CN114084024A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114084024A CN114084024A CN202111610190.5A CN202111610190A CN114084024A CN 114084024 A CN114084024 A CN 114084024A CN 202111610190 A CN202111610190 A CN 202111610190A CN 114084024 A CN114084024 A CN 114084024A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- electric automobile
- residual
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013136 deep learning model Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 2
- 241000257303 Hymenoptera Species 0.000 claims description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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
- 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
- B60L53/66—Data transfer between charging stations and vehicles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电动汽车充电安全预警技术领域,具体设计了一种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,包括:1、将设备端的电动汽车充电数据传送至云端数据库,划分数据集为历史数据和实时数据,并进行归一化处理;2、利用电动汽车历史数据构建CNN‑BiLSTM深度学习模型,对电动汽车的充电数据进行预测,并采用蚁群算法对模型进行寻优操作;3、设定评判模型预测精度的标准,通过滑动窗口法对模型预测值进行残差分析;4、确定电动汽车的故障预报警阈值,将其应用到实际电动汽车充电监测中,实现电动汽车的故障预报警;本发明设计的方法实时性高、适用性好,能够适应不同电动汽车车型的充电安全监控。
Description
技术领域
本发明属于电动汽车充电预警技术领域,具体涉及一种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。
背景技术
近十年来,保护环境降低排放逐渐成为社会主流意识,而新能源汽车技术的发展可以为目前能源紧缺和环境污染问题的解决提供一定的助力,因此受到了国家的高度重视,由于动力电池的自身特性、充电及使用期间存在的不稳定性,车载电池组可能会存在一些安全隐患,从而引发自燃事故,因此,构建电动汽车充电过程的预警模型,对电动汽车车载电池组进行实时监控和安全预警,实现提前防控,保障充电安全,有利于电动汽车行业的可持续发展。
随着大量电动汽车的投入运行,其充电可靠性和安全性逐渐成为关注的重点,不仅电动汽车车载电池组的日常运维检修不容忽视,电动汽车充电过程中的安全监控同样重要,根据公开资料不完全统计,在2011年—2016年全球电动汽车典型安全事故统计数据显示,在49例典型电动汽车着火事件中,充电导致的火灾事故为次高,占比约14%;根据中国充电联盟报道,对近5年发生的电动汽车起火事件原因进行统计的结果显示,在正常充电过程中发生的车辆起火事故占事故总量的14%。
深度学习作为机器学习领域的一种新兴方法,被成功应用于计算机视觉、安全预警以及故障诊断等领域,因此,本发明提出的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研究具有实际技术支持,就电动汽车本身而言,动力电池***是电动汽车的主要动力来源,其充放电流可高达上百安培,较高的充放电电流,会导致电池内部温度快速上升,若不能有效地对温度进行监控,将加速电池性能衰退甚至引发电池热失控等安全事故,另外,动力电池***电压能够提高电动汽车的能量传输效率,且实现高压化是电动汽车动力电池***的重要发展趋势,因此,从电动汽车电池的温度、电流、电压三方面进行分析是实现电动汽车安全监控的重要手段。
综上所述,为了实现电动汽车充电过程的可靠性和安全性,积极研究和开发一种基于深度学习的、高效的、能够多维度监控电动汽车电池实时充电状态和安全预警***则显得非常重要。
发明内容
本发明提出了一种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,该方法,首先利用CNN网络对电动汽车正常充电过程的历史数据进行深度挖掘,提取充电数据的深层次特征;其次利用BiLSTM网络将电动汽车充电过程的过去与未来数据结合分析,构建CNN-BiLSTM预警模型;然后在电动汽车充电过程中,根据国标实时采集的充电数据,预测电动汽车电池的温度变化趋势;通过蚁群算法对模型进行寻优操作;通过滑动窗口法分析该电动汽车残差,计算预报警阈值,进行多级安全预报警;最后将该模型应用到实际电动汽车上,进行实时监控,实现电动汽车的多级安全预报警。
本发明提供如下方案: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,具体包括如下步骤:
步骤S1:传输电动汽车充电数据,进行数据预处理;
步骤S1.1:采集设备端的电动汽车充电数据传输至云端数据库;
步骤S1.2:将充电数据进行归一化预处理并划分为历史数据和实时数据;
步骤S2:训练神经网络组合模型,利用算法进行寻优操作;
步骤S2.1:利用CNN模型对电动汽车正常的大功率充电历史数据进行深度挖掘;利用BiLSTM模型解决采样点数据隔断以及延迟问题;组合CNN模型和BiLSTM模型,调整模型参数,使其具有更高的预测精度;
步骤S2.2:规定预测模型输出精度的评价标准,用来评判模型的预测准确性;
步骤S2.3:通过蚁群算法进行模型寻优操作,优化预测模型的超参数;
步骤S2.4:通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响;
步骤S3:对电动汽车充电状态进行实时监测与安全预报警操作;
步骤S3.1:通过残差均值和残差标准差计算电动汽车预报警阈值;
步骤S3.2:采集电动汽车实时充电数据输入预测模型中,得到下一时刻预测值;
步骤S3.3:通过滑动窗口法计算预测值的残差均值和残差标准差;
步骤S3.4:当残差均值和标准差同时超出预警阈值小于报警阈值时,进行故障预警,降低10%充电电流;当残差均值或标准差超出报警阈值时,进行故障报警,及时切断充电电源。
进一步的,所述步骤S1中,对电动汽车充电数据进行归一化预处理,具体包括以下步骤:
(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];
进一步的,所述步骤S2中,训练神经网络组合模型,利用算法进行寻优操作,包括以下步骤:
步骤S2.1、设计组合CNN-BiLSTM深度学习模型,卷积神经网络(ConvolutionalNeural Networks,CNN)的计算公式为:ct=f(WCNN*nt+bCNN),其中,WCNN表示电动汽车大功率充电数据卷积中滤波器的权重系数,即卷积核;nt表示t时刻的电动汽车充电数据;*为卷积运算;bCNN表示电动汽车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充电数据序列;f表示电动汽车充电数据卷积运算的激活函数;双向长短记忆(Bi-directional Long-Short Term Memory,BiLSTM)的计算公式为:ht=LSTM(xt,ht-1)、hi=LSTM(xt,hi-1)、ht=atht+bthi+ct,其中,LSTM表示单LSTM网络的计算过程,ht、hi分别表示单LSTM的前向、后向隐藏层的状态,at、bt分别表示单LSTM的前向、后向隐藏层的输出权重,ct表示实时隐藏层的偏置优化参数;
步骤S2.2、规定预测模型输出精度的评价标准,其计算公式为: 其中,yi表示充电温度实际的测量值,表示对应充电温度的预测值,根据上述方程,可以得出以下结论:RMSE、MAPE越小,模型拟合效果越好,说明预测的电动汽车充电数据越准确;
步骤S2.3、通过蚁群算法进行模型寻优操作,具体包括以下步骤:
(1)状态转移:为避免次要信息过多而淹没主要充电信息,在一个循环结束后,要对次要信息进行更新处理,由此,(t+n)时刻在路径(i,j)上的信息量可按如下规则进行调整:τij(t+n)=(1-ρ)·τij(t)+Δτij(t)、其中,ρ表示信息挥发因子,(1-ρ)表示残留因子,取值范围为[0.1,0.99];
(2)更新全局:全局更新不再用于所有蚂蚁,而是对每一循环中最优的蚂蚁使用,其计算公式为:Δτij(i,j)=1/Lgb,其中,i,j为全局最优且Lgb为最短;
步骤S2.4、通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响。
进一步的,所述步骤S3中,实现电动汽车充电状态实时监测与安全预报警,包括以下步骤:
步骤S3.1、通过残差均值和残差标准差计算电动汽车预报警阈值,其预警阈值计算公式为:SY=k2Smax,其中,为正常充电残差均值绝对值的最大值,Smax为残差标准差的最大值,k1、k2分别表示残差均值、残差标准差的预警系数;报警阈值计算公式为:SW=k4Smax,其中,k3、k4分别表示残差均值、残差标准差的报警系数;
步骤S3.2、采集电动汽车实时充电数据输入预测模型中,对电动汽车充电过程进行状态监测的各种参数包括:整车动力电池额定容量、整车动力电池额定电压、整车动力电池额定电流、整车动力电池需求电压、整车动力电池需求电流、整车动力电池最高允许电压、整车动力电池最高允许电流、整车动力电池最高允许温度、充电方式、充电电压测量值、充电电流测量值、充电温度测量值、累计充电时间、估算剩余充电时间等;
步骤S3.4、当残差均值和标准差同时超出预警阈值小于报警阈值时,进行故障预警,降低10%充电电流;当残差均值或标准差超出报警阈值时,进行故障报警,及时切断充电电源。
与现有技术相比,本发明的优点和积极效果在于:
(1)在模型结构上,利用CNN模型提取电动汽车充电数据的深层特征,充分利用充电数据训练相应模型,提高电动汽车充电预测模型的准确度;利用BiLSTM模型结合输入序列的历史与未来数据信息,克服了传统的LSTM模型考虑单一历史因素的缺点;利用蚁群算法进行模型寻优操作;利用滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响;
(2)在性能指标上,处于相同参数情况下,较CNN、LSTM、BiLSTM、CNN-LSTM模型,本发明构建的CNN-BiLSTM模型具有更好的预测精度;
(3)在实际应用上,本发明提供的方法可以实现电动汽车的多级安全预报警,很好地预判故障的发生,将可能会发生的危险状况扼制在萌芽状态,有效避免电动汽车充电自燃事故。
附图说明
图1为本发明实施例所述充电安全监控与多级预报警原理图;
图2为本发明实施例所述神经网络与混合算法原理结构图;
图3为本发明实施例所述设计神经网络与混合算法的流程图;
图4为本发明实施例在云端数据库下五种模型电流预测准确度试验结果对比图;
图5为本发明实施例在云端数据库下五种模型电压预测准确度试验结果对比图;
图6为本发明实施例在云端数据库下五种模型温度预测准确度试验结果对比图;
图7为本发明实施例在该预报警方法下某电动汽车温度残差均值变化预报警试验结果图;
图8为本发明实施例在该预报警方法下某电动汽车温度残差标准差变化预报警试验结果图。
具体实施方式
为了更加清楚的理解本发明的上述过程、方法和优点,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。
本实例是从实际工况下电动汽车充电过程监控和多级预报警方法的角度进行介绍的,该方法利用CNN网络对电动汽车正常充电过程的历史数据进行深度挖掘,提取充电数据的深层次特征;利用BiLSTM网络解决采样点数据隔断与延迟问题;利用蚁群算法对模型进行寻优操作;根据国标GB/T 27930实时采集充电数据,预测电动汽车电池的温度变化趋势;通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响;分析该电动汽车电池温度的残差,计算预报警阈值,进行多级安全预报警操作;最后将该模型应用到实际电动汽车上,进行实时监控和多级安全预报警,验证该方法的实用性。
图1为本发明实施例所述充电监控与多级预报警原理图,设备端的电动汽车与充电桩通过CAN通讯协议进行数据传输,采集电动汽车整车动力电池额定容量、整车动力电池额定电压、整车动力电池额定电流、整车动力电池需求电压、整车动力电池需求电流、整车动力电池最高允许电压、整车动力电池最高允许电流、整车动力电池最高允许温度、充电方式、充电电压测量值、充电电流测量值、充电温度测量值、累计充电时间、估算剩余充电时间等信息量输送至云端数据库,进行数据预处理后,将其划分为历史数据和实时数据,将历史数据输送至组合算法模型,训练相应车型预测模型,其中组合算法模型由CNN模型、BiLSTM模型、蚁群算法和滑动窗口法组成,实时数据用来判断模型准确性,根据大量充电数据确定预报警阈值后,用于控制设备端的电动汽车充电。
具体的,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,具体实现过程如下:
1、传输电动汽车充电数据,进行数据预处理,采集设备端的电动汽车充电数据传输至云端数据库;将充电数据进行归一化预处理并划分为历史数据和实时数据;
2、训练深度学习组合模型,利用算法进行寻优操作,利用CNN模型对电动汽车正常的大功率充电历史数据进行深度挖掘;利用BiLSTM模型解决采样点数据隔断以及延迟问题;组合CNN模型和BiLSTM模型,调整模型参数,使其具有更高的预测精度;规定预测模型输出精度的评价标准,用来评判模型的预测准确性;通过蚁群算法进行模型寻优操作,优化预测模型的超参数;通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响;具体算法结构图如图2所示;
3、对电动汽车充电状态进行实时监测与安全预报警操作;通过残差均值和残差标准差计算电动汽车预报警阈值;采集电动汽车实时充电数据输入预测模型中,得到下一时刻预测值;通过滑动窗口法计算预测值的残差均值和残差标准差;当残差均值和标准差同时超出预警阈值小于报警阈值时,进行故障预警,降低10%充电电流;当残差均值或标准差超出报警阈值时,进行故障报警,及时切断充电电源;具体流程图如图3所示。
参考图2,在本实施例中,数据处理模块计算公式为:其中,ximin、ximax分别为电动汽车第i个数据采样点的最小值和最大值,Xout是对输入数据xi进行归一化后的结果;CNN网络模块计算公式为:ct=f(WCNN*nt+bCNN),其中,WCNN表示电动汽车大功率充电数据卷积中滤波器的权重系数,即卷积核;nt表示t时刻的电动汽车充电数据;*为卷积运算;bCNN表示电动汽车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充电数据序列;f表示电动汽车充电数据卷积运算的激活函数;BiLSTM网络模块计算公式为:ht=LSTM(xt,ht-1)、hi=LSTM(xt,hi-1)、ht=atht+bthi+ct,其中,LSTM表示单LSTM网络的计算过程,ht、hi分别表示单LSTM的前向、后向隐藏层的状态,at、bt分别表示单LSTM的前向、后向隐藏层的输出权重,ct表示实时隐藏层的偏置优化参数;蚁群算法模块计算公式为:(1)状态转移阶段:τij(t+n)=(1-ρ)′τij(t)+Δτij(t)、其中,ρ表示信息挥发因子,(1-ρ)表示残留因子,取值范围为[0.1,0.99];(2)全局更新阶段:Δτij(i,j)=1/Lgb,(i,j)为全局最优且Lgb为最短;滑动窗口法模块计算公式为:其中,滑动窗口的宽度为N,为此窗口下残差的均值,S为此窗口下标准差,ei为滑动窗口中第i个采样点的残差;预警阈值模块计算公式为:SY=k2Smax,其中,为正常充电残差均值绝对值的最大值,Smax为残差标准差的最大值,k1、k2分别表示残差均值、残差标准差的预警系数;报警阈值计算公式为:SW=k4Smax,其中,k3、k4分别表示残差均值、残差标准差的报警系数。
参考图3,在本实施例中,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主要分为数据处理、模型训练、状态判断和报警分类四个阶段,具体的实现过程如下:
(1)获取电动汽车各种充电数据,筛选充电电压、充电电流以及温度等具有参考意义的数据;
(2)对筛选的充电数据进行归一化处理,划分数据集为实时数据和历史数据;
(3)利用历史数据,确定LSTM和BiLSTM模型参数,训练相应模型,输出其评判标准值;确定CNN模型参数,训练CNN、CNN-LSTM以及CNN-BiLSTM模型,输出其评判标准值;
(4)若此训练后的模型满足模型精度要求,则进入下一阶段设置电动汽车温度预警阈值;若不符合,则返回重新训练相应模型;
(5)实时数据用于判断充电状态,若其温度小于预警阈值,则工作状态正常,继续充电;若其温度大于预警阈值,则需进行下一阶段判断状态;
(6)设置电动汽车温度报警阈值,若其温度大于预警阈值且小于报警阈值,此时电动汽车处于预警状态,则发出预警信号后,降低10%充电电流;若其温度大于报警阈值,此时电动车处于报警状态,则发出报警信号后切断充电电源,停止充电;
(7)此判断全过程可以获取电动汽车电池的实时容量,若电动汽车电池的实时容量大于99.8%额定容量,则停止充电;且此***处于高速闭环运转中,能够及时完成多级安全预报警任务。
参考图4、图5、图6,分别为本发明实施例在云端数据库下五种模型的电流、电压、温度预测准确度试验结果对比图,实验结果显示,本发明所提方法具有最高的预测精度。
参考图7、图8,分别为本发明实施例在该多级预报警方法下某电动汽车的残差均值变化和残差标准差变化预报警试验结果图,如图7所示,残差均值在第57670个采样点时超过残差均值的预警界限,在第57683个采样点时超过残差均值的报警界限,之后持续超过报警界限;如图8所示,残差标准差在第29993个采样点时超过残差标准差的预警界限,在第29998个采样点时超过残差标准差的报警界限;根据本发明实施例设定的多级安全预报警方法,当残差均值和残差标准差均超过预警阈值时发出预警信号,当残差均值或残差标准差超过报警阈值时发出报警信号,故该电动汽车在第29993个采样点未发出预警信号,而在第29998个采样点发出报警信号,之后便停止充电,而该车在实际充电中,在57930个采样点处车载电池组发生起火事故,后经专业人员分析充电数据,发现该车在第30013个采样点温度超过了最高允许温度,对比实际情况,本发明提出的多级安全预报警模型,及时的发现了充电故障,有效的降低了电动汽车的自燃风险。
尽管本发明已在如上实施例中公开,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 (4)
1.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,其特征在于,包括数据传输与处理、模型训练与优化、状态监控与实时预报警三部分,具体步骤如下:
步骤S1:传输电动汽车充电数据,进行数据预处理;
步骤S1.1:采集设备端的电动汽车充电数据传输至云端数据库;
步骤S1.2:将充电数据进行归一化预处理并划分为历史数据和实时数据;
步骤S2:训练神经网络组合模型,利用算法进行寻优操作;
步骤S2.1:利用CNN模型对电动汽车正常的大功率充电历史数据进行深度挖掘;利用BiLSTM模型解决采样点数据隔断以及延迟问题;组合CNN模型和BiLSTM模型,调整模型参数,使其具有更高的预测精度;
步骤S2.2:规定预测模型精度的评价标准,用来评判模型的预测准确性;
步骤S2.3:通过蚁群算法进行模型寻优操作,优化预测模型的超参数;
步骤S2.4:通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响;
步骤S3:对电动汽车充电状态进行实时监测与安全预报警操作;
步骤S3.1:通过残差均值和残差标准差计算电动汽车预报警阈值;
步骤S3.2:采集电动汽车实时充电数据输入预测模型中,得到下一时刻预测值;
步骤S3.3:通过滑动窗口法计算预测值的残差均值和残差标准差;
步骤S3.4:当残差均值和标准差同时超出预警阈值小于报警阈值时,进行故障预警,降低10%充电电流;当残差均值或标准差超出报警阈值时,进行故障报警,及时切断充电电源。
3.根据权利要求1所述的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,其特征在于:所述步骤S2中,训练神经网络组合模型,利用算法进行寻优操作,其具体操作如下:
步骤S2.1、设计组合CNN-BiLSTM深度学习模型,CNN模型计算公式为:ct=f(WCNN*nt+bCNN),其中,WCNN表示电动汽车大功率充电数据卷积中滤波器的权重系数,即卷积核;nt表示t时刻的电动汽车充电数据;*为卷积运算;bCNN表示电动汽车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充电数据序列;f表示电动汽车充电数据卷积运算的激活函数;BiLSTM模型计算公式为:ht=LSTM(xt,ht-1)、hi=LSTM(xt,hi-1)、ht=atht+bthi+ct,其中,LSTM表示单LSTM网络的计算过程,ht、hi分别表示单LSTM的前向、后向隐藏层的状态,at、bt分别表示单LSTM的前向、后向隐藏层的输出权重,ct表示实时隐藏层的偏置优化参数;
步骤S2.2、规定预测模型输出精度的评价标准,其计算公式为: 其中,yi表示充电温度实际的测量值,表示对应充电温度的预测值;根据上述方程,可以得出以下结论:RMSE、MAPE越小,模型拟合效果越好,说明预测的电动汽车充电数据越准确;
步骤S2.3、通过蚁群算法进行模型寻优操作,具体包括以下步骤:
(1)状态转移:为避免次要信息过多而淹没主要充电信息,在一个循环结束后,要对次要信息进行更新处理,由此,t+n时刻在路径(i,j)上的信息量可按如下规则进行调整:τij(t+n)=(1-ρ)·τij(t)+Δτij(t)、其中,ρ表示信息挥发因子,(1-ρ)表示残留因子,取值范围为[0.1,0.99];
(2)更新全局:全局更新不再用于所有蚂蚁,而是对每一循环中最优的蚂蚁使用,其计算公式为:Δτij(i,j)=1/Lgb,(i,j)为全局最优且Lgb为最短;
步骤S2.4、通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响。
4.根据权利要求1所述的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,其特征在于:所述步骤S3中,实现电动汽车充电状态实时监控与安全预报警,其具体操作如下:
步骤S3.1、通过残差均值和残差标准差计算电动汽车预报警阈值,其预警阈值计算公式为:SY=k2Smax,其中,为正常充电残差均值绝对值的最大值,Smax为残差标准差的最大值,k1、k2分别表示残差均值、残差标准差的预警系数;报警阈值计算公式为:SW=k4Smax,其中,k3、k4分别表示残差均值、残差标准差的报警系数;
步骤S3.2、采集电动汽车实时充电数据输入预测模型中,对电动汽车充电过程进行状态监测的各种参数包括:整车动力电池额定容量、整车动力电池额定电压、整车动力电池额定电流、整车动力电池需求电压、整车动力电池需求电流、整车动力电池最高允许电压、整车动力电池最高允许电流、整车动力电池最高允许温度、充电方式、充电电压测量值、充电电流测量值、充电温度测量值、累计充电时间、估算剩余充电时间等;
步骤S3.4、当残差均值和标准差同时超出预警阈值小于报警阈值时,进行故障预警,降低10%充电电流;当残差均值或标准差超出报警阈值时,进行故障报警,及时切断充电电源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111610190.5A CN114084024A (zh) | 2021-12-27 | 2021-12-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111610190.5A CN114084024A (zh) | 2021-12-27 | 2021-12-27 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114084024A true CN114084024A (zh) | 2022-02-25 |
Family
ID=80307968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111610190.5A Pending CN114084024A (zh) | 2021-12-27 | 2021-12-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114084024A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114824537A (zh) * | 2022-06-30 | 2022-07-29 | 深圳市明泰源科技有限公司 | 一种基于信息融合的磷酸铁锂电池热失控监测*** |
CN115019466A (zh) * | 2022-06-23 | 2022-09-06 | 温州大学 | 一种基于物联网的智能报警*** |
CN115179844A (zh) * | 2022-07-29 | 2022-10-14 | 深圳市鸿嘉利新能源有限公司 | 一种电池多级防护响应的新能源补电车及其补电方法 |
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 |
DE102022202112A1 (de) | 2022-03-02 | 2023-09-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Diagnose einer Gerätebatterie eines technischen Geräts auf Basis elektrochemischer Modellparameter |
CN117040074A (zh) * | 2023-10-07 | 2023-11-10 | 青岛恒源高新电气有限公司 | 一种高压充电设备安全监控方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547994A (zh) * | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特***股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
CN112257847A (zh) * | 2020-10-16 | 2021-01-22 | 昆明理工大学 | 一种基于CNN和LSTM预测地磁Kp指数的方法 |
CN112776650A (zh) * | 2020-12-28 | 2021-05-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种多元融合感知智能充电***及方法 |
WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
CN113459867A (zh) * | 2021-07-19 | 2021-10-01 | 青岛科技大学 | 基于自适应深度置信网络的电动汽车充电过程故障预警方法 |
CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及*** |
CN113588308A (zh) * | 2021-07-22 | 2021-11-02 | 上海电力大学 | 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法 |
-
2021
- 2021-12-27 CN CN202111610190.5A patent/CN114084024A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547994A (zh) * | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特***股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN112257847A (zh) * | 2020-10-16 | 2021-01-22 | 昆明理工大学 | 一种基于CNN和LSTM预测地磁Kp指数的方法 |
CN112776650A (zh) * | 2020-12-28 | 2021-05-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种多元融合感知智能充电***及方法 |
CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及*** |
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
CN113459867A (zh) * | 2021-07-19 | 2021-10-01 | 青岛科技大学 | 基于自适应深度置信网络的电动汽车充电过程故障预警方法 |
CN113588308A (zh) * | 2021-07-22 | 2021-11-02 | 上海电力大学 | 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022202112A1 (de) | 2022-03-02 | 2023-09-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Diagnose einer Gerätebatterie eines technischen Geräts auf Basis elektrochemischer Modellparameter |
CN115019466A (zh) * | 2022-06-23 | 2022-09-06 | 温州大学 | 一种基于物联网的智能报警*** |
CN114824537A (zh) * | 2022-06-30 | 2022-07-29 | 深圳市明泰源科技有限公司 | 一种基于信息融合的磷酸铁锂电池热失控监测*** |
CN114824537B (zh) * | 2022-06-30 | 2022-09-13 | 深圳市明泰源科技有限公司 | 一种基于信息融合的磷酸铁锂电池热失控监测*** |
CN115179844A (zh) * | 2022-07-29 | 2022-10-14 | 深圳市鸿嘉利新能源有限公司 | 一种电池多级防护响应的新能源补电车及其补电方法 |
CN115179844B (zh) * | 2022-07-29 | 2023-10-03 | 深圳市鸿嘉利新能源有限公司 | 一种电池多级防护响应的新能源补电车及其补电方法 |
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 |
CN117040074A (zh) * | 2023-10-07 | 2023-11-10 | 青岛恒源高新电气有限公司 | 一种高压充电设备安全监控方法 |
CN117040074B (zh) * | 2023-10-07 | 2024-01-09 | 青岛恒源高新电气有限公司 | 一种高压充电设备安全监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111624494B (zh) | 基于电化学参数的电池分析方法和*** | |
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
CN108335487B (zh) | 一种基于交通状态时序性的道路交通状态预测*** | |
CN109726517B (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
CN113821875B (zh) | 一个基于端云协同的智能车辆故障实时预测方法及*** | |
CN115366683B (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 | |
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*** | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
CN116482536A (zh) | 基于数据驱动的动力电池故障预警与安全风险评估方法 | |
CN112287602A (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
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 | |
CN115848176A (zh) | 基于a-lstm算法的电动汽车充电预警方法及*** | |
CN113173104A (zh) | 一种新能源车辆动力电池预警方法及*** | |
CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
CN117746626A (zh) | 基于车流量的智慧交通管理方法及*** | |
CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
CN105334472A (zh) | 矿用本安电源在线剩余寿命预测方法 | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与*** | |
CN113540588A (zh) | 基于均衡电路预测电芯热失控的方法 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN116653608A (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220225 |