基于时序卷积和稀疏变换器网络的电动汽车充电系统中的DC系列电弧故障检测 杨凯、张顺、林荣源、涂冉、周学进、张仁成

《Sensors》：DC Series Arc Fault Detection in Electric Vehicle Charging Systems Using a Temporal Convolution and Sparse Transformer Network Kai Yang, Shun Zhang, Rongyuan Lin, Ran Tu, Xuejin Zhou and Rencheng Zhang

　　

摘要

在电动汽车（EV）充电系统中，直流串联电弧故障由于其隐蔽性高且危险性大，已成为导致电动汽车火灾事故的重要原因之一。为了进行初步研究，在Simulink中建立了一个改进的混合电弧故障模型。研究结果表明，电弧故障产生的高频噪声会影响充电机的输出电压质量，并且这种噪声会传递到电池电压中。进一步对实际电动汽车充电实验平台上的电弧故障进行了调查，发现电弧故障发生时，充电系统不会提供任何报警指示，电流信号会出现大幅度随机干扰和非线性波动。此外，在车辆充电启动和预充电阶段，电流波形也呈现出与电弧故障相似的高脉冲峰值特征。最后，提出了一种基于深度神经网络的电弧故障检测算法Arc_TCNsformer。电流信号样本直接输入到网络模型中，无需进行手动特征选择或提取，从而实现了端到端的故障识别。该方法通过结合时间卷积网络进行多尺度局部特征提取，以及稀疏Transformer进行上下文信息聚合，在复杂的充电噪声环境中表现出很强的鲁棒性。实验结果表明，该算法不仅具有较高的检测精度，而且在嵌入式边缘计算平台上部署时也能保持可靠的实时性能。