基于深度學習的充電槍連接導線故障檢測

張曉丹

摘 要：電動汽車在充電時，需要把充電槍從充電樁上取下來，再插到電動汽車上。結束充電后，再把充電槍拔下來插到充電樁上，此充電過程需要2次拖動充電槍。當充電樁進行多次充電時，充電槍的連接導線內部極易破損或斷裂，但是從外表看不出內部損壞痕跡。時間久了，充電槍充電時，由于導線的破損，載流量變小，當通過大電流時，導線在破損處溫度升高，嚴重可能引發火災。因此文章提出了基于深度學習的充電槍連接導線故障檢測，旨在及時檢測連接導線初期的隱患，提高充電樁的應用安全。

關鍵詞：深度學習 充電槍 連接導線 故障檢測

1 引言

電動汽車的發展在我國汽車行業的轉型升級中扮演著至關重要的角色，旨在實現新的發展進步和提升國際影響力。這一戰略需求得到了極大的關注和重視。《中國制造2025》明確強調了新能源汽車作為未來發展的重要方向[1]。這一倡導進一步鞏固了電動汽車在我國汽車產業中的地位，為推動我國汽車行業向更加綠色、智能和可持續的方向發展提供了明確的指引。

深度學習算法可以對大量的數據進行分析和學習，從而準確地檢測出充電槍連接導線的故障。相比傳統檢測方法，基于深度學習的故障檢測方法具有更高的準確性和靈敏度。同時，深度學習算法可以在線對數據進行處理和分析，從而實時地檢測出故障，及時發現并解決問題，避免了因故障導致的充電槍無法正常工作的情況。因此，我們需要不斷提升充電樁的技術水平，確保其能夠滿足市場需求，并保障用戶的充電安全。然而，由于充電樁的市場應用時間相對較短，針對其故障診斷系統的研究理論和方法尚不完善，這在很大程度上導致了充電樁故障診斷過程的耗時和費力，制約了電動汽車行業的進一步發展[2]。

2 充電槍連接導線故障檢測模型

2.1 充電槍連接導線故障檢測分析

充電槍連接導線的故障檢測系統，包括充電樁與充電槍兩個部分。其中，充電樁與充電槍通過連接導線進行連接，在充電樁內部設置有檢測系統，其檢測系統包括信號發射模塊與檢測模塊，信號發射模塊與檢測模塊分別與連接導線相連接[3]。發射模塊為高頻信號發生器，檢測模塊為信號接收分析器，二者之間分別與連接導線相連接。充電槍連接導線圖如圖1所示。

在具體實施時，信號發射模塊與檢測模塊可以是連接的也可以是非連接的。當兩者屬于連接關系時，檢測模塊實時接收信號發射模塊發出的波形，并將該波形進行釋義，根據釋義結果存儲信號發射裝置的波形參數。當兩者屬于非連接關系時，檢測模塊預先存儲檢測模塊發出的波形參數[4]。其中，高頻信號發生器與信號接收分析器分別與連接導線相連接。高頻信號發生器發射高頻信號到內部導線；信號接收層接收內部導線發出的信號，并將信號傳輸至信號接收分析器；信號接收分析器對接收的信號與發出的信號進行對比，判斷內部導線是否有破損。充電槍頭的檢測電路原理圖如圖2所示：

其中，Rn表示為母線負極對地電阻；Rp表示為母線正極對地絕緣電阻。將S1斷開后，通過基爾霍夫電流定律可得到公式：

使用萬用表的電阻檔位來檢測充電槍CC端和PE端之間的電阻值，以及S1和S2開關閉合時的電阻值與開關斷開時的電阻值是否相同。如果發現兩者不一致，需要拆開充電槍來檢查機械開關S3的通斷情況是否正常，并進一步檢查充電口的CC和PE連接是否正常。其中，故障處理函數有四種不同的方式。首先，一種方式是切斷輸出電源并關閉電源轉換模塊，同時將故障記錄在存儲器中。在等待維修人員修復之后，才能再次開啟充電，并繼續充電操作。其次，另一種方式也是切斷輸出電源并關閉電源轉換模塊，但只是停止本次充電。當操作人員重新開啟充電后，可以繼續進行充電操作。第三種方式是停止本次充電，并在檢測到故障消除后重新開始充電。最后，第四種方式不會停止本次充電，但會減小功率輸出，以防止更為嚴重的故障發生。在等待故障解決后，可以恢復正常的充電功率[5]。

2.2 充電槍連接導線故障信息采集與特征提取

充電槍連接導線故障信息采集主要是通過監測充電槍連接導線的電流、電壓、電阻、溫度等參數，以判斷其工作狀態是否正常。充電槍連接導線故障特征提取是指從采集到的故障信息中提取出能夠表征故障特征的模式或特征參數。在檢測模塊中采集并提取出故障檢測的特征向量，將其設定為X=（X1，X2，…Xn），向量X的均值可表示為：

AX=B{X} （3）

其中，B{*}表示為變量的預期值，通過對各個元素取預期值，可以獲得總體向量的方差矩陣表達式為：

DX={（X-AX）（X-AX）N} （4）

其中，提取Q個來自隨機總體的向量，并計算其均值可表示為：

將故障信息采集并提取特征值后，會通過數據傳輸設備上傳到信號接收層，信號接收分析器對接收的信號與發出的信號進行對比，判斷內部導線是否有破損。

對采集到的電流、電壓等信號進行時域分析，提取出峰值、均值、方差等統計特征，以反映故障信號的波形變化情況。將采集到的信號進行快速傅里葉變換（FFT）等頻域分析，提取出頻率成分和能量分布情況，以反映故障信號的頻率特征。利用小波變換對信號進行多尺度分解，提取出不同尺度的細節和近似信號，以提取故障信號的時頻特征。

設信號接收分析器的信號為T1，高頻信號發生器信號為T2；對T1與T2的波形進行釋義，得到釋義結果；釋義就是對兩種波形進行分析，從而分析出兩種波形的參數，例如周期、頻率、相位、振幅等參數。將T2波形獲得的參數分別存儲在存儲塊中，對T1與T2的釋義結果進行匹配；若匹配成功，則判定T1與T2相同。若T1與T2相同，則判定內部導線有破損；若T1與T2不相同，或未接收到T1，則判定內部導線未破損。

2.3 充電槍連接導線故障檢測網絡訓練

特征提取網絡主要使用卷積神經網絡來提取圖像的特征。卷積層采用權值共享的方法，以優化網絡的訓練參數和訓練時間，并降低網絡的訓練成本[6]。為了應對小樣本數據集，在將圖像輸入網絡之前，可以采用一些圖像增強技術來擴充數據集，例如拉伸變換、加噪聲、增加對比度等。通過增加數據集的多樣性，從而提高網絡的訓練效果。這樣做的目的是確保網絡在面對有限的數據時仍能夠進行有效的訓練。這些圖像增強技術可以在圖像預處理階段應用，以確保輸入網絡的圖像具有更好的質量和多樣性。這樣的處理方法可以在小樣本數據集中應用，以提高網絡的泛化能力和準確性。為了增強網絡的訓練效果，先驗框被賦予了正負標簽。一旦先驗框被定義，需要通過最小化目標函數的任務損失將其優化。圖像的損失函數可表示為：

其中，i表示為先驗框索引序號；Pion表示為分類損失函數；Pblc表示為回歸損失函數；Nion表示為損失函數；Nblc表示為歸一化參數。

其中，Pion和Pblc計算公式表示為：

其中，P1表示為魯棒性的損失函數

構建存儲塊與數據包的匹配關系；建立第一存儲塊與第一數據包的連接關系；當第一數據包中的數據與第一存儲塊中的數據匹配成功后，建立第二存儲塊與第二數據包的連接關系；以此循環的方式，將存儲塊與數據包中的數據進行匹配；若所有的存儲塊全部被遍歷后，則判定匹配成功。

3 仿真實驗

在這項實驗中，選取某一地區的充電樁作為樣本，并收集了45天的數據。在這段時間內，記錄了充電樁出現故障的情況[7]。為了驗證在文中提出的檢測模型的有效性，使用上述數據。在刪除了無效數據后，選擇了其中的100個樣本數據，并將它們分為訓練集和測試集，其中80個樣本用于訓練，20個樣本用于測試。得到的故障概率與運行時間的正態分布情況的分布曲線如圖3所示：

得到的可視化分布結果如圖4所示：

由圖3和圖4可知，文章提出的基于深度學習的充電槍連接導線故障檢測，可到變壓器故障結果，在這些樣本中，處于良好狀態的樣本點數量相對較少，整體分布并不顯著。然而，處于警告狀態的樣本點數量較多，并且隨著時間的推移逐漸增加。與此相比，處于危險狀態的樣本點數量是這三種狀態中最高的。

4 結論

基于深度學習的充電槍連接導線故障檢測技術具有高準確度、實時性強、適應性強、可擴展性強和操作簡單等優點，可以有效地提高充電槍的安全性和可靠性，保障充電過程的安全和穩定。通過這項研究，通過分析研究智能充電裝置中的充電槍連接導線故障檢測，并制定相應的應對措施，以提高智能充電裝置的安全性和性能。通過深入調研和分析，不斷改進現有裝置的設計和功能，以滿足用戶的需求，并推動智能充電技術的發展。

參考文獻：

[1]高德欣，王義，鄭曉雨等.基于深度學習的電動汽車充電狀態監測與安全預警方法[J].電機與控制學報，2023，27（07）：122-132.

[2]解烽，劉環宇，胡錫坤等.基于復數域深度強化學習的多干擾場景雷達抗干擾方法[J/OL].雷達學報：1-15[2023-10-27].http：//kns.cnki.net/kcms/detail/10.1030.TN.20231026.1401.002.html.

[3]于建軍.一種小型化雙層預裝式一體化充電站箱式變電站[J].變壓器，2023，60（10）：33-36.

[4]王國義.電動汽車直流充電樁控制系統的設計[J].齊齊哈爾大學學報（自然科學版），2023，39（05）：20-23.

[5]劉景凱，張景濤，裴崇利等.一種新型純電動客車充電配電控制系統[J].客車技術與研究，2023，45（04）：14-17.

[6]潘玲玲，莊衛金，趙奇等.基于MF-LSTM的城市電動汽車集中充電負荷可調潛力評估[J].電氣傳動，2023，53（08）：59-69.

[7]王慶園，崔莉，王明深等.考慮快慢充負荷特性的電動汽車調峰定價策略[J].電力工程技術，2023，42（04）：31-40.