GBDT 與感知機融合的充電樁故障診斷方案

張 震，郭恩伯，郭恩仲，許成乾

（1.天津平高易電科技有限公司，天津 300000；2.合肥工業大學 管理學院，合肥 230009；3.西交利物浦大學先進技術學院，蘇州 215028；4.天津大學 電氣自動化與信息工程學院，天津 300072）

當今世界人類正面臨日益嚴重的能源危機和環境危機。發展電動汽車，不僅可以有效緩解傳統化石能源不可再生的問題，同時還是治理環境的有效手段。作為能量補給源的充電站是電動汽車的重要配套設施，而充電樁是電動汽車充電站和充電服務網絡的核心設備。充電樁長期曝露在自然環境中，風吹日曬雨淋，引起充電樁部件逐漸老化，最終導致充電樁故障發生，給電動汽車充電帶來極大的不便。實現充電樁故障的智能檢測，對于及時發現有故障的充電樁，以便維護，保持充電樁的可靠運行具有重要意義[1]，相關專家學者已展開了大量研究[2-8]。

由于充電樁數據的特點，用于故障診斷的手動特征提取相對困難，復雜的人工智能模型容易產生過擬合問題，完全自動化的方案，例如神經網絡，容易陷入局部最優，訓練困難[9]。本文以大功率公用充電樁為對象，采用GBDT 與MLP 建立故障診斷模型，結合集成學習領域的新方法，在降低單個模型的復雜度的同時，融合模型的泛化能力，診斷效果得到大幅提升。

1 問題模型

作為電動汽車普及化的關鍵配套設施，充電樁的系統功能和性能特點對電動汽車的發展起著關鍵作用。本文針對兩級式充電樁進行研究分析，前級是輸入整流濾波電路，后級是直流變換電路+輸出濾波。充電樁的系統結構框架如圖1 所示。

圖1 充電樁的系統結構Fig.1 System architecture framework of charging pile

直流充電設施控制回路原理如圖2 所示。直流充電樁（非車載充電機）與電動汽車通過車輛插頭和插座連接。由于充電樁物理硬件結構復雜，因此發生的故障也是種類繁多，充電樁的常見故障類型以及相對應的故障原因如表1 所示。目前公開的百度點石充電樁數據集包含122144 個樣本，每個樣本數據包含1 個充電樁的特征向量與故障標簽，其故障類型涵蓋了表1 中的故障情況。

表1 充電樁的常見故障與故障原因Tab.1 Common faults and causes of charging stations

圖2 直流充電設施控制回路原理圖Fig.2 Schematic diagram of DC charging facility circuit

為描述充電樁故障檢測問題，本文使用向量x∈RL×1表示從充電樁上采集的1 組物理量，例如電壓的總諧波失真、電流的總諧波失真、電子鎖驅動信號等。本文任務是根據向量x 將充電樁分成正常和有故障兩類，其類別標簽可由變量y∈｛0，1｝表示。因此，充電樁故障診斷模型可以表示為

映射Det（·）是未知的，將通過數據驅動的方式獲得。圖3 顯示了該模型的基本結構。

圖3 問題模型Fig.3 Problem model

2 GBDT 與MLP 的融合模型

考慮到傳統機器學習方案解決充電樁狀態檢測問題的困難，本節提出GBDT 與MLP 的融合模型。

2.1 模型的基本框架

傳統機器學習方案的性能很大程度上依賴于特征提取，手動提取特征一直是其難點，該問題對充電樁故障診斷尤其突出[10]。神經網絡可以自動提取特征，并且可視為一個完全自動的優化工具，在大規模數據集獲得良好的性能。但是文獻[11]指出，對于表格數據，因其不具有旋轉不變性，會顯著降低神經網絡的性能。另外，對于表格數據，基于樹的分類器相比深度神經網絡更有優勢。該問題對充電樁故障診斷尤其突出。

基于以上分析，本文提出GBDT[12]與MLP[13]的融合分類模型，其結構如圖4 所示。GBDT 模型是一種多項式回歸或分類模型，為實現模型擬合，建立多棵分類回歸樹，并通過最小化損失函數優化每個CART 的參數。MLP 是一種全連接的神經網絡，它將神經元按層進行組織，網絡層之間以單向無循環的全連接方式進行連接，通過最小化損失函數優化網絡權重參數，具有很強的學習能力。本文在集成學習的框架下，將二者結合起來，可以有效地避免二者的不足，聯合二者的優勢，更好地實現充電樁的故障診斷。

圖4 GBDT 與MLP 的融合診斷模型Fig.4 Fault diagnosis fusing model based on GBDT and MLP

2.2 模型實現細節

根據集成學習的Stacking 框架與理論[14]，建立多個獨立的GBDT 模型?？紤]到充電樁故障的數據量，本方案使用了2 個GBDT 層，如圖4 所示。充電樁數據向量x 輸入第一個GBDT 層，該層由5 個GBDT模型構成。第二個GBDT 層由3 個GBDT 模型構成，將第一層GBDT 輸出的5 個預測值以Stacking方式構成特征向量作為其輸入。以xi，j表示第i 層第j 個GBDT（或神經元）的輸出，Ni表示第i 層GBDT（或神經元）的個數，xi，j可表示為

如圖4 所示，MLP 是一個具有2 個隱層的全連接神經網絡。設wi，j表示第i 層全連接層的第j 個輸入的權重，則第i 層全連接層中第j 個神經元的輸出可表示為式（3），權重wi，j是可訓練的。輸入層有3 個神經元，接收最后一層GBDT 的輸出。第一個隱層由6 個含有ReLU 非線性激活操作的神經元構成，第二個隱層含16 個帶有ReLU 激活操作的神經元，輸出層由一個全連接層和一個Softmax 層構成。表2 總結了GBDT 和MLP 的超參數設置。

表2 超參數配置Tab.2 Hyperparameter configuration

3 融合模型訓練

根據圖4 融合模型的網絡結構，融合模型是一個含有三階段學習器的網絡，采用的訓練過程描述如下。

首先，為充電樁故障評估建立訓練和測試數據集。在此步驟中，收集所需的電壓、電流等相關數據，構成充電樁輸入向量和相應的標簽。所有數據樣本簽按一定比例分為2 組，作為訓練和測試數據集。

然后，訓練第一層的5 個GBDT 模型。以Bagging 集成學習方案中的bootstrap 采樣對訓練集采樣構造5 個不同的訓練集，分別用于訓練5 個GBDT 模型，優化模型參數，使其輸出結果逼近真實樣本標簽。因此，第一個GBDT 層也稱為Bagging 層。每個GBDT 的訓練使用基于Softmax 目標函數和精確貪婪算法，后同。

接著，按照堆疊框架訓練第二層的3 個GBDT模型。對于原訓練集中每個充電樁輸入向量，第一層的5 個GBDT 模型會給出5 個預測值，將其組成一個新的特征向量，聯合樣本標簽，構造一個新的訓練集。以交叉驗證訓練第二層的3 個GBDT。因此，第二個GBDT 層也稱為堆疊層。

最后，按照堆疊框架訓練第三級學習器MLP。將原訓練集中每個充電樁向量輸入兩級GBDT 網絡，輸出3 個預測值堆疊成新的特征向量，將其與相應的樣本標簽一起輸入MLP。訓練MLP 使用了二元交叉熵損失，隨機梯度下降優化器。

4 實驗結果

為了驗證本文方案的性能，在公開的充電樁數據集上對提出的方案進行了訓練和測試，并和典型的機器學習算法進行了比較。

4.1 模型實現與訓練

本文使用百度點石新能源充電樁數據集。該數據集中的每個樣本由1 個6 維的充電樁特征量與1個相應的標簽構成，其中包括充電樁的K1K2 驅動信號、電子鎖驅動信號、充電樁急停信號、充電樁門禁信號以及充電樁電壓和電流的總諧波失真，組合成特征向量（x1，x2，…，x6），故障狀態設置為y，按照7∶3 的比例將其分成訓練集與測試集，可得85500個訓練數據和36644 個測試數據，其中部分訓練集如表3 所示。

表3 訓練數據Tab.3 Training dataset

利用Python 的Scikit-learn 包在配置AMD Ryzen 9 5950X 16 核CPU 和32 GB 內存的計算機上編程實現提出的模型。模型訓練前采用z-score 對充電樁故障數據進行標準化處理。接著，將訓練集的特征和標簽按照bagging 采樣的方式輸入到第一層GBDT 模型中。第一層中每個GBDT 的采樣為10000個樣本，約為數據集的1/7。第二層的GBDT 使用5折交叉驗證訓練GBDT。訓練數據集被劃分為5 個大小相同的組，4 組用于模型訓練，其余1 組用于模型評估。為訓練第三層學習器MLP，采用帶有正則項的二元交叉熵損失，正則項系數設置為0.08。隨機梯度下降優化器的動量值固定為0.9，批次大小設置為200。學習率初始化為0.01，并且在訓練過程中按參數為0.5 的逆比例學習率進行衰減（冪指數衰減率）。

檢測方案的性能通過準確度、召回率、準確度及F1 得分多個客觀指標進行衡量，并與傳統GBDT和MLP 進行比較，以顯示本文方案的性能。

4.2 結果對比及分析

在充電樁故障檢測測試集上，對所提出的方法進行了測試。表4 列出了本文方案的準確度、召回率、精度和F1 得分，也列出了傳統GBDT 和MLP 的結果，以供比較。對比實驗中MLP 的隱層層數為6層，每個隱層神經元的個數均為100 個，GBDT 中子樹的個數為150，樹的最大深度為8?？梢娺@2 個對比模型參數復雜度要遠大于本文所搭建模型中用到的參數量。

表4 不同模型在測試集上的量化性能Tab.4 Quantitative comparison on the testing dataset

表4 顯示，傳統MLP 雖然模型復雜，但是只能獲得89%的F1 得分，而單獨使用較高深度，較大容量的GBDT 也只能達到近似98%的精度。本文模型的4 個指標都達到了接近99%，優于兩個單一模型，說明文本方法在各項指標上均達到了很高的精度，能夠有效檢測充電樁的故障，保證充電樁穩定安全運行。另外，本文方案在復雜度上做了很多優化，例如，在訓練模型的第一層GBDT 時，采樣僅用10000條數據，大大節省了計算資源。

進一步進行消融實驗，以便分析本文模型結構中每一層的作用。為此，實現完整模型的如下變形：①Bagging 層模型，5 個應用了bootstrap 采樣的GBDT 模型；②Bagging 層+堆疊層模型，在Bagging 層模型的基礎上以全連接的形式加入3 個GBDT；③完整模型，Bagging 層+堆疊層模型后再接MLP。

消融實驗結果如表5 所示，可以看出，在這幾個變形中，Bagging 層模型的性能最差。雖然，隨著GBDT 模型復雜度的增加，F1 得分隨之增加，但是，他們的性能都低于98%。當逐個加入第二層的3 個GBDT 時，性能得到了改善，可以分別獲得97.68%，98.92%和98.99%的F1 得分。在使用所有組件時，完整模型表現出最佳性能，其F1 得分達到了99.3%。也就是說，通過增加MLP，完整模型就F1 分數而言可以超過使用GBDT 進行融合的最高性能。這些結果表明，所有的組件都提供了性能增益，并為獲得整體性能做出了貢獻。

表5 融合模型的多個變體的F1 得分Tab.5 F1-score values for different variants of our fusion method

5 結語

本文提出了一種GBDT 與MLP 融合的新方法，用于解決充電樁故障診斷問題。該方案以集成學習理論為基礎，組建多個全連接的GBDT 層，并與MLP相連，進行特征學習與分類。GBDT 與MLP 融合可以有效避免不足、聯合優勢，提升充電樁故障診斷的精度。而且，該方案避免了手動提取特征的困難，降低了網絡過擬合幾率，確保了故障診斷性能得到提升而且更加穩定。在公開數據集上的實驗結果表明，本文提出的方案優于典型的獨立機器學習方案。