基于WPT 和SSA-BP 的直流充電樁充電模塊故障診斷

姚望，張英，王明偉，馬永超

（1. 貴州大學電氣工程學院，貴陽 550025；2. 貴州電網(wǎng)有限責任公司電力科學研究院，貴陽 550002；3. 清華大學電機系，北京 100084）

0 引言

近年來，新能源汽車的普及推動了充電設施的發(fā)展［1］。在碳排放目標以及新基建的激勵下，汽車充電設施將會出現(xiàn)新一輪的高速增長［2-4］。其中，直流充電樁具有充電高效、快速等優(yōu)點，逐漸取代交流充電樁，成為當下熱門的研究領域［5］。

充電模塊是直流充電樁的核心部件，其主要功能是為電動汽車動力電池充電。充電模塊一般由前級和后級兩個模塊組成［6］。前級模塊的作用是將電網(wǎng)輸出的交流電轉(zhuǎn)化為穩(wěn)定的直流電輸入到后級，后級模塊的作用是將直流電二次轉(zhuǎn)換變換為汽車所需的直流電，具有電壓變換和電氣隔離的功能。前級結(jié)構(gòu)以三相Vienna整流器為主體來獲取穩(wěn)定直流電，后級結(jié)構(gòu)使用全橋LLC諧振變換器，該結(jié)構(gòu)利用軟開關技術可以在極大程度上減小開關損耗，提高系統(tǒng)整體效率［7-8］。

開路故障和短路故障是直流充電樁最為常見的兩種故障。短路故障會導致過電流過大，并在短時間內(nèi)燒毀設備，危害極大。一般在電路中配有熔斷裝置，保護電路動作將短路轉(zhuǎn)化為開路［9-10］。開路故障雖然不會在一瞬間產(chǎn)生過流，但會導致電網(wǎng)側(cè)電流發(fā)生畸變。同時，裝置元件應力會因此變大，造成二次故障［11］。因此，對充電模塊開路故障的診斷顯得十分重要。

目前，對充電模塊開路故障的研究僅局限于針對單級結(jié)構(gòu)功率開關開路故障。目前，主流檢測手段有兩種：電流檢測法和電壓檢測法。文獻［12］搭建了充電模塊脈寬調(diào)制（pulse width modulation，PWM）整流器前級模型，通過仿真得到了頻帶和頻率的故障數(shù)據(jù)，將這些數(shù)據(jù)作為特征量進行處理，整理成故障編碼的形式，最終實現(xiàn)了對充電模塊前級部分的開路故障診斷。文獻［13］通過對充電樁前級整流器輸出電壓進行檢測，利用深度神經(jīng)網(wǎng)絡實現(xiàn)充電樁實時故障診斷。文獻［14］以V2G充電樁前級結(jié)構(gòu)為研究對象，設置功率開關開路故障仿真模型，分析其電網(wǎng)側(cè)輸入電流波形，結(jié)合小波包分析法和隨機森林算法實現(xiàn)故障診斷。文獻［15］建立了兩級結(jié)構(gòu)模型，選定電網(wǎng)輸入側(cè)電流波形為研究對象，運用電流檢測法檢測系統(tǒng)運行狀態(tài)，并且使用傳統(tǒng)BP神經(jīng)網(wǎng)絡進行故障診斷。

針對上述分析，本文參考了當下直流充電樁充電模塊常用結(jié)構(gòu)，建立了完整的兩級結(jié)構(gòu)模型，全面研究了開路故障輸出波形特點。同時，選取后級模塊輸出電壓為研究對象，與直流充電樁實際工程應用更契合。本文應用麻雀搜索算法迭代尋優(yōu)，確定BP 神經(jīng)網(wǎng)絡的全局最優(yōu)參數(shù)，能夠改善BP 神經(jīng)網(wǎng)絡的不足，進一步提高模型的診斷率。最后，對本文提出的方法進行仿真分析，以驗證所提診斷模型的有效性。

1 充電模塊拓撲結(jié)構(gòu)及故障分析

1.1 充電模塊拓撲結(jié)構(gòu)

作為直流充電樁最為重要的模塊，充電模塊主電路一般采用兩級變換結(jié)構(gòu)。圖1 為本文研究充電模塊的前級整流模型，采用三相Vienna 整流器結(jié)構(gòu)，為后級電路提供穩(wěn)定直流電。

圖1 中，ua、ub、uc為三相電網(wǎng)電壓，La、Lb、Lc為電感值相等的濾波電感，全控型器件Sa、Sb、Sc和各自并聯(lián)的4 個二極管組成三相功率開關，Da1、Da2、Db1、Db2、Dc1、Dc2為快速恢復型二極管，C1、C2為直流側(cè)濾波電容。

后級模型采用全橋LLC諧振變換器，能夠輸出滿足汽車需要的直流電，其結(jié)構(gòu)拓撲如圖2所示。

圖2 中，Q1—Q4是構(gòu)成逆變電路的4個功率開關管，各自并聯(lián)一個體二極管和寄生電容。原邊諧振回路由諧振電感Lr、勵磁電感Lm和諧振電容Cr構(gòu)成。DR1、DR2、DR3、DR4為輸出側(cè)4 個整流二極管，C0和R0分別為濾波電容與輸出電阻。

充電模塊三相Vienna整流器電路采用單周期控制。單周期控制的優(yōu)點在于結(jié)構(gòu)簡單，能夠在一個周期內(nèi)就實現(xiàn)負反饋控制［16-17］。相比于傳統(tǒng)的雙閉環(huán)控制策略，不僅不需要乘法器，而且無需外加中點平衡電路，能有效解決輸出中點電壓平衡問題。

本文充電模塊后級電路選擇電流內(nèi)環(huán)模糊PI控制策略。此控制策略是對傳統(tǒng)電壓電流雙閉環(huán)控制的一種優(yōu)化改進，優(yōu)點是具有更好的穩(wěn)定精度和跟隨性，克服了傳統(tǒng)控制方式下，電壓電流突變導致穩(wěn)定性和跟隨性差的問題［18-20］。

1.2 故障分析

前后兩級電路所有器件中，電解電容和功率開關故障這兩種情況是較為常見且無法避免的［21-23］，本文研究重點是電容器件和功率開關的開路故障。由于前后級模塊控制電路在整個充電樁系統(tǒng)中起著中樞控制作用，控制著前后級功率開關的導通與關斷，其發(fā)生故障將導致充電模塊功率開關無法正常運作，后果十分嚴重，因此把此類故障情況也列為研究對象。

由于多個器件同時發(fā)生故障的概率較小，本文主要研究單個器件開路的情況，包含正常狀態(tài)在內(nèi)共總結(jié)出了13種故障類型，故障分類如表1所示。

表1 充電模塊器件開路故障分類Tab. 1 Classification of open circuit fault of charging module device

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礎上進行的擴展，它具有更高的時頻分辨率，是挖掘故障特征信號的有效工具［24］。不同類型開路故障的輸出電壓時域波形中蘊含著頻率特征，本文借助小波包分析法對故障輸出電壓進行小波包分解。由于不同故障類型下各頻帶能量分布不同，就可以根據(jù)頻帶能量分布的差異，以更直觀的形式將頻率特征展現(xiàn)出來。圖3以3層小波包分解為例進行說明。

圖3 三層小波包分解示意圖Fig. 3 Diagram of three-layer wavelet packet decomposition

圖3 中S（0，0）為原始信號，S（i，j）（i=0，1，2，3；j= 0，1， ···，7）為分解樹第i層的第j個節(jié)點。初始信號經(jīng)過三層小波包分解后，表示為：

利用小波包分解得到故障信號特征量，其實現(xiàn)具體步驟如下：1）對采樣信號進行小波包分解；2）小波包分解系數(shù)重構(gòu)；3）求取各節(jié)點信號能量；4）確定故障特征向量。

利用頻帶信號能量構(gòu)造故障特征向量T。

當能量值較大時，為了便于對數(shù)據(jù)的計算和處理，要對特征向量進行歸一化處理。

式中：E（p，j）為p層j節(jié)點小波包重構(gòu)信號能量；E為輸出電壓第3層小波包分解的頻帶總能量。

2.2 故障電壓特征量提取

本文建立的故障仿真模型輸出電壓信號特征量提取步驟如下。

1） 搭建故障仿真模型，在不同類型故障下對充電模塊輸出電壓即輸出負載兩端電壓進行采樣。根據(jù)奈奎斯特采樣定律，只有采樣頻率高于信號最高頻率兩倍才能確保采樣信號完整且不失真［25］。通過對故障信號的頻率分析，采樣頻率設定為1 600 Hz。

2） 經(jīng)過仿真試驗多次對比，選用db3 小波包，對采樣信號進行3 層小波包分解，可以得到8 個節(jié)點。

3） 重構(gòu)小波包分解系數(shù)，求取不同故障下各頻帶對應小波包能量值，最后歸一化處理得到一組新的故障特征量。

在實際運維檢測中，通過檢測裝置測量到的故障波形往往都是故障發(fā)生一段時間后的數(shù)據(jù)。因此，為了更貼合實際現(xiàn)場檢測情況，本文選擇故障波形重新穩(wěn)定后的部分為研究對象。在對原始故障電壓信號進行分析后發(fā)現(xiàn)，信號中直流分量占據(jù)主導，導致小波包分解后的能量譜分布區(qū)分度較低。于是，對原始故障信號進行預處理，剔除直流分量后，再進行小波包分解。由于有些故障類型能量譜分布較相似，導致后續(xù)故障診斷區(qū)分度較低。通過對輸出電壓波形分析，不同故障類型的輸出電壓直流分量幅值存在較大差異，即可以將直流分量也看作一個特征量和處理后新的能量譜特征向量作為新的故障特征量。本文的最終確定的故障特征向量：T=[Ud，E0，E1，E2，E3，E4，E5，E6，E7]。式中：Ud為直流分量；E0—E7為歸一化后的能量譜值。

3 麻雀搜索算法（SSA）優(yōu)化BP神經(jīng)網(wǎng)絡

3.1 BP神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡一般由多層組成，典型的三層BP神經(jīng)網(wǎng)絡模型，由輸入層、隱含層和輸出層構(gòu)成。

如圖4 所示，在BP 神經(jīng)網(wǎng)絡中，輸入量沿著正向傳播，由輸入層到輸出層。BP 神經(jīng)網(wǎng)絡在訓練后具有儲存歷史故障信息的能力，可以運用BP神經(jīng)網(wǎng)絡進行故障診斷。對已有數(shù)據(jù)信息進行網(wǎng)絡訓練，將當前數(shù)據(jù)和歷史信息數(shù)據(jù)比較，從而確定故障類型。本文利用BP 神經(jīng)網(wǎng)絡，將提取的特征量和故障類型實現(xiàn)對應，進行故障診斷。但是傳統(tǒng)BP 神經(jīng)網(wǎng)絡存在一定局限性，例如對初始權重敏感，由于傳統(tǒng)神經(jīng)網(wǎng)絡在訓練過程中會給定一個隨機初始權重，導致BP 神經(jīng)網(wǎng)絡往往不可重現(xiàn)。另外，容易陷入局部最優(yōu)或訓練速度過慢也是其存在的不足。在實際應用中，往往采用優(yōu)化后的BP算法。

圖4 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig. 4 BP neural network structure

3.2 麻雀搜索算法（SSA）

麻雀搜索算法（sparrow search algorithm，SSA）是受麻雀的捕食行為和警戒行為的啟發(fā)而提出的一種群智能優(yōu)化算法［26］。

在麻雀群體中，一般有兩種不同類型的麻雀，一種是發(fā)現(xiàn)者，另一種是加入者。其中，有大約10%～20%數(shù)量的麻雀負責偵察預警，稱之為警戒者。發(fā)現(xiàn)者給加入者提供捕食的區(qū)域和方向，加入者通過發(fā)現(xiàn)者來獲取食物。一旦麻雀發(fā)現(xiàn)捕食者，就會發(fā)出預警信號，當預警值大于安全值，發(fā)現(xiàn)者就會將加入者帶到別處安全區(qū)域?qū)ふ沂澄铩Ｂ槿杆阉魉惴ǖ臄?shù)學模型就是根據(jù)麻雀的這類行為提出的。

根據(jù)以上描述，將麻雀的行為理想化，可總結(jié)出數(shù)學模型如下。

發(fā)現(xiàn)者具有較高的能量，有更好的個體適應度，發(fā)現(xiàn)者位置按式（4）進行更新。

式中：t為迭代次數(shù)；G為最大迭代次數(shù)；Xi，d為第i個麻雀在第d維中的位置；α為（0，1］間的一個隨機數(shù)；R2為預警值，是一個位于（0，1）的隨機數(shù)；S為安全值，取值范圍為［0.5，1］；Q1為一個隨機數(shù)，按正態(tài)分布；L為1×d的矩陣。

對于加入者來說，當它們察覺發(fā)現(xiàn)者尋覓到好的食物，會立刻去搶奪。如果搶奪成功，就會獲得發(fā)現(xiàn)者的食物。要是自身能量較低，它們會去其他地方去尋求更多能量。加入者位置更新如式（5）所示。

式中：為當前找到最佳食物源的發(fā)現(xiàn)者所處位置；為全局最差位置；Q為一個服從高斯分布的隨機數(shù)；A為1×d的矩陣，矩陣中每個元素為1或-1，且A+=AT（AAT）-1；當i＞n/2 時，說明第i個加入者適應度低，沒有獲取到食物，需要飛往其他地方獲取能量。

警戒者位置更新如式（6）所示。

式中：β為全局最優(yōu)位置，是一個服從高斯分布的隨機數(shù)；K為取值范圍在［-1，1］的隨機數(shù)，為防止分母為0，設置一個較小常數(shù)ε；fi為第i個加入者適應度值；fg、fw分別為整體最佳和最差適應度值；為全局最佳位置。

3.3 SSA優(yōu)化BP神經(jīng)網(wǎng)絡

選擇合理的權值和閾值將會有效提高BP 神經(jīng)網(wǎng)絡的診斷效果。本文利用SSA 算法良好的全局搜索能力，優(yōu)化BP 神經(jīng)網(wǎng)絡的初始權值和閾值，改善BP 網(wǎng)絡性能。圖5 為SSA 優(yōu)化BP 神經(jīng)網(wǎng)絡流程圖，算法優(yōu)化步驟如下。

圖5 SSA優(yōu)化BP神經(jīng)網(wǎng)絡流程圖Fig. 5 Flow chart of SSA optimized BP neural network

1） 數(shù)據(jù)歸一化預處理。將樣本數(shù)據(jù)歸一化，解決奇異樣本導致神經(jīng)網(wǎng)絡收斂慢、訓練時間長的問題。

2） 確定BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)。本文設置了9 個故障特征量，輸入神經(jīng)元數(shù)量為9。輸出變量為故障類型即故障1，2，…，13 為單輸出，所以輸出神經(jīng)元數(shù)量為1。通過反復實驗比較，選定隱含層神經(jīng)元數(shù)量為12 時診斷效果最佳，因此BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)為9-12-1。

3） 初始化SSA 參數(shù)。初始化SSA 算法相關參數(shù)，包括種群規(guī)模、最大迭代次數(shù)、預警值、發(fā)現(xiàn)者和加入者比例等。

4） 確定適應度函數(shù)，計算初始適應度值。先對BP 神經(jīng)網(wǎng)絡進行初次訓練，將訓練集預測誤差和測試集預測誤差的和作為適應度函數(shù)，適應度值越小，表明誤差越小。確定當局最優(yōu)的適應值和對應的位置。

5） 更新麻雀的位置。判斷預警值和安全值的大小，更新發(fā)現(xiàn)者的位置。加入者的位置根據(jù)它們自身的適應度在不斷變化。警戒者的初始位置是隨機產(chǎn)生的，根據(jù)麻雀個體的適應度值和當局最優(yōu)適應度值的比較，不斷更新警戒者的位置。

6） 計算麻雀位置更新后的新適應度值并與之前最優(yōu)適應度值相比較，更新全局最優(yōu)信息。

7） 判斷迭代次數(shù)是否滿足預定值。若不滿足，返回繼續(xù)迭代。反之則停止迭代，得到網(wǎng)絡最優(yōu)權值和閾值，生成最優(yōu)的BP網(wǎng)絡模型。

4 仿真結(jié)果及分析

本文利用MATLAB/Simulink 搭建直流充電樁充電模塊仿真模型，前后級主電路設計如圖1—2所示，關鍵參數(shù)設計如表2 所示。整個充電模塊輸入相電壓為220 V，額定輸出電壓為750 V，輸出電流為20 A，輸出額定功率為15 kW。交流側(cè)前級整流電路輸入濾波電感具有能量儲存和濾波作用，考慮到跟蹤輸入電壓能力和電流紋波，電感取值為4 mH，直流輸出側(cè)電容為2 500 μF。全橋LLC 諧振變換器諧振器件Lm、Lr和Cr的參數(shù)值分別為95.8 μH、23.95 μH 和105.78 nF，輸出濾波電容容值為1 500 μF。為使仿真更接近實際情況，仿真實驗均考慮到功率開關的導通電阻等因素。

表2 充電模塊主電路設計參數(shù)Tab. 2 Design parameters of main circuit of charging module

在進行故障仿真時，故障設定在1 s 處，仿真總時長為8 s。圖6為充電模塊正常工作時和發(fā)生故障狀態(tài)下輸出電壓波形（同一種故障類型波形相似，基本重疊）。從圖6 中可以看出，故障波形在6.5 s后趨于平穩(wěn)。同一種故障類型時域波形差別不大，前級單個功率開關開路故障波形和正常波形在平穩(wěn)區(qū)段有部分重疊。本文所研究的故障類型均表現(xiàn)為對輸出電壓產(chǎn)生不同程度的畸變，所以單從波形圖分析，并不能準確區(qū)分故障類型，需借助小波包分解技術提取有效特征量。

圖6 故障狀態(tài)輸出電壓波形圖Fig. 6 Fault state output voltage waveform

圖7 為濾波電容C0、前級功率開關Sa、后級功率開關Q1 開路故障下輸出電壓能量頻帶能量分布對比圖?？梢钥闯?，無故障狀態(tài)和故障狀態(tài)下的輸出電壓頻帶能量值分布明顯不同，即使同種類故障，頻帶分布也有差異。綜上所述，每個頻帶對應的能量值就可以被看作是一個充電模塊故障特征向量。

圖7 小波包能量譜圖Fig. 7 Wavelet packet energy spectrum

本文采集樣本數(shù)據(jù)時，分別考慮額定負載、0.8 倍欠載和1.2 倍過載情況，每種負載下均考慮到輸出濾波電容的容值波動，最終確定了50 種工況。樣本總數(shù)13×50=650 組數(shù)據(jù)，將650 組數(shù)據(jù)分為兩部分，455 組數(shù)據(jù)當作訓練集，195 組數(shù)據(jù)當作測試集。將數(shù)據(jù)帶入9-12-1 結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡中，利用SSA 算法優(yōu)化BP 網(wǎng)絡權值和閾值。不斷迭代計算適應度值，麻雀個體的適應度變化如圖8所示。

圖8 算法適度曲線Fig. 8 Algorithm fitness curves

圖9 算法預測結(jié)果對比Fig. 9 Comparison of algorithms prediction results

從適應度函數(shù)曲線可以看出，通過不斷迭代更新麻雀的位置，整體誤差不斷下降，得到最優(yōu)解即為BP神經(jīng)網(wǎng)絡的最優(yōu)權值和閾值。

為了驗證所提出方法的優(yōu)越性，本文分別采用傳統(tǒng)BP、PSO-BP 和SSA-BP 這3 種方法對455 組訓練樣本進行訓練。為了保證對比結(jié)果的有效性，3種方法采用相同的BP 網(wǎng)絡參數(shù)：最大迭代次數(shù)1 000，學習率0.01，訓練目標誤差1 × 10-3，激活函數(shù)選用logsig。其中，PSO-BP 算法［27-28］和SSABP 算法的參數(shù)見表3。195 組測試集的分類結(jié)果表明，經(jīng)過SSA 優(yōu)化后的神經(jīng)網(wǎng)絡迭代和收斂速度更快，均方誤差更小，故障分類的準確率有所提高，結(jié)果如圖8—9和表4所示。

表3 算法參數(shù)設置Tab. 3 Algorithms parameters setting

表4 算法結(jié)果比較Tab. 4 Comparison of algorithm results

5 結(jié)語

本文針對直流充電樁的充電模塊進行了深入的研究，分析了充電模塊的工作原理和故障類型；搭建了仿真模型，并利用小波包分解，提取輸出電壓的有效故障特征向量作為故障診斷的依據(jù)，實現(xiàn)故障定位。針對傳統(tǒng)故障診斷方法的不足以及傳統(tǒng)BP 神經(jīng)網(wǎng)絡存在的局限性，本文提出了一種基于SSA-BP 的充電模塊故障診斷方法。利用SSA 算法較好的全局搜索能力優(yōu)化BP 神經(jīng)網(wǎng)絡初始權值和閾值，以提高故障診斷率。通過仿真實驗驗證，SSA-BP 算法故障分類準確率達到93.85%，同條件下比傳統(tǒng)BP和POS-BP診斷模型分別提高了7.70%和4.62%，故障診斷率滿足要求，表明了本文所提診斷方法對直流充電樁故障診斷有一定的現(xiàn)實指導意義。