基于模型预测控制的电动汽车直流充电桩功率器件开路故障诊断方法

针对电动汽车直流充电桩故障中较为常见的功率器件开路故障,提出了一种基于模型预测控制的电动汽车充电桩实时故障诊断方法。采用模型预测电流控制方法替代传统PWM整流器电流环中的PI控制器。在此基础上,将功率器件开路故障情况下整流器实际应用的开关状态与通过模型预测控制得到的最优开关状态相比较,建立故障特征信号,从而实现充电桩功率器件开路故障诊断与定位。由于不同功率器件故障特征信号之间互不影响,因此该方法对于单管、双管及多管同时故障均有显著效果。仿真结果验证了该充电桩故障诊断方法的正确性和有效性。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于改进决策树的充电桩故障预测方法

为了保证电动汽车充电桩的安全稳定运行,提高充电桩故障预测准确性,提出一种基于改进决策树的充电桩故障预测方法。首先,对充电桩的运行参数进行预处理,将处理后的数据作为模型输入;其次,建立基于粒子群算法改进的决策树的充电桩故障预测模型;最后,采用真实充电桩故障的数据集进行仿真分析。仿真结果表明,所提出的方法能有效提高模型预测准确性。     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

基于边缘侧自编码器压缩的换流站设备故障预测

随着电力需求的日益增长,保证电力设备维持在高可用的状态变得非常重要。故障预警通过预测设备的潜在故障,协助运维人员提前定位系统不稳定因素并加以干预,成为设备主动运维的重要方法。结合换流站设备呈区域分布的特点,提出了一种基于边缘侧自编码器压缩的分布式LSTM(长短期记忆网络)预测模型。该模型将生产区域抽象为边缘节点,通过自编码器提取表征各边缘节点设备状态的编码信息,并利用工业网络进行信息共享。通过特征工程的方法改进了传统LSTM模型的输入,在提升模型预测精度的同时降低了模型复杂度。某换流站的应用案例验证了方法的有效性和可行性。     

基于张量重构融合诊断的电动汽车直流充电桩开路故障诊断方法

电动汽车充电桩的开路故障影响电网电能质量、威胁充电安全,研究开路故障诊断对保障电网安全稳定运行、降低充电桩维护成本具有重要意义。针对充电桩开路故障信号多维度特点,该文提出一种张量重构融合诊断方法。该方法分别利用残差网络(residual network,ResNet)的多维特征并行提取能力和门控循环单元(gated recurrent unit,GRU)的时序特征提取能力,提取充电桩充电模块电路中前、后级故障特征,并对前、后级特征进行融合诊断,实现了充电桩中充电模块前、后级故障的较高精度诊断。提出的基于张量重构的前级三相故障数据预处理方法,避免了传统深度学习算法使用的图像化输入或一维输入,充分发挥了深度神经网络的并行诊断性能。与传统的故障诊断方法相比较,所提方法使用深度学习技术,无需人为选定故障特征参数。仿真证明所提方法对不同强度噪声影响下的故障数据平均诊断准确率可达96%以上,特别是在信噪比(signal-noise ratio,SNR)10dB的高噪声情况下,依然具有90%以上准确率,在实验测试中该方法准确率达94.54%,进一步验证了该方法的有效性。     

基于SO优化神经网络的新能源汽车充电桩故障预测系统研究

随着新能源汽车的广泛应用,充电桩作为电网终端设备,其故障会对电网稳定性产生影响。为提高充电桩故障预测的准确性,本文提出一种基于蛇群算法(SO)优化神经网络的新能源汽车充电桩故障预测方法。该方法将SO算法与神经网络模型相结合,利用SO算法的全局优化搜索能力对神经网络权重进行训练优化,以提升模型的预测性能。在充电桩故障分类数据集上,本文构建三层全连接神经网络,并采用SO算法优化网络参数。优化后模型的各项指标如AUC、准确率、召回率等明显提高,较单一神经网络和其他优化算法效果更好。研究表明,SO算法可以有效提升神经网络在充电桩故障预测任务上的性能,为充电桩的状态监测和故障预警提供了有效解决方案。本研究的发现为未来充电桩故障预测方法的研究提供了有益的参考,同时也为实际的充电桩状态监测和故障预警系统的设计提供了支持。     

基于深度学习的变压器局部放电模式识别研究

针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络(CNN)模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络(LSTM)善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。     

基于信道预测的充电桩自适应通信组网方法

随着电动汽车保有量的不断增加,充电桩的集群控制面临着挑战,而充电桩集群控制在一定程度上取决于充电桩的通信组网性能。为满足充电桩集群控制的需求,解决零散充电桩通信组网困难的问题,提出一种基于信道预测技术的充电桩自适应通信组网方法。利用基于改进回声状态网络的信道技术预测充电桩间的信道状态信息,评估充电桩间的通信环境,选择最优的充电桩通信主节点构建充电桩通信组网。仿真结果表明,所提出的信道预测技术可以准确地预测充电桩间的信道状态信息,具有良好的单步预测和多步预测性能,可以实现充电桩的有效通信组网。     

基于数据驱动的涡轮发动机剩余寿命预测

涡轮发动机系统工况复杂,经常在极端环境下工作,容易发生故障造成不可挽回的损失.通过建立物理模型的方法来进行寿命预测不仅建模困难、适用性不好,而且十分依赖先验知识.为建立适用于高维度特征的发动机剩余寿命预测模型,以及更加合理的对发动机的剩余寿命进行预测,使用改进后的梯度提升决策树(GBDT)和进行归一化处理后的涡轮发动机性能数据进行实验.在通用数据集上开展测试比较,结果表明改进GBDT模型适用于不同工况下涡轮发动机的剩余使用寿命预测,预测效果优于现有支持向量回归(SVR)、卷积神经网络(CNN)、长短期记忆网络等方法(LSTM),尤其是在运行时间上有较大幅度的提升,对于涡轮发动机的健康管理与运维决策能够提供保证.     

基于区块链技术的电动汽车充电桩共享检测

为解决电动汽车产业发展中电动汽车充电桩面临的检测维护、通信、数据安全等问题,文中提出了以电动汽车交直流充电桩技术为基础,将区块链技术应用于RFID无线通信技术的数据安全与管理中,形成了基于区块链技术的电动汽车充电桩共享检测的技术方案。方案实现了充电桩检测技术中射频通信机制与数据共享区的互斥管理,且保证了无源状态下的数据存储与通信安全。该方案对未来电动汽车充电桩共享检测系统的可行性、安全性、降低成本和功耗等都有一定的参考意义。     

充电桩群控操作管理单元的设计与实现

利用两个充电桩同时对一辆电动汽车充电的技术,设计了充电桩群控操作管理单元对多个充电桩控制管理,既可对小功率的车单充,又可对大功率的车双充。结合"互联网+"技术提出了手机APP、在线卡和离线卡三种支付方式兼容的充电方法。在软件实现上采用模块化设计,规范充电流程,数据流通过消息总线机制在各模块间传输。在双充操作上,充电桩群中任意两个充电桩都可以组合,组合后在其中任一充电桩上可以启动和终止充电,将充电中双桩设置主桩和辅桩进行管理。通过厦门多个公交站的运营情况表明,该充电桩群控操作管理单元使用是稳定可靠的。与传统的充电装置相比,使用充电桩群控操作管理单元使充电功率选择更多元化,充电站设计成本更低。     

电动汽车充电桩轻量级密钥管理方案

充电桩通信系统作为“泛在电力物联网”通信网络的重要组成部分,其密钥管理是信息安全防护措施成功实施的关键。为保证管理控制中心、电气控制柜、电动汽车充电桩三层架构的通信安全,兼顾电动汽车充电桩通信效率,提出一种轻量级的充电桩密钥管理方案（charging pile key management scheme,CPKMS）,并给出了详细的密钥管理实现流程;分析了该方案的密钥安全性、前向与后向安全性、抗攻击能力及其运算负荷和密钥存储数量。分析结果表明：该方案具有抗伪造攻击、抗中间人攻击与抗重放攻击的能力,兼顾了安全性与效率,能够满足充电桩密钥管理的安全需求。     

基于区块链技术的充电桩运维系统研究

面对电动汽车大规模推广应用对充电桩高效运维管理的需求,首先在介绍区块链技术基本原理的基础上,分析了充电桩运维系统的高分布性、多主体性和高可信性特征,归纳了区块链技术在充电桩运维系统上的应用价值,然后构建了基于联盟链式结构、采用PBFT共识机制、包含完全和不完全两类节点的区块链充电桩运维系统。最后,结合具体应用场景给出了系统在服务层、管理层和数据结构层各个层面的详细功能。为充电桩、配电站、运维机构、检定机构和监管部门等多边利益主体构思了一种基于区块链的端到端透明化、高可信性的去中心化管理模式,为区块链技术在充电桩运维系统的落地实施提供了参考。     

一种新型电动汽车充电桩技术方案探讨

在“互联网+”的背景下提出新型电动汽车充电桩的技术方案。方案从充电桩架构的角度入手,分析充电桩的现状与存在的问题。定义充电桩的功能需求,设计新型电动汽车充电桩架构,同时也规划了新型架构下需要支持的标准体系。通过架构设计、功能定义、标准体系、业务流程及应用案例的对比分析完成充电桩的技术方案探讨。结果表明,该技术方案在兼顾扩展和安全的前提下,利于充电桩产品的标准化,可以有效提高电动汽车充电桩充电服务能力,降低充电桩运营成本。     

一种基于有界不确定性和扰动估计器的大功率充电桩控制策略

大功率充电桩接入电网是实现多电压等级电动汽车充放电的关键设备,但因电动汽车的即插即用需求和充电功率冲击特性,大功率充电桩接入将对电网运行稳定性带来挑战。提出基于不确定性和扰动估计器（uncertainty and disturbance estimator, UDE）的大功率充电桩控制策略。首先,在大功率充电桩双主动全桥换流器（dual active bridge, DAB）模块采用虚拟直流电机控制策略,实现对直流电压的基本控制。然后,考虑电动汽车投切对电网稳定运行的影响,基于LC滤波器建立UDE补偿控制环节,对滤波单元动态误差进行反馈,将其输出量作为补偿分量,实现对直流母线电压的补偿控制,从而有效提升直流电压稳定性。最后,基于PSCAD/EMTDC搭建充电桩系统仿真模型,其仿真结果验证了所提控制策略的可行性。     

基于区块链的电动汽车充电桩两阶段交易优化

为了解决电动汽车大规模发展带来的充电交易主体之间的信任问题,提出了基于区块链的电动汽车充电桩两阶段交易优化方法。首先,设计电动汽车充电桩两阶段交易优化框架;然后,为了避免电网负荷过载给电网的安全稳定运行带来影响,以电网容量裕度为约束,引入双向交易市场、P2P交易市场,在各个充电站之间进行充电权交易,构建电网与电动汽车充电桩交易优化模型;其次,为了降低充电站的偏差惩罚成本以及引导电动车车主有序充电,构建了基于需求响应的电动汽车充电桩与车主交易优化模型;最后,以某一仿真场景为例进行算例分析,验证模型的有效性。算例结果表明:基于区块链的两阶段交易优化模型,能提高充电站的收益,降低系统峰谷差。     

基于综合预测模型和蒙特卡洛的电动汽车保有量及负荷预测方法研究

电动汽车的规模化发展及其充电设施的持续性建设严重威胁电力系统的稳定性,但是目前尚缺简便有效的电动车保有量和负荷预测方法。因此,建立基于综合预测的电动汽车保有量预测模型,应用灰色预测、反向传播（BP）神经网络以及长短时记忆（LSTM）网络3种预测模型对电动汽车保有量进行预测,获得单预测模型的预测结果,并利用熵权法对单预测模型预测结果分配权重,计算得到综合预测结果。建立基于蒙特卡洛算法的电动汽车负荷预测模型,在保有量预测的基础上,模拟电动汽车电池特征参数和用户出行习惯,对电动汽车无序充电行为进行预测,形成电动汽车日负荷曲线。最后,以某市电动汽车保有量及充电负荷数据验证所提模型的有效性。算例分析表明,所提综合预测模型比单预测模型具有更高的预测精度,负荷预测结果表明规模化电动汽车并网将给电力系统带来新的挑战。     

基于深度学习分位数回归模型的充电桩负荷预测

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法。该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测。根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值。