【技术实现步骤摘要】
本专利技术属于充电桩，具体涉及一种电动汽车充电桩的新型电弧故障检测方法。
技术介绍
1、电动汽车充电桩一种为电动汽车提供电量补充的补能装置，可以固定在地面或墙壁，安装于公共建筑（充电站、商场、公共停车场等）和居民小区停车场内，可以根据调整电压电流为各种型号的电动汽车充电。充电桩的输入端与交流电网直接连接，输出端都装有充电插头用于为电动汽车充电。
2、随着电动汽车的普及和充电桩的广泛应用，充电桩的安全性和可靠性成为重要的关注点之一。在电动汽车充电过程中，因为不确定原因可能会发生电弧故障，导致电能的浪费，严重的还会导致设备损坏甚至火灾等严重后果。因此，对电弧故障的检测和及时处理显得尤为重要。
3、传统的电弧故障检测方法，主要基于电流和电压信号的幅值和频率变化来检测电弧特征，但在噪声干扰环境下，检测结果不够准确可靠。此外，传统的检测方法也受到充电环境下电流屏蔽效应的影响，使得电弧故障的检测效果有所限制，影响电弧故障检测的精度。
技术实现思路
1、为了解决上述现有技术中存在的问题，提供了一种电动汽车充电桩的新型电弧故障检测方法。
2、本专利技术解决其技术问题所采用的技术方案是：
3、本技术方案提出了一种电动汽车充电桩的新型电弧故障检测方法，包括以下步骤：
4、s1：分别采集充电桩的正常工作和实时工作电气参数，根据实时工作电气参数构造原始数据集，根据正常工作电气参数通过处理分析后得到正常电信号微分数据特征集合dif0；
6、s3：对预处理数据集中的数据通过对比算法进行筛选，将筛选后的数据融合神经网络模型后，得到实时电信号微分数据特征集合dif1；
7、s4：将实时电信号微分数据特征集合dif1与正常电信号微分数据特征集合dif0比较判断，识别电弧故障。
8、优选的，s2中，数据处理分析方法包括：
9、s11：对不同模态分量进行希尔伯特变换，计算得到其解析信号的单边频谱：
10、 （1）
11、式中，为希尔伯特变换时采用的冲激信号，为对应模态分量下的偏置分量，为对应充电桩的实时电流信号；
12、通过（1）式对希尔伯特变换所需的冲激信号进行偏置量修订，可得到对应模态分量下的解析信号的单边频谱；
13、s12：将指数项加入至各个模态中，调节预估的中心频率，调节各个模态分量的频率至对应基带：
14、 （2）
15、式中，为对应不同模态分量的频率的表达，为信号梯度计算中的虚数单位，为信号梯度计算中的时间量；
16、s13：将上述解调信号梯度的二范数平方进行计算，由各模态带宽最终得到如下变分问题：
17、 （3）
18、 （4）
19、式中，表示对后续式子进行偏微分计算，为对电流数据的约束量；
20、（3）式通过调节信号梯度的二范数平方，经偏微分计算，得到在（4）式条件约束下的变分问题，对解调后的变分模态信号做傅里叶变换，完成对数据的预处理，其中，根据实际的充电桩运行电流频率来设定。
21、优选的，s3中，数据筛选方法包括：
22、s21：使用一个数据筛选模块来确定正负样本对；
23、s22：采用cnn网络获取编码结果，式中，为对应神经网络的池化层输出结果，为相应的样本；
24、s23：利用隐藏层多层感知将编码结果转换到对比损失空间：
25、 （5）
26、其中，为池化层输出结果为自变量下的对比损失空间函数表达，为relu激活函数，用于对比训练中，和分别为对应编码输出结果。
27、优选的，s3中，神经网络模型融合方法包括：
28、s31：将cnn网络与lstm网络并行结合，在池化层后增加flattern层以利用中间层信息，搭建融合神经网络模型；
29、其中，cnn网络由一个输入层，两个二维卷积层，两个可分离卷积层，两个最大池化层和两个flattern层组成，lstm网络由一个输入层，一个lstm层和一个flattern层组成；
30、s32：对比学习后得到的样本s(x,y)在有界变分空间下进行差分数据融合，经过偏微分梯度算子积分运算，得到微分数学模型能量普适函数：
31、 （6）
32、式中，为拉格朗日算子，与分别为对比学习后与对比学习前的样本，为数据信号影响因子的分数阶导数，为范数单位；
33、经对比学习下的样本与偏微分梯度算子的积分，得到了微分数学模型能量普适函数的表达式，通过微分定义与欧拉方程定义得到信号检测方程：
34、 （7）
35、式中，为具体的步长值，为推导因子，为累计检测次数，表示对应当前检测次数，通过不同次数下的欧拉方程与样本信息的累加，得到了基于融合神经网络模型下的信号检测方程的表达式；
36、经过对比学习后的样本数据，经过融合神经网络模型得到实时电信号微分数据特征集合dif1。
37、优选的，s1中，正常电信号微分数据特征集合dif0为采集了海量的充电桩正常工作时的电流信号所得到的样本数据，基于采集到的样本数据，通过频谱分析得到海量工作时的频谱数据，建立充电桩正常工作时的正常电信号微分数据特征集合dif0。
38、优选的，电气参数为充电桩的工作电流。
39、与现有技术相比，本专利技术具有以下优点：
40、1.本专利技术采用变分模态分解和傅里叶变换来提取充电桩电流信号的频谱数据，并通过改进对比学习算法对数据进行筛选和预处理，能够适应噪声环境下电弧故障特征的准确提取，通过构建融合神经网络模型，并采用微分特征集合来判断实时电信号的特征，减小了充电桩电流环境下的屏蔽效应对数据的影响，由融合神经网络模型以及微分特征集合的判断，可以进一步提高检测的准确率，且具有较高的检测精度。
41、2.本专利技术所述的方法，具有较高的检测准确率和鲁棒性，能够适应噪声环境下电弧故障特征的提取，减小充电桩电流环境的屏蔽效应对数据的影响，提高了电弧故障检测的准确率和精度，采用了先进的融合神经网络模型和微分特征集合的判断方法，使得检测结果更加可靠和稳定，提高充电桩运行的安全性和稳定性，在电动汽车行业中具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，S2中，数据处理分析方法包括：
3.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，S3中，数据筛选方法包括：
4.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，S3中，神经网络模型融合方法包括：
5.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，S1中，正常电信号微分数据特征集合DIF0为采集了海量的充电桩正常工作时的电流信号所得到的样本数据，基于采集到的样本数据，通过频谱分析得到海量工作时的频谱数据，建立充电桩正常工作时的正常电信号微分数据特征集合DIF0。
6.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，电气参数为充电桩的工作电流。
【技术特征摘要】
1.一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，s2中，数据处理分析方法包括：
3.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，s3中，数据筛选方法包括：
4.根据权利要求1所述的一种电动汽车充电桩的新型电弧故障检测方法，其特征在于，s3中，神经网络模型融合方法包...
【专利技术属性】
技术研发人员：李民，张健，刘思华，肖萌，陈瑾，陈国凯，
申请(专利权)人：国网山东电动汽车服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。