基于GA-LSTM神經網絡的充電樁故障診斷

中圖分類號：TN919-34；TP183 文獻標識碼：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品也得到快速發展，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、不當使用、器件老化等，充電樁在工作過程中也會發生故障，輕則對于電動汽車電池組物理結構和電池性能造成損害，重則危害人身財產安全。目前，充電設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，且難以確定復雜相關性的故障源頭，因此充電樁故障診斷已成為電動汽車行業需要解決的重要問題。

在充電樁故障診斷研究的早期，由于技術限制，更多為機械判斷或單一參數的判斷。而隨著計算機技術的不斷成熟，充電樁開始使用故障樹或建立診斷模型的方法進行故障診斷。文獻[1]提出一種基于故障樹的充電樁故障診斷系統，將故障樹和專家系統相結合，建立故障樹并定向分析判斷故障模式。文獻[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聚類快速準確的故障特征提取和HMM強大的故障分類能力相結合。文獻[3]提出了數據挖掘與一體化故障樹的方法，首先使用數據挖掘分析充電樁工作參數，然后建立故障樹分析故障源和具體故障類型之間的內在關系。

隨著機器學習和神經網絡的不斷優化48，充電樁的故障診斷也開始采用神經網絡、機器學習等先進技術。文獻[9]提出一種基于深度神經網絡的直流充電樁故障診斷方法，使用深度神經網絡對功率器件、控制元件和工作參數進行分析，得出數據指針向量的故障診斷判據。但該方法只對功率器件進行監控，無法識別通信故障、充電槍故障、風扇故障等類型。文獻[10]提出使用BP神經網絡進行充電樁故障診斷，使用蝴蝶優化算法和麻雀搜索算法優化BP神經網絡以及模型的權重與閾值，從而提升充電樁故障診斷精度。但BP神經網絡通常處理靜態數據，在處理實時數據時有較大難度。文獻[11-12]根據數據特征構建故障診斷模型，使用深度置信網絡和線性受限玻耳茲曼機構建故障分類器，解決了充電樁故障判斷陷入局部最優解的問題，但是深度置信網絡需要對于超參數設置非常敏感。文獻[13]提出LightGBM集成學習結合網格搜索交叉驗證算法來構建故障檢測模型，從而解決充電樁故障數據很少且數據樣本不平衡的問題。文獻[14]使用RNN神經網絡進行充電故障分析，并使用whale算法初始化RNN的網絡參數，提高RNN診斷精度。RNN神經網絡具有記憶能力，能夠捕捉序列數據中的時間依賴關系，在處理時間相關問題方面具有顯著的優勢，但其也存在梯度爆炸問題。電動汽車充電樁的充電數據包括電壓、電流、溫度、功率等時序數據，數據具有前一時刻影響關聯下一時刻的特點。為了提高故障診斷的準確率并減少耗時，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）神經網絡訓練和挖掘數據量中的關聯特征，并建立特征與故障之間的診斷模型，但LSTM神經網絡存在過擬合和易陷入局部最優解的問題。為此，本文提出一種基于遺傳算法（GeneticAlgorithm，GA）優化LSTM神經網絡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據進行預處理；然后使用LSTM神經網絡處理數據并記錄初始LSTM神經網絡參數的適應度，使用遺傳算法，通過模擬生物進化過程來搜索最優解；再通過選擇適應度高的個體進行繁殖，并引入變異操作，逐步優化超參數組合，提高LSTM模型的性能與效率。

1 GA-LSTM神經網絡

1.1 LSTM神經網絡

LSTM神經網絡[15-17通過引入門控函數、遺忘門、輸入門和輸出門的概念，使得神經網絡具有更強的基因能力，能夠捕捉長距離的依賴關系，從而解決RNN神經網絡存在的梯度爆炸或消失問題。

其中，遺忘門 f_t 接收前一時刻的隱藏狀態 h_t-1 和當前時刻的輸入 x_t ，表示細胞狀態中每個部分應該保留的比例。 f_t 公式如下：

f_t=σ（W_f?[h_t-1，x_t]+b_f）

輸入門決定當前時間步中哪些信息需要存儲到記憶單元中，由門控函數 i_ι 和候選記憶單元 兩部分組成，公式為：

i_ι=σ（W_i?[h_ι-1，x_ι]+b_i）

輸出門決定有多少記憶單元的信息需要輸出到隱藏狀態。其中，輸出門的門控函數 o_t 由當前輸人 x_t 和上一個隱藏狀態 h_t-1 決定，當前記憶單元狀態 C_t 由遺忘門f_t 輸入門 i_t 和候選記憶單元 決定，公式為：

o_t=σ（W_o?[h_t-1，x_t]+b_o）

隱藏狀態 h_ι 包含當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 o_t 和當前記憶單元狀態 C_t 決定，公式如下：

h_t=o_t?tanh（C_t）

LSTM神經網絡能夠捕捉長距離依賴關系，適用于長序列數據的處理。其不僅梯度穩定，通過門控機制有效避免了梯度消失和梯度爆炸問題，使得訓練更加穩定；而且靈活性高，能夠處理各種序列數據，包括變長序列和不規則序列，適合處理充電樁工作數據。圖1為LSTM模塊的結構圖。

1.2遺傳算法

遺傳算法（GA）是一種基于生物遺傳進化過程的啟發式搜索算法，主要用于解決優化問題[18]。與傳統的優化算法相比，遺傳算法具有全局搜索能力好、適應性強、易于并行處理等優點。圖2所示為遺傳算法工作的詳細過程。GA優化過程分為6個階段：初始化種群、計算適應度、種群選擇、個體交叉、個體變異和結束判斷。首先生成初始化種群，對于種群進行適應度評價，評價后保留表現性能優異的染色體。選中的染色體在交叉過程中通過交換部分基因組合產生新的后代，新的后代隨機選擇染色體進行變異，變異完成形成新的種群，再對新種群進行評價，若滿足終止條件，結束GA進程，輸出最佳結果。

圖1LSTM模塊的結構圖

1.3 GA-LSTM神經網絡

本節介紹遺傳算法優化LSTM神經網絡方法，以查找LSTM模型中神經元數、全連接層Dense的神經元數和Dropout率的最優解[19]。由于LSTM的性能依賴于訓練階段的過去信息，因此選擇適當或優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險起到非常好的優化作用。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

將數據劃分為訓練集和測試集，訓練集使用初始LSTM模型進行訓練，完成后對當前LSTM模型進行評估，再對模型性能進行判斷。本文采用的判斷條件為遺傳算法迭代次數，未滿足判斷條件，則使用遺傳算法對LSTM模型構架參數進行優化，搜索模型參數最優解。

圖3遺傳算法優化工作流程

工作流程如下：

1）劃分數據集為訓練集和測試集；

2）LSTM模型評估訓練集；

3）遺傳算法參數初始化：種群規模為20，迭代次數為10，突變率為0.1，保留最優個體比例為0.5；

4）將RMSE評價指標設置為適應度函數；

5）循環：當前迭代次數小于最大迭代次數，設置交叉概率進行染色體交叉，設置染色體概率進行染色體變異，評估新生成染色體的適應度；

6）結束循環；

7）選擇最優個體，即優化后的LSTM神經元數、全連接層Dense神經元數和Dropout率；

8）使用優化后的數據對測試集進行預測。

2數據集與評價指標

2.1數據集分析

本節中所用數據集是由揚州某公司提供的電動汽車充電樁的充電歷史數據，充電樁規格為直流電壓380V 、電流16A、功率 11kW 的交流充電樁。其中監控數據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。監控數據和標簽如表1所示。

對于充電樁故障分析，設計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、接地保護故障、絕緣故障、充電設施通信故障、繼電器吸合故障、急停開關故障、充電槍故障和充電樁風扇故障，再對數據進行標簽設置。

表1監控數據和標簽

故障類型與標簽如表2所示。

表2故障類型與標簽

數據在神經網絡模型計算的過程中能夠優化梯度計算，加速模型的收斂，縮短計算時間。線性歸一化通過對原始數據進行線性變化，將結果映射到 [0，1] 之間，公式如下：

式中： ?X 為原始數據； X_min 為數據中最小值； X_max 為數據中最大值。

線性歸一化方法的缺陷是當有新的數據加入時，可能導致 X_min 和 X_max 變化，致使數據需重新計算。

2.3拉格朗日插值算法

對采集的電動汽車充電數據進行分析時，會因為某些原因導致采集的部分數據無效和缺失，或者存在干擾信息。因此，在建立模型之前需要對數據進行預處理，包括對失效數據的剔除和對缺失數據的插補。數據插值使用拉格朗日插值算法，對于給定的 n+1 個數據點 ，拉格朗日插值多項式P（x） 為：

拉格朗日插值函數 L_i（x） 為：

式中 i≠j ，每個 L_i（x） 都會將 P（x） 值在 x_i 處插值為 y_i， ，同時在其他數據點 x_j 處等于0。

2.4評價指標

均方根誤差（RootMean Square Error，RMSE）是評估預測模型性能的一種常用指標，用于衡量預測值與實際值之間的差異。本文對于充電樁工作參數預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：

本文數據集中共有10000條數據，由7500條正常采樣點數據和2500條故障數據（每項250條故障數據）混合而成，劃分8000條作為測試集，2000條作為測試集（正常數據1500條，故障數據每項50條）。

式中： m 為預測輸出維度； n 為樣本個數； y_ij 為第 i 個樣本中的第 j 個實際值； 為第 i 個樣本中的第 j 個預測值。

2.2歸一化算法

歸一化處理是為了將不同量綱的數據進行統一處理，并參與計算，使得不同單位的數據可以同時作為神經網絡的輸入參量，代入后續分析。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測模型性能的指標，尤其適用于衡量預測值相對于實際值的百分比誤差。文中對于多預測輸出的情況，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

LSTM模型包括LSTM層、Dropout1層、Dense1層、Dropout2層和Dense2層。LSTM層、Dense1層的神經元參數和Dropout1層、Dropout2層的參數均由遺傳算法優化決定。訓練模型每次批處理樣本大小為64，激活函數利用tanh函數，Dense2層采用Softmax分類器，學習率設置為0.001，優化器選擇Adam優化算法。

遺傳算法需設置一些基本參數，如種群規模、突變率、交叉概率、最優個體比例和學習率，以及具體參數對應的遺傳算法運行所需時長和RMSE值，如表3所示。

表3參數設置

最優適應度是指在算法的每一次迭代中，種群個體適應度的最佳值。最優適應度值越好，表示該個體的解越接近問題的最優解。最優適應度曲線如圖4所示。由圖可知，GA-LSTM神經網絡在最優適應度上相比于LSTM神經網絡有明顯的優勢。

圖4最優適應度曲線

4結果分析

表4給出了LSTM模型、GA-LSTM模型10次預測結果的RMSE值，以及10次預測結果的RMSE平均值。從表中數據可以看出，GA-LSTM神經網絡模型RMSE值降低 56.7% 。

表4RMSE值

表5給出了LSTM模型10次預測結果的MPAE值、MPAE平均值，以及GA-LSTM模型的MPAE值。從表中數據可以看出，GA-LSTM神經網絡模型MPAE值降低 60.3% 。

表5MPAE值

表4、表5結果表明：相比LSTM模型，GA-LSTM神經網絡預測結果與真實值誤差更小。為了進一步驗證GA-LSTM模型對于預測的高準確性，截取500個采樣點數據，將三相線電壓、三相輸出平均電流、輸出功率的真實值與神經網絡模型預測值進行對比，其中ORG為原始數據值，LSTM為LSTM模型預測值，GA-LSTM為GA-LSTM模型預測值。圖5a為三相線電壓的真實值和預測值，圖5b）為充電電流的真實值和預測值，圖5c）為充電功率的真實值和預測值。可以看出，GA-LSTM模型預測值與真實值誤差更小，變化趨勢也更相近。

圖5工作參數數據預測

圖6為三種神經網絡模型對充電樁故障診斷的各標簽測試結果的混淆矩陣圖。

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，誤診12項，其中對于標簽1充電樁輸出過流故障和標簽2充電樁輸出短路故障相互誤診，對于標簽5充電樁通信故障也存在誤診現象。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，誤診5項，其中對于標簽1充電樁輸出過流故障、標簽2充電樁輸出短路故障和標簽5充電樁通信故障仍存在誤診現象。

相比于LSTM神經網絡診斷結果，GA-LSTM神經網絡漏檢率和誤判率都更低。

結合混淆矩陣進行充電樁故障診斷準確性分析，結果如表6所示，LSTM神經網絡準確率為 94.20% ，GA-LSTM神經網絡準確率可以達到 97.40% ，比LSTM神經網絡高 3.2% 。

圖7所示為三種神經網絡模型對于各標簽預測的Precision值、Recall值和 F₁ 分數。相比于LSTM神經網絡，GA-LSTM神經網絡模型對于標簽1充電樁輸出過流、標簽5充電設施通信故障和標簽8充電槍故障的診斷具有顯著優勢。

表6準確率結果

圖7誤差分析

5結語

本文采用遺傳算法優化長短期記憶神經網絡，確定LSTM神經網絡模型中LSTM層、Dense1層的神經元參數和Dropout1層、Dropout2層的參數最優解，使用優化后的LSTM神經網絡預測充電樁工作參數并進行故障診斷。經實驗對比，GA-LSTM神經網絡數據預測結果的RMSE值降低 56.7% ，MPAE值降低 60.3% ，故障診斷的準確率提升 3.2% ，尤其在對充電樁輸出過流故障、充電設施通信故障和充電槍故障的診斷具有顯著優勢。因此，GA-LSTM神經網絡可以作為一種深度學習的技術用于充電樁故障診斷。

注：本文通訊作者為朱金榮。

參考文獻

[1]楊莎莎.基于故障樹的直流充電樁故障診斷專家系統研究[D]. 北京：北京交通大學，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].廣西師范大學學報（自然科學版），2018（1）：25-33.

[3]許笑，高翔，李光熹，等.基于數據挖掘的電動汽車充電設施充 電安全故障特性分析[J].電器與能效管理技術，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.基于改進沙貓群算法優化CNNBiLSTM的熱負荷預測[J].現代電子技術，2024，47（14）：20-29.

[6]曹景勝，于洋，王琦，等.基于優化VMD-CNN-BiLSTM的電機 軸承故障智能診斷研究[J].現代電子技術，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，2019.

[8]臧斌斌.電動汽車充電設施故障智能診斷策略研究[D].南京： 南京郵電大學，2023.

[9]趙翔，陳良亮，李明貞，等.一種基于深度神經網絡的直流充電 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神經網絡的充 電樁故障診斷方法[J].吉林大學學報（信息科學版），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，FANW，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，2024，47（4）：31- 41.

[23]李翟嚴，胡耀杰，徐禮富，等.基于反向學習的狀態空間模型 進化算法的充電樁故障診斷預測研究[J].機械設計，2024，41 （z1）：192-195.

作者簡介：周錦（1998—），男，江蘇宿遷人，碩士研究生，研究方向為物聯網和人工智能。高天（1999—），男，安徽蚌埠人，碩士研究生，研究方向為物聯網和人工智能。王強（1997—），男，江蘇揚州人，碩士研究生，研究方向為物聯網和人工智能。殷張程（2001—），男，江蘇揚州人，碩士研究生，研究方向為物聯網和人工智能。朱金榮（1968—），男，江蘇泰州人，碩士研究生，教授，研究方向為物聯網和人工智能、光電檢測、自動化控制。