基于GA-LSTM神經(jīng)網(wǎng)絡(luò)的充電樁故障診斷
2025-08-28 00:00:00周錦高天王強(qiáng)殷張程朱金榮
現(xiàn)代電子技術(shù) 2025年16期
中圖分類號：TN919-34；TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1004-373X（2025）16-0097-08
DOI：10.16652/j.issn.1004-373x.2025.16.016
Charging pile fault diagnosis based on GA-LSTM neural network
ZHOU Jin， GAO Tian，WANG Qiang， YIN Zhangcheng， ZHU Jinrong （Collegeof InformationEngineering，Yangzhou University，Yangzhou 225ooo，China）
Abstract：Thechargingdataofelectricvehiclechargingfacilitiesincludesvoltage，current，temperature，power，etc.allof whicharetimeseriesdata，andthedatahasthecharacteristicsofinfluencingtheprevioustimeandasociatingthenexttime. Thelongshort-termmemory（LSTM）neuralnetworkisusedtominethecorelationfeaturesinthedatavolume，andthefeature modelbetweentheworkingdataandthefaultisestablishedtoconductthefaultdiagnosisofchargingpile.Duetotheproblems ofoverfitingandgetingstuck inlocaloptimainLSTMneuralnetworks，ageneticalgorithm（GA）isproposed tooptimizethe LSTMneuralnetwork forfaultdiagnosisofcharging piles.GAisusedtosearch fortheoptimal solutionbysimulating the biologicalevolutionprocessindividualswithhighfiessareselectedforeproduction，andmutationoperationsareintroducedt graduallyoptimizethecombinationofhyperparameters，soastoimprovetheperformanceandeficiencyoftheLSTMmodel.In comparison with the experimental resultsof LSTMneural network，the RMSEvalueand MPAEvalueof GA-LSTM neural network prediction results are decreased by 56.7% and 60.3% ，respectively，and the accuracy rate of fault diagnosis is increased by 3.2% .Therefore，GA-LSTMneural network can beusedasa dep learning technologyforthe fault diagnosis of charging pile.
Keywords：charging pile;dataprediction;faultdiagnosis;geneticalgorithm;long short-termmemoryneural network; normalization processing
0 引言
隨著電動汽車銷量逐年增長，電動汽車充電樁作為配套產(chǎn)品也得到快速發(fā)展，其功能越來越完善，智能化程度也越來越高。然而由于錯誤安裝、不當(dāng)使用、器件老化等，充電樁在工作過程中也會發(fā)生故障，輕則對于電動汽車電池組物理結(jié)構(gòu)和電池性能造成損害，重則危害人身財產(chǎn)安全。目前，充電設(shè)施的故障診斷體系還不夠完善，故障診斷效果并不理想，故障診斷策略的智能化程度也有待提升，且難以確定復(fù)雜相關(guān)性的故障源頭，因此充電樁故障診斷已成為電動汽車行業(yè)需要解決的重要問題。
在充電樁故障診斷研究的早期，由于技術(shù)限制，更多為機(jī)械判斷或單一參數(shù)的判斷。而隨著計算機(jī)技術(shù)的不斷成熟，充電樁開始使用故障樹或建立診斷模型的方法進(jìn)行故障診斷。文獻(xiàn)[1]提出一種基于故障樹的充電樁故障診斷系統(tǒng)，將故障樹和專家系統(tǒng)相結(jié)合，建立故障樹并定向分析判斷故障模式。文獻(xiàn)[2]提出一種基于AP-HMM混合模型的充電樁故障診斷方法，針對充電樁故障樣本較少的問題，將AP聚類快速準(zhǔn)確的故障特征提取和HMM強(qiáng)大的故障分類能力相結(jié)合。文獻(xiàn)[3]提出了數(shù)據(jù)挖掘與一體化故障樹的方法，首先使用數(shù)據(jù)挖掘分析充電樁工作參數(shù)，然后建立故障樹分析故障源和具體故障類型之間的內(nèi)在關(guān)系。
隨著機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的不斷優(yōu)化48，充電樁的故障診斷也開始采用神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)。文獻(xiàn)[9]提出一種基于深度神經(jīng)網(wǎng)絡(luò)的直流充電樁故障診斷方法，使用深度神經(jīng)網(wǎng)絡(luò)對功率器件、控制元件和工作參數(shù)進(jìn)行分析，得出數(shù)據(jù)指針向量的故障診斷判據(jù)。但該方法只對功率器件進(jìn)行監(jiān)控，無法識別通信故障、充電槍故障、風(fēng)扇故障等類型。文獻(xiàn)[10]提出使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行充電樁故障診斷，使用蝴蝶優(yōu)化算法和麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)以及模型的權(quán)重與閾值，從而提升充電樁故障診斷精度。但BP神經(jīng)網(wǎng)絡(luò)通常處理靜態(tài)數(shù)據(jù)，在處理實(shí)時數(shù)據(jù)時有較大難度。文獻(xiàn)[11-12]根據(jù)數(shù)據(jù)特征構(gòu)建故障診斷模型，使用深度置信網(wǎng)絡(luò)和線性受限玻耳茲曼機(jī)構(gòu)建故障分類器，解決了充電樁故障判斷陷入局部最優(yōu)解的問題，但是深度置信網(wǎng)絡(luò)需要對于超參數(shù)設(shè)置非常敏感。文獻(xiàn)[13]提出LightGBM集成學(xué)習(xí)結(jié)合網(wǎng)格搜索交叉驗(yàn)證算法來構(gòu)建故障檢測模型，從而解決充電樁故障數(shù)據(jù)很少且數(shù)據(jù)樣本不平衡的問題。文獻(xiàn)[14]使用RNN神經(jīng)網(wǎng)絡(luò)進(jìn)行充電故障分析，并使用whale算法初始化RNN的網(wǎng)絡(luò)參數(shù)，提高RNN診斷精度。RNN神經(jīng)網(wǎng)絡(luò)具有記憶能力，能夠捕捉序列數(shù)據(jù)中的時間依賴關(guān)系，在處理時間相關(guān)問題方面具有顯著的優(yōu)勢，但其也存在梯度爆炸問題。電動汽車充電樁的充電數(shù)據(jù)包括電壓、電流、溫度、功率等時序數(shù)據(jù)，數(shù)據(jù)具有前一時刻影響關(guān)聯(lián)下一時刻的特點(diǎn)。為了提高故障診斷的準(zhǔn)確率并減少耗時，豐富充電樁故障診斷類型，部分研究選用長短期記憶（LongShort-TermMemory，LSTM）神經(jīng)網(wǎng)絡(luò)訓(xùn)練和挖掘數(shù)據(jù)量中的關(guān)聯(lián)特征，并建立特征與故障之間的診斷模型，但LSTM神經(jīng)網(wǎng)絡(luò)存在過擬合和易陷入局部最優(yōu)解的問題。為此，本文提出一種基于遺傳算法（GeneticAlgorithm，GA）優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)的充電樁故障診斷方法。首先使用歸一化算法和拉格朗日插值算法對數(shù)據(jù)進(jìn)行預(yù)處理；然后使用LSTM神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)并記錄初始LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)的適應(yīng)度，使用遺傳算法，通過模擬生物進(jìn)化過程來搜索最優(yōu)解；再通過選擇適應(yīng)度高的個體進(jìn)行繁殖，并引入變異操作，逐步優(yōu)化超參數(shù)組合，提高LSTM模型的性能與效率。
1 GA-LSTM神經(jīng)網(wǎng)絡(luò)
1.1 LSTM神經(jīng)網(wǎng)絡(luò)
LSTM神經(jīng)網(wǎng)絡(luò)[15-17通過引入門控函數(shù)、遺忘門、輸入門和輸出門的概念，使得神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的基因能力，能夠捕捉長距離的依賴關(guān)系，從而解決RNN神經(jīng)網(wǎng)絡(luò)存在的梯度爆炸或消失問題。
其中，遺忘門 ft 接收前一時刻的隱藏狀態(tài) ht-1 和當(dāng)前時刻的輸入 xt ，表示細(xì)胞狀態(tài)中每個部分應(yīng)該保留的比例。 ft 公式如下：
ft=σ（Wf?[ht-1，xt]+bf）
輸入門決定當(dāng)前時間步中哪些信息需要存儲到記憶單元中，由門控函數(shù) iι 和候選記憶單元 
兩部分組成，公式為：
iι=σ（Wi?[hι-1，xι]+bi）
輸出門決定有多少記憶單元的信息需要輸出到隱藏狀態(tài)。其中，輸出門的門控函數(shù) ot 由當(dāng)前輸人 xt 和上一個隱藏狀態(tài) ht-1 決定，當(dāng)前記憶單元狀態(tài) Ct 由遺忘門ft 輸入門 it 和候選記憶單元 
決定，公式為：
ot=σ（Wo?[ht-1，xt]+bo）
隱藏狀態(tài) hι 包含當(dāng)前時間步和上一時間步所攜帶的信息，由輸出門的門控函數(shù) ot 和當(dāng)前記憶單元狀態(tài) Ct 決定，公式如下：
ht=ot?tanh（Ct）
LSTM神經(jīng)網(wǎng)絡(luò)能夠捕捉長距離依賴關(guān)系，適用于長序列數(shù)據(jù)的處理。其不僅梯度穩(wěn)定，通過門控機(jī)制有效避免了梯度消失和梯度爆炸問題，使得訓(xùn)練更加穩(wěn)定；而且靈活性高，能夠處理各種序列數(shù)據(jù)，包括變長序列和不規(guī)則序列，適合處理充電樁工作數(shù)據(jù)。圖1為LSTM模塊的結(jié)構(gòu)圖。
1.2遺傳算法
遺傳算法（GA）是一種基于生物遺傳進(jìn)化過程的啟發(fā)式搜索算法，主要用于解決優(yōu)化問題[18]。與傳統(tǒng)的優(yōu)化算法相比，遺傳算法具有全局搜索能力好、適應(yīng)性強(qiáng)、易于并行處理等優(yōu)點(diǎn)。圖2所示為遺傳算法工作的詳細(xì)過程。GA優(yōu)化過程分為6個階段：初始化種群、計算適應(yīng)度、種群選擇、個體交叉、個體變異和結(jié)束判斷。首先生成初始化種群，對于種群進(jìn)行適應(yīng)度評價，評價后保留表現(xiàn)性能優(yōu)異的染色體。選中的染色體在交叉過程中通過交換部分基因組合產(chǎn)生新的后代，新的后代隨機(jī)選擇染色體進(jìn)行變異，變異完成形成新的種群，再對新種群進(jìn)行評價，若滿足終止條件，結(jié)束GA進(jìn)程，輸出最佳結(jié)果。
圖1LSTM模塊的結(jié)構(gòu)圖
1.3 GA-LSTM神經(jīng)網(wǎng)絡(luò)
本節(jié)介紹遺傳算法優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)方法，以查找LSTM模型中神經(jīng)元數(shù)、全連接層Dense的神經(jīng)元數(shù)和Dropout率的最優(yōu)解[19]。由于LSTM的性能依賴于訓(xùn)練階段的過去信息，因此選擇適當(dāng)或優(yōu)化的時間窗口對于提升模型的精度或降低模型的過擬合風(fēng)險起到非常好的優(yōu)化作用。圖3為本研究中使用的GA-LSTM模型的工作流程。
圖2遺傳算法工作流程
將數(shù)據(jù)劃分為訓(xùn)練集和測試集，訓(xùn)練集使用初始LSTM模型進(jìn)行訓(xùn)練，完成后對當(dāng)前LSTM模型進(jìn)行評估，再對模型性能進(jìn)行判斷。本文采用的判斷條件為遺傳算法迭代次數(shù)，未滿足判斷條件，則使用遺傳算法對LSTM模型構(gòu)架參數(shù)進(jìn)行優(yōu)化，搜索模型參數(shù)最優(yōu)解。
圖3遺傳算法優(yōu)化工作流程
工作流程如下：
1）劃分?jǐn)?shù)據(jù)集為訓(xùn)練集和測試集；
2）LSTM模型評估訓(xùn)練集；
3）遺傳算法參數(shù)初始化：種群規(guī)模為20，迭代次數(shù)為10，突變率為0.1，保留最優(yōu)個體比例為0.5；
4）將RMSE評價指標(biāo)設(shè)置為適應(yīng)度函數(shù)；
5）循環(huán)：當(dāng)前迭代次數(shù)小于最大迭代次數(shù)，設(shè)置交叉概率進(jìn)行染色體交叉，設(shè)置染色體概率進(jìn)行染色體變異，評估新生成染色體的適應(yīng)度；
6）結(jié)束循環(huán)；
7）選擇最優(yōu)個體，即優(yōu)化后的LSTM神經(jīng)元數(shù)、全連接層Dense神經(jīng)元數(shù)和Dropout率；
8）使用優(yōu)化后的數(shù)據(jù)對測試集進(jìn)行預(yù)測。
2數(shù)據(jù)集與評價指標(biāo)
2.1數(shù)據(jù)集分析
本節(jié)中所用數(shù)據(jù)集是由揚(yáng)州某公司提供的電動汽車充電樁的充電歷史數(shù)據(jù)，充電樁規(guī)格為直流電壓380V 、電流16A、功率 11kW 的交流充電樁。其中監(jiān)控數(shù)據(jù)為充電模塊輸人電壓、充電模塊輸人電流、充電模塊輸出電壓、充電模塊輸出電流、充電模塊輸出功率、已充電量、充電模塊溫度、繼電器模塊信號和充電樁接地信號。監(jiān)控數(shù)據(jù)和標(biāo)簽如表1所示。
對于充電樁故障分析，設(shè)計10種常見故障類型，充電模塊輸出過壓、充電模塊輸出過流、充電模塊輸出短路、接地保護(hù)故障、絕緣故障、充電設(shè)施通信故障、繼電器吸合故障、急停開關(guān)故障、充電槍故障和充電樁風(fēng)扇故障，再對數(shù)據(jù)進(jìn)行標(biāo)簽設(shè)置。
表1監(jiān)控數(shù)據(jù)和標(biāo)簽
故障類型與標(biāo)簽如表2所示。
表2故障類型與標(biāo)簽
數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)模型計算的過程中能夠優(yōu)化梯度計算，加速模型的收斂，縮短計算時間。線性歸一化通過對原始數(shù)據(jù)進(jìn)行線性變化，將結(jié)果映射到 [0，1] 之間，公式如下：
式中： ?X 為原始數(shù)據(jù)； Xmin 為數(shù)據(jù)中最小值； Xmax 為數(shù)據(jù)中最大值。
線性歸一化方法的缺陷是當(dāng)有新的數(shù)據(jù)加入時，可能導(dǎo)致 Xmin 和 Xmax 變化，致使數(shù)據(jù)需重新計算。
2.3拉格朗日插值算法
對采集的電動汽車充電數(shù)據(jù)進(jìn)行分析時，會因?yàn)槟承┰驅(qū)е虏杉牟糠謹(jǐn)?shù)據(jù)無效和缺失，或者存在干擾信息。因此，在建立模型之前需要對數(shù)據(jù)進(jìn)行預(yù)處理，包括對失效數(shù)據(jù)的剔除和對缺失數(shù)據(jù)的插補(bǔ)。數(shù)據(jù)插值使用拉格朗日插值算法，對于給定的 n+1 個數(shù)據(jù)點(diǎn)
，拉格朗日插值多項(xiàng)式P（x） 為：
拉格朗日插值函數(shù) Li（x） 為：
式中 i≠j ，每個 Li（x） 都會將 P（x） 值在 xi 處插值為 yi， ，同時在其他數(shù)據(jù)點(diǎn) xj 處等于0。
2.4評價指標(biāo)
均方根誤差（RootMean Square Error，RMSE）是評估預(yù)測模型性能的一種常用指標(biāo)，用于衡量預(yù)測值與實(shí)際值之間的差異。本文對于充電樁工作參數(shù)預(yù)測和故障診斷多輸出的情況，計算每個輸出的RMSE，并對所有輸出的RMSE取平均值。RMSE計算公式為：
本文數(shù)據(jù)集中共有10000條數(shù)據(jù)，由7500條正常采樣點(diǎn)數(shù)據(jù)和2500條故障數(shù)據(jù)（每項(xiàng)250條故障數(shù)據(jù)）混合而成，劃分8000條作為測試集，2000條作為測試集（正常數(shù)據(jù)1500條，故障數(shù)據(jù)每項(xiàng)50條）。
式中： m 為預(yù)測輸出維度； n 為樣本個數(shù)； yij 為第 i 個樣本中的第 j 個實(shí)際值； 
為第 i 個樣本中的第 j 個預(yù)測值。
2.2歸一化算法
歸一化處理是為了將不同量綱的數(shù)據(jù)進(jìn)行統(tǒng)一處理，并參與計算，使得不同單位的數(shù)據(jù)可以同時作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘?，代入后續(xù)分析。并且歸一化后的平均絕對百分比誤差（MeanPercentageAbsoluteError，MPAE）是一種常用的評估預(yù)測模型性能的指標(biāo)，尤其適用于衡量預(yù)測值相對于實(shí)際值的百分比誤差。文中對于多預(yù)測輸出的情況，計算每個輸出的MPAE，并對所有輸出的MPAE取平均值[20-21]。MPAE公式如下：
3模型開發(fā)
LSTM模型包括LSTM層、Dropout1層、Dense1層、Dropout2層和Dense2層。LSTM層、Dense1層的神經(jīng)元參數(shù)和Dropout1層、Dropout2層的參數(shù)均由遺傳算法優(yōu)化決定。訓(xùn)練模型每次批處理樣本大小為64，激活函數(shù)利用tanh函數(shù)，Dense2層采用Softmax分類器，學(xué)習(xí)率設(shè)置為0.001，優(yōu)化器選擇Adam優(yōu)化算法。
遺傳算法需設(shè)置一些基本參數(shù)，如種群規(guī)模、突變率、交叉概率、最優(yōu)個體比例和學(xué)習(xí)率，以及具體參數(shù)對應(yīng)的遺傳算法運(yùn)行所需時長和RMSE值，如表3所示。
表3參數(shù)設(shè)置
最優(yōu)適應(yīng)度是指在算法的每一次迭代中，種群個體適應(yīng)度的最佳值。最優(yōu)適應(yīng)度值越好，表示該個體的解越接近問題的最優(yōu)解。最優(yōu)適應(yīng)度曲線如圖4所示。由圖可知，GA-LSTM神經(jīng)網(wǎng)絡(luò)在最優(yōu)適應(yīng)度上相比于LSTM神經(jīng)網(wǎng)絡(luò)有明顯的優(yōu)勢。
圖4最優(yōu)適應(yīng)度曲線
4結(jié)果分析
表4給出了LSTM模型、GA-LSTM模型10次預(yù)測結(jié)果的RMSE值，以及10次預(yù)測結(jié)果的RMSE平均值。從表中數(shù)據(jù)可以看出，GA-LSTM神經(jīng)網(wǎng)絡(luò)模型RMSE值降低 56.7% 。
表4RMSE值
表5給出了LSTM模型10次預(yù)測結(jié)果的MPAE值、MPAE平均值，以及GA-LSTM模型的MPAE值。從表中數(shù)據(jù)可以看出，GA-LSTM神經(jīng)網(wǎng)絡(luò)模型MPAE值降低 60.3% 。
表5MPAE值
表4、表5結(jié)果表明：相比LSTM模型，GA-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與真實(shí)值誤差更小。為了進(jìn)一步驗(yàn)證GA-LSTM模型對于預(yù)測的高準(zhǔn)確性，截取500個采樣點(diǎn)數(shù)據(jù)，將三相線電壓、三相輸出平均電流、輸出功率的真實(shí)值與神經(jīng)網(wǎng)絡(luò)模型預(yù)測值進(jìn)行對比，其中ORG為原始數(shù)據(jù)值，LSTM為LSTM模型預(yù)測值，GA-LSTM為GA-LSTM模型預(yù)測值。圖5a為三相線電壓的真實(shí)值和預(yù)測值，圖5b）為充電電流的真實(shí)值和預(yù)測值，圖5c）為充電功率的真實(shí)值和預(yù)測值?？梢钥闯?，GA-LSTM模型預(yù)測值與真實(shí)值誤差更小，變化趨勢也更相近。
圖5工作參數(shù)數(shù)據(jù)預(yù)測
圖6為三種神經(jīng)網(wǎng)絡(luò)模型對充電樁故障診斷的各標(biāo)簽測試結(jié)果的混淆矩陣圖。
圖6混淆矩陣
圖6a）為LSTM模型對于充電樁故障診斷的混淆矩陣圖，漏診29項(xiàng)，誤診12項(xiàng)，其中對于標(biāo)簽1充電樁輸出過流故障和標(biāo)簽2充電樁輸出短路故障相互誤診，對于標(biāo)簽5充電樁通信故障也存在誤診現(xiàn)象。圖6b）為GA-LSTM模型對于充電樁故障診斷的混淆矩陣圖，漏診13項(xiàng)，誤診5項(xiàng)，其中對于標(biāo)簽1充電樁輸出過流故障、標(biāo)簽2充電樁輸出短路故障和標(biāo)簽5充電樁通信故障仍存在誤診現(xiàn)象。
相比于LSTM神經(jīng)網(wǎng)絡(luò)診斷結(jié)果，GA-LSTM神經(jīng)網(wǎng)絡(luò)漏檢率和誤判率都更低。
結(jié)合混淆矩陣進(jìn)行充電樁故障診斷準(zhǔn)確性分析，結(jié)果如表6所示，LSTM神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率為 94.20% ，GA-LSTM神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率可以達(dá)到 97.40% ，比LSTM神經(jīng)網(wǎng)絡(luò)高 3.2% 。
圖7所示為三種神經(jīng)網(wǎng)絡(luò)模型對于各標(biāo)簽預(yù)測的Precision值、Recall值和 F1 分?jǐn)?shù)。相比于LSTM神經(jīng)網(wǎng)絡(luò)，GA-LSTM神經(jīng)網(wǎng)絡(luò)模型對于標(biāo)簽1充電樁輸出過流、標(biāo)簽5充電設(shè)施通信故障和標(biāo)簽8充電槍故障的診斷具有顯著優(yōu)勢。
表6準(zhǔn)確率結(jié)果
圖7誤差分析
5結(jié)語
本文采用遺傳算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)，確定LSTM神經(jīng)網(wǎng)絡(luò)模型中LSTM層、Dense1層的神經(jīng)元參數(shù)和Dropout1層、Dropout2層的參數(shù)最優(yōu)解，使用優(yōu)化后的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測充電樁工作參數(shù)并進(jìn)行故障診斷。經(jīng)實(shí)驗(yàn)對比，GA-LSTM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測結(jié)果的RMSE值降低 56.7% ，MPAE值降低 60.3% ，故障診斷的準(zhǔn)確率提升 3.2% ，尤其在對充電樁輸出過流故障、充電設(shè)施通信故障和充電槍故障的診斷具有顯著優(yōu)勢。因此，GA-LSTM神經(jīng)網(wǎng)絡(luò)可以作為一種深度學(xué)習(xí)的技術(shù)用于充電樁故障診斷。
注：本文通訊作者為朱金榮。
參考文獻(xiàn)
[1]楊莎莎.基于故障樹的直流充電樁故障診斷專家系統(tǒng)研究[D]. 北京：北京交通大學(xué)，2019.
[2]林越，劉廷章，陳一凡，等.基于AP-HMM混合模型的充電樁故 障診斷[J].廣西師范大學(xué)學(xué)報（自然科學(xué)版），2018（1）：25-33.
[3]許笑，高翔，李光熹，等.基于數(shù)據(jù)挖掘的電動汽車充電設(shè)施充 電安全故障特性分析[J].電器與能效管理技術(shù)，2022（3）：15- 22.
[4]LEI Y，YANG B，JIANG X，et al.Applications of machine learning to machine fault diagnosis：a review and roadmap[J]. Mechanical systems and signal processing， 2020，138：106587.
[5]王耀輝，薛貴軍，趙廣昊.基于改進(jìn)沙貓群算法優(yōu)化CNNBiLSTM的熱負(fù)荷預(yù)測[J].現(xiàn)代電子技術(shù)，2024，47（14）：20-29.
[6]曹景勝，于洋，王琦，等.基于優(yōu)化VMD-CNN-BiLSTM的電機(jī) 軸承故障智能診斷研究[J].現(xiàn)代電子技術(shù)，2024，47（12）：115- 121.
[7]康寧.直流充電樁充電模塊故障特征提取研究[D].北京：北京 交通大學(xué)，2019.
[8]臧斌斌.電動汽車充電設(shè)施故障智能診斷策略研究[D].南京： 南京郵電大學(xué)，2023.
[9]趙翔，陳良亮，李明貞，等.一種基于深度神經(jīng)網(wǎng)絡(luò)的直流充電 樁故障診斷方法[J].電測與儀表，2021（6）：148-152.
[10]茆敏，竇真蘭，陳良亮，等.基于BOA-SSA-BP神經(jīng)網(wǎng)絡(luò)的充 電樁故障診斷方法[J].吉林大學(xué)學(xué)報（信息科學(xué)版），2024 （2）：269-276.
[11]GAO D，LIN X，YANGQ.Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep beliefnetwork [J]. International journal of control，automation and systems，2022， 20（5）：1544-1560.
[12] GAO D， WANG Y， ZHENG X， et al. A fault warning method for electric vehicle charging process based on adaptive deep belief network [J].World electric vehicle journal，2021，12（4）： 265.
[13]SHEN W，F(xiàn)ANW，CHENC.An electric vehicle chargingpile faultdiagnosissystem using Borderline- SMOTEand LightGBM [C]// Tenth International Symposium on Precision Mechanical Measurements.Bellingham：SPIE，2O21：615-622.
[14] ZANG B，GAO H， YANG X，et al. Fault diagnosis of charging facilities based on improved RNN [J]. Journal of physics. Conference series.2022.2301： 012008.
[15]YU Y，SI X，HUC，etal.A review ofrecurrent neural networks：LSTM cells and network architectures [J]. Neural computation，2019，31（7）：1235-1270.
[16]GREFFK，SRIVASTAVARK，JANK，etal.LSTM：a search space odyssey [J].IEEE transactions on neural networks amp; learning systems，2016，28（10）：2222-2232.
[17] LINDEMANN B，MASCHLER B， SAHLAB N， et al.A survey onanomaly detection for technical systems using LSTM networks[J].Computersin industry，2021，131（3）：103498.
[18]LAMBORAA，GUPTAK，CHOPRAK.Geneticalgorithm-A literature review [C]//2O19 International Conferenceon Machine Learning，Big Data，Cloud and Parallel Computing （COMITCon）.Piscataway：IEEE，2019：380-384.
[19]STAJKOWSKIS，KUMARD，SAMUIP，etal.Geneticalgorithm-optimized sequential model for water temperature prediction[J].Sustainability，2020，12（13）：5374.
[20] CHEN X，ZHANGB，GAO D.Bearing fault diagnosisbase on multi-scale CNN and LSTM model [J].Journal of intelligent manufacturing，2021，32（4）：971-987.
[21]LI D，ZHANGZ，LIU P，et al.Battery fault diagnosisfor electric vehicles based on voltage abnormality by combining thelong short-term memory neural network and the equivalent circuit model [J]. IEEE transactions on power electronics， 2020，36（2）：1303-1315.
[22]鄧旭輝，胡海濤，耿安琪，等.基于電化學(xué)阻抗譜的鋰電池模 組短路故障診斷方法研究[J].四川電力技術(shù)，2024，47（4）：31- 41.
[23]李翟嚴(yán)，胡耀杰，徐禮富，等.基于反向?qū)W習(xí)的狀態(tài)空間模型 進(jìn)化算法的充電樁故障診斷預(yù)測研究[J].機(jī)械設(shè)計，2024，41 （z1）：192-195.
作者簡介：周錦（1998—），男，江蘇宿遷人，碩士研究生，研究方向?yàn)槲锫?lián)網(wǎng)和人工智能。高天（1999—），男，安徽蚌埠人，碩士研究生，研究方向?yàn)槲锫?lián)網(wǎng)和人工智能。王強(qiáng)（1997—），男，江蘇揚(yáng)州人，碩士研究生，研究方向?yàn)槲锫?lián)網(wǎng)和人工智能。殷張程（2001—），男，江蘇揚(yáng)州人，碩士研究生，研究方向?yàn)槲锫?lián)網(wǎng)和人工智能。朱金榮（1968—），男，江蘇泰州人，碩士研究生，教授，研究方向?yàn)槲锫?lián)網(wǎng)和人工智能、光電檢測、自動化控制。
