原创力文档- 1、本文档共12页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（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。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
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
ABSTRACT:Theopen-circuitfaultsofEVchargingpiles(SNR)of10dB,theaccuracyisstillabove90%,andthe
affectpowerqualityofpowergridandthreatenchargingsafety.accuracyofthismethodreaches94.54%inexperimental,
Researchesontheopen-circuitfaultdiagnosisareofgreatwhichfurtherverifiestheeffectivenessofthismethod.
significancetoensuringthesafeandstableofthepowergridKEYWORDS:DCchargingpile;faultdiagnosis;deep
andreducingthemaintenancecostofthechargingpile.learning
Accordingtothemultidimensionalcharacteristicsofopen
circuitfaultsignalsofchargingpiles,atensorreshapefusion摘要：电动汽车充电桩的开路故障影响电网电能质量、威胁
diagnosticmodelisproposedinthispaper.Inthismethod,the充电安全，研究开路故障诊断对保障电网安全稳定运行、降
multidimensionalfeatureparallelextractionabilityofresidual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
network(ResNet)andthesequentialfeatureextractionability多维度特点，该文提出一种张量重构融合诊断方法。该方法
ofgatedrecurrentunit(GRU)areusedtoextractthefrontand分别利用残差网络(residualnetwork，ResNet)的多维特征并行
rearstagefaultfeaturesofthechargingpilecircuit,thefusion提取能力和门控循环单元(gatedrecurrentunit，GRU)的时序特
diagnosisisperformedforfrontandrearstagefeatures,andthe征提取能力，提取充电桩充电模块电路中前、后级故障特征，
highaccuracyfaultdiagnosisoffrontandrearstageof并对前、后级特征进行融合诊断，实现了充电桩中充电模块
chargingpileisrealized.Apre-processingmethodof前、后级故障的较高精度诊断。提出的基于张量重构的前级
front-stagethree-phasefaultsignalsbasedontensorreshape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
methodisproposed,whichavoidsthegraphicalinputor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
one-dimensionalinputusedbytraditionaldeeplearning断性能。与传统的故障诊断方法相比较，所提方法使用深度
algorithmsandgivesfullplaytothediagnosticperformanceof学习技术，无需人为选定故障特征参数。仿真证明所提方法
deepneuralnetwork.Comparedwiththetraditionalfault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%
diagnosismethod,theproposedmethodusesdee
从事办公室文字工作，提供论文格式排版 、专业学术论文参考资料、文章写作、论文答辩PPT模板、会议筹备指导等服务，经验丰富，已从事七年。互相信任，保证质量，全程包修改，负责到通过。 微X号：lhg511823
文档评论（0）