利用VMD-SWT与ISSA-BiLSTM的充电桩故障诊断方法

摘要

针对电动汽车直流充电桩故障诊断精度较低的问题，提出一种变分模态分解结合平稳小波变换(variational mode decomposition-stationary wavelet transform, VMD-SWT)和改进麻雀搜索算法优化双向长短时记忆网络(improved sparrow search algorithm-bidirectional long short-term memory network, ISSA-BiLSTM)的充电桩故障诊断模型。首先，利用VMD-SWT方法对充电桩非线性故障信号进行特征提取，得到可分性更好的时频域特征；然后，对充电桩的时频域特征进行归一化处理，引入Iterative-Tent混沌映射、自适应动态惯性权重和拉普拉斯算子对SSA进行改进，利用ISSA对BiLSTM模型的超参数进行优化，得到最优模型；最后，比较所提方法与其他方法的故障诊断结果，验证新方法的有效性。实验结果表明：所提方法的故障诊断准确率达98.34%,在诊断精度方面优于比对的传统故障诊断方法。

关键词

充电桩 / 故障诊断 / 变分模态分解 / 双向长短时记忆网络 / 麻雀搜索算法

基金资助

重庆市自然科学基金面上项目(CSTB2022NSCQ-MSX1456); 重庆市教育委员会科学技术研究项目(KJZD-K202300705); 重庆交通大学研究生课程思政示范项目(KCSZ2023011);重庆交通大学课程思政示范课程培育项目(19210096);重庆交通大学研究生科研创新项目(2023S0054); 重庆市高等教育教学改革研究项目(233239)