姚望，張英，王明偉，馬永超

（1. 貴州大學(xué)電氣工程學(xué)院，貴陽(yáng) 550025；2. 貴州電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，貴陽(yáng) 550002；3. 清華大學(xué)電機(jī)系，北京 100084）

0 引言

近年來(lái)，新能源汽車(chē)的普及推動(dòng)了充電設(shè)施的發(fā)展［1］。在碳排放目標(biāo)以及新基建的激勵(lì)下，汽車(chē)充電設(shè)施將會(huì)出現(xiàn)新一輪的高速增長(zhǎng)［2-4］。其中，直流充電樁具有充電高效、快速等優(yōu)點(diǎn)，逐漸取代交流充電樁，成為當(dāng)下熱門(mén)的研究領(lǐng)域［5］。

充電模塊是直流充電樁的核心部件，其主要功能是為電動(dòng)汽車(chē)動(dòng)力電池充電。充電模塊一般由前級(jí)和后級(jí)兩個(gè)模塊組成［6］。前級(jí)模塊的作用是將電網(wǎng)輸出的交流電轉(zhuǎn)化為穩(wěn)定的直流電輸入到后級(jí)，后級(jí)模塊的作用是將直流電二次轉(zhuǎn)換變換為汽車(chē)所需的直流電，具有電壓變換和電氣隔離的功能。前級(jí)結(jié)構(gòu)以三相Vienna整流器為主體來(lái)獲取穩(wěn)定直流電，后級(jí)結(jié)構(gòu)使用全橋LLC諧振變換器，該結(jié)構(gòu)利用軟開(kāi)關(guān)技術(shù)可以在極大程度上減小開(kāi)關(guān)損耗，提高系統(tǒng)整體效率［7-8］。

開(kāi)路故障和短路故障是直流充電樁最為常見(jiàn)的兩種故障。短路故障會(huì)導(dǎo)致過(guò)電流過(guò)大，并在短時(shí)間內(nèi)燒毀設(shè)備，危害極大。一般在電路中配有熔斷裝置，保護(hù)電路動(dòng)作將短路轉(zhuǎn)化為開(kāi)路［9-10］。開(kāi)路故障雖然不會(huì)在一瞬間產(chǎn)生過(guò)流，但會(huì)導(dǎo)致電網(wǎng)側(cè)電流發(fā)生畸變。同時(shí)，裝置元件應(yīng)力會(huì)因此變大，造成二次故障［11］。因此，對(duì)充電模塊開(kāi)路故障的診斷顯得十分重要。

目前，對(duì)充電模塊開(kāi)路故障的研究?jī)H局限于針對(duì)單級(jí)結(jié)構(gòu)功率開(kāi)關(guān)開(kāi)路故障。目前，主流檢測(cè)手段有兩種：電流檢測(cè)法和電壓檢測(cè)法。文獻(xiàn)［12］搭建了充電模塊脈寬調(diào)制（pulse width modulation，PWM）整流器前級(jí)模型，通過(guò)仿真得到了頻帶和頻率的故障數(shù)據(jù)，將這些數(shù)據(jù)作為特征量進(jìn)行處理，整理成故障編碼的形式，最終實(shí)現(xiàn)了對(duì)充電模塊前級(jí)部分的開(kāi)路故障診斷。文獻(xiàn)［13］通過(guò)對(duì)充電樁前級(jí)整流器輸出電壓進(jìn)行檢測(cè)，利用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)充電樁實(shí)時(shí)故障診斷。文獻(xiàn)［14］以V2G充電樁前級(jí)結(jié)構(gòu)為研究對(duì)象，設(shè)置功率開(kāi)關(guān)開(kāi)路故障仿真模型，分析其電網(wǎng)側(cè)輸入電流波形，結(jié)合小波包分析法和隨機(jī)森林算法實(shí)現(xiàn)故障診斷。文獻(xiàn)［15］建立了兩級(jí)結(jié)構(gòu)模型，選定電網(wǎng)輸入側(cè)電流波形為研究對(duì)象，運(yùn)用電流檢測(cè)法檢測(cè)系統(tǒng)運(yùn)行狀態(tài)，并且使用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。

針對(duì)上述分析，本文參考了當(dāng)下直流充電樁充電模塊常用結(jié)構(gòu)，建立了完整的兩級(jí)結(jié)構(gòu)模型，全面研究了開(kāi)路故障輸出波形特點(diǎn)。同時(shí)，選取后級(jí)模塊輸出電壓為研究對(duì)象，與直流充電樁實(shí)際工程應(yīng)用更契合。本文應(yīng)用麻雀搜索算法迭代尋優(yōu)，確定BP 神經(jīng)網(wǎng)絡(luò)的全局最優(yōu)參數(shù)，能夠改善BP 神經(jīng)網(wǎng)絡(luò)的不足，進(jìn)一步提高模型的診斷率。最后，對(duì)本文提出的方法進(jìn)行仿真分析，以驗(yàn)證所提診斷模型的有效性。

1 充電模塊拓?fù)浣Y(jié)構(gòu)及故障分析

1.1 充電模塊拓?fù)浣Y(jié)構(gòu)

作為直流充電樁最為重要的模塊，充電模塊主電路一般采用兩級(jí)變換結(jié)構(gòu)。圖1 為本文研究充電模塊的前級(jí)整流模型，采用三相Vienna 整流器結(jié)構(gòu)，為后級(jí)電路提供穩(wěn)定直流電。

圖1 中，ua、ub、uc為三相電網(wǎng)電壓，La、Lb、Lc為電感值相等的濾波電感，全控型器件Sa、Sb、Sc和各自并聯(lián)的4 個(gè)二極管組成三相功率開(kāi)關(guān)，Da1、Da2、Db1、Db2、Dc1、Dc2為快速恢復(fù)型二極管，C1、C2為直流側(cè)濾波電容。

后級(jí)模型采用全橋LLC諧振變換器，能夠輸出滿足汽車(chē)需要的直流電，其結(jié)構(gòu)拓?fù)淙鐖D2所示。

圖2 中，Q1—Q4是構(gòu)成逆變電路的4個(gè)功率開(kāi)關(guān)管，各自并聯(lián)一個(gè)體二極管和寄生電容。原邊諧振回路由諧振電感Lr、勵(lì)磁電感Lm和諧振電容Cr構(gòu)成。DR1、DR2、DR3、DR4為輸出側(cè)4 個(gè)整流二極管，C0和R0分別為濾波電容與輸出電阻。

充電模塊三相Vienna整流器電路采用單周期控制。單周期控制的優(yōu)點(diǎn)在于結(jié)構(gòu)簡(jiǎn)單，能夠在一個(gè)周期內(nèi)就實(shí)現(xiàn)負(fù)反饋控制［16-17］。相比于傳統(tǒng)的雙閉環(huán)控制策略，不僅不需要乘法器，而且無(wú)需外加中點(diǎn)平衡電路，能有效解決輸出中點(diǎn)電壓平衡問(wèn)題。

本文充電模塊后級(jí)電路選擇電流內(nèi)環(huán)模糊PI控制策略。此控制策略是對(duì)傳統(tǒng)電壓電流雙閉環(huán)控制的一種優(yōu)化改進(jìn)，優(yōu)點(diǎn)是具有更好的穩(wěn)定精度和跟隨性，克服了傳統(tǒng)控制方式下，電壓電流突變導(dǎo)致穩(wěn)定性和跟隨性差的問(wèn)題［18-20］。

1.2 故障分析

前后兩級(jí)電路所有器件中，電解電容和功率開(kāi)關(guān)故障這兩種情況是較為常見(jiàn)且無(wú)法避免的［21-23］，本文研究重點(diǎn)是電容器件和功率開(kāi)關(guān)的開(kāi)路故障。由于前后級(jí)模塊控制電路在整個(gè)充電樁系統(tǒng)中起著中樞控制作用，控制著前后級(jí)功率開(kāi)關(guān)的導(dǎo)通與關(guān)斷，其發(fā)生故障將導(dǎo)致充電模塊功率開(kāi)關(guān)無(wú)法正常運(yùn)作，后果十分嚴(yán)重，因此把此類故障情況也列為研究對(duì)象。

由于多個(gè)器件同時(shí)發(fā)生故障的概率較小，本文主要研究單個(gè)器件開(kāi)路的情況，包含正常狀態(tài)在內(nèi)共總結(jié)出了13種故障類型，故障分類如表1所示。

表1 充電模塊器件開(kāi)路故障分類Tab. 1 Classification of open circuit fault of charging module device

2 故障特征提取

2.1 小波包分解

小波包分析在小波分析的基礎(chǔ)上進(jìn)行的擴(kuò)展，它具有更高的時(shí)頻分辨率，是挖掘故障特征信號(hào)的有效工具［24］。不同類型開(kāi)路故障的輸出電壓時(shí)域波形中蘊(yùn)含著頻率特征，本文借助小波包分析法對(duì)故障輸出電壓進(jìn)行小波包分解。由于不同故障類型下各頻帶能量分布不同，就可以根據(jù)頻帶能量分布的差異，以更直觀的形式將頻率特征展現(xiàn)出來(lái)。圖3以3層小波包分解為例進(jìn)行說(shuō)明。

圖3 三層小波包分解示意圖Fig. 3 Diagram of three-layer wavelet packet decomposition

圖3 中S（0，0）為原始信號(hào)，S（i，j）（i=0，1，2，3；j= 0，1， ···，7）為分解樹(shù)第i層的第j個(gè)節(jié)點(diǎn)。初始信號(hào)經(jīng)過(guò)三層小波包分解后，表示為：

利用小波包分解得到故障信號(hào)特征量，其實(shí)現(xiàn)具體步驟如下：1）對(duì)采樣信號(hào)進(jìn)行小波包分解；2）小波包分解系數(shù)重構(gòu)；3）求取各節(jié)點(diǎn)信號(hào)能量；4）確定故障特征向量。

利用頻帶信號(hào)能量構(gòu)造故障特征向量T。

當(dāng)能量值較大時(shí)，為了便于對(duì)數(shù)據(jù)的計(jì)算和處理，要對(duì)特征向量進(jìn)行歸一化處理。

式中：E（p，j）為p層j節(jié)點(diǎn)小波包重構(gòu)信號(hào)能量；E為輸出電壓第3層小波包分解的頻帶總能量。

2.2 故障電壓特征量提取

本文建立的故障仿真模型輸出電壓信號(hào)特征量提取步驟如下。

1） 搭建故障仿真模型，在不同類型故障下對(duì)充電模塊輸出電壓即輸出負(fù)載兩端電壓進(jìn)行采樣。根據(jù)奈奎斯特采樣定律，只有采樣頻率高于信號(hào)最高頻率兩倍才能確保采樣信號(hào)完整且不失真［25］。通過(guò)對(duì)故障信號(hào)的頻率分析，采樣頻率設(shè)定為1 600 Hz。

2） 經(jīng)過(guò)仿真試驗(yàn)多次對(duì)比，選用db3 小波包，對(duì)采樣信號(hào)進(jìn)行3 層小波包分解，可以得到8 個(gè)節(jié)點(diǎn)。

3） 重構(gòu)小波包分解系數(shù)，求取不同故障下各頻帶對(duì)應(yīng)小波包能量值，最后歸一化處理得到一組新的故障特征量。

在實(shí)際運(yùn)維檢測(cè)中，通過(guò)檢測(cè)裝置測(cè)量到的故障波形往往都是故障發(fā)生一段時(shí)間后的數(shù)據(jù)。因此，為了更貼合實(shí)際現(xiàn)場(chǎng)檢測(cè)情況，本文選擇故障波形重新穩(wěn)定后的部分為研究對(duì)象。在對(duì)原始故障電壓信號(hào)進(jìn)行分析后發(fā)現(xiàn)，信號(hào)中直流分量占據(jù)主導(dǎo)，導(dǎo)致小波包分解后的能量譜分布區(qū)分度較低。于是，對(duì)原始故障信號(hào)進(jìn)行預(yù)處理，剔除直流分量后，再進(jìn)行小波包分解。由于有些故障類型能量譜分布較相似，導(dǎo)致后續(xù)故障診斷區(qū)分度較低。通過(guò)對(duì)輸出電壓波形分析，不同故障類型的輸出電壓直流分量幅值存在較大差異，即可以將直流分量也看作一個(gè)特征量和處理后新的能量譜特征向量作為新的故障特征量。本文的最終確定的故障特征向量：T=[Ud，E0，E1，E2，E3，E4，E5，E6，E7]。式中：Ud為直流分量；E0—E7為歸一化后的能量譜值。

3 麻雀搜索算法（SSA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)一般由多層組成，典型的三層BP神經(jīng)網(wǎng)絡(luò)模型，由輸入層、隱含層和輸出層構(gòu)成。

如圖4 所示，在BP 神經(jīng)網(wǎng)絡(luò)中，輸入量沿著正向傳播，由輸入層到輸出層。BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練后具有儲(chǔ)存歷史故障信息的能力，可以運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。對(duì)已有數(shù)據(jù)信息進(jìn)行網(wǎng)絡(luò)訓(xùn)練，將當(dāng)前數(shù)據(jù)和歷史信息數(shù)據(jù)比較，從而確定故障類型。本文利用BP 神經(jīng)網(wǎng)絡(luò)，將提取的特征量和故障類型實(shí)現(xiàn)對(duì)應(yīng)，進(jìn)行故障診斷。但是傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)存在一定局限性，例如對(duì)初始權(quán)重敏感，由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中會(huì)給定一個(gè)隨機(jī)初始權(quán)重，導(dǎo)致BP 神經(jīng)網(wǎng)絡(luò)往往不可重現(xiàn)。另外，容易陷入局部最優(yōu)或訓(xùn)練速度過(guò)慢也是其存在的不足。在實(shí)際應(yīng)用中，往往采用優(yōu)化后的BP算法。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 BP neural network structure

3.2 麻雀搜索算法（SSA）

麻雀搜索算法（sparrow search algorithm，SSA）是受麻雀的捕食行為和警戒行為的啟發(fā)而提出的一種群智能優(yōu)化算法［26］。

在麻雀群體中，一般有兩種不同類型的麻雀，一種是發(fā)現(xiàn)者，另一種是加入者。其中，有大約10%～20%數(shù)量的麻雀負(fù)責(zé)偵察預(yù)警，稱之為警戒者。發(fā)現(xiàn)者給加入者提供捕食的區(qū)域和方向，加入者通過(guò)發(fā)現(xiàn)者來(lái)獲取食物。一旦麻雀發(fā)現(xiàn)捕食者，就會(huì)發(fā)出預(yù)警信號(hào)，當(dāng)預(yù)警值大于安全值，發(fā)現(xiàn)者就會(huì)將加入者帶到別處安全區(qū)域?qū)ふ沂澄?。麻雀搜索算法的?shù)學(xué)模型就是根據(jù)麻雀的這類行為提出的。

根據(jù)以上描述，將麻雀的行為理想化，可總結(jié)出數(shù)學(xué)模型如下。

發(fā)現(xiàn)者具有較高的能量，有更好的個(gè)體適應(yīng)度，發(fā)現(xiàn)者位置按式（4）進(jìn)行更新。

式中：t為迭代次數(shù)；G為最大迭代次數(shù)；Xi，d為第i個(gè)麻雀在第d維中的位置；α為（0，1］間的一個(gè)隨機(jī)數(shù)；R2為預(yù)警值，是一個(gè)位于（0，1）的隨機(jī)數(shù)；S為安全值，取值范圍為［0.5，1］；Q1為一個(gè)隨機(jī)數(shù)，按正態(tài)分布；L為1×d的矩陣。

對(duì)于加入者來(lái)說(shuō)，當(dāng)它們察覺(jué)發(fā)現(xiàn)者尋覓到好的食物，會(huì)立刻去搶奪。如果搶奪成功，就會(huì)獲得發(fā)現(xiàn)者的食物。要是自身能量較低，它們會(huì)去其他地方去尋求更多能量。加入者位置更新如式（5）所示。

式中：為當(dāng)前找到最佳食物源的發(fā)現(xiàn)者所處位置；為全局最差位置；Q為一個(gè)服從高斯分布的隨機(jī)數(shù)；A為1×d的矩陣，矩陣中每個(gè)元素為1或-1，且A+=AT（AAT）-1；當(dāng)i＞n/2 時(shí)，說(shuō)明第i個(gè)加入者適應(yīng)度低，沒(méi)有獲取到食物，需要飛往其他地方獲取能量。

警戒者位置更新如式（6）所示。

式中：β為全局最優(yōu)位置，是一個(gè)服從高斯分布的隨機(jī)數(shù)；K為取值范圍在［-1，1］的隨機(jī)數(shù)，為防止分母為0，設(shè)置一個(gè)較小常數(shù)ε；fi為第i個(gè)加入者適應(yīng)度值；fg、fw分別為整體最佳和最差適應(yīng)度值；為全局最佳位置。

3.3 SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

選擇合理的權(quán)值和閾值將會(huì)有效提高BP 神經(jīng)網(wǎng)絡(luò)的診斷效果。本文利用SSA 算法良好的全局搜索能力，優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，改善BP 網(wǎng)絡(luò)性能。圖5 為SSA 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)流程圖，算法優(yōu)化步驟如下。

圖5 SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖Fig. 5 Flow chart of SSA optimized BP neural network

1） 數(shù)據(jù)歸一化預(yù)處理。將樣本數(shù)據(jù)歸一化，解決奇異樣本導(dǎo)致神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。

2） 確定BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。本文設(shè)置了9 個(gè)故障特征量，輸入神經(jīng)元數(shù)量為9。輸出變量為故障類型即故障1，2，…，13 為單輸出，所以輸出神經(jīng)元數(shù)量為1。通過(guò)反復(fù)實(shí)驗(yàn)比較，選定隱含層神經(jīng)元數(shù)量為12 時(shí)診斷效果最佳，因此BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-12-1。

3） 初始化SSA 參數(shù)。初始化SSA 算法相關(guān)參數(shù)，包括種群規(guī)模、最大迭代次數(shù)、預(yù)警值、發(fā)現(xiàn)者和加入者比例等。

4） 確定適應(yīng)度函數(shù)，計(jì)算初始適應(yīng)度值。先對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行初次訓(xùn)練，將訓(xùn)練集預(yù)測(cè)誤差和測(cè)試集預(yù)測(cè)誤差的和作為適應(yīng)度函數(shù)，適應(yīng)度值越小，表明誤差越小。確定當(dāng)局最優(yōu)的適應(yīng)值和對(duì)應(yīng)的位置。

5） 更新麻雀的位置。判斷預(yù)警值和安全值的大小，更新發(fā)現(xiàn)者的位置。加入者的位置根據(jù)它們自身的適應(yīng)度在不斷變化。警戒者的初始位置是隨機(jī)產(chǎn)生的，根據(jù)麻雀?jìng)€(gè)體的適應(yīng)度值和當(dāng)局最優(yōu)適應(yīng)度值的比較，不斷更新警戒者的位置。

6） 計(jì)算麻雀位置更新后的新適應(yīng)度值并與之前最優(yōu)適應(yīng)度值相比較，更新全局最優(yōu)信息。

7） 判斷迭代次數(shù)是否滿足預(yù)定值。若不滿足，返回繼續(xù)迭代。反之則停止迭代，得到網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值，生成最優(yōu)的BP網(wǎng)絡(luò)模型。

4 仿真結(jié)果及分析

本文利用MATLAB/Simulink 搭建直流充電樁充電模塊仿真模型，前后級(jí)主電路設(shè)計(jì)如圖1—2所示，關(guān)鍵參數(shù)設(shè)計(jì)如表2 所示。整個(gè)充電模塊輸入相電壓為220 V，額定輸出電壓為750 V，輸出電流為20 A，輸出額定功率為15 kW。交流側(cè)前級(jí)整流電路輸入濾波電感具有能量?jī)?chǔ)存和濾波作用，考慮到跟蹤輸入電壓能力和電流紋波，電感取值為4 mH，直流輸出側(cè)電容為2 500 μF。全橋LLC 諧振變換器諧振器件Lm、Lr和Cr的參數(shù)值分別為95.8 μH、23.95 μH 和105.78 nF，輸出濾波電容容值為1 500 μF。為使仿真更接近實(shí)際情況，仿真實(shí)驗(yàn)均考慮到功率開(kāi)關(guān)的導(dǎo)通電阻等因素。

表2 充電模塊主電路設(shè)計(jì)參數(shù)Tab. 2 Design parameters of main circuit of charging module

在進(jìn)行故障仿真時(shí)，故障設(shè)定在1 s 處，仿真總時(shí)長(zhǎng)為8 s。圖6為充電模塊正常工作時(shí)和發(fā)生故障狀態(tài)下輸出電壓波形（同一種故障類型波形相似，基本重疊）。從圖6 中可以看出，故障波形在6.5 s后趨于平穩(wěn)。同一種故障類型時(shí)域波形差別不大，前級(jí)單個(gè)功率開(kāi)關(guān)開(kāi)路故障波形和正常波形在平穩(wěn)區(qū)段有部分重疊。本文所研究的故障類型均表現(xiàn)為對(duì)輸出電壓產(chǎn)生不同程度的畸變，所以單從波形圖分析，并不能準(zhǔn)確區(qū)分故障類型，需借助小波包分解技術(shù)提取有效特征量。

圖6 故障狀態(tài)輸出電壓波形圖Fig. 6 Fault state output voltage waveform

圖7 為濾波電容C0、前級(jí)功率開(kāi)關(guān)Sa、后級(jí)功率開(kāi)關(guān)Q1 開(kāi)路故障下輸出電壓能量頻帶能量分布對(duì)比圖?？梢钥闯?，無(wú)故障狀態(tài)和故障狀態(tài)下的輸出電壓頻帶能量值分布明顯不同，即使同種類故障，頻帶分布也有差異。綜上所述，每個(gè)頻帶對(duì)應(yīng)的能量值就可以被看作是一個(gè)充電模塊故障特征向量。

圖7 小波包能量譜圖Fig. 7 Wavelet packet energy spectrum

本文采集樣本數(shù)據(jù)時(shí)，分別考慮額定負(fù)載、0.8 倍欠載和1.2 倍過(guò)載情況，每種負(fù)載下均考慮到輸出濾波電容的容值波動(dòng)，最終確定了50 種工況。樣本總數(shù)13×50=650 組數(shù)據(jù)，將650 組數(shù)據(jù)分為兩部分，455 組數(shù)據(jù)當(dāng)作訓(xùn)練集，195 組數(shù)據(jù)當(dāng)作測(cè)試集。將數(shù)據(jù)帶入9-12-1 結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)中，利用SSA 算法優(yōu)化BP 網(wǎng)絡(luò)權(quán)值和閾值。不斷迭代計(jì)算適應(yīng)度值，麻雀?jìng)€(gè)體的適應(yīng)度變化如圖8所示。

圖8 算法適度曲線Fig. 8 Algorithm fitness curves

圖9 算法預(yù)測(cè)結(jié)果對(duì)比Fig. 9 Comparison of algorithms prediction results

從適應(yīng)度函數(shù)曲線可以看出，通過(guò)不斷迭代更新麻雀的位置，整體誤差不斷下降，得到最優(yōu)解即為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值。

為了驗(yàn)證所提出方法的優(yōu)越性，本文分別采用傳統(tǒng)BP、PSO-BP 和SSA-BP 這3 種方法對(duì)455 組訓(xùn)練樣本進(jìn)行訓(xùn)練。為了保證對(duì)比結(jié)果的有效性，3種方法采用相同的BP 網(wǎng)絡(luò)參數(shù)：最大迭代次數(shù)1 000，學(xué)習(xí)率0.01，訓(xùn)練目標(biāo)誤差1 × 10-3，激活函數(shù)選用logsig。其中，PSO-BP 算法［27-28］和SSABP 算法的參數(shù)見(jiàn)表3。195 組測(cè)試集的分類結(jié)果表明，經(jīng)過(guò)SSA 優(yōu)化后的神經(jīng)網(wǎng)絡(luò)迭代和收斂速度更快，均方誤差更小，故障分類的準(zhǔn)確率有所提高，結(jié)果如圖8—9和表4所示。

表3 算法參數(shù)設(shè)置Tab. 3 Algorithms parameters setting

表4 算法結(jié)果比較Tab. 4 Comparison of algorithm results

5 結(jié)語(yǔ)

本文針對(duì)直流充電樁的充電模塊進(jìn)行了深入的研究，分析了充電模塊的工作原理和故障類型；搭建了仿真模型，并利用小波包分解，提取輸出電壓的有效故障特征向量作為故障診斷的依據(jù)，實(shí)現(xiàn)故障定位。針對(duì)傳統(tǒng)故障診斷方法的不足以及傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)存在的局限性，本文提出了一種基于SSA-BP 的充電模塊故障診斷方法。利用SSA 算法較好的全局搜索能力優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，以提高故障診斷率。通過(guò)仿真實(shí)驗(yàn)驗(yàn)證，SSA-BP 算法故障分類準(zhǔn)確率達(dá)到93.85%，同條件下比傳統(tǒng)BP和POS-BP診斷模型分別提高了7.70%和4.62%，故障診斷率滿足要求，表明了本文所提診斷方法對(duì)直流充電樁故障診斷有一定的現(xiàn)實(shí)指導(dǎo)意義。