一种V2G充电桩信息诊断与安全防护方法

技术领域

本发明属于充电桩信息诊断与安全防护技术领域，特别涉及一种V2G充电桩信息诊断与安全防护方法。

背景技术

随着电动汽车分布范围的扩大和数量的增长，V2G充电桩呈现出数量庞大、分布范围广的特点。V2G充电桩日常运行、维护及检测工作量巨大，而以人工记录检测数据为主的现场检测管理方式耗费了大量时间成本和人力成本，且难以做到故障实时诊断并采取相应安全防护措施，造成充电桩故障停电时间过长、可靠性不足等问题，限制了电动汽车行业的发展。因此亟需研究并提出针对V2G充电桩的自动化故障实时诊断方法，并根据诊断结果采取相应安全防护措施。

发明内容

为了解决相关技术问题，本申请的目的是提供一种V2G充电桩信息诊断与安全防护方法。

为了实现本申请的目的，本申请提供的技术方案如下：

一种V2G充电桩信息诊断与安全防护方法，包括以下步骤：

步骤一：获取V2G充电桩状态信息参数及故障情况；

步骤二：处理对获取的V2G充电桩状态信息参数及故障情况的数据；

步骤三：建立V2G充电桩的故障检测模型，所述故障检测模型基于改进型RNN神经网络；

步骤四：预测V2G充电桩故障情况；

步骤五：选择相应的V2G充电桩安全防护方法。

其中，步骤一中，所述V2G充电桩状态信息参数包括K1K2驱动信号、电子锁驱动信号、急停信号、门禁信号以及电压总谐波失真THDV-M和电流总谐波失真THDI-M；在某一时刻，通过现场采集，得到V2G充电桩状态信息参数，可表示为：

X

其中m为状态信息参数个数；

由此通过多次采集，可得到V2G充电桩状态信息参数矩阵，如下式(2)：

其中n为有效数据样本数，m为状态信息参数个数，通过多次采集，亦可得到故障情况向量：

Y＝[Y

其中，Y

其中，步骤二中，所述处理V2G充电桩状态信息参数及故障情况的数据处理，包括数据粗筛、异常值检测和处理、顺序异常值修正、分离数据中的故障边缘数据的波动趋势、采用多维KDE方法估计粗筛后辨识参数的统计中心。

其中，步骤三中，基于循环神经网络建立充电桩的故障检测模型，其主体是一个神经网络块，由输入表示状态信息参数x

其中，步骤五中，根据V2G充电桩故障情况，采取相应的安全防护措施，包括下述一种或几种：报警、自锁、断电。

与现有技术相比，本发明的有益效果为：

针对充电设施的日常运行、维护及检测工作量巨大的问题，该方法分析了多项状态信息参数与充电桩故障情况的联系，首先根据充电桩状态参数的特征与故障情况的联系提出了故障检测流程，然后建立了充电桩故障情况与状态参数的模型，再进行故障情况预测及安全防护方法选择，最后进行模型评估与对比分析。本发明提出的方法可利用充电桩自身量测设备实时测量得到的状态信息参数，判断其故障情况，并为下一步的充电桩检修工作和故障排除工作提供支撑。在本发明所述的诊断方法中，充分考虑历史数据存在样本数量大、各状态信息参数间差异大、故障样本与正常样本间在状态信息参数上缺乏明显的界限、缺乏与故障情况联系最紧密的若干个状态信息参数的问题。基于该方法建立的充电桩故障模型能较为客观地反映电桩状态信息参数与故障情况的联系。本发明提出的方法具有较高的可行性和实时性，其实际精确度可达98％以上。

附图说明

图1所示为基于改进的RNN的V2G充电桩故障检测流程示意图；

图2所示为V2G充电桩的历史数据处理架构图；

图3所示为本申请中循环神经网络结构图；

图4所示为本申请采用RNN神经网络变换后的投影图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。

应该理解，当本申请文件中称部件被“连接”到另一部件时，它可以直接连接到其他元件，或者也可以存在中间部件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本发明在分析了V2G充电桩故障的特征后，提出了一种基于改进型RNN神经网络的V2G充电桩信息诊断与安全防护方法。该方法首先根据充电桩状态信息参数的特征与故障情况的联系提出了故障检测流程，接着在进行数据处理后建立了充电桩故障情况与状态参数的模型，然后进行故障情况预测和安全防护方法选择，最后通过模型评估与对比分析，验证了本发明提出的方法具有较高的精确度和可行性。本发明提出的方法可利用充电桩自身量测设备实时测量得到的状态参数，判断其故障情况，并为下一步的充电桩检修工作和故障排除工作提供支撑。

本申请基于改进的RNN的V2G充电桩故障检测流程如图1所示。在发明所述的诊断方法中，充分考虑历史数据存在样本数量大、各状态信息参数间差异大、故障样本与正常样本间在状态信息参数上缺乏明显的界限、缺乏与故障情况联系最紧密的若干个状态信息参数的问题。从而使用经过经改进的RNN算法分析各种状态信息参数和故障情况的关联性。该方法用机器学习的方法构建充电桩的故障监测模型，可在实现V2G充电桩信息实时诊断，并采取后续安全防护措施，从而提升充电设备的安全可靠性。

本申请方法具体包括如下步骤：

步骤一：获取V2G充电桩状态信息及故障情况

V2G充电桩状态信息参数包括K1K2驱动信号,电子锁驱动信号,急停信号,门禁信号,电压总谐波失真THDV-M和电流总谐波失真THDI-M等。在某一时刻，通过现场采集，得到V2G充电桩状态信息参数，可表示为：

X

其中m为状态信息参数个数。

由此通过多次采集，可得到V2G充电桩状态信息参数矩阵，如下式(2)：

其中n为有效数据样本数，m为状态信息参数个数。通过多次采集，亦可得到故障情况向量：

Y＝[Y

其中，Y

步骤二：V2G充电桩状态信息参数及故障情况的数据处理

在得到大量数据后，按照如图2所示流程进行数据处理。数据粗筛后，进一步对待辨识数据进行异常值的检测和处理，本文采用“3σ准则”，将数据段中不在[μ-3σ,μ+3σ]范围内的数据点判定为异常值，并剔除。接着采用前项平均值插值进行顺序异常值修正：

采用经验模态分解(empirical mode decomposition,EMD)方法分离数据中的故障边缘数据的波动趋势。其基本思路是通过适当次数的分解，剔除掉最末几个本征模态函数(intrinsic mode functions,IMF)分量及残数，再将留存IMF分量重构以达到去趋势的目的。

考虑到多组辨识结果下不同主导参数的统计分布可能彼此相关，对各参数分别估计其一维概率分布中心再重新组合得到整体参数向量统计中心的方式可能忽略了参数之间的统计相关性、使得估计结果不再可靠。因此，本文采用多维KDE方法估计粗筛后辨识参数的统计中心。

针对辨识参数后处理场景，需要引入多维核密度估计方法以充分考虑各参数内部的相关性。假设N次辨识得到的k维参数组合向量写作：

X

那么参数组合随机x＝[x

式中K(x)为多维核函数，H为参数度量矩阵，其对角元素的大小将直接影响估计曲线的平滑程度和精度。

以估计得到的参数统计中心为参考，从统计意义和泛化能力两个角度综合衡量参数的可靠性。其中，定义统计偏差为实际辨识参数与统计中心的均方根误差，记作E

式中：N为待拟合的曲线数目，θ

为优选出一组距离参数分布中心较近且对多条功率曲线泛化能力强的参数组合，应用加权的思想，定义复合标准下的评价目标函数形式：

式中系数μ与两方面偏差的权重分配直接相关。考虑到均值可能受到少量极端值的影响，采用偏差中位数对系数μ进一步定义。设置多曲线拟合偏差的权重为ω(0<ω<1)，ω满足：

只要设置合适的ω，就可以依据辨识参数的统计偏差与多曲线拟合偏差总体情况得到系数μ，进而获得令评价函数值最小的优选辨识参数。

步骤三：建立V2G充电桩的故障检测模型

基于循环神经网络可建立充电桩的故障检测模型，其主体是一个神经网络块，由输入x

一个循环神经网络可以被视为相同结构网络的一个多重复制，每一个网络通过循环函数得到输出值和一个隐层值，隐层值会传递到下一个网络中。该隐层值会与下一个时间点的输入值共同决定输出和新的隐层值。已知t时刻的输入t

输出o

o

定义RNN的最终损失函数L为:

则对于隐层输出的梯度为：

通过δ

可以发现参数矩阵与每一个节点的输出值有关，体现出RNN对于历史输出具有“记忆”能力。循环神经网络的链式结构揭示了网络与序列数据的密切关系。相比于卷积神经网络的固定输入大小和输出大小，循环神经网络更容易实现不同的输入向量和输出向量。使用RNN进行分类，还需将循环神经网络的输出值输入到一个全连接层中。全连接层的输入为RNN的输出向量，输出为需要分类的类别数。

步骤四：V2G充电桩故障情况预测

利用上述模型，根据V2G充电桩的状态信息参数估计其故障情况。本发明提出的方案针对V2G充电桩状态信息参数及故障情况数据存在样本数量大、各状态信息参数间差异大、故障样本与正常样本间在状态信息参数上缺乏明显的界限、缺乏与故障状况联系最紧密的若干个状态信息参数的问题，实现了对V2G充电桩故障的实时监测。

步骤五：V2G充电桩安全防护方法选择

根据上述方法得出V2G充电桩故障情况，采取相应的安全防护措施，包括报警、自锁、断电等。

步骤六：模型评估与对比分析

各状态信息参数与充电桩故障状况关联度相近，如把各状态信息参数作为输入变量，故障情况作为输出变量，定义第k个变量对应的贡献率为：

那么各输入变量对最终输出结果影响的贡献度相近，均在16.7％附近，如用主成分分析法对输入变量进行降维，将造成有效信息遗漏、损失函数巨大、测正确率偏低等问题。因此，在进行充电桩实时故障检测时不宜采样PCA方法。

而如果使用线性判别分析(Linear Discriminant Analysis,LDA)的思想进行逻辑回归(Logistic Regression)，诊断的正确率仅在65％左右，这是因为输入与输出变量之间线性度较低，难以用低维线性模型来表达状态参数(输入变量)和故障情况(输出变量)间的关系。同理，采用支撑向量机(SVM)方法和BP神经网络正确率也不高。而采用RNN神经网络进行故障分析客服了上述缺点，采用此方法变换后使正常状态与故障状态有了明显的界限，如图4所示，使辨识正确率达到98％以上。各种电动汽车充电桩故障判别方法及其正确率如下表1所示，证明本发明提出的方法能提升故障监测的准确率和可靠性。

其中，精确度：

真阳性率：

假阳性率：

准确率：

需要说明的是，本申请中未详述的技术方案，采用公知技术。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。