第27卷㊀第7期
2023年7月
㊀
电㊀机㊀与㊀控㊀制㊀学㊀报Electri c ㊀Machines ㊀and ㊀Control
㊀
Vol.27No.7Jul.2023
㊀㊀㊀㊀㊀㊀
安全预警方法
高德欣1,㊀王义1,㊀郑晓雨1,㊀杨清2
(1.青岛科技大学自动化与电子工程学院，山东青岛266061;2.青岛科技大学信息科学技术学院，山东青岛266061)
摘㊀要：为了保证电动汽车充电的安全㊁可靠运行，防止电动汽车在充电时发生火灾，提出了一种基于卷积神经网络(CNN )和双向门控循环单元(BiGRU )的电动汽车充电状态监测与安全预警方法㊂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，构建电动汽车的温度预测模型㊂其次，制定预测模型输出精确度的评价标准，用来评价预测模型输出的准确性㊂然后，通过滑动窗口对模型预测值进行温度残差分析，确定合适的安全预警阈值和规则㊂最后，将满足要求的温度预测模型应用到电动汽车实时充电中，进行安全预警实验㊂实验结果表明,CNN-BiGRU 模型相比其他预测模型具有更高的预测精确度和预测效果，且滑动窗口分析法能够提前对电动汽车充电过程中的温度异常进行安全预警㊂关键词：电动汽车；状态监测；安全预警；残差分析；卷积神经网络；双向门控循环单元DOI :10.2023.07.013
中图分类号:TM08
文献标志码:A
文章编号:1007-449X(2023)07-0122-11
㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀
㊀㊀㊀㊀㊀㊀㊀㊀
㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀
㊀㊀㊀㊀㊀㊀㊀㊀
收稿日期:2021-11-06
基金项目：山东省重点研发计划资助项目(公益类)(2019GGX101012)；山东省自然科学基金资助项目(ZR2022ME194)作者简介：高德欣(1978 )，男，博士，教授，研究方向为人工智能㊁优化控制与故障诊断;
王㊀义(1997 )，男，硕士，研究方向为深度学习㊁故障诊断与安全预警；郑晓雨(1998 )，女，硕士研究生，研究方向为深度学习㊁故障检测与安全预警；杨㊀清(1981 )，女，博士，研究方向为人工智能㊁机器学习与图像识别㊂
通信作者：杨㊀清
Electric vehicle charging status monitoring and safety warning
method based on deep learning
GAO Dexin 1,㊀WANG Yi 1,㊀ZHENG Xiaoyu 1,㊀YANG Qing 2
(1.School of Automation and Electronic Engineering,Qingdao University of Science and Technology,Qingdao 266061,China;2.School of Information Science and Technology,Qingdao University of Science and Technology,Qingdao 266061,China)
Abstract :In order to ensure the safe and reliable operation of electric vehicle charging and prevent the fire of electric vehicles while charging,an electric vehicle charging status monitoring and safety warning method was proposed based on convolutional neural network (CNN)and bidirectional gated recurrent unit (BiGRU).Firstly,CNN was used to deeply mine the normal charging history data of electric vehicles to extract their deep features,and BiGRU was used to fully analyze and utilize the deep features to construct a temperature prediction model of electric vehicles.Next,the evaluation criteria of the prediction model
output accuracy were developed and used to evaluate accuracy of the prediction model output.Then,the temperature residual analysis of the model prediction values by sliding window was performed to determine the appropriate safety warning thresholds and rules.Finally,the temperature prediction model satisfying the requirements was applied to the real-time charging of electric vehicles for safety warning experiments.
The experimental results show that the CNN-BiGRU model has higher prediction accuracy and prediction
effect compared with other prediction models,and the sliding window analysis method can provide safety warning for temperature abnormalities in the charging process of electric vehicles in advance. Keywords:electric vehicle;status monitoring;safety warning;residual analysis;convolutional neural networks;bi-directional gated recurrent unit
0㊀引㊀言
电动汽车能够缓解能源危机㊁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[1-2]㊂而随着电动汽车的迅猛发展，其充电的安全性和可靠性得到了行业内的广泛重视[3]㊂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，从而造成不可挽回的经济损失，甚至是人员损伤㊂因此，在线监测电动汽车动力电池的充电状态，在电动汽车产生起火事故之前进行安全预警就显得十分的重要㊂
目前，国内外关于电动汽车的研究成果很多[4-8]，但关于电动汽车充电预警的内容相对较少㊂基于深度学习方法的安全预警，尤其是长短时记忆神经网络(long short-term memory,LSTM)，因其具有分析时序数据的优点，在不同行业的安全预警领域得到了广泛的应用[9-13]㊂例如，文献[9]利用LSTM 建立了风
机齿轮箱的状态监测模型，能够有效地对风电齿轮箱故障进行预警㊂文献[10]提出了一种基于LSTM的电力变压器的安全预警方法，能够实现对设备潜在故障进行初步预警㊂文献[11]研究了一种新的电池故障诊断方法，采用LSTM和等效电路模型实现了对电池故障的准确预警和对热失控电池的精准定位㊂文献[12]以LSTM为基础，构建了储能电站健康检测系统，能够对储能电站系统的故障进行提前预警㊂文献[13]采用卷积神经网络(convolutional neural network,CNN)和LSTM相结合的深度学习网络模型，实现了风力涡轮机轴承高速侧的人工智能监测和过温安全预警㊂电动汽车在每次充电过程中，动力电池的各项充电都会传输到监控平台中，这样就会使充电数据呈现大数据趋势㊂而LSTM由于结构复杂，参数较多，在处理大量数据时会出现模型收敛速度慢，训练时间较长等缺点[14]㊂门控循环单元(gated recurrent unit,GRU)是LSTM的增强版，具有结构简单㊁参数较少㊁模型收敛快等优点，能更契合实际应用[15]㊂电动汽车充电数据前后往往都存在较强的关联性，即某一时刻充电数据都受到历史和未来数据的影响，而GRU只能对充电数据进行单向处理㊂双向循环门控单元(bi-directional gated recurrent unit,BiGRU)具有兼顾历史和未来充电数据的特点[16]，可以充分的对电动汽车充电数据信息进行深层次的利用㊂
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，防止电动汽车在充电过程中出现自燃事故，本文利用电动汽车充电数据，提出一种基于CNN-BiGRU的电动汽车充电状态监测和安全预警方法㊂CNN对监测的电动汽车充电历史数据进行充分利用和挖掘，提取到充电数据中隐藏的深层特征㊂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，建立电动汽车正常充电的温度预测模型㊂制定预测输出模型精确度的评价标准，对温度预测模型的预测结果进行评判㊂采用滑动窗口分析法对温度预测模型的预测残差进行分析处理，确定好安全预警阈值㊂将满足要求的温度预测模型和确定好的预警阈值应用到电动汽车充电实时监测中，实现电动汽车充电过程的安全预警㊂
1㊀问题描述
1.1㊀电动汽车充电安全分析
近年来，我国制定了很多标准[17-19]，用来保证电动汽车的安全㊂但是在电动汽车㊁动力电池以及充电设备的安全方面，尚没有形成有效的安全预警方法和评价指标体系㊂而电动汽车充电安全预警就是从充电侧研究安全预警方法，充分利用电动汽车的历史和现在的充电数据，构建安全充电模型，在其每次充电时，对它进行 体检 和诊断，提前预警防止发生自燃等严重事故㊂
基于恒流恒压充电方法的大功率直流充电，由于具有通用性强㊁控制方法简单㊁硬件电路容易实现和充电时间短等优点，被广泛的应用于电动汽车充
321
第7期高德欣等：基于深度学习的电动汽车充电状态监测与安全预警方法
电领域㊂电动汽车在大功率直流充电下会导致动力电池的温度迅速升高，如果不能对动力电池的温度进行有效的监控，电动汽车很有可能会因为动力电池的温度太高发生自燃或爆炸㊂因此，在电动汽车充电过程中对动力电池温度进行监测，是保证电动汽车充电安全的关键因素㊂
1.2㊀电动汽车充电状态监测与安全预警分析
电动汽车充电过程如图1所示，主要分为状态监测与安全预警两大部分
㊂
图1㊀电动汽车充电状态监测与安全预警结构图Fig.1㊀Electric vehicle charging status monitoring and
safety early warning structure diagram
1)状态监测：电动汽车在充电时，充电设备与
电池管理系统(battery management system,BMS)之间应遵守‘电动汽车非车载传导式充电机与电池管理系统之间的通信协议(GB /T 27930)“[20]进行信息通讯，可以获取到的主要参数如表1所示，并对表1中各参数进行状态监测㊂
2)安全预警：由表1可知，动力电池的温度值
可以被获取，因此，在对电动汽车充电过程中的参数进行状态监测的同时，训练动力电池的温度模型，用以判断电动汽车充电是否安全㊂具体实现方法：将监测的电动汽车充电数据划分为实时数据和历史数据；利用电动汽车的正常充电数据训练深度学习网络，构建深度学习网络的电动汽车正常充电的温度预测模型；将实时数据输入温度预测模型中预测温度并对预测值进行分析，判断电动汽车充电过程是否出现温度异常，实现电动汽车充电过程的安全预警㊂
表1㊀电动汽车充电过程的主要参数表Table 1㊀Main parameters table of electric vehicle
charging process
㊀㊀㊀㊀参数
变化特点周期/ms 整车动力电池额定容量/Ah 定值250整车动力电池额定电压/V 定值250最高允许单体电压/V 定值500最高允许充电电流/A 定值500整车动力电池标称能量/kWh 定值500最高允许充电电压/V 定值500最高允许温度/ħ
定值500整车动力电池初始SOC /%定值500整车动力电池初始电压/V 定值500整车动力电池需求电压/V 周期变化50整车动力电池需求电流/A 周期变化50充电电压测量值/V 周期变化250充电电流测量值/A
周期变化250整车动力电池最高单体电压/V 周期变化250整车动力电池当前SOC /%周期变化250整车动力电池单体最高温度/ħ
周期变化
250
2㊀电动汽车充电安全预警模型设计
2.1㊀CNN-BIGRU 模型设计
为了更好地体现数据特征，提高模型的收敛速度，获取更高的预测精确度，采用极差标准化的方法将数据集映射到[-1,1]之间㊂
CNN 具有很强的时间序列的特征提取能
力[21]，并且卷积层和池化层的层数可以自由匹配，所以利用CNN 提取电动汽车充电数据之间的潜在关系，形成特征向量，其计算公式如图2中CNN 网络结构模型所示㊂
BiGRU 具有很强的记忆能力，能够有效地保留
历史输入数据[16,22]，可以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充电数据进行深层次的分析㊂CNN-BiGRU 模型同时具有CNN 和BiGRU 2个网络的优点，其模型结构如图2中BiGRU 网络结构所示㊂2.2㊀预测精确度评价标准
采取均方根误差e RMSE (root mean square error,
RMSE)和平均绝对百分误差e MAPE (mean absolute percentage error,MAPE)2种误差测量方式作为评价
温度预测模型准确性的指标[23]，其中:
1)e RMSE 反映了电动汽车温度实际值和预测值
421电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀
之间差异的标准偏差㊂它用于评价局部预测的准确性㊂
e RMSE =
ðn
i =1
(Q i -Q ∗i )
2
n
㊂
(1)
2)e MAPE 代表电动汽车温度预测值和实际值之
间绝对误差的平均值㊂它用于反映充电预测数据的
总体准确性㊂其计算公式如下:e MAPE
=1n ðn
i =1|Q i -Q ∗i |Q i
ˑ100%㊂(2)
上述2个公式中的Q i 和Q ∗i 分别为第i
个时刻的电动汽车的实际温度数据和预测温度数据;n 为测试集的总体样本个数㊂e RMSE 和e MAPE 值越小，说明预测的温度数据越准确㊂
图2㊀CNN-BiGRU 模型结构图
Fig.2㊀CNN-BiGRU model structure diagram
2.3㊀异常判别方法
选取电动汽车正常充电数据训练CNN-BiGRU 模型，当电动汽车充电正常时，温度数据相对比较平稳,CNN-BiGRU 模型的温度预测误差相对较小㊂当电动汽车充电出现潜在故障时，随着充电的进行，故障程度也会加剧，电动汽车的温度会偏离正常充电区间，从而导致CNN-BiGRU 模型的温度预测误差变大㊂采用滑动窗口分析法，持续地对温度预测残差进行处理与分析，可以消除数据传输过程中错误充电数据对残差变化的影响，能够有效地避免误预警
[24]
㊂
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:
X =1
N ðN
i =1
e i ;
S =
1N -1ðN
i =1(e i
-X )2
㊂üþý
ïïïï(3)
式中e i 为滑动窗口中第i 个采样点的残差㊂
利用滑动窗口对正常充电的温度残差进行分析处理，得到正常充电的温度残差均值绝对值的最大值X max ，以及温度残差标准差的最大值S max ，预警
阈值的计算公式为:
X Y =ʃk 1X max ;S Y =k 2S max ㊂
}
(4)
当均值和标准差都超过所计算的预警阈值时，进行安全预警㊂
2.4㊀电动汽车状态监测与安全预警流程
电动汽车的安全预警主要可以分为数据选取及预处理㊁离线模型训练和在线与安全预警3个阶段，电动汽车充电安全动态预警流程图如图3所示㊂其具体的实现过程如下:1)获取电动汽车正常充电过程历史数据，选取适合的模型输入参数;
2)对选好的输入参数数据进行归一化和标准化处理，得到CNN-BiGRU 模型的标准输入数据;
3)确定CNN-BiGRU 模型网络结构参数，利用
标准化输入数据训练CNN-BiGRU 模型，更新模型的网络权重与偏置，得到训练好的CNN-BiGRU 模型;
4)采用滑动窗口方法，计算电动汽车正常充电
时的预测温度的残差均值与标准差，确定安全预警的阈值;
5
21第7期高德欣等：基于深度学习的电动汽车充电状态监测与安全预警方法
5)获取电动汽车实时充电数据，进行状态监测
并显示，并将实时数据输入温度预测模型中，预测电动汽车的充电温度;
6)采用滑动窗口计算预测温度的残差均值和
汽车自燃标准差，判断两者是否超过安全预警阈值，如果超过，则进行安全预警
㊂
图3㊀电动汽车状态监测与安全预警流程图
Fig.3㊀Flow chart of electric vehicle condition monitoring and safety warning
3㊀实验验证与分析
3.1㊀数据选取
在电动汽车充电过程中,BMS 按照国标GB /T
27930，通过充电和电缆，以CAN 通信协议方式传输给充电设备㊂充电设备获取到电动汽车的充电信息，选取其中的充电电压需求值㊁充电电流需求值㊁充电电压测量值㊁充电电流测量值㊁动力电池当前SOC㊁单体最高电压㊁单体最高温度具有变化量的参数，作为温度预测模型的输入量㊂以宝骏E100㊁欧拉R1㊁帝豪EV450三款电动汽车作为实验对象，三款电动汽车的参数如表2所示㊂
表2㊀电动汽车参数表
Table 2㊀Electric vehicle parameter table
电动汽车类型宝骏E100欧拉R1帝豪EV450动力电池类型LiFePO4LiFeMgPO4LiNiO2动力电池容量100Ah 120Ah 153Ah 选取数据量
69355条
69355条
65122条
3.2㊀模型搭建
在硬件配置为Intel (R)Core (TM)i5-3210M
CPU @2.50GHz,8GB 内存的计算机中，搭建Py-thon 3.5,Tensorflow 1.15.0的软件实验环境，并以
Keras 深度学习网络框架搭建CNN-BiGRU 模型㊂
CNN-BiGRU 模型中的CNN 作用是提取数据特
征,BiGRU 的作用是进行电动汽车充电数据预测㊂CNN 中卷积层为1层，卷积核数目为32，卷积窗口的长度为4，卷积步长为1，最大池化层数目为1层,
池大小为7，步长为1,CNN 网络层激活函数选取SELU 函数㊂BiGRU 中共有2层网络层，每层的神经元个数为90，网络层激活函数选取tanh 函数㊂实验中选用Adam 优化算法，时间步设置为100㊂3.3㊀正常充电模型温度预测结果分析
为了验证CNN-BiGRU 模型对电动汽车充电过程温度预测的准确度和稳定性，分别与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiL-STM 模型进行比较分析㊂不同模型的预测结果如
表3~表5㊁图4~图9所示㊂
由表3可知，在宝骏E100电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型，温度的e RMSE 分别提降低0.0589㊁0.0414㊁0.033㊁0.0242㊁0.024ħ，温度的e MAPE 分别都降低了0.2448%㊁0.1514%㊁0.1229%㊁0.0799%㊁0.0645%㊂
6
21电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀
发布评论