CN113895271A - 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法 - Google Patents

基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法 Download PDF

Info

Publication number
CN113895271A
CN113895271A CN202111203154.7A CN202111203154A CN113895271A CN 113895271 A CN113895271 A CN 113895271A CN 202111203154 A CN202111203154 A CN 202111203154A CN 113895271 A CN113895271 A CN 113895271A
Authority
CN
China
Prior art keywords
current charging
direct
early warning
data
power direct
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202111203154.7A
Other languages
English (en)
Inventor
高德欣
王�义
杨清
张世玉
郑晓雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202111203154.7A priority Critical patent/CN113895271A/zh
Publication of CN113895271A publication Critical patent/CN113895271A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明设计一种基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法，首先，对电动汽车大功率直流充电的各种参数进行状态监测，并将其存储至数据库；其次，将数据库中数据分为历史数据和实时数据，并进行预处理；然后，设计CNN‑BiGRU深度学习模型对正常直流充电历史数据进行充分的学习，构建电动汽车的直流充电预测模型，并采用麻雀搜索算法优化模型的超参数；接着，制定模型预测精度的评价标准，用来评判模型预测的准确性，并通过滑动窗口法对模型预测值进行残差分析，确定电动汽车直流充电合适的故障预警阈值和规则；最后，将训练好的CNN‑BiGRU预测模型应用到电动汽车实时大功率直流充电监测中，实现电动汽车的故障预警。

Description

基于深度学习的电动汽车大功率直流充电状态监测和故障预 警方法
技术领域
本发明属于设备故障预警技术领域，具体涉及一种基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法。
背景技术
电动汽车能够缓解能源危机、减少碳排放和保护环境，符合“双碳”战略的目标，是当前各国政府和企业的重点发展对象。而随着电动汽车的迅猛发展，电动汽车的续航里程不断增加，使得动力电池很难在短时间内充满。电动汽车的大功率直流充电具有大幅度缩短电动汽车充电时间的优点，在电动汽车充电领域得到了广泛的应用，于是电动汽车大功率直流充电的安全性和可靠性在行业内受到重视。电动汽车的动力来源主要是各类电池，一旦电池在充电过程中出现安全问题，电动汽车很有可能会发生火灾，从来造成不可挽回的经济损失，甚至是人员损伤。因此，在线监测电动汽车动力电池在大功率直流充电下的状态，在电动汽车产生起火事故之前进行故障预警就显得十分的重要。
目前，国内外关于电动汽车的研究成果很多，但关于电动汽车大功率直流充电预警的内容相对较少。卷积神经网络(Convolutional Neural Networks，CNN)能够提取电动汽车大功率直流充电数据中深层特征的优势，可以对电动汽车充电数据的信息进行充分利用，提高充电预测模型的精度。双向门控循环单元BiGRU(Bi-directional GatedRecurrent Unit，BiGRU)可以同时考虑历史和未来时刻的电动汽车大功率直流充电数据的特点，可以充分的对电动汽车大功率直流充电数据信息进行深层次利用，使其模型具有更强的数据提取、分析和泛化能力。
为了保证电动汽车充电安全，及时有效的预测充电事故的发生，防止电动汽车在大功率直流充电过程中出现自燃事故，本专利通过国标规范，获取电动汽车的大功率直流充电数据，并利用获取的数据提出了一种基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法。首先，使用CNN对监测的电动汽车充电历史数据进行充分利用，提取到了充电数据中隐藏的深层特征，并利用BiGRU分析历史和未来数据的优点，对提取的深层特征进行时序分析，建立正常电动汽车大功率直流的充电预测模型。其次，使用麻雀搜索算法寻找CNN-BiGRU深度学习模型的学习率、迭代次数和隐藏单元个数等超参数，以增强直流充电预测模型的预测准确率。然后，制定模型预测精度的评价标准，对充电预测模型的预测结果进行评判。接着，采用滑动窗口分析法对充电模型的预测残差进行分析处理，确定好故障预警阈值。最后，将满足要求的充电预测模型和确定好的预警阈值应用到电动汽车大功率直流充电的实时监测中，实现电动汽车大功率直流充电过程的故障预警。
发明内容
本发明针对电动汽车大功率直流充电过程中存在的安全问题，提出一种基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法，以解决现有方法的不足。在该方法中，首先，使用CNN对电动汽车正常充电历史数据进行深度挖掘，提取其深层特征，并利用BiGRU对深层特征进行充分的分析和利用，构建电动汽车的充电预测模型。其次，使用麻雀搜索算法寻找CNN-BiGRU深度学习模型的迭代次数、隐藏单元个数等超参数，以增强直流充电预测模型的预测准确率。然后，制定模型预测精度的评价标准，对充电预测模型的预测结果进行评判。接着，采用滑动窗口分析法对充电模型的预测残差进行分析处理，确定好故障预警阈值。最后，将满足要求的充电预测模型和确定好的预警阈值应用到电动汽车大功率直流充电的实时监测中，实现电动汽车大功率直流充电过程的故障预警。
为实现上述目的，本发明提供如下方案：基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法，具体包括如下步骤：
步骤1：对电动汽车大功率直流充电过程的各种参数进行状态监测，并将监测数据存储至数据库；
步骤2：将数据库中的直流充电数据划分为历史数据和实时数据，并对其进行预处理；
步骤3：设计CNN-BiGRU深度学习模型对正常的直流充电历史数据进行充分的学习，构建电动汽车的大功率直流充电预测模型；
步骤4：采用麻雀搜索算法优化电动汽车大功率直流充电预测模型的超参数；
步骤5：制定预测模型输出精度的评价标准，用来评判预测模型的准确性；
步骤6：通过滑动窗口法对模型预测值进行残差分析，确定电动汽车直流充电合适的故障预警阈值和规则；
步骤7：在线获取电动汽车实时大功率直流充电数据；
步骤8：将实时大功率直流充电数据输入训练好的预测模型中，得到预测输出值；
步骤9：通过滑动窗口法计算预测输出值的残差均值和标准差；
步骤10：当残差均值和标准差同时超出设定阈值时，进行故障预警，并停止电动汽车的大功率直流充电。
本发明步骤1中，所述对电动汽车大功率直流充电过程各参数进行状态监测包括但不局限于整车动力电池额定容量、整车动力电池额定电压、最高允许单体电压、最高允许直流充电电流、整车动力电池标称总能量、最高允许直流充电电压、最高允许温度、整车动力电池初始SOC、整车动力电池初始电压、整车动力电池需求直流电压、整车动力电池需求直流电流、直流充电电压测量值、直流充电电流测量值、整车动力电池最高单体电压、整车动力电池当前SOC、整车动力电池单体最高温度等参数信息。
本发明步骤2中，对大功率直流充电数据进行预处理，具体包括以下操作：
(1)对数据进行离群点检测，删除数据中的异常数据；
(2)采用插补法对数据中的缺失值进行填补；
(3)利用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]。
本发明步骤3中的设计CNN-BiGRU深度学习模型，其中CNN的计算公式为：
ct＝f(WCNN*nt+bCNN)
式中，WCNN表示电动汽车大功率直流充电数据卷积中滤波器的权重系数，即卷积核；nt表示t时刻的电动汽车大功率直流充电数据；*为卷积运算；bCNN表示电动汽车大功率直流充电数据卷积运算的偏差系数；ct为经过卷积之后提取的电动汽车大功率直流充电数据序列；f表示电动汽车大功率直流充电数据卷积运算的激活函数。
本发明步骤3中，设计CNN-BiGRU深度学习模型，其中BiGRU是由前向和后向隐层门控循环单元(Gated Recurrent Unit，GRU)组成，GRU的计算公式为：
rt＝σ(Wrxt+Urht-1+br)
zt＝σ(Wzxt+Uzht-1+bz)
ht＝tanh(Wh1xt+(rt⊙ht-1)Wh2+bh)
ht＝(1-zt)⊙ht-1+zt⊙ht
yt＝σ(Wo⊙ht)
式中，rt为重置门；zt为更新门；ht为t时刻电动汽车大功率直流充电的GRU隐藏状态；yt为t时刻电动汽车的大功率直流充电预测输出；σ和tanh为激活函数；Wr、Wz、Ur、Uz、Wh1和Wh2为电动汽车大功率直流充电数据深层特征的权重参数；br、bz和bh为电动汽车大功率直流充电数据深层特征的偏差参数；⊙为Hadamard乘积；ht为t时刻电动汽车大功率直流充电的GRU候选状态。BiGRU的计算公式如下：
Figure BDA0003305782020000031
Figure BDA0003305782020000032
Figure BDA0003305782020000033
式中，wt为t时刻电动汽车大功率直流充电数据深层特征的前向隐层GRU的输出权重；vt为t时刻电动汽车大功率直流充电数据深层特征的后向隐层GRU的输出权重；ht为t时刻电动汽车大功率直流充电BiGRU的隐藏状态；bt为ht对应的偏置量。
本发明步骤4中，采用麻雀搜索算法优化模型的超参数，所述麻雀搜索算法中的麻雀种群分为发现者和跟随者，种群中选取一定比例的麻雀用来进行侦查预警，当出现危险时放弃食物。当麻雀种群数量为N，搜索的空间为D维时，发现者的位置更新公式为：
Figure BDA0003305782020000034
式中，i、j表示第i个麻雀在第j维中的位置信息；itermax表示为最大迭代次数；Q表示为正态分布随机数；L表示为1×d矩阵且其元素均为1。跟随者的更新公式为：
Figure BDA0003305782020000035
式中，xworst为当前全局最差位置；xp为目前发现者占据的最优位置，是1×d的矩阵，将矩阵中每个元素随机赋值1或-1，且A+＝AT(AAT)-1。带有侦查预警机制行为的麻雀占总体数量的10％～20％，这部分麻雀的初始位置在种群中是随机产生的，其位置公式为：
Figure BDA0003305782020000036
式中，
Figure BDA0003305782020000037
为当前全局最优位置；β是服从均值为0，方差为1的正态分布随机数，为步长控制参数；K表示麻雀移动方向，并且也是步长控制参数，其值为[-1,1]之间的随机数；fi为当前麻雀个体的适应度值；fg为当前全局最佳适应度值；fw为当前全局最差适应度值；ε为常数，防止分母出现零值。
本发明步骤5中制定模型预测精度的评价标准，是采用均方根误差eRMSE(RootMean Square Error，RMSE)和平均绝对百分误差eMAPE(Mean Absolute Percentage Error，MAPE)两种误差测量方式作为评价直流充电预测模型准确性的指标，其计算公式为：
Figure BDA0003305782020000041
Figure BDA0003305782020000042
式中，yi和
Figure BDA0003305782020000043
分别为第i个时刻的电动汽车大功率直流充电的实际值和预测值；n为所有作为测试集的样本个数。eRMSE和eMAPE值越小，说明预测的电动汽车大功率直流充电数据越准确。
本发明步骤6中，通过滑动窗口对模型预测值进行残差分析，确定合适的故障预警阈值和规则，可以消除数据传输过程中错误直流充电数据对残差变化的影响，能够有效地避免误预警。当滑动窗口的宽度为N时，此窗口下残差的均值
Figure BDA0003305782020000048
和标准差S的计算公式如下：
Figure BDA0003305782020000044
Figure BDA0003305782020000045
式中，ei为滑动窗口中第i个采样点的残差。利用滑动窗口对正常直流充电数据的残差进行分析处理，得到正常直流充电残差均值绝对值的最大值
Figure BDA0003305782020000046
以及残差标准差的最大值Smax，预警阈值的计算公式为
Figure BDA0003305782020000047
SY＝k2Smax
式中，k1和k2为比例系数，其值由大功率直流充电的电动汽车型号和电池容量确定。当均值和标准差都超过所计算的预警阈值时，进行故障预警。
本发明步骤10中，实现电动汽车大功率直流充电过程的故障预警，是残差均值和标准差同时超过所设定的阈值时，则进行故障预警，并切断电动汽车的大功率直流充电，防止其发生起火事故。
本申请的有益效果在于：本申请基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法，对电动汽车大功率直流充电数据进行预处理之后，设计CNN-BiGRU深度学习模型对电动汽车的大功率直流充电数据进行了深度学习，构建了电动汽车的正常大功率直流充电预测模型；本申请采用CNN对大功率直流充电数据进行深度挖掘，提取直流充电数据的深层特征，并利用BiGRU分析历史和未来数据的优点，对深层特征进行时序分析，不仅缩短了模型的训练时间，而且还提高了模型的预测准确率。本申请使用麻雀搜索算法确定CNN-BiGRU深度学习模型的超参数，能够进一步增强预测电动汽车大功率直流充电数据的准确性；本申请采用滑动窗口分析法确定电动汽车故障预警的规则和阈值，不仅可以对电动汽车大功率直流充电过程的故障进行提前预警，而且还能消除数据传输过程中错误数据所导致的误预警。
附图说明
图1为本发明基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法的流程示意图；
图2为本发明设计的CNN-BiGRU深度学习模型的结构图；
图3为本发明基于麻雀搜索算法的CNN-BiGRU深度学习模型参数寻优的流程图；
图4为本发明基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法的框图。
具体实施方式
下面结合说明书的附图对本发明的具体实施方案进行更加详细的说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
图1为本发明基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法的流程示意图。如图1所示，本发明基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法包括以下步骤：
步骤1：对电动汽车大功率直流充电过程各种参数进行状态监测，具体对整车动力电池额定容量、整车动力电池额定电压、最高允许单体电压、最高允许直流充电电流、整车动力电池标称总能量、最高允许直流充电电压、最高允许温度、整车动力电池初始SOC、整车动力电池初始电压、整车动力电池需求直流电压、整车动力电池需求直流电流、直流充电电压测量值、直流充电电流测量值、整车动力电池最高单体电压、整车动力电池当前SOC、整车动力电池单体最高温度等状态信息进行监测。
步骤2：将数据集划分为历史直流充电数据、实时直流充电数据，并对其进行预处理。具体的，历史正常直流充电数据用于构建电动汽车大功率直流正常充电预测模型，实时直流充电数据用于在线故障预警。
数据的预处理包括以下操作：
(1)对数据进行离群点检测，删除数据中的异常数据；
(2)采用插补法对数据中的缺失值进行填补；
(3)利用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]，计算公式如下。
Figure BDA0003305782020000051
式中，xmin，xmax分别为数据集样本同组数据的最小值和最大值，xout是对输入数据x进行归一化后的结果。
步骤3：设计CNN-BiGRU深度学习模型，对电动汽车正常的直流充电历史数据进行充分的学习，构建电动汽车大功率直流充电的预测模型。
CNN-BiGRU深度学习模型中CNN网络结构如图2中CNN网络结构所示，其计算公式为：
ct＝f(WCNN*nt+bCNN)
式中，WCNN表示电动汽车大功率直流充电数据卷积中滤波器的权重系数，即卷积核；nt表示t时刻的电动汽车大功率直流充电数据；*为卷积运算；bCNN表示电动汽车大功率直流充电数据卷积运算的偏差系数；ct为经过卷积之后提取的电动汽车大功率直流充电数据序列；f表示电动汽车大功率直流充电数据卷积运算的激活函数。
BiGRU基于GRU改造而来，具有很强的记忆能力，能够有效地保留历史输入数据，与单向GRU相比，BiGRU能够兼顾历史以及未来充电数据对当前时刻的影响，从而能够对电动汽车的历史大功率直流充电数据进行深层次的分析。CNN-BiGRU深度学习模型同时具有CNN和BiGRU两个网络的优点，其模型结构如图2所示。
GRU由更新门zt和重置门rt组成，其中更新门代表电动汽车前一时刻充电数据对当前时刻的影响程度。重置门代表电动汽车前一时刻充电数据被忽略的程度，具体计算公式如下：
rt＝σ(Wrxt+Urht-1+br)
zt＝σ(Wzxt+Uzht-1+bz)
ht＝tanh(Wh1xt+(rt⊙ht-1)Wh2+bh)
ht＝(1-zt)⊙ht-1+zt⊙ht
yt＝σ(Wo⊙ht)
式中，rt为重置门；zt为更新门；ht为t时刻电动汽车大功率直流充电的GRU隐藏状态；yt为t时刻电动汽车的大功率直流充电预测输出；σ和tanh为激活函数；Wr、Wz、Ur、Uz、Wh1和Wh2为电动汽车大功率直流充电数据深层特征的权重参数；br、bz和bh为电动汽车大功率直流充电数据深层特征的偏差参数；⊙为Hadamard乘积；ht为t时刻电动汽车大功率直流充电的GRU候选状态，其由重置门rt、t-1时刻电动汽车大功率直流充电的GRU隐藏状态ht-1以及当前时刻电动汽车大功率直流充电的输入xt共同控制。
如图2中BiGRU网络结构所示，BiGRU由前向隐层GRU和后向隐层GRU相互连接组成，电动汽车t时刻的充电输出与前向隐层GRU的输出
Figure BDA0003305782020000061
和后向隐层GRU的输出
Figure BDA0003305782020000062
线性叠加的结果，计算公式如下：
Figure BDA0003305782020000063
Figure BDA0003305782020000064
Figure BDA0003305782020000065
式中，wt为时刻t电动汽车大功率直流充电数据深层特征的前向隐层GRU的输出权重；vt为时刻t电动汽车大功率直流充电数据深层特征的后向隐层GRU的输出权重；ht为时刻t电动汽车大功率直流充电BiGRU的隐藏状态；bt为ht对应的偏置量。
步骤4：采用麻雀搜索算法优化CNN-BiGRU深度学习模型的超参数。CNN-BiGRU深度学习模型设置不同的学习率、迭代次数和隐藏层单元个数，得到的预测性能具有较大的差异。当前CNN-BiGRU深度学习模型结构往往是依靠经验，选择多组不同学习率、迭代次数和隐藏层单元个数进行调试比较得到的，这往往需要耗费大量的时间和精力。针对这个问题，本发明提出使用麻雀搜索算法求解模型的超参数，其流程图如图3所示，具体地按照以下步骤进行：
步骤4.1：初始化麻雀种群，并根据超参数确定麻雀的寻优维度；
步骤4.2：将初始化的麻雀位置根据适应度函数评估麻雀位置并进行排序，取前20％为发现者，余者为跟随者，随机选取10％～20％的麻雀携带侦察预警机制动作。发现者的位置更新公式为：
Figure BDA0003305782020000066
式中，i、j表示第i个麻雀在第j维中的位置信息；itermax表示为最大迭代次数；Q表示为正态分布随机数；L表示为1×d矩阵且其元素均为1。跟随者的更新公式为：
Figure BDA0003305782020000071
式中，xworst为当前全局最差位置；xp为目前发现者占据的最优位置，是1×d的矩阵，将矩阵中每个元素随机赋值1或-1，且A+＝AT(AAT)-1。带有侦查预警机制行为的麻雀的位置公式为：
Figure BDA0003305782020000072
式中，
Figure BDA0003305782020000073
为当前全局最优位置；β是服从均值为0，方差为1的正态分布随机数，为步长控制参数；K表示麻雀移动方向，并且也是步长控制参数，其值为[-1,1]之间的随机数；fi为当前麻雀个体的适应度值；fg为当前全局最佳适应度值；fw为当前全局最差适应度值；ε为常数，防止分母出现零值。
步骤4.3：利用发现者、追随者以及侦查预警公式更新麻雀位置，以边界函数约束超参数，并将超参数传送到CNN-BiGRU深度学习模型中进行预测，返回结果通过适应度函数进行评估位置。
步骤4.4：如果当前麻雀位置适应度比最佳位置的麻雀适应度更优，则进行替换，否则不变；
步骤4.5：如果本次迭代中麻雀最佳适应度比全局最佳适应度更优，则进行替换，否则不变；
步骤4.6：如果误差没到达到设定值，返回步骤4.3，更新各个麻雀种群的位置，重新计算，直至达到最大迭代次数。整个过程如图3所示。
步骤5：制定模型预测精度的评价标准，是采用eRMSE和eMAPE两种误差测量方式作为评价直流充电预测模型准确性的指标，其计算公式为：
Figure BDA0003305782020000074
Figure BDA0003305782020000075
式中，yi和
Figure BDA0003305782020000076
分别为第i个时刻的电动汽车大功率直流充电的实际值和预测值；n为所有作为测试集的样本个数。eRMSE和eMAPE值越小，说明预测的电动汽车大功率直流充电数据越准确。
步骤6：通过滑动窗口对模型预测值进行残差分析，确定合适的故障预警阈值和规则，可以消除数据传输过程中错误直流充电数据对残差变化的影响，能够有效地避免误预警。当滑动窗口的宽度为N时，此窗口下残差的均值和标准差的计算公式如下：
Figure BDA0003305782020000081
Figure BDA0003305782020000082
式中，ei为滑动窗口中第i个采样点的残差。利用滑动窗口对正常直流充电数据的残差进行分析处理，得到正常直流充电残差均值绝对值的最大值
Figure BDA0003305782020000083
以及残差标准差的最大值Smax，预警阈值的计算公式为
Figure BDA0003305782020000084
SY＝k2Smax
式中，k1和k2为比例系数，其值由大功率直流充电的电动汽车型号和电池容量确定。当均值和标准差都超过所计算的预警阈值时，进行故障预警。
步骤7：在线获取电动汽车实时大功率直流充电数据；
步骤8：将实时大功率直流充电数据输入训练好的预测模型中，得到预测输出值；
步骤9：通过滑动窗口法计算预测输出值的残差均值和标准差；
步骤10：当残差均值和标准差同时超出设定阈值时，进行故障预警，并停止电动汽车的大功率直流充电。
尽管本发明已以如上较好实施例中公开，但本发明不限于此。本领域技术人员可以在不脱离本发明的精神和范围的情况下进行各种改变和修改。因此，本发明的保护范围以权利要求书限定的范围为准。

Claims (10)

1.基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，包括状态监测及数据预处理、离线模型训练和在线故障预警三部分，具体为以下步骤：
步骤1：对电动汽车大功率直流充电过程的各种参数进行状态监测，并将监测数据存储至数据库；
步骤2：将数据库中的直流充电数据划分为历史数据和实时数据，并对其进行预处理；
步骤3：设计CNN-BiGRU深度学习模型，对电动汽车正常的直流充电历史数据进行充分的学习，构建电动汽车大功率直流充电的预测模型；
步骤4：采用麻雀搜索算法优化电动汽车大功率直流充电预测模型的超参数；
步骤5：制定预测模型输出精度的评价标准，用来评判预测模型的准确性；
步骤6：通过滑动窗口法对模型的预测值进行残差分析，确定电动汽车直流充电合适的故障预警阈值和规则；
步骤7：在线获取电动汽车实时大功率直流充电数据；
步骤8：将实时大功率直流充电数据输入训练好的预测模型中，得到预测输出值；
步骤9：通过滑动窗口法计算预测输出值的残差均值和标准差；
步骤10：当残差均值和标准差同时超出设定阈值时，进行故障预警，并停止电动汽车的大功率直流充电。
2.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤1中对电动汽车大功率直流充电进行状态监测的各种参数包括但不局限于整车动力电池额定容量、整车动力电池额定电压、最高允许单体电压、最高允许直流充电电流、整车动力电池标称总能量、最高允许直流充电电压、最高允许温度、整车动力电池初始SOC、整车动力电池初始电压、整车动力电池需求直流电压、整车动力电池需求直流电流、直流充电电压测量值、直流充电电流测量值、整车动力电池最高单体电压、整车动力电池当前SOC、整车动力电池单体最高温度等参数信息。
3.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤2中对直流充电数据进行预处理，其具体操作如下：
(1)对数据进行离群点检测，删除数据中的异常数据；
(2)采用插补法对数据中的缺失值进行填补；
(3)利用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]。
4.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤3中的设计的CNN-BiGRU深度学习模型，其中CNN(ConvolutionalNeural Networks，CNN)为卷积神经网络，其计算公式为：
ct＝f(WCNN*nt+bCNN)
式中，WCNN表示电动汽车大功率直流充电数据卷积中滤波器的权重系数，即卷积核；nt表示t时刻的电动汽车大功率直流充电数据；*为卷积运算；bCNN表示电动汽车大功率直流充电数据卷积运算的偏差系数；ct为经过卷积之后提取的电动汽车大功率直流充电数据序列；f表示电动汽车大功率直流充电数据卷积运算的激活函数。
5.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤3中设计的CNN-BiGRU深度学习模型其中BiGRU(Bi-directionalGated Recurrent Unit，BiGRU)为双向门控循环单元，是由前向和后向隐层门控循环单元(Gated Recurrent Unit，GRU)组成，GRU的计算公式为：
rt＝σ(Wrxt+Urht-1+br)
zt＝σ(Wzxt+Uzht-1+bz)
ht＝tanh(Wh1xt+(rt⊙ht-1)Wh2+bh)
ht＝(1-zt)⊙ht-1+zt⊙ht
yt＝σ(Wo⊙ht)
式中，rt为重置门；zt为更新门；ht为t时刻电动汽车大功率直流充电的GRU隐藏状态；yt为t时刻电动汽车的大功率直流充电预测输出；σ和tanh为激活函数；Wr、Wz、Ur、Uz、Wh1和Wh2为电动汽车大功率直流充电数据深层特征的权重参数；br、bz和bh为电动汽车大功率直流充电数据深层特征的偏差参数；⊙为Hadamard乘积；ht为t时刻电动汽车大功率直流充电的GRU候选状态。BiGRU的计算公式如下：
Figure FDA0003305782010000021
Figure FDA0003305782010000022
Figure FDA0003305782010000023
式中，wt为t时刻电动汽车大功率直流充电数据深层特征的前向隐层GRU的输出权重；vt为t时刻电动汽车大功率直流充电数据深层特征的后向隐层GRU的输出权重；ht为t时刻电动汽车大功率直流充电BiGRU的隐藏状态；bt为ht对应的偏置量。
6.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤4中采用麻雀搜索算法优化预测模型的超参数，所述麻雀搜索算法中的麻雀种群分为发现者和跟随者，种群中选取一定比例的麻雀用来进行侦查预警，当出现危险时放弃食物。当麻雀种群数量为N，搜索的空间为D维时，发现者的位置更新公式为：
Figure FDA0003305782010000024
式中，i、j表示第i个麻雀在第j维中的位置信息；itermax表示为最大迭代次数；Q表示为正态分布随机数；L表示为1×d矩阵且其元素均为1。跟随者的更新公式为：
Figure FDA0003305782010000025
式中，xworst为当前全局最差位置；xp为目前发现者占据的最优位置，是1×d的矩阵，将矩阵中每个元素随机赋值1或-1，且A+＝AT(AAT)-1。带有侦查预警机制行为的麻雀占总体数量的10％～20％，这部分麻雀的初始位置在种群中是随机产生的，其位置公式为：
Figure FDA0003305782010000026
式中，
Figure FDA0003305782010000027
为当前全局最优位置；β为步长控制参数，是服从均值为0，方差为1的正态分布随机数；K表示麻雀移动方向，并且也是步长控制参数，其值为[-1,1]之间的随机数；fi为当前麻雀个体的适应度值；fg为当前全局最佳适应度值；fw为当前全局最差适应度值；ε为常数，防止分母出现零值。
7.根据权利1要求的基于深度学***均绝对百分误差eMAPE(Mean AbsolutePercentage Error，MAPE)两种误差测量方式作为评价直流充电预测模型准确性的指标，其计算公式为：
Figure FDA0003305782010000031
Figure FDA0003305782010000032
式中，yi和
Figure FDA0003305782010000033
分别为第i时刻的电动汽车大功率直流充电的实际值和预测值；n为所有作为测试集的样本个数。eRMSE和eMAPE值越小，说明预测的电动汽车大功率直流充电数据越准确。
8.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤6中的通过滑动窗口法对模型预测值进行残差分析，确定合适的故障预警阈值和规则，可以消除数据传输过程中错误直流充电数据对残差变化的影响，能够有效地避免误预警。当滑动窗口的宽度为N时，此窗口下残差的均值
Figure FDA0003305782010000038
和标准差S的计算公式如下：
Figure FDA0003305782010000034
Figure FDA0003305782010000035
式中，ei为滑动窗口中第i个采样点的残差。利用滑动窗口对正常直流充电数据的残差进行分析处理，得到正常直流充电残差均值绝对值的最大值
Figure FDA0003305782010000036
以及残差标准差的最大值Smax，预警阈值的计算公式为
Figure FDA0003305782010000037
SY＝k2Smax
式中，k1和k2为比例系数，其值由大功率直流充电的电动汽车型号和电池容量确定。当均值和标准差都超过所计算的预警阈值时，进行故障预警。
9.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤10中实现电动汽车大功率直流充电过程的故障预警，是残差均值和标准差同时超过所设定的阈值时，则进行故障预警，并切断电动汽车的大功率直流充电，防止其发生起火事故。
10.根据权利1要求的基于深度学习的电动汽车大功率直流充电状态监测与故障预警方法，其特征在于，所述步骤10中电动汽车的大功率直流充电，指的是充电功率大于120kW，小于360kW。
CN202111203154.7A 2021-10-15 2021-10-15 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法 Withdrawn CN113895271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111203154.7A CN113895271A (zh) 2021-10-15 2021-10-15 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111203154.7A CN113895271A (zh) 2021-10-15 2021-10-15 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法

Publications (1)

Publication Number Publication Date
CN113895271A true CN113895271A (zh) 2022-01-07

Family

ID=79192252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111203154.7A Withdrawn CN113895271A (zh) 2021-10-15 2021-10-15 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法

Country Status (1)

Country Link
CN (1) CN113895271A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115447439A (zh) * 2022-09-19 2022-12-09 特瓦特能源科技有限公司 基于电池温度的充电安全预警方法、***、设备及介质
CN115891741A (zh) * 2022-09-30 2023-04-04 南京邮电大学 一种适用于电动汽车充电过程的远程故障预警方法及装置
CN116552299A (zh) * 2023-07-11 2023-08-08 深圳市南霸科技有限公司 一种可移动式电动汽车应急充电***及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115447439A (zh) * 2022-09-19 2022-12-09 特瓦特能源科技有限公司 基于电池温度的充电安全预警方法、***、设备及介质
CN115891741A (zh) * 2022-09-30 2023-04-04 南京邮电大学 一种适用于电动汽车充电过程的远程故障预警方法及装置
CN115891741B (zh) * 2022-09-30 2023-09-22 南京邮电大学 一种适用于电动汽车充电过程的远程故障预警方法及装置
CN116552299A (zh) * 2023-07-11 2023-08-08 深圳市南霸科技有限公司 一种可移动式电动汽车应急充电***及方法
CN116552299B (zh) * 2023-07-11 2023-09-15 深圳市南霸科技有限公司 一种可移动式电动汽车应急充电***及方法

Similar Documents

Publication Publication Date Title
CN113895271A (zh) 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN112986827B (zh) 一种基于深度学习的燃料电池剩余寿命预测方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
CN113895272A (zh) 基于深度学习的电动汽车交流充电状态监测和故障预警方法
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN113705615B (zh) 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***
CN114084024A (zh) 基于充电网的电动汽车大功率充电监控与多级预报警方法
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN114925612A (zh) 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法
CN116541790B (zh) 基于多特征融合的新能源车辆健康评估方法和装置
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和***
CN112882909A (zh) 燃料电池***故障预测方法、装置
CN113359048A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN113807594A (zh) 一种基于ivmd-ssa-lssvm的电力负荷预测方法
CN112949930A (zh) 基于pa-lstm网络的道路机动车尾气高排放预警方法
CN115236522A (zh) 基于混合深度神经网络的储能电池端到端容量估计方法
CN116125306A (zh) 基于混合预测框架的动力电池热失控诊断方法及***
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及***
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN116653608B (zh) 电动汽车充电保护、控制方法、装置及存储介质
CN116680598A (zh) 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220107