基于WPT和SSA-BP的直流充电桩充电模块故障诊断.pdf

第 17 卷 第 9 期2023 年 9 月南方电网技术SOUTHERN POWER SYSTEM TECHNOLOGYVol.17，No.9Sep.2023基于WPT和SSA-BP的直流充电桩充电模块故障诊断姚望1，2，张英1，2，王明伟2，马永超3（1.贵州大学电气工程学院，贵阳 550025；2.贵州电网有限责任公司电力科学研究院，贵阳 550002；3.清华大学电机系，北京 100084）摘要：充电模块是电动汽车直流充电桩最为关键的部分，针对其功率开关和电解电容等核心器件的开路故障特点，提出了一种基于小波包变换（wavelet packet transform，WPT）和麻雀搜索算法优化反向传播神经网络（sparrow search algorithm-back propagation，SSA-BP）的故障诊断方法。该方法以充电模块输出电压为原始信号，首先通过预处理剔除其直流分量，对处理后的信号进行小波包分解，然后计算出各子频带信号的能量，通过归一化得到初始特征向量，最后将直流分量和归一化后的特征向量作为最终故障特征量输入到SSA-BP神经网络，进而输出分类结果实现故障诊断。为验证方法的可行性和优越性，搭建了输出功率15 kW的两级仿真模型，在不同工况下进行仿真验证。实验结果表明该方法具有较好的诊断效果，诊断率达到93.85%，对电动汽车直流充电桩故障诊断具有现实指导意义。关键词：直流充电桩；充电模块；神经网络；故障诊断Fault Diagnosis of Charging Module of DC Charging Pile Based on WPT and SSA-BPYAO Wang1,2,ZHANG Ying1,2,WANG Mingwei2,MA Yongchao3（1.School of Electrical Engineering,Guizhou University,Guiyang 550025,China；2.Electric Power Research Institute of Guizhou Power Grid Co.,Ltd.,Guiyang 550002,China；3.Department of Electrical Engineering,Tsinghua University,Beijing 100084,China）Abstract：Charging modules are the most critical component of electric vehicle DC charging piles.Considering the open circuits fault characteristics of core devices such as power switches and electrolytic capacitors,a fault diagnosis method based on wavelet packet transform（WPT）and sparrow search algorithm-back propagation（SSA-BP）neural networks is proposed.The method takes the output voltage of the charging module as the original signal.Firstly its DC component is rejected through pre-processing,and the processed signal is decomposed into wavelet packet.Then the energy of each sub-band signal is calculated,and the initial feature vector is obtained through normalization.Finally the DC component and the normalized feature vector as the final fault feature quantity are put into the SSA-BP neural network,and then the classification results are output to achieve fault diagnosis.In order to verify the feasibility and superiority of this method,a two-stage simulation model with an output of 15 kW is built under different operating conditions.Experiment results show that this method could effectively improve fault diagnosis accuracy with diagnosis rate of 93.85%.And it has practical guiding significance for fault diagnosis of electric vehicle DC charging piles.Key words：DC charging pile；charging module；neural network；fault diagnosis文章编号：1674-0629（2023）09-0085-09 中图分类号：TM73文献标志码：ADOI：10.13648/ki.issn1674-0629.2023.09.010基金项目：国家自然科学基金资助项目（59637050）。Foundation item：Supported by the National Natural Science Foundation of China（59637050）.南方电网技术第 17 卷0引言近年来，新能源汽车的普及推动了充电设施的发展1。在碳排放目标以及新基建的激励下，汽车充电设施将会出现新一轮的高速增长2-4。其中，直流充电桩具有充电高效、快速等优点，逐渐取代交流充电桩，成为当下热门的研究领域5。充电模块是直流充电桩的核心部件，其主要功能是为电动汽车动力电池充电。充电模块一般由前级和后级两个模块组成6。前级模块的作用是将电网输出的交流电转化为稳定的直流电输入到后级，后级模块的作用是将直流电二次转换变换为汽车所需的直流电，具有电压变换和电气隔离的功能。前级结构以三相Vienna整流器为主体来获取稳定直流电，后级结构使用全桥LLC谐振变换器，该结构利用软开关技术可以在极大程度上减小开关损耗，提高系统整体效率7-8。开路故障和短路故障是直流充电桩最为常见的两种故障。短路故障会导致过电流过大，并在短时间内烧毁设备，危害极大。一般在电路中配有熔断装置，保护电路动作将短路转化为开路9-10。开路故障虽然不会在一瞬间产生过流，但会导致电网侧电流发生畸变。同时，装置元件应力会因此变大，造成二次故障11。因此，对充电模块开路故障的诊断显得十分重要。目前，对充电模块开路故障的研究仅局限于针对单级结构功率开关开路故障。目前，主流检测手段有两种：电流检测法和电压检测法。文献 12 搭建了充电模块脉宽调制（pulse width modulation，PWM）整流器前级模型，通过仿真得到了频带和频率的故障数据，将这些数据作为特征量进行处理，整理成故障编码的形式，最终实现了对充电模块前级部分的开路故障诊断。文献 13 通过对充电桩前级整流器输出电压进行检测，利用深度神经网络实现充电桩实时故障诊断。文献 14 以V2G充电桩前级结构为研究对象，设置功率开关开路故障仿真模型，分析其电网侧输入电流波形，结合小波包分析法和随机森林算法实现故障诊断。文献 15 建立了两级结构模型，选定电网输入侧电流波形为研究对象，运用电流检测法检测系统运行状态，并且使用传统BP神经网络进行故障诊断。针对上述分析，本文参考了当下直流充电桩充电模块常用结构，建立了完整的两级结构模型，全面研究了开路故障输出波形特点。同时，选取后级模块输出电压为研究对象，与直流充电桩实际工程应用更契合。本文应用麻雀搜索算法迭代寻优，确定BP神经网络的全局最优参数，能够改善BP神经网络的不足，进一步提高模型的诊断率。最后，对本文提出的方法进行仿真分析，以验证所提诊断模型的有效性。1充电模块拓扑结构及故障分析1.1充电模块拓扑结构作为直流充电桩最为重要的模块，充电模块主电路一般采用两级变换结构。图1为本文研究充电模块的前级整流模型，采用三相 Vienna 整流器结构，为后级电路提供稳定直流电。图 1中，ua、ub、uc为三相电网电压，La、Lb、Lc为电感值相等的滤波电感，全控型器件 Sa、Sb、Sc和各自并联的 4 个二极管组成三相功率开关，Da1、Da2、Db1、Db2、Dc1、Dc2为快速恢复型二极管，C1、C2为直流侧滤波电容。后级模型采用全桥LLC谐振变换器，能够输出满足汽车需要的直流电，其结构拓扑如图2所示。图2中，Q1Q4是构成逆变电路的4个功率开关管，各自并联一个体二极管和寄生电容。原边谐图1三相Vienna整流器拓扑结构Fig.1Three-phase Vienna rectifier topology图2全桥LLC谐振变换器拓扑结构Fig.2Topology of full bridge LLC resonant converter86第 9 期姚望，等：基于WPT和SSA-BP的直流充电桩充电模块故障诊断振回路由谐振电感 Lr、励磁电感 Lm和谐振电容Cr构成。DR1、DR2、DR3、DR4为输出侧 4 个整流二极管，C0和R0分别为滤波电容与输出电阻。充电模块三相Vienna整流器电路采用单周期控制。单周期控制的优点在于结构简单，能够在一个周期内就实现负反馈控制16-17。相比于传统的双闭环控制策略，不仅不需要乘法器，而且无需外加中点平衡电路，能有效解决输出中点电压平衡问题。本文充电模块后级电路选择电流内环模糊PI控制策略。此控制策略是对传统电压电流双闭环控制的一种优化改进，优点是具有更好的稳定精度和跟随性，克服了传统控制方式下，电压电流突变导致稳定性和跟随性差的问题18-20。1.2故障分析前后两级电路所有器件中，电解电容和功率开关故障这两种情况是较为常见且无法避免的21-23，本文研究重点是电容器件和功率开关的开路故障。由于前后级模块控制电路在整个充电桩系统中起着中枢控制作用，控制着前后级功率开关的导通与关断，其发生故障将导致充电模块功率开关无法正常运作，后果十分严重，因此把此类故障情况也列为研究对象。由于多个器件同时发生故障的概率较小，本文主要研究单个器件开路的情况，包含正常状态在内共总结出了13种故障类型，故障分类如表1所示。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础上进行的扩展，它具有更高的时频分辨率，是挖掘故障特征信号的有效工具24。不同类型开路故障的输出电压时域波形中蕴含着频率特征，本文借助小波包分析法对故障输出电压进行小波包分解。由于不同故障类型下各频带能量分布不同，就可以根据频带能量分布的差异，以更直观的形式将频率特征展现出来。图3以3层小波包分解为例进行说明。图 3 中 S（0，0）为 原 始 信 号，S（i，j）（i=0，1，2，3；j=0，1，7）为分解树第 i 层的第 j个节点。初始信号经过三层小波包分解后，表示为：S(0，0)=S(3，0)+S(3，1)+S(3，2)+S(3，3)+S(3，4)+S(3，5)+S(3，6)+S(3，7)（1）利用小波包分解得到故障信号特征量，其实现具体步骤如下：1）对采样信号进行小波包分解；2）小波包分解系数重构；3）求取各节点信号能量；4）确定故障特征向量。利用频带信号能量构造故障特征向量T。T=E(3，0)E(3，1)E(3，7)（2）当能量值较大时，为了便于对数据的计算和处理，要对特征向量进行归一化处理。T=E(3，0)E E(3，1)E E(3，7)E（3）式中：E（p，j）为p层j节点小波包重构信号能量；E为输出电压第3层小波包分解的频带总能量。2.2故障电压特征量提取本文建立的故障仿真模型输出电压信号特征量提取步骤如下。表1充电模块器件开路故障分类Tab.1Classification of open circuit fault of charging module device故障描述正常情况单个功率器件开路故障单个电容开路故障控制电路开路故障故障器件无SaSbScQ1Q2Q3Q4C0C1C2前级控制电路后级控制电路故障分类Y1Y2Y3Y4Y5Y6Y7Y8Y9Y10Y11Y12Y13图3三层小波包分解示意图Fig.3Diagram of three-layer wavelet packet decomposition87南方电网技术第 17 卷1）搭建故障仿真模型，在不同类型故障下对充电模块输出电压即输出负载两端电压进行采样。根据奈奎斯特采样定律，只有采样频率高于信号最高频率两倍才能确保采样信号完整且不失真25。通过对故障信号的频率分析，采样频率设定为1 600 Hz。2）经过仿真试验多次对比，选用db3小波包，对采样信号进行 3 层小波包分解，可以得到 8 个节点。3）重构小波包分解系数，求取不同故障下各频带对应小波包能量值，最后归一化处理得到一组新的故障特征量。在实际运维检测中，通过检测装置测量到的故障波形往往都是故障发生一段时间后的数据。因此，为了更贴合实际现场检测情况，本文选择故障波形重新稳定后的部分为研究对象。在对原始故障电压信号进行分析后发现，信号中直流分量占据主导，导致小波包分解后的能量谱分布区分度较低。于是，对原始故障信号进行预处理，剔除直流分量后，再进行小波包分解。由于有些故障类型能量谱分布较相似，导致后续故障诊断区分度较低。通过对输出电压波形分析，不同故障类型的输出电压直流分量幅值存在较大差异，即可以将直流分量也看作一个特征量和处理后新的能量谱特征向量作为新的故障特征量。本文的最终确定的故障特征向量：T=Ud，E0，E1，E2，E3，E4，E5，E6，E7。式中：Ud为直流分量；E0E7为归一化后的能量谱值。3麻雀搜索算法（SSA）优化BP神经网络3.1BP神经网络BP神经网络一般由多层组成，典型的三层BP神经网络模型，由输入层、隐含层和输出层构成。如图 4所示，在 BP神经网络中，输入量沿着正向传播，由输入层到输出层。BP神经网络在训练后具有储存历史故障信息的能力，可以运用BP神经网络进行故障诊断。对已有数据信息进行网络训练，将当前数据和历史信息数据比较，从而确定故障类型。本文利用BP神经网络，将提取的特征量和故障类型实现对应，进行故障诊断。但是传统BP神经网络存在一定局限性，例如对初始权重敏感，由于传统神经网络在训练过程中会给定一个随机初始权重，导致BP神经网络往往不可重现。另外，容易陷入局部最优或训练速度过慢也是其存在的不足。在实际应用中，往往采用优化后的 BP算法。3.2麻雀搜索算法（SSA）麻雀搜索算法（sparrow search algorithm，SSA）是受麻雀的捕食行为和警戒行为的启发而提出的一种群智能优化算法26。在麻雀群体中，一般有两种不同类型的麻雀，一种是发现者，另一种是加入者。其中，有大约10%20%数量的麻雀负责侦察预警，称之为警戒者。发现者给加入者提供捕食的区域和方向，加入者通过发现者来获取食物。一旦麻雀发现捕食者，就会发出预警信号，当预警值大于安全值，发现者就会将加入者带到别处安全区域寻找食物。麻雀搜索算法的数学模型就是根据麻雀的这类行为提出的。根据以上描述，将麻雀的行为理想化，可总结出数学模型如下。发现者具有较高的能量，有更好的个体适应度，发现者位置按式（4）进行更新。Xt+1i，d=Xti，d exp(-i G)，R2 S （4）式中：t为迭代次数；G为最大迭代次数；Xi，d为第i个麻雀在第d维中的位置；为（0，1 间的一个随机数；R2为预警值，是一个位于（0，1）的随机数；S为安全值，取值范围为 0.5，1；Q1为一个随机数，按正态分布；L为1d的矩阵。对于加入者来说，当它们察觉发现者寻觅到好的食物，会立刻去抢夺。如果抢夺成功，就会获得发现者的食物。要是自身能量较低，它们会去其他地方去寻求更多能量。加入者位置更新如式（5）图4BP神经网络结构Fig.4BP neural network structure88第 9 期姚望，等：基于WPT和SSA-BP的直流充电桩充电模块故障诊断所示。Xt+1i，d=Q exp(Xtworst-Xti，di2)，i n2 Xt+1p+|Xti，d-Xt+1p A+L ，其他（5）式中：Xt+1P为当前找到最佳食物源的发现者所处位置；Xtworst为全局最差位置；Q为一个服从高斯分布的随机数；A为1d的矩阵，矩阵中每个元素为1或-1，且 A+=AT（AAT）-1；当 in/2时，说明第 i个加入者适应度低，没有获取到食物，需要飞往其他地方获取能量。警戒者位置更新如式（6）所示。Xt+1i，d=Xtbest+|Xti，d-Xtbest ，fi fgXti，d+K (|Xti，d-Xtworst(fi-fw)+)，fi=fg（6）式中：为全局最优位置，是一个服从高斯分布的随机数；K为取值范围在-1，1 的随机数，为防止分母为0，设置一个较小常数；fi为第i个加入者适应度值；fg、fw分别为整体最佳和最差适应度值；Xtbest为全局最佳位置。3.3SSA优化BP神经网络选择合理的权值和阈值将会有效提高BP神经网络的诊断效果。本文利用SSA算法良好的全局搜索能力，优化BP神经网络的初始权值和阈值，改善BP网络性能。图5为SSA优化BP神经网络流程图，算法优化步骤如下。1）数据归一化预处理。将样本数据归一化，解决奇异样本导致神经网络收敛慢、训练时间长的问题。2）确定BP神经网络结构。本文设置了9个故障特征量，输入神经元数量为9。输出变量为故障类型即故障1，2，13为单输出，所以输出神经元数量为1。通过反复实验比较，选定隐含层神经元数量为12时诊断效果最佳，因此BP神经网络结构为9-12-1。3）初始化SSA参数。初始化SSA算法相关参数，包括种群规模、最大迭代次数、预警值、发现者和加入者比例等。4）确定适应度函数，计算初始适应度值。先对BP神经网络进行初次训练，将训练集预测误差和测试集预测误差的和作为适应度函数，适应度值越小，表明误差越小。确定当局最优的适应值和对应的位置。5）更新麻雀的位置。判断预警值和安全值的大小，更新发现者的位置。加入者的位置根据它们自身的适应度在不断变化。警戒者的初始位置是随机产生的，根据麻雀个体的适应度值和当局最优适应度值的比较，不断更新警戒者的位置。6）计算麻雀位置更新后的新适应度值并与之前最优适应度值相比较，更新全局最优信息。7）判断迭代次数是否满足预定值。若不满足，返回继续迭代。反之则停止迭代，得到网络最优权值和阈值，生成最优的BP网络模型。4仿真结果及分析本文利用 MATLAB/Simulink 搭建直流充电桩充电模块仿真模型，前后级主电路设计如图 12所示，关键参数设计如表2所示。整个充电模块输入相电压为220 V，额定输出电压为750 V，输出电流为20 A，输出额定功率为15 kW。交流侧前级整流电路输入滤波电感具有能量储存和滤波作用，考图5SSA优化BP神经网络流程图Fig.5Flow chart of SSA optimized BP neural network89南方电网技术第 17 卷虑到跟踪输入电压能力和电流纹波，电感取值为4 mH，直流输出侧电容为 2 500 F。全桥 LLC 谐振变换器谐振器件 Lm、Lr和 Cr的参数值分别为95.8 H、23.95 H 和 105.78 nF，输出滤波电容容值为1 500 F。为使仿真更接近实际情况，仿真实验均考虑到功率开关的导通电阻等因素。在进行故障仿真时，故障设定在1 s处，仿真总时长为8 s。图6为充电模块正常工作时和发生故障状态下输出电压波形（同一种故障类型波形相似，基本重叠）。从图6中可以看出，故障波形在6.5 s后趋于平稳。同一种故障类型时域波形差别不大，前级单个功率开关开路故障波形和正常波形在平稳区段有部分重叠。本文所研究的故障类型均表现为对输出电压产生不同程度的畸变，所以单从波形图分析，并不能准确区分故障类型，需借助小波包分解技术提取有效特征量。图7为滤波电容C0、前级功率开关Sa、后级功率开关Q1开路故障下输出电压能量频带能量分布对比图。可以看出，无故障状态和故障状态下的输出电压频带能量值分布明显不同，即使同种类故障，频带分布也有差异。综上所述，每个频带对应的能量值就可以被看作是一个充电模块故障特征向量。本文采集样本数据时，分别考虑额定负载、0.8倍欠载和1.2倍过载情况，每种负载下均考虑表2充电模块主电路设计参数Tab.2Design parameters of main circuit of charging module三相VIENNA整流电路输入相电压/V输出电压/V输入电压频率/Hz功率开关频率/kHz输出功率/kW功率因数总谐波畸变率THD值全桥LLC谐振变换器电路输入电压（三相Vienna输出电压）/V输出电压/V谐振频率/kHz开关频率/kHz输出功率/kW纹波电压2207505050150.995约等于2.35%（小于5%）75075010010015输出直流电压纹波系数小于1%图6故障状态输出电压波形图Fig.6Fault state output voltage waveform图7小波包能量谱图Fig.7Wavelet packet energy spectrum90第 9 期姚望，等：基于WPT和SSA-BP的直流充电桩充电模块故障诊断到输出滤波电容的容值波动，最终确定了50种工况。样本总数1350=650组数据，将650组数据分为两部分，455组数据当作训练集，195组数据当作测试集。将数据带入9-12-1结构的BP神经网络中，利用SSA算法优化BP网络权值和阈值。不断迭代计算适应度值，麻雀个体的适应度变化如图8所示。从适应度函数曲线可以看出，通过不断迭代更新麻雀的位置，整体误差不断下降，得到最优解即为BP神经网络的最优权值和阈值。为了验证所提出方法的优越性，本文分别采用传统BP、PSO-BP和SSA-BP这3种方法对455组训练样本进行训练。为了保证对比结果的有效性，3种方法采用相同的 BP 网络参数：最大迭代次数1 000，学习率0.01，训练目标误差1 10-3，激活函数选用 logsig。其中，PSO-BP 算法27-28和 SSA-BP算法的参数见表3。195组测试集的分类结果表明，经过SSA优化后的神经网络迭代和收敛速度更快，均方误差更小，故障分类的准确率有所提高，结果如图89和表4所示。5结语本文针对直流充电桩的充电模块进行了深入的研究，分析了充电模块的工作原理和故障类型；搭建了仿真模型，并利用小波包分解，提取输出电压的有效故障特征向量作为故障诊断的依据，实现故障定位。针对传统故障诊断方法的不足以及传统BP神经网络存在的局限性，本文提出了一种基于SSA-BP的充电模块故障诊断方法。利用SSA算法较好的全局搜索能力优化BP神经网络初始权值和阈值，以提高故障诊断率。通过仿真实验验证，SSA-BP算法故障分类准确率达到93.85%，同条件下比传统BP和POS-BP诊断模型分别提高了7.70%和4.62%，故障诊断率满足要求，表明了本文所提图8算法适度曲线Fig.8Algorithm fitness curves表3算法参数设置Tab.3Algorithms parameters setting算法PSO-BP算法SSA-BP种群数量25种群数量30迭代次数30迭代次数30惯性因子0.9预警值0.8加速度常数2发现者比例0.7表4算法结果比较Tab.4Comparison of algorithm results算法传统BPPSO-BPSSA-BP均方误差0.028 70.016 70.009 6训练时间/s3.9142.6832.366准确率/%86.1589.2393.85图9算法预测结果对比Fig.9Comparison of algorithms prediction results91南方电网技术第 17 卷诊断方法对直流充电桩故障诊断有一定的现实指导意义。参考文献1王岩庆，周均，丛若晨，等.区块链技术在电动汽车智能化管理中的研究现状与发展 J.南方电网技术，2022，16（11）：55-67.WANG Yanqing，ZHOU Jun，CONG Ruochen，et al.Research status and development of blockchain technology in intelligent management of electric vehicles J.Southern Power System Technology，2022，16（11）：55-67.2王海鑫，袁佳慧，陈哲，等.智慧城市车-站-网一体化运行关键技术研究综述及展望 J.电工技术学报，2022，37（1）：112-132.WANG Haixin，YUAN Jiahui，CHEN Zhe，et al.Review and prospect of key techniques for vehicle-station-network inte-grated operation in smart cityJ.Transactions of China Electrotechnical Society，2022，37（1）：112-132.3王帅.充电桩行业深度报告：汽车加速电动化，充电桩站在风口 R.上海：兴业证券，2022：1-20.4朱继忠，何晨可，陈婧韵，等.综合能源系统环境下电动汽车充换电设施规划综述 J.南方电网技术，2022，16（1）：14-32.ZHU Jizhong，HE Chenke，CHEN Jingyun，et al.Overview of electric vehicle charging and swapping facilities planning under the environment of integrated energy systemJ.Southern Power System Technology，2022，16（1）：14-32.5秦岭，孔笑笑，谢少军，等.大型停车场用无电解电容直流充电桩鲁棒 PI 控制器设计 J.中国电机工程学报，2018，38（15）：4514-4525，4652.QIN Ling，KONG Xiaoxiao，XIE Shaojun，et al.Robust PI controllers design of electrolytic capacitor-less DC charging spot in large parking lots J.Proceedings of the CSEE，2018，38（15）：4514-4525，4652.6朱一昕，汪涛，熊连松.电动汽车充电模块并联控制策略研究 J.电力电子技术，2019，53（6）：53-57.ZHU Yixin，WANG Tao，XIONG Liansong.Research on parallel control method of non-isolated AC/DC charging moduleJ.Power Electronics，2019，53（6）：53-57.7肖蕙蕙，苏新柱，郭强，等.三相Vienna整流器无网压传感器预测电流控制策略 J.电工技术学报，2021，36（6）：1304-1312.XIAO Huihui，SU Xinzhu，GUO Qiang，et al.Predictive current control of three-phase Vienna rectifier without grid voltage sensorsJ.Transactions of China Electrotechnical Society，2021，36（6）：1304-1312.8丁超，李勇，姜利，等.电动汽车直流充电系统LLC谐振变换器软开关电压边界分析 J.电工技术学报，2022，37（1）：3-11.DING Chao，LI Yong，JIANG Li，et al.Analysis of soft swit-ching voltage boundary of LLC resonant converter for EV DC charging systemJ.Transactions of China Electrotechnical Society，2022，37（1）：3-11.9郝振洋，徐子梁，陈宇，等.航空Vienna整流器故障诊断与容错控制 J.电工技术学报，2020，35（24）：5152-5163.HAO Zhenyang，XU Ziliang，CHEN Yu，et al.Fault diagnosis and fault tolerant control for aviation Vienna rectifierJ.Transactions of China Electrotechnical Society，2020，35（24）：5152-5163.10姜斌，龚雁峰，李岩.模块化多电平换流器子模块短路故障分析、检测与定位方法 J.南方电网技术，2019，13（3）：73-78，88.JIANG Bin，GONG Yanfeng，LI Yan.Short-circuit fault analysis，detection and location method for sub-modules of modular multilevel convertersJ.Southern Power System Technology，2019，13（3）：73-78，88.11李凯迪，陈特放，成庶，等.基于电流滞环控制的逆变器开路故障诊断及容错控制 J.电工技术学报，2019，34（S2）：596-608.LI Kaidi，CHEN Tefang，CHENG Shu，et al.Open circuit fault diagnosis and failure-tolerant control for inverter with hysteresis current controlJ.Transactions of China Electro-technical Society，2019，34（S2）：596-608.12杨凤坤，徐石明，周静，等.基于小波包分析的电动汽车直流充电桩功率器件开路故障诊断研究 J.电器与能效管理技术，2018（23）：79-85.YANG Fengkun，XU Shiming，ZHOU Jing，et al.Research on fault diagnosis of DC charger power device based on wavelet packet analysisJ.Electrical&Energy Management Technology，2018（23）：79-85.13赵翔，陈良亮，李明贞，等.一种基于深度神经网络的直流充电桩故障诊断方法 J.电测与仪表，2021，58（6）：148-152.ZHAO Xiang，CHEN Liangliang，LI Mingzhen，et al.A fault diagnosis method for DC charging pile based on deep neural network J.Electrical Measurement&Instrumentation，2021，58（6）：148-152.14王群飞，尹忠东，鄂涛.基于随机森林算法的V2G充电桩故障诊断研究 J/OL.电测与仪表，2021：1-9.https：/ Qunfei，YIN Zhongdong，E Tao.Research on fault diagnosis of V2G charging pile based on random forest algorithmJ/OL.Electrical Measurement&Instrumentation，2021：1-9.https：/k D.北京：北京交通大学，2019.16李诗文，邓智泉，曹鑫，等.一种改进的磁悬浮轴承开关功率放大器数字单周期控制 J.电工技术学报，2020，35（2）：274-283.LI Shiwen，DENG Zhiquan，CAO Xin，et al.An improved digital one-cycle control algorithm for switching power amplifier in magnetic bearingsJ.Transactions of China Electro-technical Society，2020，35（2）：274-283.17邹甲，王聪，程红，等.三相线电压级联VIENNA变换器调制及直流侧电压控制 J.电工技术学报，2018，33（16）：3835-3844.ZOU Jia，WANG Cong，CHENG Hong，et al.Research on modulation strategy and balance control for dc-link voltages in triple line-voltage cascaded VIENNA converterJ.Transactions of China Electrotechnical Society，2018，33（16）：3835-3844.18刘建强，赵楠，孙帮成，等.基于LLC谐振变换器的电力电子牵引变压器控制策略研究 J.电工技术学报，2019，34（16）：3333-3344.LIU Jianqiang，ZHAO Nan，SUN Bangcheng，et al.Research on control strategy of power electronic traction transformer 92第 9 期姚望，等：基于WPT和SSA-BP的直流充电桩充电模块故障诊断based on LLC resonant converterJ.Transactions of China Electrotechnical Society，2019，34（16）：3333-3344.19王朝强，曹太强，郭筱瑛，等.三相交错并联双向DC-DC变换器动态休眠控制策略 J.电工技术学报，2020，35（15）：3214-3223.WANG Chaoqiang，CAO Taiqiang，GUO Xiaoying，et al.Dynamic dormancy control strategy of three-phase staggered parallel bidirectional DC-DC converterJ.Transactions of China Electrotechnical Society，2020，35（15）：3214-3223.20李景灏，吴爱国.基于离散趋近律与无差拍双闭环结构的单相 LCL型 PWM 整流器控制策略 J.电工技术学报，2021，36（6）：1290-1303.LI Jinghao，WU Aiguo.A double closed-loop control method