基于深度学习的充电枪连接导线故障检测

张晓丹

摘 要：电动汽车在充电时，需要把充电枪从充电桩上取下来，再插到电动汽车上。结束充电后，再把充电枪拔下来插到充电桩上，此充电过程需要2次拖动充电枪。当充电桩进行多次充电时，充电枪的连接导线内部极易破损或断裂，但是从外表看不出内部损坏痕迹。时间久了，充电枪充电时，由于导线的破损，载流量变小，当通过大电流时，导线在破损处温度升高，严重可能引发火灾。因此文章提出了基于深度学习的充电枪连接导线故障检测，旨在及时检测连接导线初期的隐患，提高充电桩的应用安全。

关键词：深度学习 充电枪 连接导线 故障检测

1 引言

电动汽车的发展在我国汽车行业的转型升级中扮演着至关重要的角色，旨在实现新的发展进步和提升国际影响力。这一战略需求得到了极大的关注和重视。《中国制造2025》明确强调了新能源汽车作为未来发展的重要方向[1]。这一倡导进一步巩固了电动汽车在我国汽车产业中的地位，为推动我国汽车行业向更加绿色、智能和可持续的方向发展提供了明确的指引。

深度学习算法可以对大量的数据进行分析和学习，从而准确地检测出充电枪连接导线的故障。相比传统检测方法，基于深度学习的故障检测方法具有更高的准确性和灵敏度。同时，深度学习算法可以在线对数据进行处理和分析，从而实时地检测出故障，及时发现并解决问题，避免了因故障导致的充电枪无法正常工作的情况。因此，我们需要不断提升充电桩的技术水平，确保其能够满足市场需求，并保障用户的充电安全。然而，由于充电桩的市场应用时间相对较短，针对其故障诊断系统的研究理论和方法尚不完善，这在很大程度上导致了充电桩故障诊断过程的耗时和费力，制约了电动汽车行业的进一步发展[2]。

2 充电枪连接导线故障检测模型

2.1 充电枪连接导线故障检测分析

充电枪连接导线的故障检测系统，包括充电桩与充电枪两个部分。其中，充电桩与充电枪通过连接导线进行连接，在充电桩内部设置有检测系统，其检测系统包括信号发射模块与检测模块，信号发射模块与检测模块分别与连接导线相连接[3]。发射模块为高频信号发生器，检测模块为信号接收分析器，二者之间分别与连接导线相连接。充电枪连接导线图如图1所示。

在具体实施时，信号发射模块与检测模块可以是连接的也可以是非连接的。当两者属于连接关系时，检测模块实时接收信号发射模块发出的波形，并将该波形进行释义，根据释义结果存储信号发射装置的波形参数。当两者属于非连接关系时，检测模块预先存储检测模块发出的波形参数[4]。其中，高频信号发生器与信号接收分析器分别与连接导线相连接。高频信号发生器发射高频信号到内部导线；信号接收层接收内部导线发出的信号，并将信号传输至信号接收分析器；信号接收分析器对接收的信号与发出的信号进行对比，判断内部导线是否有破损。充电枪头的检测电路原理图如图2所示：

其中，Rn表示为母线负极对地电阻；Rp表示为母线正极对地绝缘电阻。将S1断开后，通过基尔霍夫电流定律可得到公式：

使用万用表的电阻档位来检测充电枪CC端和PE端之间的电阻值，以及S1和S2开关闭合时的电阻值与开关断开时的电阻值是否相同。如果发现两者不一致，需要拆开充电枪来检查机械开关S3的通断情况是否正常，并进一步检查充电口的CC和PE连接是否正常。其中，故障处理函数有四种不同的方式。首先，一种方式是切断输出电源并关闭电源转换模块，同时将故障记录在存储器中。在等待维修人员修复之后，才能再次开启充电，并继续充电操作。其次，另一种方式也是切断输出电源并关闭电源转换模块，但只是停止本次充电。当操作人员重新开启充电后，可以继续进行充电操作。第三种方式是停止本次充电，并在检测到故障消除后重新开始充电。最后，第四种方式不会停止本次充电，但会减小功率输出，以防止更为严重的故障发生。在等待故障解决后，可以恢复正常的充电功率[5]。

2.2 充电枪连接导线故障信息采集与特征提取

充电枪连接导线故障信息采集主要是通过监测充电枪连接导线的电流、电压、电阻、温度等参数，以判断其工作状态是否正常。充电枪连接导线故障特征提取是指从采集到的故障信息中提取出能够表征故障特征的模式或特征参数。在检测模块中采集并提取出故障检测的特征向量，将其设定为X=（X1，X2，…Xn），向量X的均值可表示为：

AX=B{X} （3）

其中，B{*}表示为变量的预期值，通过对各个元素取预期值，可以获得总体向量的方差矩阵表达式为：

DX={（X-AX）（X-AX）N} （4）

其中，提取Q个来自随机总体的向量，并计算其均值可表示为：

将故障信息采集并提取特征值后，会通过数据传输设备上传到信号接收层，信号接收分析器对接收的信号与发出的信号进行对比，判断内部导线是否有破损。

对采集到的电流、电压等信号进行时域分析，提取出峰值、均值、方差等统计特征，以反映故障信号的波形变化情况。将采集到的信号进行快速傅里叶变换（FFT）等频域分析，提取出频率成分和能量分布情况，以反映故障信号的频率特征。利用小波变换对信号进行多尺度分解，提取出不同尺度的细节和近似信号，以提取故障信号的时频特征。

设信号接收分析器的信号为T1，高频信号发生器信号为T2；对T1与T2的波形进行释义，得到释义结果；释义就是对两种波形进行分析，从而分析出两种波形的参数，例如周期、频率、相位、振幅等参数。将T2波形获得的参数分别存储在存储块中，对T1与T2的释义结果进行匹配；若匹配成功，则判定T1与T2相同。若T1与T2相同，则判定内部导线有破损；若T1与T2不相同，或未接收到T1，则判定内部导线未破损。

2.3 充电枪连接导线故障检测网络训练

特征提取网络主要使用卷积神经网络来提取图像的特征。卷积层采用权值共享的方法，以优化网络的训练参数和训练时间，并降低网络的训练成本[6]。为了应对小样本数据集，在将图像输入网络之前，可以采用一些圖像增强技术来扩充数据集，例如拉伸变换、加噪声、增加对比度等。通过增加数据集的多样性，从而提高网络的训练效果。这样做的目的是确保网络在面对有限的数据时仍能够进行有效的训练。这些图像增强技术可以在图像预处理阶段应用，以确保输入网络的图像具有更好的质量和多样性。这样的处理方法可以在小样本数据集中应用，以提高网络的泛化能力和准确性。为了增强网络的训练效果，先验框被赋予了正负标签。一旦先验框被定义，需要通过最小化目标函数的任务损失将其优化。图像的损失函数可表示为：

其中，i表示为先验框索引序号；Pion表示为分类损失函数；Pblc表示为回归损失函数；Nion表示为损失函数；Nblc表示为归一化参数。

其中，Pion和Pblc计算公式表示为：

其中，P1表示為鲁棒性的损失函数

构建存储块与数据包的匹配关系；建立第一存储块与第一数据包的连接关系；当第一数据包中的数据与第一存储块中的数据匹配成功后，建立第二存储块与第二数据包的连接关系；以此循环的方式，将存储块与数据包中的数据进行匹配；若所有的存储块全部被遍历后，则判定匹配成功。

3 仿真实验

在这项实验中，选取某一地区的充电桩作为样本，并收集了45天的数据。在这段时间内，记录了充电桩出现故障的情况[7]。为了验证在文中提出的检测模型的有效性，使用上述数据。在删除了无效数据后，选择了其中的100个样本数据，并将它们分为训练集和测试集，其中80个样本用于训练，20个样本用于测试。得到的故障概率与运行时间的正态分布情况的分布曲线如图3所示：

得到的可视化分布结果如图4所示：

由图3和图4可知，文章提出的基于深度学习的充电枪连接导线故障检测，可到变压器故障结果，在这些样本中，处于良好状态的样本点数量相对较少，整体分布并不显著。然而，处于警告状态的样本点数量较多，并且随着时间的推移逐渐增加。与此相比，处于危险状态的样本点数量是这三种状态中最高的。

4 结论

基于深度学习的充电枪连接导线故障检测技术具有高准确度、实时性强、适应性强、可扩展性强和操作简单等优点，可以有效地提高充电枪的安全性和可靠性，保障充电过程的安全和稳定。通过这项研究，通过分析研究智能充电装置中的充电枪连接导线故障检测，并制定相应的应对措施，以提高智能充电装置的安全性和性能。通过深入调研和分析，不断改进现有装置的设计和功能，以满足用户的需求，并推动智能充电技术的发展。

参考文献：

[1]高德欣，王义，郑晓雨等.基于深度学习的电动汽车充电状态监测与安全预警方法[J].电机与控制学报，2023，27（07）：122-132.

[2]解烽，刘环宇，胡锡坤等.基于复数域深度强化学习的多干扰场景雷达抗干扰方法[J/OL].雷达学报：1-15[2023-10-27].http：//kns.cnki.net/kcms/detail/10.1030.TN.20231026.1401.002.html.

[3]于建军.一种小型化双层预装式一体化充电站箱式变电站[J].变压器，2023，60（10）：33-36.

[4]王国义.电动汽车直流充电桩控制系统的设计[J].齐齐哈尔大学学报（自然科学版），2023，39（05）：20-23.

[5]刘景凯，张景涛，裴崇利等.一种新型纯电动客车充电配电控制系统[J].客车技术与研究，2023，45（04）：14-17.

[6]潘玲玲，庄卫金，赵奇等.基于MF-LSTM的城市电动汽车集中充电负荷可调潜力评估[J].电气传动，2023，53（08）：59-69.

[7]王庆园，崔莉，王明深等.考虑快慢充负荷特性的电动汽车调峰定价策略[J].电力工程技术，2023，42（04）：31-40.