本发明专利技术设计一种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，首先收集电动汽车充电过程各物理量的历史数据，建立数据集；其次将数据集划分为正常充电数据集和故障充电数据集，并对其进行预处理；然后用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络，并采用灰狼算法确定其网络结构；接着再使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，并使用故障充电数据集和皮尔逊系数，测试模型预警性能；最后将实时数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。止其发生起火事故。
【技术实现步骤摘要】
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
[0001]本专利技术属于设备故障预警
，具体涉及一种基于自适应深度置信网络的电动汽车充电过程的故障预警方法。
技术介绍
[0002]在能源危机与环境恶化的双重压力下，电动汽车作为新能源汽车的主要发展方向，越来越受到人们的重视。随着电动汽车行业的不断发展，充电的安全性和可靠性已经成为了行业内关注的重点。电动汽车在充电的过程中出现故障，可能会导致起火事故的发生，从而造成严重的经济损失。所以，能够有效的预测故障的发生，在故障产生之前进行预警，并采取措施进行处理就显得尤为重要。
[0003]近些年来，基于机器学习的故障诊断和预警方法被广泛应用，例如反向传播神经网络(Back Propagation Neural Network，BPNN)、支持向量机和人工神经网络。上述的传统机器学习方法大多是基于浅层的网络模型结构，而电动汽车充电过程数据蕴含了电动汽车在不同工况下充电的丰富信息，具有强耦合性和多维性等特点，这使得传统的机器学习方法在训练时容易陷入局部最优，泛化能力较差，难以实现电动汽车在充电时的故障预警。深度学习作为机器学习中神经网络的新领域，以人脑的工作原理为基准，被广泛的应用于数据挖掘、预测和分类。深度置信网络(Deep Belief Network，DBN)是一种基于数据驱动的典型深度学习模型，具有突出的数据特征提取、处理高维以及非线性数据的能力，在故障预警领域取得了很好的成绩。但是电动汽车的充电过程故障预警呈现大数据趋势，传统的DBN在解决维数高、结构复杂和大数据量的样本时会造成模型的学习速率较慢和学习率难以选择的问题，自适应能力较差。
[0004]为改善传统DBN的性能，本专利技术使用Nesterov加速自适应矩估计算法(Nesterov
‑
accelerated Adaptive Moment Estimation，NAdam)优化DBN的训练过程，通过对不同的参数设计自适应学习率，构建自适应深度置信网络，该网络能够加速训练的收敛过程，实现模型训练过程学习率的自适应调节。此外，DBN网络结构的隐藏层节点数的设置往往是通过人为的不断调节实现的，这通常会耗费大量的时间和精力，而且获得的网络参数往往不尽人意，从而导致预测出的电动汽车充电数据不准确。为解决上述问题，本专利技术借助灰狼算法来确定DBN的最优网络结构，以增强电动汽车充电过程预测物理量的准确性。再者，由于传统的故障预警方法大多采用阈值报警，该方法存在阈值难以设定和无法对故障做出提前的判断和处理的缺点，所以本专利技术采用皮尔逊系数作为判别电动汽车充电过程是否出现故障的标准。
技术实现思路
[0005]本专利技术针对电动汽车充电过程的故障预警问题，提出一种基于自适应深度置信网络的电动汽车充电过程的故障预警方法。针对电动汽车充电过程的物理量数据，提出了基于深度学习的电动汽车充电过程的故障预警方法，以解决现有方法的不足。在该方法中，使
用NAdam算法优化DBN的训练过程，实现模型参数学习率的自适应性调节，并引入灰狼算法确定DBN网络的结构，提高了预测电动汽车充电过程物理量的准确性。并且为了能够提前识别故障和及时对故障进行处理，该方法采用皮尔逊系数作为判别电动汽车充电过程是否出现故障的标准。
[0006]为实现上述目的，本专利技术提供如下方案：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，具体包括如下步骤：
[0007]S1：收集电动汽车充电过程各物理量的历史数据，建立数据集；
[0008]S2：将数据集划分为正常充电数据集、故障充电数据集，并对其进行预处理；
[0009]S3：采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络；
[0010]S4：采用灰狼算法确定自适应深度置信网络的网络结构；
[0011]S5：使用正常充电数据集训练自适应深度置信网络，得到电动汽车的正常充电模型，并使用故障充电数据和皮尔逊系数测试模型的预警性能；
[0012]S6：将实时充电数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，根据皮尔逊系数大小判断是否出现故障，实现电动汽车充电过程故障预警。
[0013]本专利技术步骤S1中，所述电动汽车充电过程各物理量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、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、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、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、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信息。
[0014]本专利技术步骤S1中，所述电动汽车充电过程各物理量的历史数据包括正常充电数据和故障充电数据，故障充电数据为电动汽车充电的各种常见故障，包括但不局限于充电电压过高故障、充电电流过高故障、动力电池单体电压过高故障、动力电池温度过高故障、动力电池SOC过高故障、整车动力电池电压过高故障等。
[0015]本专利技术步骤S2中，对数据集进行预处理，具体包括以下操作：
[0016](1)对数据进行离群点检测，删除数据中的异常数据；
[0017](2)采用插补法对数据中的缺失值进行填补；
[0018](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]。
[0019]本专利技术步骤S3中，所述自适应深度置信网络，采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，Nesterov加速自适应矩估计算法的更新规则为：
[0020][0021]m
t
＝β1m
t
‑1+(1
‑
β1)g
t
[0022]v
t
＝β2v
t
‑1+(1
‑
β2)g
t2
[0023][0024][0025][0026]式中，θ为深度置信网络的参数，g
t
为深度置信网络训练时的梯度向量，η表示深度置信网络训练的学习率，J(θ
t
)为深度置信网络的误差函数，为J(θ
t
)与深度置信网络参数的偏导数，m
t
、v
t
为深度置信网络训练时梯度的一阶矩(均值)和二阶矩(方差)，代表m
t
和v
t
的偏差校正，用来抵消偏差，β1、β2为m
t
和v
t
指数衰减率，ε为修正参数，用来保证分母非零，t为深度置信网络的迭代次数。
[0027]本专利技术步骤S4中，采用灰狼算法确定深度置信网络的网络结构，所述灰狼算法遵守社会支配等级制度，由α狼、β狼、δ狼和ω狼组成，其中α狼为头狼，β狼服从α狼，δ狼服从α狼和β狼，ω狼服从上述三个社会等级的狼，具体实现步骤为：
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.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，其特征在于，具体包括以下步骤：S1：收集电动汽车充电过程各物理量的历史数据，建立数据集；S2：将数据集划分为正常充电数据集、故障充电数据集，并对其进行预处理；S3：采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络；S4：采用灰狼算法确定自适应深度置信网络的网络结构；S5：使用正常充电数据集训练自适应深度置信网络，得到电动汽车的正常充电模型，并使用故障充电数据和皮尔逊系数测试模型的预警性能；S6：将实时充电数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，根据皮尔逊系数大小判断是否出现故障，实现电动汽车充电过程故障预警。2.根据权利1要求的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，其特征在于，所述步骤S1中选取的电动汽车充电过程各物理量的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、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、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、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、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信息。3.根据权利1要求的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，其特征在于，所述步骤S1中选取的电动汽车充电过程各物理量的历史数据包括正常充电数据和故障充电数据，故障充电数据为电动汽车充电的各种常见故障，包括但不局限于充电电压过高故障、充电电流过高故障、动力电池单体电压过高故障、动力电池温度过高故障、动力电池SOC过高故障、整车动力电池电压过高故障等。4.根据权利1要求的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，其特征在于，所述步骤S2中对正常充电数据集、故障充电数据集进行预处理，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]。5.根据权利1要求的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，其特征在于，所述步骤S3中的自适应深度置信网络，采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，Nesterov加速自适应矩估计算法的更新规则为：m
t
＝β1m
t
‑1+(1
‑
β1)g
t
v
t
＝β2v
t
‑1+(1
‑
β2)g
t2
式中，θ为深度置信网络的参数，g
t
为深度置信网络训练时的梯度向量，η表示深度置信网络训练的学习率，J(θ
t
)为深度置信网络的误差函数，为J(θ
t
)与深度置信网络参数的偏导数，m
t
、v
t
为深度置信网络训练时梯度的一阶矩(均值)和...
【专利技术属性】
技术研发人员：杨清，高德欣，王义，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。