭代次数达到最大迭代次数，即d＝M，或者分类误差低于设定阈值；
S4.7：若满足迭代停止条件，将当前的全局最佳粒子确定为优化深度置信网络的超参数；
S4.8：若不满足迭代停止条件，重新执行步骤S4.3，进入下一次迭代。
S5：使用训练集数据训练优化深度置信网络，得到交流充电桩故障诊断模型，并使用测试集数据评估故障诊断模型的性能。所述优化深度置信网络的训练过程如图5所示，该过程分为预训练和微调两个阶段。
DBN的预训练过程采用逐层贪婪学习算法，按照自下而上的顺序对每一个RBM进行训练，从而实现输入数据高层特征的提取和训练网络连接权重的初始化。具体操作为：对于包含ζ个RBM的优化深度置信网络，首先将预处理之后的交流充电桩运行状态数据作为网络底层的RBM1(即该优化深度置信网络的第1个RBM)的输入，采用对比散度算法对RBM1进行训练。当第i(i≤ζ)个RBM训练结束后，该RBM的输出层作为第i+1个RBM的输入层，继续对第i+1个RBM进行训练。上述过程将不断地被重复执行，当最后一个RBM训练结束时，将继续对网络顶层的LRBM进行训练，完成输出层参数的初始化。
微调阶段，采用反向传播算法，利用标签数据，按照自上而下的顺序对网络参数进行微调，进一步优化网络结构，从而降低，提高分类的准确性。与预训练不同的是，有监督的微调会同时更新网络的所有参数，直到达到迭代停止条件为止。
上述过程结束之后，使用测试集数据评估故障诊断模型的性能。如果测试结果符合预期效果，则将其应用到实际项目当中，否则需要对网络的结构、参数进行调整，重新构造充电桩故障诊断模型。
S6：将电动汽车交流充电桩的运行数据输入所述故障诊断模型，得到充电桩的故障诊断结果。操作人员可以借鉴故障诊断结果，对交流充电桩进行检查和维修，使充电桩快速恢复到正常运行状态。
虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，具体包括以下步骤：
S1：选取电动汽车交流充电桩的运行状态数据，标注运行状态，建立数据集；
S2：将数据集划分为训练集、测试集，并对其进行预处理；
S3：将线性受限玻尔兹曼机作为深度置信网络的输出层，构建优化深度置信网络；
S4：采用改进粒子群算法调整优化深度置信网络的超参数；
S5：使用训练集数据训练优化深度置信网络，得到交流充电桩故障诊断模型，并使用测试集数据评估故障诊断模型的性能；
S6：将电动汽车交流充电桩的运行数据输入所述故障诊断模型，得到充电桩的故障诊断结果。
2.根据权利1要求的基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，所述步骤S1中选取的交流充电桩运行状态数据包括但不局限于交流充电桩输入电压、交流充电桩输入电流、交流充电桩输出电压、交流充电桩输出电流、交流充电桩输出功率、车辆充电需求电压、车辆充电需求电流、交流接触器状态、交流断路器状态、电池温度、电池设定温度、散热风扇状态、充电时长、绝缘检测模块状态、辅助单元输出电压等信息。
3.根据权利1要求的基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，所述步骤S1中选取的交流充电桩运行状态包括正常运行状态和故障状态，故障状态为交流充电桩的各种常见故障，包括但不局限于交流充电桩输出过电压故障、交流充电桩输出过电流故障、交流接触器故障、交流断路器故障、电动汽车BMS通信故障、绝缘检测故障、充电模块过温故障、交流充电模块输入缺相故障、交流充电桩输出过电压故障、交流充电桩连接器故障等。
4.根据权利1要求的基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，所述步骤S2中对数据集进行预处理，具体包括以下操作：
(1)缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；
(2)异常值的处理，对于数据集中的异常数据，执行删除操作；
(3)数据的归一化，通过极差标准化的方法将数据的范围转化到0-1之间。
5.根据权利1要求的基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，所述步骤S3中的优化深度置信网络，将一个线性受限玻尔兹曼机作为网络的输出层，经过网络的预训练完成输出层参数的初始化，且输出层单元的状态值是输出单元与连接权重的线性函数，计算公式为：
式中，hj，bj分别为输出层第j个单元的激活状态和偏置，wij为输出层第j个单元与输入层第i个单元之间的连接权重，vi为输入层第i个单元的激活状态。
6.根据权利1要求的基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，所述步骤S4中采用改进粒子群算法调整优化深度置信网络的超参数，所述改进粒子群算法惯性因子的调整公式为：
式中，
是第d次迭代时第i个粒子的惯性因子，ωmax与ωmin分别为惯性因子的预设最大值和最小值，f(·)为适应度函数，
为第d次迭代所以粒子的平均适应度。
7.根据权利1要求的基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法，其特征在于，所述步骤S5中使用训练集数据训练优化深度置信网络，得到交流充电桩故障诊断模型的过程具体包括两个阶段，第一个阶段是预训练，按照自下而上的顺序对每一个受限玻尔兹曼机以及顶层的线性受限玻尔兹曼机进行训练，从而实现输入数据高层特征的提取和网络参数的初始化；第二个阶段是微调，采用反向传播算法，利用标签数据，按照自上而下的顺序对参数进行微调，进一步优化网络结构。上述过程结束之后，使用测试集数据评估故障诊断模型的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110544358.0A CN113283491A (zh) | 2021-05-19 | 2021-05-19 | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110544358.0A CN113283491A (zh) | 2021-05-19 | 2021-05-19 | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113283491A true CN113283491A (zh) | 2021-08-20 |
Family
ID=77279908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110544358.0A Pending CN113283491A (zh) | 2021-05-19 | 2021-05-19 | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283491A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091183A (zh) * | 2021-11-29 | 2022-02-25 | 青岛科技大学 | 基于Tri-Training和深度学习的电动汽车大功率直流充电设备故障诊断方法 |
| CN114184867A (zh) * | 2021-12-10 | 2022-03-15 | 清湖光旭数据科技(北京)有限公司 | 一种基于深度学习的充电设施故障检测方法及系统 |
| CN116010853A (zh) * | 2023-02-13 | 2023-04-25 | 深圳市田科信息技术有限公司 | 充电桩设备故障预测方法及系统、计算机可读存储介质 |
| CN116339153A (zh) * | 2023-05-22 | 2023-06-27 | 科大智能物联技术股份有限公司 | 基于粒子群优化的石灰炉窑控制方法 |
| CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
| CN117416239A (zh) * | 2023-10-10 | 2024-01-19 | 北京理工大学前沿技术研究院 | 一种电动汽车交流充电桩的监测方法、系统及电子设备 |
| CN118306249A (zh) * | 2024-06-05 | 2024-07-09 | 广汽埃安新能源汽车股份有限公司 | 直流充电桩监控方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
| CN109470477A (zh) * | 2018-09-27 | 2019-03-15 | 昆明理工大学 | 一种基于改进的pso算法优化fsvm的滚动轴承故障诊断方法 |
| CN109492746A (zh) * | 2016-09-06 | 2019-03-19 | 青岛理工大学 | 基于ga-pso杂交算法的深度信念网络参数优化方法 |
| CN112287592A (zh) * | 2020-10-27 | 2021-01-29 | 北京理工大学 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
| CN112633493A (zh) * | 2020-12-01 | 2021-04-09 | 北京理工大学 | 一种面向工业设备数据的故障诊断方法及系统 |
-
2021
- 2021-05-19 CN CN202110544358.0A patent/CN113283491A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
| CN109492746A (zh) * | 2016-09-06 | 2019-03-19 | 青岛理工大学 | 基于ga-pso杂交算法的深度信念网络参数优化方法 |
| CN109470477A (zh) * | 2018-09-27 | 2019-03-15 | 昆明理工大学 | 一种基于改进的pso算法优化fsvm的滚动轴承故障诊断方法 |
| CN112287592A (zh) * | 2020-10-27 | 2021-01-29 | 北京理工大学 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
| CN112633493A (zh) * | 2020-12-01 | 2021-04-09 | 北京理工大学 | 一种面向工业设备数据的故障诊断方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| DEXIN GAO 等: ""Fault Diagnosis Method of DC Charging Points for EVs Based on Deep Belief Network"", 《WORLD ELECTRIC VEHICLE JOURNAL》, 20 March 2021 (2021-03-20), pages 1 - 11 * |
| MUX子沐: ""粒子群算法改进——自适应惯性权重"", 《HTTPS://BLOG.CSDN.NET/WEIXIN_44580451/ARTICLE/DETAILS/109539144》, 7 November 2020 (2020-11-07), pages 1 - 5 * |
| 张生杰: ""基于深度学习的感性词向量及情感分类方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2018 (2018-02-15), pages 138 - 2817 * |
| 李俊卿 等: ""基于深度置信网络的同步发电机励磁绕组匝间短路故障预警"", 《电力自动化设备》, vol. 41, no. 2, 28 February 2021 (2021-02-28), pages 153 - 158 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091183A (zh) * | 2021-11-29 | 2022-02-25 | 青岛科技大学 | 基于Tri-Training和深度学习的电动汽车大功率直流充电设备故障诊断方法 |
| CN114184867A (zh) * | 2021-12-10 | 2022-03-15 | 清湖光旭数据科技(北京)有限公司 | 一种基于深度学习的充电设施故障检测方法及系统 |
| CN116010853A (zh) * | 2023-02-13 | 2023-04-25 | 深圳市田科信息技术有限公司 | 充电桩设备故障预测方法及系统、计算机可读存储介质 |
| CN116339153A (zh) * | 2023-05-22 | 2023-06-27 | 科大智能物联技术股份有限公司 | 基于粒子群优化的石灰炉窑控制方法 |
| CN116339153B (zh) * | 2023-05-22 | 2023-09-01 | 科大智能物联技术股份有限公司 | 基于粒子群优化的石灰炉窑控制方法 |
| CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
| CN116639010B (zh) * | 2023-07-24 | 2023-10-20 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
| CN117416239A (zh) * | 2023-10-10 | 2024-01-19 | 北京理工大学前沿技术研究院 | 一种电动汽车交流充电桩的监测方法、系统及电子设备 |
| CN117416239B (zh) * | 2023-10-10 | 2024-04-19 | 北京理工大学前沿技术研究院 | 一种电动汽车交流充电桩的监测方法、系统及电子设备 |
| CN118306249A (zh) * | 2024-06-05 | 2024-07-09 | 广汽埃安新能源汽车股份有限公司 | 直流充电桩监控方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
| CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
| CN110579709B (zh) | 一种有轨电车用质子交换膜燃料电池故障诊断方法 | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN113433409A (zh) | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN113033678A (zh) | 一种基于自适应对抗网络的锂电池组故障诊断方法 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
| CN112766618A (zh) | 异常预测方法及装置 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
| CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| CN118191628A (zh) | 一种基于机器学习的矿用锂离子电池soc预测方法和系统 | |
| CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
| CN109242008B (zh) | 一种样本类别不完备条件下的复合故障识别方法 | |
| CN117113243A (zh) | 一种光伏设备异常检测方法 | |
| CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |
|
| RJ01 | Rejection of invention patent application after publication |