随着电动汽车的普及，充电基础设施需求急剧上升，迫切需要对充电桩进行维护和故障诊断。为有效利用不同尺度下的充电桩故障信号特征，该文提出一种基于多尺度卷积神经网络和双注意力机制的V2G(vehicle-to-grid)充电桩开关管开路故障信息融合诊断方法。该方法基于卷积神经网络，引入自注意力机制突出故障信号中的重要特征。同时，使用最大池化层和平均池化层处理故障信号，提供不同尺度的互补信息；此外，引入通道注意力机制关注不同通道特征，可提高模型性能；最后，采用Softmax分类器进行分类和识别。仿真结果表明，该方法在多个方面优于其他对比算法，包括收敛速度、抑制过拟合以及诊断准确率等，并且表现出卓越的抗噪性能，能够有效应对充电桩故障信号中的噪声。在实际测试中，该方法实现了开关管开路故障位置的准确定位，其准确率达96.67%。结果为充电桩开关管开路故障的诊断提供了可行的解决方案。