CN116653608B - 电动汽车充电保护、控制方法、装置及存储介质 - Google Patents

电动汽车充电保护、控制方法、装置及存储介质 Download PDF

Info

Publication number
CN116653608B
CN116653608B CN202310952972.XA CN202310952972A CN116653608B CN 116653608 B CN116653608 B CN 116653608B CN 202310952972 A CN202310952972 A CN 202310952972A CN 116653608 B CN116653608 B CN 116653608B
Authority
CN
China
Prior art keywords
wolf
charging
electric automobile
data
early warning
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.)
Active
Application number
CN202310952972.XA
Other languages
English (en)
Other versions
CN116653608A (zh
Inventor
孟庆霖
李博通
温伟杰
王议峰
葛磊蛟
王剑晓
陶文彪
药炜
赵金
王瑞
仝新宇
张胜
章凯
宫俊
张瑶
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.)
State Grid Tianjin Electric Power Co Chengxi Power Supply Branch
Tianjin Bindian Electric Power Engineering Co ltd
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Tianjin Electric Power Co Chengxi Power Supply Branch
Tianjin Bindian Electric Power Engineering Co ltd
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
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 State Grid Tianjin Electric Power Co Chengxi Power Supply Branch, Tianjin Bindian Electric Power Engineering Co ltd, State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Tianjin Electric Power Co Chengxi Power Supply Branch
Priority to CN202310952972.XA priority Critical patent/CN116653608B/zh
Publication of CN116653608A publication Critical patent/CN116653608A/zh
Application granted granted Critical
Publication of CN116653608B publication Critical patent/CN116653608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • 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
    • 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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Transportation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种电动汽车充电保护、控制方法、装置及存储介质，所述方法包括如下步骤：步骤一：分析了电动汽车充电安全多元影响要素，并筛选了充电安全预警保护指标；步骤二：提出了一种改进灰狼算法优化BP神经网络算法，以此来对电动汽车充电过程中单体最高电压随SOC的变化规律进行拟合；步骤三：建立了基于电压特征值的电动汽车充电安全保护与控制模型，同时设计了充电安全详细的保护与控制步骤；本发明构建了基于电压特征值的电动汽车充电安全保护与控制模型，通过设计改进灰狼算法优化BP神经网络来对数据进行拟合，在保证预警精度的前提下提高电压拟合模型的运算速度，提升充电保护的时效性，易于工程实践。

Description

电动汽车充电保护、控制方法、装置及存储介质
技术领域
本发明属于电动汽车充电安全技术领域，特别涉及一种电动汽车充电保护、控制方法、装置及存储介质。
背景技术
近年来，人们开始逐渐探索使用替代传统燃油汽车的新型交通工具。电动汽车的出现为节能和保护环境提供了有效的解决方案，成为广大学者和工业界研究的热点。电动汽车拥有高能效、低污染、环境友好等优势。
作为电动汽车的主要动力来源，车载动力电池对电动汽车续航能力极其重要。锂离子电池与其他类型的车载动力电池相比具有生命周期长、单体能量密度大、高效无污染等优点，因此被人们大规模使用。当车载锂离子电池需要能量补充时，可通过传导充电方式进行电能补给。供能***通过充电桩、电缆、充电枪等组件将能量补给到电动汽车的方式被称为传导充电，这种方法是当前人们应用最广泛、能效最高的充电方式。在电动汽车传导充电过程中，充电线路温度过高、电池内部出现短路甚至电动汽车未结束充电就上路行驶的事件时有出现。因而，充电安全保护与控制问题成为电动汽车使用和产业推广进程中所需要解决问题。
国内外专家学者对充电安全预警保护与控制方法进行了一系列的研究，并取得了一定的成果。目前，针对电动汽车锂离子电池充电故障诊断及保护控制方法可分为基于模型的故障诊断及保护控制方法、基于知识的故障诊断及保护控制方法以及基于数据驱动的故障诊断及保护控制方法。基于模型的故障诊断及保护控制方法能够描述电池内部化学反应过程，但此方法一般考虑参数相较繁杂，同时对建模精度要求较高，在工程上实施难度较大，公开号CN112285569A的专利：一种基于动态阈值模型的电动汽车故障诊断方法。基于知识的故障诊断及保护控制方法不需要建立数学或电池***模型、易于理解，但该类方法较为主观、灵活性不高，难以用于实时动态检测车载锂离子电池充电故障，所以无法有效对潜在故障进行控制操作，公开号CN112838641A的专利：基于知识图谱和5G技术的汽车锂电池动态充电保护***。基于数据驱动的故障诊断及保护控制方法不需建立复杂的电池模型，能够有效地避免对老化机制及先验知识的依赖性，因此该类方法在电动汽车充电安全领域应用广泛，公开号CN113777515A的专利：一种电动汽车充电安全预警方法。但该类方法也存在着一定的不确定性，故亟需设计一种更为优异的电动汽车充电保护、控制方法及装置。
发明内容
针对上述问题，本发明提供一种电动汽车充电保护、控制方法、装置及存储介质，目的在于提升电动汽车充电时的危险因素的可预见性以及可控制性。
一种电动汽车充电保护、控制方法，所述方法包括：
选取电动汽车充电过程中单体电池最高电压随SOC的变化规律作为充电安全预警保护指标；
基于改进灰狼算法优化BP神经网络算法，构建拟合模型，对电动汽车充电过程中单体电池最高电压随SOC的变化规律进行拟合，得到拟合数据；
对拟合模型设置预警阈值、预警错误代码以及保护控制策略，拟合模型实时比较电动汽车充电数据与拟合数据，计算二者残差，判断残差是否超过预警阈值，若未超过，则不会输出预警错误代码和不会给出保护控制措施，若超过，则输出预警错误代码，并根据保护控制策略给出保护控制措施。
进一步的，改进灰狼算法优化BP神经网络算法，构建拟合模型包括：
将BP神经网络的权值和阈值作为灰狼算法中灰狼个体的位置初始信息，利用灰狼搜寻猎物的位置不断更新权值与阈值的数值，获取BP神经网络最优参数。
进一步的， 灰狼算法在运行时，首先将种群个体按狩猎方式分为A、B、C和D共四种灰狼。灰狼A负责制定狼群狩猎的计划，代表所求问题的最优解。灰狼B代表问题的次优解，遵循灰狼A所下达的命令的同时管理下级个体对猎物的搜寻计划，灰狼C负责协助灰狼A、灰狼B完成猎物的围捕,其他的则属于灰狼D，是整个灰狼种群的基础，必须服从灰狼A、灰狼B和灰狼C；
灰狼算法的数学模型如公式（1）所示：
；
式中：S j (t)表示第t次第j只灰狼的位置；S p (t)表示第t次猎物的位置；t为迭代次数；D j 是狼群中的第j只灰狼与猎物之间的距离向量；K j 表示第j只灰狼的相关系数；I表示收敛因子当|I|>1时表示全局搜索，意味着放大搜索猎物的范围，狼群散开；当|I|<1表示局部搜索，意味着缩小搜索猎物的范围，对猎物进行集中围堵；t max 表示最大迭代次数；r 1和r 2是[0,1]之间的随机数组成的向量；t max 是随着计算迭代到最大迭代次数，α是控制因子，α从2线性减小到0；
当发现猎物的位置后，灰狼A带领灰狼B、灰狼C指挥狼群对猎物进行围剿,依据A、B与C三种灰狼的位置即可大致判断出猎物的方位,灰狼位置更新的公式如下所示：
；
；
；
；
；
；
；
式中：S a (t)、S b (t)和S c (t)分别第t次代表灰狼A、灰狼B及灰狼C的当前位置；I 1、I 2和I 3是随机向量系数；D a 、D b 、D c 分别表示灰狼A、灰狼B、灰狼C与猎物之间的距离向量；式（2）至式（4）表示其他灰狼向灰狼A、灰狼B及灰狼B前进的方向与距离；S 1、S 2与S 3分别指剩余灰狼在三类最优狼（灰狼A、灰狼B和灰狼C）的带领下更新自身的位置以对猎物进行搜索；式(5)至式（7）表示更新后灰狼D的位置信息，式（8）表示灰狼种群搜寻到的猎物的最终位置，为待解决问题的最优解。
进一步的， 在灰狼（优化）算法中，首先生成每次的灰狼种群与灰狼A1、灰狼B和灰狼C，然后，通过聚类方法在灰狼A1、灰狼B和灰狼C中生成新的灰狼A2，将灰狼A1与灰狼A2共同作为问题解的候选，比较二者的适应度信息，适应度值高的作为灰狼aa，由灰狼aa作为最优解引导狼群的下一次捕猎方向,在不断的迭代中，灰狼A1、灰狼B与灰狼C将共享狩猎信息，增加算法的寻优速度; 生成灰狼A2具体采用等式（9）；
；
式中：S n-best 由灰狼A1、灰狼B和灰狼C中随机选择；S n-im 、S ran1和S ran2在整个灰狼种群的个体中随机选择；系数δ为非线性调制系数；系数γ服从柯西分布。
进一步的，获取BP神经网络最优参数，具体包括步骤如下：
a、选择隐藏层节点数来确定BP神经网络拓扑, 同时确定神经网络的适应度函数与输出节点的激励函数；
b、确定灰狼种群大小、迭代次数、灰狼个***置信息维度和灰狼维度上下限，同时随机初始化灰狼位置；
c、通过改进灰狼算法生成灰狼A1、灰狼B与灰狼C并据此聚类生成新灰狼A2，比较计算灰狼A1和灰狼A2个体适应度值，确定最优解，记录问题的最优解，为灰狼aa的位置。
d、更新剩余灰狼的位置信息以及更新算法的参数，选择训练样本和测试样本进行测试，计算误差值并更新迭代次数；
判断是否达到了设定的最大迭代次数或设定的误差，如果误差和迭代次数不满足要求，重复上述步骤a至d，直到满足要求，将最终得到的灰狼aa记为问题的最优解；
将最优输出灰狼aa的位置映射到权重矩阵，作为BP神经网络从隐藏层到输出层的权重，确定最优解，并优化网络的阈值；
输出网络训练结果，形成拟合模型。
进一步的，输出预警错误代码包括：
电动汽车充电数据获取；
电动汽车完整充电过程电压数据的拟合；
以及电动汽车充电电压实时比较与预警；
电动汽车充电数据获取，具体包括：
提取电动汽车与充电桩实时通信的报文数据，以获取电动汽车电池种类、电动汽车起充电池电动汽车SOC begin 与对应的电动汽车起充电压V begin 、后续车辆电池组SOC及对应的电动汽车实时充电电压数据V ori ；
取前10组充电数据进行预处理：去除这10组充电数据中最大与最小值并计算平均值得到模型的电动汽车起充电压V begin 与电动汽车起充电池荷电状态SOC begin ；最后将得到的SOC begin 与V begin 的数据作分别为充电过程拟合模型的输入和输出。
进一步的，所述电动汽车完整充电过程电压数据的拟合，具体包括：
将充电数据中SOC begin 作为充电过程中拟合模型的输入、V begin 作为充电过程中拟合模型的输出，利用改进灰狼算法优化BP神经网络算法预测电动汽车完整充电过程电池电压的变化情况；
根据预测，观察拟合结果，并得到最优输入数据量，然后将电动汽车充电拟合数据V pre 组成式（10）所示的V prei 作为后续步骤的输入，
；
式中：V prei 为电动汽车电压拟合数据向量组。
进一步的，电动汽车充电电压实时比较与预警具体包括：
令i=SOC begin ，根据i的值选取电动汽车完整充电过程电压数据的拟合数据V pre ；然后由式（11）与式（12）计算拟合模型的充电安全特征变量为电压残差绝对值V Re 与SOC差值ΔSOC E ；
；
；
式中：SOC E 为首个异常电压值对应的SOC，SOC C 为电压恢复正常时的电池SOC；依据实时监控V Re 与ΔSOC E 的变化情况判断电动汽车充电过程安全与否；最后依据V Re 阈值做出相应的预警并输出不同的预警信号。
进一步的，电动汽车充电过程中报警阈值、预警信号设置方法以及控制策略，具体包括：
首先断V begin 的情况：
若V begin 偏离正常电压超过0.1V，拟合模型输出预警信号WARN1，并报警并提醒用户或工作人员注意；
若任一V Re 大于0.1V且电压值小于电池允许电压最高值V stmax 时，拟合模型输出预警信号WARN2，并发出报警保护信号；
若ΔSOC E 大于6%、V Re 大于0.1V且V ori 小于V stmax 时，拟合模型输出预警信号WARN3，并发出报警保护信号；
若ΔSOC E 大于8%、V Re 大于0.1V且V ori 小于V stmax 时，拟合模型输出预警信号WARN4，报警并提醒用户或工作人员注意电动汽车的车况；
若任意连续10分内的数据电压值高于V stmax 时，拟合模型输出预警信号WARN5同时终止充电过程。
一种基于电压特征值的电动汽车充电保护、控制装置，包括：数据分析单元、数据拟合单元以及充电安全预警保护与控制单元；
数据分析单元，用于选取电动汽车充电过程中单体电池最高电压随SOC的变化规律作为充电安全预警保护指标；
数据拟合单元，用于基于改进灰狼算法优化BP神经网络算法，构建拟合模型，对电动汽车充电过程中单体电池最高电压随SOC的变化规律进行拟合，得到拟合数据；
充电安全预警保护与控制单元，用于对拟合模型设置预警阈值、预警错误代码以及保护控制策略，拟合模型实时比较电动汽车充电数据与拟合数据，计算二者残差，判断残差是否超过预警阈值，若未超过，则不会输出预警错误代码和不会给出保护控制措施，若超过，则输出预警错误代码，并根据保护控制策略给出保护控制措施。
一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述的电动汽车充电保护、控制方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的电动汽车充电保护、控制方法。
本发明至少具备以下有益效果：
本发明归纳了电动汽车充电安全多元影响要素，考虑了锂离子电池的极化特性，分析了锂离子电池热失控机理，筛选出充电安全预警保护指标。设计了基于神经网络的电动汽车充电拟合过程，建立了电动汽车充电安全保护与控制模型来动态监测电池充电电压变化情况，具有良好的时效性，有助于实现电动汽车充电过程中的保护与控制功能；
本发明分析了BP神经网络的作用机理，构建了灰狼算法的数学模型并归纳了该算法存在的弊端，并利用基于聚类搜索结果的搜索策略对灰狼算法进行改进，所提出的优化策略能够显著提升灰狼算法的种群多样性，避免因狼群内部信息共享不充分而导致算法陷入局部最优。同时也能够在保证预警精度的前提下提高电压拟合模型的运算速度，进而提升电动汽车充电保护的时效性，易于工程实践。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例电动汽车充电安全保护、控制方法流程图；
图2为改进灰狼算法优化BP神经网络算法流程图；
图3为电动汽车充电保护、控制的（拟合）模型流程图；
图4为本发明实施例电动汽车充电保护、控制装置结构示意图；
图5为BP神经网络拟合绝对误差示意图；
图6为EV充电SOC-单体最高电压变化示意图；
图7为输入10组数据量对EV电压拟合结果的影响示意图；
图8为输入40组数据量对EV电压拟合结果的影响示意图；
图9为输入70组数据量对EV电压拟合结果的影响示意图；
图10为输入90组数据量对EV电压拟合结果的影响示意图；
图11为不同输入数据量的拟合时间与误差示意图；
图12为不同拟合算法运算时间示意图；
图13为离散型慢充数据拟合算法预警准确率示意图；
图14为离散型快充数据拟合算法预警准确率示意图；
图15为连续型慢充数据拟合算法预警准确率示意图；
图16为连续型快充数据拟合算法预警准确率示意图；
图17为不同拟合算法预警故障代码示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，充电安全预警保护与控制方法研究取得了一定的成果。针对电动汽车锂离子电池充电故障诊断及保护控制方法可分为基于模型的故障诊断及保护控制方法、基于知识的故障诊断及保护控制方法以及基于数据驱动的故障诊断及保护控制方法。基于模型的故障诊断及保护控制方法能够描述电池内部化学反应过程，但此方法一般考虑参数相较繁杂，同时对建模精度要求较高，在工程上实施难度较大。基于知识的故障诊断及保护控制方法不需要建立数学或电池***模型、易于理解，但该类方法较为主观、灵活性不高，难以用于实时动态检测车载锂离子电池充电故障，所有无法有效对潜在故障进行控制操作。基于数据驱动的故障诊断及保护控制方法不需建立复杂的电池模型，能够有效地避免对老化机制及先验知识的依赖性，故该类方法在电动汽车充电安全领域应用广泛，但该类方法也存在着一定的不确定性。因此，亟需设计一种更为优异的电动汽车充电保护、控制方法及装置，来提升电动汽车充电过程中的安全性以及可靠性。
为此，本发明提出了一种基于电压特征值的电动汽车充电保护、控制方法及装置，包括基于电压特征值的电动汽车充电保护、控制方法、基于电压特征值的电动汽车充电保护、控制装置、一种电子设备和一种计算机可读存储介质。
本发明依据锂离子电池极化特性与车载锂离子电池组的均衡度性质，选择单体电池最高电压作为研究对象。借助改进灰狼算法优化的BP神经网络算法来拟合电动汽车的完整充电过程，预测车辆充电状态。同时设置预警阈值、预警错误代码以及保护控制措施，实时比较电动汽车充电数据与拟合数据，计算二者残差并依据残差的变化情况来做出实时预警保护判断，具有较好的准确性与时效性。
第一方面，如图1所示，本发明提出了一种基于电压特征值的电动汽车充电保护、控制方法，特别是设计了改进灰狼算法优化的BP神经网络算法来拟合电动汽车的完整充电过程，该方法所包含的步骤流程如下所示：首先，分析了电动汽车充电安全多元影响要素，并筛选了充电安全预警保护指标；
然后，提出了一种改进灰狼算法优化BP神经网络算法，以此来对电动汽车充电过程中单体最高电压随SOC的变化规律进行拟合；
最后，建立了基于电压特征值的电动汽车充电安全保护与控制模型，同时设计了充电安全详细的保护与控制步骤。
下面结合附图对本发明的具体实施方式和步骤作进一步的详细说明。
步骤1分析了电动汽车充电安全多元影响要素，并筛选了充电安全预警保护指标；
为缓解能源危机、减少碳排，加速开发和推广电动汽车已成为全球共识。锂离子电池因其轻量化、低放电率和高能量密度的优点，成为电动汽车车载电池***的首选对象。然而，车载锂离子电池组较差的均衡性导致单体电池过充进而引起内部短路故障，影响整个车载电池***的正常工作。如果没有早期预警和及时保护控制措施，上述故障会演变为热失控发生起火。
锂离子电池的SOC与其开路电压一一对应，但车载电池管理***测量的电动汽车单体电池电压为电池端电压。电池的极化电压导致其从不同SOC充电至同一SOC时端电压一般不同。从锂离子电池的外特性来看，极化电压就是电池端电压偏离开路电压的数值；从电池的内在化学本质看，极化电压的产生是电池内部相关粒子在短时间内不能及时转移致使其分布不均匀引起的电位偏移。当电池SOC处于10%~80%之间时，电池的极化电压变化不明显，当SOC低于10%或高于80%后，电池极化现象加剧，极化电压升高。在日常使用中用户对电动汽车的充电具有较强的不确定性，有时不经过静置阶段缓解电池极化现象对电动汽车充电，如果使用传统的电池电压随SOC变化的曲线对电池电压进行预测，将会导致预测结果与真实值偏差较大，进而影响预警的准确性。
总而言之，虽电池温度能够直观表现电池内部温度变化，但在锂离子电池热失控的早期阶段，电池电压上升幅度明显，温度变化幅度较小，远未达到电池内可燃物的着火点。且电池温度受环境影响较大，若想尽早对电池热失控故障进行预警，选用受外界环境影响较小的电池电压作为特征参数较为适宜。同时考虑锂离子电池的极化性质与电池组均衡度问题，故本发明选取充电过程中单体电池最高电压的变化趋势作为预警保护指标。
步骤2提出了一种改进灰狼算法优化BP神经网络算法，以此来对电动汽车充电过程中单体最高电压随SOC的变化规律进行拟合；
单体电池电压是电动汽车充电的预警保护指标，需采用合适的方法来对充电过程中单体电池电压随SOC的变化规律进行拟合，即需要对充电电压进行精准预测。该问题为典型非线性回归问题，BP神经网络能够较为准确地解决此类问题。故本发明选用BP神经网络作求解问题的算法。
（1）BP神经网络
典型的三层BP神经网络一般由输入层、隐含层及输出层构成。
首先初始化网络，在[-1,1]之间随机选取神经网络的初始权值和阈值；然后计算隐含层神经元的输入，接着利用激励函数计算神经元的输出量；其次计算神经网络的误差，修正网络的权值与阈值，并不断重复上述步骤；最后根据误差的收敛情况确定网络的学习进度。
传统BP神经网络的权值调整算法为局部搜索算法，权值的求解很容易陷入局部最优。同时BP神经网络是沿着梯度下降法进行寻优的，会在一段区间内出现权值误差几乎不变动的情况，加上BP神经网络算法把更新步长规则的权利交给网络自身，这将使导致BP神经网络算法的收敛速度变慢。
（2）灰狼（优化）算法
灰狼算法（Grey Wolf Optimization, GWO）算法的灵感来源于自然界中灰狼种群的狩猎行为与狼群社会中头狼的领导能力，是一种能够寻找全局最优解的元启发式算法。在加快模型收敛速度、提高拟合精度等方面具有一定优势。本节将BP神经网络的权值和阈值作为GWO算法中灰狼个体的位置初始信息，利用灰狼搜寻猎物的位置不断更新权值与阈值的数值，从而获取BP神经网络最优参数，为寻得全局最优解提供帮助，实现对BP神经网络的优化。
GWO算法在运行时，首先将种群个体按狩猎方式分为A、B、C和D共四种灰狼。其中，灰狼A作为头狼负责制定狼群狩猎的计划，代表所求问题的最优解；灰狼B代表问题的次优解，遵循灰狼A所下达的命令的同时管理下级个体对猎物的搜寻计划；灰狼C负责协助灰狼A、灰狼B完成猎物的围捕；其他的狼则属于灰狼D，是整个灰狼种群的基础，必须服从领导层（灰狼A、B和C）的决定。在捕捉猎物时，灰狼A、灰狼B直接追捕猎物。灰狼D服从灰狼领导层的安排，对猎物进行追踪和围堵。在GWO优化算法中，狼群对于问题的寻优主要有包围、狩猎和进攻三个步骤，猎物的位置对应于问题的解。
灰狼（优化）算法的数学模型如公式（1）所示：
；
式中：S j (t)表示第t次第j只灰狼的位置；S p (t)表示第t次猎物的位置；t为迭代次数；D j 是狼群中的第j只灰狼与猎物之间的距离向量；K j 表示第j只灰狼的相关系数；I表示收敛因子（当|I|>1时表示全局搜索，意味着放大搜索猎物的范围，狼群散开；当|I|<1表示局部搜索，意味着缩小搜索猎物的范围，对猎物进行集中围堵）；t max 表示最大迭代次数；r 1和r 2是[0,1]之间的随机数组成的向量；随着计算迭代到最大迭代次数t max ，控制因子α从2线性减小到0。
当发现猎物的位置后，灰狼A带领灰狼B、灰狼C指挥狼群对猎物进行围剿。依据A、B与C三种灰狼的位置即可大致判断出猎物的方位。灰狼位置更新的公式如下所示：
；
；
；
；
；
；
；
式中：S a (t)、S b (t)和S c (t)分别第t次代表灰狼A、灰狼B及灰狼C的当前位置；I 1、I 2和I 3是随机向量系数；D a 、D b 、D c 分别表示灰狼A、灰狼B、灰狼C与猎物之间的距离向量；式（2）至式（4）表示其他灰狼向灰狼A、灰狼B及灰狼C前进的方向与距离；S 1、S 2与S 3分别指剩余灰狼在三类最优狼的带领下更新自身的位置以对猎物进行搜索；式(5)至式（7）表示更新后灰狼D的位置信息，式（8）表示灰狼种群搜寻到的猎物的最终位置，即待解决问题的最优解。
（3）改进灰狼算法
在传统的灰狼算法中，灰狼个体朝向三类最优灰狼移动以搜寻猎物位置，有时会陷入局部最优导致搜索能力变差。为了克服这一缺点，利用一种基于聚类搜索结果的策略改进灰狼算法；
在灰狼算法中，首先通过灰狼算法生成每次的灰狼种群与灰狼A1、灰狼B和灰狼C，然后，通过聚类方法在灰狼A1、灰狼B和灰狼C中生成新的灰狼（个体）A2，将灰狼A1与灰狼A2共同作为问题解的候选，比较二者的适应度信息，适应度值高的作为灰狼aa，由适应度较高的灰狼aa作为最优解引导狼群的下一次捕猎方向。聚类搜索策略通过公式（9）生成灰狼A2，在不断的迭代中，最优灰狼A1、灰狼B与灰狼C将共享狩猎信息，增加算法的寻优速度。
；
式中：S n-best 由最佳灰狼中（灰狼A1、灰狼B和灰狼C）随机选择；S n-im 、S ran1和S ran2在整个灰狼种群的个体中随机选择；系数δ为非线性调制系数；系数γ服从柯西分布。
聚类搜索策略能够共享最佳个体的信息。在聚类搜索策略中，S n 将灰狼A1从狼群中分离出来开始狩猎，同时从聚类向量组中选择S n-best 和S n-im ，三者共同探索它们的领地，通过这些灰狼可以提高算法的探索能力。因此，聚类策略将共享最佳个体灰狼的信息。同时，系数γ可以提高灰狼算法寻优的随机性，领导层灰狼动态指导狼群前进，从而防止灰狼算法陷入局部最优。
（4）IGWO算法优化BP神经网络
基于以上分析，本发明采用IGWO算法优化BP神经网络，建立IGWO-BP算法，算法的其整体流程图如附图2所示。
步骤1，构建BP神经网络。选择隐藏层节点数来确定BP神经网络拓扑, 同时确定神经网络的适应度函数与输出节点的激励函数；
步骤2，初始化IGWO算法的相关参数。确定灰狼种群大小、迭代次数、灰狼个***置信息维度和灰狼维度上下限，同时随机初始化灰狼位置；
步骤3，通过IGWO算法生成灰狼A1、灰狼B与灰狼C并据此聚类生成新灰狼A2，比较计算灰狼A1和灰狼A2个体适应度值，确定最优解aa，记录问题的最优解（即灰狼aa的位置）。
步骤4，计算误差：更新剩余灰狼的位置信息以及更新算法的参数，选择训练样本和测试样本进行测试，计算误差值并更新迭代次数；
步骤5，判断是否达到了设定的最大迭代次数或设定的误差，如果误差和迭代次数不满足要求，重复步骤3和步骤4，直到满足要求，将最终得到的灰狼aa记为问题的最优解；
步骤6，将最优输出灰狼aa的位置映射到权重矩阵，作为BP神经网络从隐藏层到输出层的权重，实现IGMO-BP模型。确定最优解，并使用上述方法优化网络的阈值。
步骤7，输出网络训练结果，形成拟合模型。数据经过预处理后输入到训练好的IGMO-BP模型中，得到预测结果，并与实际值进行比较，验证模型的可靠性。
步骤8，建立了基于电压特征值的电动汽车充电安全保护与控制模型，同时设计了充电安全详细的保护与控制步骤。
当处于充电状态的电动汽车电池组发生故障时，单体电池乃至电池组的电压将会明显偏离正常值，且将随着故障程度的加深而升高，因此可以通过实时监控电池电压实际值与预测值的计差值对电动汽车充电过程进行监测，并以差值绝对值的大小设计评价指标以输出不同的充电错误预警信号。我们设计的电动汽车充电安全预警模型流程详见附图3，主要分为 三个步骤：第一步，电动汽车充电数据获取，第二步，电动汽车完整充电过程电压数据的拟合，第三步，电动汽车充电电压实时比较与预警，其中第二步对充电电压的拟合为模型中较为重要的一环，唯有准确拟合电压变化才可为第三步提供准确的预警范围。
（1）获取电动汽车充电数据
首先，提取电动汽车与充电桩实时通信的报文数据，以获取电动汽车电池种类（磷酸铁锂电池、三元锂电池或其他种类的电池）、电动汽车起充电池荷电状态SOC begin 与对应的电动汽车起充电压V begin 、后续车辆电池组SOC及对应的电动汽车实时充电电压数据V ori ；为消除偶然误差对电动汽车输入数据的影响，取前10组充电数据进行预处理：去除这10组充电数据中最大与最小值并计算平均值得到模型的电动汽车起充电压V begin 与电动汽车起充电池荷电状态SOC begin ，这样可以消除数据误差对最终预警结果的影响；最后将得到的SOC begin 与V begin 的数据分别作为后续步骤中充电过程拟合模型的输入和输出。
（2）拟合单体电池充电电压
首先将第一步中得到的充电数据中SOC begin 作为充电过程中拟合模型的输入，将V begin 作作为充电过程中拟合模型的输出，利用拟合算法预测完整充电过程电池电压的变化情况，观察拟合结果，寻找数据量与拟合精度的平衡点，在保证精度的同时减少输入量，得到最优输入数据量N better 。然后将电动汽车充电拟合数据V pre 组成式（10）所示的向量组V prei 作为后续步骤的输入。
；
式中：V prei 为电动汽车电压拟合数据向量组。
同时为了避免每次充电都进行数据拟合，建立电动汽车充电数据库以储存历史数据与历史拟合结果。在电动汽车开始充电时，判断充电数据库中电池历史充电数据情况：当电动汽车充电历史数据记录数量低于N better 时，利用经验数据与已有的充电数据对电动汽车充电过程进行拟合；当充电数据低于N better 且历史拟合数据间隔时间超过2周，将历史电动汽车日常充电数据作为拟合模型的输入；否则直接获取数据库中电动汽车历史拟合充电结果。
（3）电动汽车充电实时安全预警
首先令i=SOC begin ，根据i的值选取第二步特定的拟合数据V pre ；然后由式（11）与式（12）计算模型的充电安全特征变量即电压残差绝对值V Re 与SOC差值ΔSOC E 。
；
；
式中：V ori 为电动汽车实时充电电压数据；V pre 为电动汽车电压拟合数据；SOC E 为首个异常电压值对应的SOC；在电压恢复正常后应归零，SOC C 为电压恢复正常时的电池SOC。
依据实时监控V Re 与ΔSOC E 的变化情况判断电动汽车充电过程安全与否；最后依据V Re 阈值做出相应的预警并输出不同的预警信号。
（4）电动汽车充电过程中（充电保护与控制模型）预警阈值、预警信号设置方法以及控制策略
根据电动汽车的具体充电数据设置，根据不同步骤设置不同的判断阈值。首先断V begin 的情况：
若V begin 偏离正常电压超过0.1V，模型输出预警信号WARN1，并报警并提醒用户或工作人员注意；
若任一V Re 大于0.1V且电压值小于电池允许电压最高值V stmax 时，模型输出预警信号WARN2，并发出报警保护信号；
若ΔSOC E 大于6%、V Re 大于0.1V且V ori 小于V stmax 时，模型输出预警信号WARN3，并发出报警保护信号；
若ΔSOC E 大于8%、V Re 大于0.1V且V ori 小于V stmax 时，模型输出预警信号WARN4，报警并提醒用户或工作人员注意电动汽车的车况；
若任意连续10分内的数据电压值高于V stmax 时，模型输出预警信号WARN5同时终止充电过程，防止电动汽车出现电压异常进而引发充电提前结束或电池热失控等现象。
第二方面，如图4所示，本发明提出了一种基于电压特征值的电动汽车充电保护、控制装置，包括：数据分析单元、数据拟合单元以及充电安全预警保护与控制单元；
数据分析单元，用于选取电动汽车充电过程中单体电池最高电压随SOC的变化规律作为充电安全预警保护指标；
数据拟合单元，用于基于改进灰狼算法优化BP神经网络算法，对电动汽车充电过程中单体电池最高电压随SOC的变化规律进行拟合；
充电安全预警保护与控制单元，用于实时监控电池电压实际值与预测值的差值，并以差值绝对值的大小输出充电错误预警信号。
分析电动汽车充电安全多元影响要素，并筛选充电安全预警保护指标；对电动汽车充电过程中单体最高电压随SOC的变化规律进行拟合；将电动汽车具体充电数据输入到基于电压特征值的电动汽车充电安全保护与控制模型中进行比对，根据比较结果输出不同的预警信号，同时采取不同的控制措施。
充电电压拟合预测
利用IGWO算法对BP神经网络的权值和阈值进行优化，拟合EV充电过程电压完整变化情况。首先提取筛选后数据中电池组SOH保持在99±1%之间的充电数据，以充电起始和终止SOC作为神经网络的输入，以充电过程中单体最高电压作为网络的输出。随机选取80%的数据作为神经网络的训练数组，将剩余的数据用作网络的测试数组。初始化改进灰狼算法参数：灰狼种群个体数量为30，最大迭代次数为50；由于输入数组维度为2，设置BP网络隐含层为5层，网络迭代次数为200，收敛阈值为0.000001。最后采用灰狼算法对BP神经网络模型的关键参数b和ω进行寻优训练神经网络。
采用IGWO算法寻优得到的BP神经网络的最佳参数数据为：
b 1 =[-1.3102, -0.8906, -1.8607, -3, -1.9534]；
ω 1 =[0.0676, -3, -1.7664, -0.8468, 0.9698, 0.53178, 0.6422, 0.0779,0.7158, -1.088]；
b2=0.1522；
ω 2 = [-3, -1.006, -2.3493, -0.5497, 2.6843]。
网络训练误差如图5所示，误差的绝对平均值为0.34%，可以看出对EV充电电压的拟合精度很高。
利用上述数据构建BP神经网络拟合模型，形成如图6所示的EV慢充时充电SOC-单体最高电压曲面。
拟合优化
分析充电数据可知用户在电池组SOC为24%至72.4%区间内充电次数较多，故重点分析不同输入数据量的拟合结果对上述SOC区间内电池电压的数据拟合误差。计算后得到不同输入数据量的拟合结果如图7至图10中所示，拟合误差与程序运行时间如图11所示。
充电安全预警模型预警结果
预警准确性验证
由于收集到的EV充电数据中缺少充电故障时的数据，故本节人为在数据训练组中替换9000条充电数据为异常值，每个起充SOC对应一组数据。替换的电压数据起充SOC分布在20%至80%，且为了模拟充电过程数据的随机性，将每组异常数据均设置为50%的离散类型和50%连续类型。共设置两种类型的异常数据，其中，类型Ⅰ含有3000条偏离正常电压值3%的充电数据，类型Ⅱ含有3000条偏离正常值5%的充电数据，类型Ⅲ含有3000条高于电池允许最高电压V stmax 的充电数据，首先统计数据中各异常值与模型应该输出的故障代码情况。然后分别运用四种算法执行数据拟合，预测EV完整充电过程电池电压的变化情况。接着运行预警模型，比较不同拟合算法所需拟合时间如图12，接着采用式（13）计算模型对异常数据的识别准确率如图13至图16，同时统计各算法运行后模型的报警情况，整理输出的故障代码与设定值比较，得到如图17所示的结果。
；
式中u为预警准确率；n identify 为模型识别的样本数据量；n all 为样本总数据量。
由上述图12可以看出，与其他优化算法相比，IGWO-BP算法具有最短的拟合时间。在预警准确度方面，对于类型Ⅰ、类型Ⅱ与类型Ⅲ的电压异常值，IGWO-BP算法具有最高的识别准确率，并且能够100%准确识别出类型Ⅲ的电压异常值。对于故障代码的报警准确度，由图17可以看出，本发明提出的IGWO-BP模型能够较为准确的对故障情况做出判断并输出四种故障代码，预警准确率可以达到99.69%。上述结果能够表明本文提出的IGWO-BP算法具有较好的预警精度。
其中图13为离散型慢充数据；图14为离散型快充数据；图15 为连续型慢充数据；图16为连续型快充数据。
具体实施时，本发明电动汽车充电保护、控制装置和电动汽车充电保护、控制方法的实现过程一一对应，在此就不赘述。
第三方面，本发明提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述的基于电压特征值的电动汽车充电保护、控制方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于电压特征值的电动汽车充电保护、控制方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的；也可以是单独存在，而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
本发明在依据锂离子电池极化特性与车载锂离子电池组的均衡度性质，选择单体电池最高电压作为研究对象。借助改进灰狼算法优化的BP神经网络算法来拟合电动汽车的完整充电过程，预测车辆充电状态。同时设置预警阈值、预警错误代码以及保护控制措施，实时比较电动汽车充电数据与拟合数据，计算二者残差并依据残差的变化情况来做出实时预警保护判断，具有较好的准确性与时效性。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电动汽车充电保护、控制方法，其特征在于，所述方法包括：
选取电动汽车充电过程中单体电池最高电压随SOC的变化规律作为充电安全预警保护指标；
基于改进灰狼算法优化BP神经网络算法，构建拟合模型，对电动汽车充电过程中单体电池最高电压随SOC的变化规律进行拟合，得到拟合数据；
对拟合模型设置预警阈值、预警错误代码以及保护控制策略，拟合模型实时比较电动汽车充电数据与拟合数据，计算二者残差，判断残差是否超过预警阈值，若未超过，则不会输出预警错误代码和不会给出保护控制措施，若超过，则输出预警错误代码，并根据保护控制策略给出保护控制措施；
改进灰狼算法优化BP神经网络算法，构建拟合模型包括：
将BP神经网络的权值和阈值作为灰狼算法中灰狼个体的位置初始信息，利用灰狼搜寻猎物的位置不断更新权值与阈值的数值，获取BP神经网络最优参数；
灰狼算法在运行时，首先将种群个体按狩猎方式分为A、B、C和D共四种灰狼，灰狼A负责制定狼群狩猎的计划，代表所求问题的最优解，灰狼B代表问题的次优解，遵循灰狼A所下达的命令的同时管理下级个体对猎物的搜寻计划，灰狼C负责协助灰狼A、灰狼B完成猎物的围捕，其他的则属于灰狼D，是整个灰狼种群的基础，必须服从灰狼A、B和C；
灰狼算法的数学模型如公式(1)所示：
式中：Sj(t)表示第t次第j只灰狼的位置；Sp(t)表示第t次猎物的位置；t为迭代次数；Dj是狼群中的第j只灰狼与猎物之间的距离向量；Kj表示第j只灰狼的相关系数；I表示收敛因子，当|I|>1时表示全局搜索，意味着放大搜索猎物的范围，狼群散开；当|I|<1表示局部搜索，意味着缩小搜索猎物的范围，对猎物进行集中围堵；tmax表示最大迭代次数；r1和r2是[0,1]之间的随机数组成的向量；tmax是随着计算迭代到最大迭代次数，α是控制因子，α从2线性减小到0；
当发现猎物的位置后，灰狼A带领灰狼B、灰狼C指挥狼群对猎物进行围剿，依据A、B与C三种灰狼的位置即可判断出猎物的方位，灰狼位置更新的公式如下所示：
Da＝|K1·Sa(t)-Sj(t)| (2)
Db＝|K2·Sb(t)-Sj(t)| (3)
Dc＝|K3·Sc(t)-Sj(t)| (4)
S1＝Sa-I1·Da (5)
S2＝Sb-I2·Db (6)
S3＝Sc-I3·Dc (7)
S(t+1)＝(S1+S2+S3)/3 (8)
式中：Sa(t)、Sb(t)和Sc(t)分别第t次代表灰狼A、灰狼B及灰狼C的当前位置；I1、I2和I3是随机向量系数；Da、Db、Dc分别表示灰狼A、灰狼B、灰狼C与猎物之间的距离向量；式(2)至式(4)表示其他灰狼向灰狼A、灰狼B及灰狼C前进的方向与距离；S1、S2与S3分别指剩余灰狼在A、B和C三类灰狼的带领下更新自身的位置以对猎物进行搜索；式(5)至式(7)表示更新后灰狼D的位置信息，式(8)表示灰狼种群搜寻到的猎物的最终位置为待解决问题的最优解。
2.根据权利要求1所述的一种电动汽车充电保护、控制方法，其特征在于，在灰狼算法中，首先生成灰狼A1、灰狼B和灰狼C，然后，通过聚类方法在灰狼A1、灰狼B和灰狼C中生成新的灰狼A2，将灰狼A1与灰狼A2共同作为问题解的候选，比较二者的适应度信息，适应度值高的作为灰狼aa，由灰狼aa作为最优解引导狼群的下一次捕猎方向，在不断的迭代中，灰狼A1、灰狼B与灰狼C将共享狩猎信息，增加算法的寻优速度；生成灰狼A2具体采用等式(9)；
Sn-best＝γ·(Sj(t)-Sn-im)+δ·(Sran1-Sran2) (9)
式中：Sn-best由灰狼A1、灰狼B和灰狼C中随机选择；Sn-im、Sran1和Sran2为在整个灰狼种群的个体中随机选择；系数δ为非线性调制系数；系数γ服从柯西分布。
3.根据权利要求2所述的一种电动汽车充电保护、控制方法，其特征在于，获取BP神经网络最优参数，具体包括步骤如下：
a、选择隐藏层节点数来确定BP神经网络拓扑，同时确定神经网络的适应度函数与输出节点的激励函数；
b、确定灰狼种群大小、迭代次数、灰狼个***置信息维度和灰狼维度上下限，同时随机初始化灰狼位置；
c、通过灰狼算法生成灰狼A1、灰狼B与灰狼C并据此聚类生成新灰狼A2，比较计算灰狼A1和灰狼A2个体适应度值，确定最优解，并记录问题的最优解，为灰狼aa的位置；
d、更新剩余灰狼的位置信息以及更新算法的参数，选择训练样本和测试样本进行测试，计算误差值并更新迭代次数；
判断是否达到了设定的最大迭代次数或设定的误差，如果误差和迭代次数不满足要求，重复上述步骤a至d，直到满足要求，将最终得到的灰狼aa为问题的最优解；
将最优输出灰狼aa的位置映射到权重矩阵，作为BP神经网络从隐藏层到输出层的权重，确定最优解，并优化网络的阈值；
输出网络训练结果，形成拟合模型。
4.根据权利要求1所述的一种电动汽车充电保护、控制方法，其特征在于，输出预警错误代码包括：
电动汽车充电数据获取；
电动汽车完整充电过程电压数据的拟合；
以及电动汽车充电电压实时比较与预警；
电动汽车充电数据获取，具体包括：
提取电动汽车与充电桩实时通信的报文数据，以获取电动汽车电池种类、电动汽车起充电池荷电状态SOCbegin与对应的电动汽车起充电压Vbegin、后续车辆电池组SOC及对应的电动汽车实时充电电压数据Vori；
取前10组充电数据进行预处理：去除这10组充电数据中最大与最小值并计算平均值得到模型的电动汽车起充电压Vbegin与电动汽车起充电池荷电状态SOCbegin；最后将得到的SOCbegin与Vbegin的数据分别作为充电过程中拟合模型的输入和输出。
5.根据权利要求4所述的一种电动汽车充电保护、控制方法，其特征在于，所述电动汽车完整充电过程电压数据的拟合，具体包括：
将充电数据中SOCbegin作为充电过程中拟合模型的输入、Vbegin作为充电过程中拟合模型的输出，利用改进灰狼算法优化BP神经网络算法预测电动汽车完整充电过程电池电压的变化情况；
根据预测，观察拟合结果，并得到最优输入数据量，然后将电动汽车充电拟合数据Vpre组成式(10)所示的Vprei作为输入；
Vprei＝[Vpre0,Vpre0.1,Vpre0.2,...,Vpre99.9] (10)
式中：Vprei为电动汽车电压拟合数据向量组。
6.根据权利要求5所述的一种电动汽车充电保护、控制方法，其特征在于，电动汽车充电电压实时比较与预警，具体包括：
令i＝SOCbegin，根据i的值选取电动汽车完整充电过程电压数据的拟合数据Vpre；然后由式(11)与式(12)计算拟合模型的充电安全特征变量为电压残差绝对值VRe与SOC差值ΔSOCE；
VRe＝|Vpre-Vori| (11)
ΔSOCE＝SOCC-SOCE (12)
式中：SOCE为首个异常电压值对应的SOC；SOCC为电压恢复正常时的电池SOC；依据实时监控VRe与ΔSOCE的变化情况判断电动汽车充电过程安全与否；最后依据VRe阈值做出相应的预警并输出不同的预警信号。
7.根据权利要求6所述的一种电动汽车充电保护、控制方法，其特征在于，电动汽车充电过程中预警阈值、预警信号设置方法以及控制策略，具体包括：
首先断Vbegin的情况：
若Vbegin偏离正常电压超过0.1V，拟合模型输出预警信号WARN1，并报警并提醒用户或工作人员注意；
若任一VRe大于0.1V且电压值小于电池允许电压最高值Vstmax时，拟合模型输出预警信号WARN2，并发出报警保护信号；
若ΔSOCE大于6％、VRe大于0.1V且Vori小于Vstmax时，拟合模型输出预警信号WARN3，并发出报警保护信号；
若ΔSOCE大于8％、VRe大于0.1V且Vori小于Vstmax时，拟合模型输出预警信号WARN4，报警并提醒用户或工作人员注意电动汽车的车况；
若任意连续10分内的数据电压值高于Vstmax时，拟合模型输出预警信号WARN5同时终止充电过程。
8.一种用于执行如权利要求1至7中任意一项所述的一种电动汽车充电保护、控制方法的电动汽车充电保护、控制装置，其特征在于，包括：数据分析单元、数据拟合单元以及充电安全预警保护与控制单元；
数据分析单元，用于选取电动汽车充电过程中单体电池最高电压随SOC的变化规律作为充电安全预警保护指标；
数据拟合单元，用于基于改进灰狼算法优化BP神经网络算法，构建拟合模型，对电动汽车充电过程中单体电池最高电压随SOC的变化规律进行拟合，得到拟合数据；
充电安全预警保护与控制单元，用于对拟合模型设置预警阈值、预警错误代码以及保护控制策略，拟合模型实时比较电动汽车充电数据与拟合数据，计算二者残差，判断残差是否超过预警阈值，若未超过，则不会输出预警错误代码和不会给出保护控制措施，若超过，则输出预警错误代码，并根据保护控制策略给出保护控制措施。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7中任一项所述的一种电动汽车充电保护、控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种电动汽车充电保护、控制方法。
CN202310952972.XA 2023-08-01 2023-08-01 电动汽车充电保护、控制方法、装置及存储介质 Active CN116653608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310952972.XA CN116653608B (zh) 2023-08-01 2023-08-01 电动汽车充电保护、控制方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310952972.XA CN116653608B (zh) 2023-08-01 2023-08-01 电动汽车充电保护、控制方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116653608A CN116653608A (zh) 2023-08-29
CN116653608B true CN116653608B (zh) 2023-10-17

Family

ID=87722842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310952972.XA Active CN116653608B (zh) 2023-08-01 2023-08-01 电动汽车充电保护、控制方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116653608B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371670B (zh) * 2023-12-07 2024-03-12 深圳汇能新能源科技有限公司 一种新能源电动汽车充电桩的可靠性分析***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769335A (zh) * 2017-12-01 2018-03-06 深圳市森树强电子科技有限公司 一种多模式锂电池智能充电管理方法及装置
CA3070569A1 (en) * 2017-07-28 2019-01-31 Northstar Battery Company, Llc Systems and methods for monitoring and presenting battery information
CN112505550A (zh) * 2020-11-26 2021-03-16 重庆长安汽车股份有限公司 一种动力电池监控预警方法
CN113449474A (zh) * 2021-07-05 2021-09-28 南京工业大学 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法
CN114529067A (zh) * 2022-01-30 2022-05-24 常伟 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN115091981A (zh) * 2022-07-08 2022-09-23 北京电满满商信充科技有限公司 一种电动汽车充检实时安全监测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3070569A1 (en) * 2017-07-28 2019-01-31 Northstar Battery Company, Llc Systems and methods for monitoring and presenting battery information
CN107769335A (zh) * 2017-12-01 2018-03-06 深圳市森树强电子科技有限公司 一种多模式锂电池智能充电管理方法及装置
CN112505550A (zh) * 2020-11-26 2021-03-16 重庆长安汽车股份有限公司 一种动力电池监控预警方法
CN113449474A (zh) * 2021-07-05 2021-09-28 南京工业大学 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法
CN114529067A (zh) * 2022-01-30 2022-05-24 常伟 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN115091981A (zh) * 2022-07-08 2022-09-23 北京电满满商信充科技有限公司 一种电动汽车充检实时安全监测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络的电池SOC估算及优化方法;李永颖;张振东;朱顺良;;计算机测量与控制(05);全文 *

Also Published As

Publication number Publication date
CN116653608A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Zhang et al. Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm
KR101992051B1 (ko) 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
CN111007401A (zh) 一种基于人工智能的电动汽车电池故障诊断方法及设备
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
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
Bamati et al. Lithium-ion batteries long horizon health prognostic using machine learning
CN111398832A (zh) 一种基于anfis模型的公交车电池soc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
CN116653608B (zh) 电动汽车充电保护、控制方法、装置及存储介质
CN110568360B (zh) 一种基于模糊逻辑算法的锂电池老化诊断方法
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
CN111999648A (zh) 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
Zhao et al. The li-ion battery state of charge prediction of electric vehicle using deep neural network
CN106885994A (zh) 基于恒压充电片段的锂电池剩余寿命快速检测法
CN114384435A (zh) 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法
CN115308628A (zh) 一种电池健康状态监测方法
CN113554200B (zh) 动力电池电压不一致性预测方法、***及设备
CN116819328A (zh) 一种电动汽车动力电池故障诊断方法、***、设备及介质
Wang et al. Charging diagnosis of power battery based on adaptive STCKF and BLS for electric vehicles
Wen et al. Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model
Diao et al. Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN112327169B (zh) 一种锂电池剩余寿命预测方法
Zhang et al. Online state-of-health estimation for the lithium-ion battery based on an LSTM neural network with attention mechanism

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
GR01 Patent grant
GR01 Patent grant