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

本发明专利技术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

【技术实现步骤摘要】
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


[0001]本专利技术属于设备故障预警
，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。

技术介绍

[0002]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。
[0003]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 Gated Recurrent 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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]为实现上述目的，本专利技术提供如下方案：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：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]步骤7：在线获取电动汽车实时大功率直流充电数据；
[0014]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；
[0015]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；
[0016]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。
[0017]本专利技术步骤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。
[0018]本专利技术步骤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：
[0019](1)对数据进行离群点检测，删除数据中的异常数据；
[0020](2)采用插补法对数据中的缺失值进行填补；
[0021](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]。
[0022]本专利技术步骤3中的设计CNN
‑
BiGRU深度学习模型，其中CNN的计算公式为：
[0023]c
t
＝f(W
CNN
*n
t
+b
CNN
)
[0024]式中，W
CNN
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；n
t
表示t时刻的电动汽车大功率直流充电数据；*为卷积运算；b
CNN
表示电动汽车大功率直流充电数据卷积运算的偏差系数；c
t
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。
[0025]本专利技术步骤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：
[0026]r...

【技术保护点】

【技术特征摘要】
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(Convolutional Neural Networks，CNN)为卷积神经网络，其计算公式为：c
t
＝f(W
CNN
*n
t
+b
CNN
)式中，W
CNN
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；n
t
表示t时刻的电动汽车大功率直流充电数据；*为卷积运算；b
CNN
表示电动汽车大功率直流充电数据卷积运算的偏差系数；c
t
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
‑
directional Gated 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：r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
)z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
)h
t
＝tanh(W
h1
x
t
+(r
t
⊙
h
t
‑1)W
h2
+b
h
)h
t
＝(1
‑
z
t
)
⊙
h
t
‑1+z
t
⊙
h
t
y
t
＝σ(W
o
⊙
h
t
)式中，r
t
为重置门；z
t
为更新门；h
t
为t时刻电动汽车大功率直流充电的GRU隐藏状态；y
t
为t时刻电动汽车的大功率直流充电预测输...

【专利技术属性】
技术研发人员：高德欣，王义，杨清，张世玉，郑晓雨，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：