基于WPT和SSA-BP的直流充电桩充电模块故障诊断.pdf
《基于WPT和SSA-BP的直流充电桩充电模块故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于WPT和SSA-BP的直流充电桩充电模块故障诊断.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 17 卷 第 9 期2023 年 9 月南方电网技术SOUTHERN POWER SYSTEM TECHNOLOGYVol.17,No.9Sep.2023基于WPT和SSA-BP的直流充电桩充电模块故障诊断姚望1,2,张英1,2,王明伟2,马永超3(1.贵州大学电气工程学院,贵阳 550025;2.贵州电网有限责任公司电力科学研究院,贵阳 550002;3.清华大学电机系,北京 100084)摘要:充电模块是电动汽车直流充电桩最为关键的部分,针对其功率开关和电解电容等核心器件的开路故障特点,提出了一种基于小波包变换(wavelet packet transform,WPT)和麻雀搜索算法优
2、化反向传播神经网络(sparrow search algorithm-back propagation,SSA-BP)的故障诊断方法。该方法以充电模块输出电压为原始信号,首先通过预处理剔除其直流分量,对处理后的信号进行小波包分解,然后计算出各子频带信号的能量,通过归一化得到初始特征向量,最后将直流分量和归一化后的特征向量作为最终故障特征量输入到SSA-BP神经网络,进而输出分类结果实现故障诊断。为验证方法的可行性和优越性,搭建了输出功率15 kW的两级仿真模型,在不同工况下进行仿真验证。实验结果表明该方法具有较好的诊断效果,诊断率达到93.85%,对电动汽车直流充电桩故障诊断具有现实指导意义。
3、关键词:直流充电桩;充电模块;神经网络;故障诊断Fault Diagnosis of Charging Module of DC Charging Pile Based on WPT and SSA-BPYAO Wang1,2,ZHANG Ying1,2,WANG Mingwei2,MA Yongchao3(1.School of Electrical Engineering,Guizhou University,Guiyang 550025,China;2.Electric Power Research Institute of Guizhou Power Grid Co.,Ltd.,Gui
4、yang 550002,China;3.Department of Electrical Engineering,Tsinghua University,Beijing 100084,China)Abstract:Charging modules are the most critical component of electric vehicle DC charging piles.Considering the open circuits fault characteristics of core devices such as power switches and electrolyti
5、c capacitors,a fault diagnosis method based on wavelet packet transform(WPT)and sparrow search algorithm-back propagation(SSA-BP)neural networks is proposed.The method takes the output voltage of the charging module as the original signal.Firstly its DC component is rejected through pre-processing,a
6、nd the processed signal is decomposed into wavelet packet.Then the energy of each sub-band signal is calculated,and the initial feature vector is obtained through normalization.Finally the DC component and the normalized feature vector as the final fault feature quantity are put into the SSA-BP neur
7、al network,and then the classification results are output to achieve fault diagnosis.In order to verify the feasibility and superiority of this method,a two-stage simulation model with an output of 15 kW is built under different operating conditions.Experiment results show that this method could eff
8、ectively improve fault diagnosis accuracy with diagnosis rate of 93.85%.And it has practical guiding significance for fault diagnosis of electric vehicle DC charging piles.Key words:DC charging pile;charging module;neural network;fault diagnosis文章编号:1674-0629(2023)09-0085-09 中图分类号:TM73文献标志码:ADOI:10.
9、13648/ki.issn1674-0629.2023.09.010基金项目:国家自然科学基金资助项目(59637050)。Foundation item:Supported by the National Natural Science Foundation of China(59637050).南方电网技术第 17 卷0引言近年来,新能源汽车的普及推动了充电设施的发展1。在碳排放目标以及新基建的激励下,汽车充电设施将会出现新一轮的高速增长2-4。其中,直流充电桩具有充电高效、快速等优点,逐渐取代交流充电桩,成为当下热门的研究领域5。充电模块是直流充电桩的核心部件,其主要功能是为电动汽车动力
10、电池充电。充电模块一般由前级和后级两个模块组成6。前级模块的作用是将电网输出的交流电转化为稳定的直流电输入到后级,后级模块的作用是将直流电二次转换变换为汽车所需的直流电,具有电压变换和电气隔离的功能。前级结构以三相Vienna整流器为主体来获取稳定直流电,后级结构使用全桥LLC谐振变换器,该结构利用软开关技术可以在极大程度上减小开关损耗,提高系统整体效率7-8。开路故障和短路故障是直流充电桩最为常见的两种故障。短路故障会导致过电流过大,并在短时间内烧毁设备,危害极大。一般在电路中配有熔断装置,保护电路动作将短路转化为开路9-10。开路故障虽然不会在一瞬间产生过流,但会导致电网侧电流发生畸变。同
11、时,装置元件应力会因此变大,造成二次故障11。因此,对充电模块开路故障的诊断显得十分重要。目前,对充电模块开路故障的研究仅局限于针对单级结构功率开关开路故障。目前,主流检测手段有两种:电流检测法和电压检测法。文献 12 搭建了充电模块脉宽调制(pulse width modulation,PWM)整流器前级模型,通过仿真得到了频带和频率的故障数据,将这些数据作为特征量进行处理,整理成故障编码的形式,最终实现了对充电模块前级部分的开路故障诊断。文献 13 通过对充电桩前级整流器输出电压进行检测,利用深度神经网络实现充电桩实时故障诊断。文献 14 以V2G充电桩前级结构为研究对象,设置功率开关开路
12、故障仿真模型,分析其电网侧输入电流波形,结合小波包分析法和随机森林算法实现故障诊断。文献 15 建立了两级结构模型,选定电网输入侧电流波形为研究对象,运用电流检测法检测系统运行状态,并且使用传统BP神经网络进行故障诊断。针对上述分析,本文参考了当下直流充电桩充电模块常用结构,建立了完整的两级结构模型,全面研究了开路故障输出波形特点。同时,选取后级模块输出电压为研究对象,与直流充电桩实际工程应用更契合。本文应用麻雀搜索算法迭代寻优,确定BP神经网络的全局最优参数,能够改善BP神经网络的不足,进一步提高模型的诊断率。最后,对本文提出的方法进行仿真分析,以验证所提诊断模型的有效性。1充电模块拓扑结构
13、及故障分析1.1充电模块拓扑结构作为直流充电桩最为重要的模块,充电模块主电路一般采用两级变换结构。图1为本文研究充电模块的前级整流模型,采用三相 Vienna 整流器结构,为后级电路提供稳定直流电。图 1中,ua、ub、uc为三相电网电压,La、Lb、Lc为电感值相等的滤波电感,全控型器件 Sa、Sb、Sc和各自并联的 4 个二极管组成三相功率开关,Da1、Da2、Db1、Db2、Dc1、Dc2为快速恢复型二极管,C1、C2为直流侧滤波电容。后级模型采用全桥LLC谐振变换器,能够输出满足汽车需要的直流电,其结构拓扑如图2所示。图2中,Q1Q4是构成逆变电路的4个功率开关管,各自并联一个体二极管
14、和寄生电容。原边谐图1三相Vienna整流器拓扑结构Fig.1Three-phase Vienna rectifier topology图2全桥LLC谐振变换器拓扑结构Fig.2Topology of full bridge LLC resonant converter86第 9 期姚望,等:基于WPT和SSA-BP的直流充电桩充电模块故障诊断振回路由谐振电感 Lr、励磁电感 Lm和谐振电容Cr构成。DR1、DR2、DR3、DR4为输出侧 4 个整流二极管,C0和R0分别为滤波电容与输出电阻。充电模块三相Vienna整流器电路采用单周期控制。单周期控制的优点在于结构简单,能够在一个周期内就实现
15、负反馈控制16-17。相比于传统的双闭环控制策略,不仅不需要乘法器,而且无需外加中点平衡电路,能有效解决输出中点电压平衡问题。本文充电模块后级电路选择电流内环模糊PI控制策略。此控制策略是对传统电压电流双闭环控制的一种优化改进,优点是具有更好的稳定精度和跟随性,克服了传统控制方式下,电压电流突变导致稳定性和跟随性差的问题18-20。1.2故障分析前后两级电路所有器件中,电解电容和功率开关故障这两种情况是较为常见且无法避免的21-23,本文研究重点是电容器件和功率开关的开路故障。由于前后级模块控制电路在整个充电桩系统中起着中枢控制作用,控制着前后级功率开关的导通与关断,其发生故障将导致充电模块功
16、率开关无法正常运作,后果十分严重,因此把此类故障情况也列为研究对象。由于多个器件同时发生故障的概率较小,本文主要研究单个器件开路的情况,包含正常状态在内共总结出了13种故障类型,故障分类如表1所示。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础上进行的扩展,它具有更高的时频分辨率,是挖掘故障特征信号的有效工具24。不同类型开路故障的输出电压时域波形中蕴含着频率特征,本文借助小波包分析法对故障输出电压进行小波包分解。由于不同故障类型下各频带能量分布不同,就可以根据频带能量分布的差异,以更直观的形式将频率特征展现出来。图3以3层小波包分解为例进行说明。图 3 中 S(0,0)为 原 始
17、信 号,S(i,j)(i=0,1,2,3;j=0,1,7)为分解树第 i 层的第 j个节点。初始信号经过三层小波包分解后,表示为:S(0,0)=S(3,0)+S(3,1)+S(3,2)+S(3,3)+S(3,4)+S(3,5)+S(3,6)+S(3,7)(1)利用小波包分解得到故障信号特征量,其实现具体步骤如下:1)对采样信号进行小波包分解;2)小波包分解系数重构;3)求取各节点信号能量;4)确定故障特征向量。利用频带信号能量构造故障特征向量T。T=E(3,0)E(3,1)E(3,7)(2)当能量值较大时,为了便于对数据的计算和处理,要对特征向量进行归一化处理。T=E(3,0)E E(3,1)
18、E E(3,7)E(3)式中:E(p,j)为p层j节点小波包重构信号能量;E为输出电压第3层小波包分解的频带总能量。2.2故障电压特征量提取本文建立的故障仿真模型输出电压信号特征量提取步骤如下。表1充电模块器件开路故障分类Tab.1Classification of open circuit fault of charging module device故障描述正常情况单个功率器件开路故障单个电容开路故障控制电路开路故障故障器件无SaSbScQ1Q2Q3Q4C0C1C2前级控制电路后级控制电路故障分类Y1Y2Y3Y4Y5Y6Y7Y8Y9Y10Y11Y12Y13图3三层小波包分解示意图Fig.3
19、Diagram of three-layer wavelet packet decomposition87南方电网技术第 17 卷1)搭建故障仿真模型,在不同类型故障下对充电模块输出电压即输出负载两端电压进行采样。根据奈奎斯特采样定律,只有采样频率高于信号最高频率两倍才能确保采样信号完整且不失真25。通过对故障信号的频率分析,采样频率设定为1 600 Hz。2)经过仿真试验多次对比,选用db3小波包,对采样信号进行 3 层小波包分解,可以得到 8 个节点。3)重构小波包分解系数,求取不同故障下各频带对应小波包能量值,最后归一化处理得到一组新的故障特征量。在实际运维检测中,通过检测装置测量到的故
20、障波形往往都是故障发生一段时间后的数据。因此,为了更贴合实际现场检测情况,本文选择故障波形重新稳定后的部分为研究对象。在对原始故障电压信号进行分析后发现,信号中直流分量占据主导,导致小波包分解后的能量谱分布区分度较低。于是,对原始故障信号进行预处理,剔除直流分量后,再进行小波包分解。由于有些故障类型能量谱分布较相似,导致后续故障诊断区分度较低。通过对输出电压波形分析,不同故障类型的输出电压直流分量幅值存在较大差异,即可以将直流分量也看作一个特征量和处理后新的能量谱特征向量作为新的故障特征量。本文的最终确定的故障特征向量:T=Ud,E0,E1,E2,E3,E4,E5,E6,E7。式中:Ud为直流
21、分量;E0E7为归一化后的能量谱值。3麻雀搜索算法(SSA)优化BP神经网络3.1BP神经网络BP神经网络一般由多层组成,典型的三层BP神经网络模型,由输入层、隐含层和输出层构成。如图 4所示,在 BP神经网络中,输入量沿着正向传播,由输入层到输出层。BP神经网络在训练后具有储存历史故障信息的能力,可以运用BP神经网络进行故障诊断。对已有数据信息进行网络训练,将当前数据和历史信息数据比较,从而确定故障类型。本文利用BP神经网络,将提取的特征量和故障类型实现对应,进行故障诊断。但是传统BP神经网络存在一定局限性,例如对初始权重敏感,由于传统神经网络在训练过程中会给定一个随机初始权重,导致BP神经
22、网络往往不可重现。另外,容易陷入局部最优或训练速度过慢也是其存在的不足。在实际应用中,往往采用优化后的 BP算法。3.2麻雀搜索算法(SSA)麻雀搜索算法(sparrow search algorithm,SSA)是受麻雀的捕食行为和警戒行为的启发而提出的一种群智能优化算法26。在麻雀群体中,一般有两种不同类型的麻雀,一种是发现者,另一种是加入者。其中,有大约10%20%数量的麻雀负责侦察预警,称之为警戒者。发现者给加入者提供捕食的区域和方向,加入者通过发现者来获取食物。一旦麻雀发现捕食者,就会发出预警信号,当预警值大于安全值,发现者就会将加入者带到别处安全区域寻找食物。麻雀搜索算法的数学模型
23、就是根据麻雀的这类行为提出的。根据以上描述,将麻雀的行为理想化,可总结出数学模型如下。发现者具有较高的能量,有更好的个体适应度,发现者位置按式(4)进行更新。Xt+1i,d=Xti,d exp(-i G),R2 S (4)式中:t为迭代次数;G为最大迭代次数;Xi,d为第i个麻雀在第d维中的位置;为(0,1 间的一个随机数;R2为预警值,是一个位于(0,1)的随机数;S为安全值,取值范围为 0.5,1;Q1为一个随机数,按正态分布;L为1d的矩阵。对于加入者来说,当它们察觉发现者寻觅到好的食物,会立刻去抢夺。如果抢夺成功,就会获得发现者的食物。要是自身能量较低,它们会去其他地方去寻求更多能量。
24、加入者位置更新如式(5)图4BP神经网络结构Fig.4BP neural network structure88第 9 期姚望,等:基于WPT和SSA-BP的直流充电桩充电模块故障诊断所示。Xt+1i,d=Q exp(Xtworst-Xti,di2),i n2 Xt+1p+|Xti,d-Xt+1p A+L ,其他(5)式中:Xt+1P为当前找到最佳食物源的发现者所处位置;Xtworst为全局最差位置;Q为一个服从高斯分布的随机数;A为1d的矩阵,矩阵中每个元素为1或-1,且 A+=AT(AAT)-1;当 in/2时,说明第 i个加入者适应度低,没有获取到食物,需要飞往其他地方获取能量。警戒者位
25、置更新如式(6)所示。Xt+1i,d=Xtbest+|Xti,d-Xtbest ,fi fgXti,d+K (|Xti,d-Xtworst(fi-fw)+),fi=fg(6)式中:为全局最优位置,是一个服从高斯分布的随机数;K为取值范围在-1,1 的随机数,为防止分母为0,设置一个较小常数;fi为第i个加入者适应度值;fg、fw分别为整体最佳和最差适应度值;Xtbest为全局最佳位置。3.3SSA优化BP神经网络选择合理的权值和阈值将会有效提高BP神经网络的诊断效果。本文利用SSA算法良好的全局搜索能力,优化BP神经网络的初始权值和阈值,改善BP网络性能。图5为SSA优化BP神经网络流程图,算
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 WPT SSA BP 直流 充电 模块 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。