基于深度学习的电动汽车交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交流充电状态监测和故障预警方法，首先，对电动汽车交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交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交流充电状态监测与故障预警方法。

技术介绍

[0002]近年来，随着传统燃油汽车的保有量不断增加，使得能源危机和环境污染日益加剧，国内外开始大力发展电动汽车行业。随着电动汽车行业的不断发展，电动汽车安全问题越来越受到人们的重视。电动汽车安全问题涉及的范围非常广阔，包括整车安全、充电安全、信息安全等方面。电动汽车交流充电具有成本低和延长动力电池使用寿命的优点，目前应用较为广泛，所以研究电动汽车交流充电的安全性和可靠性是非常有必要的。动力电池作为电动汽车的动力来源，其交流充电安全问题尤为重要，因为动力电池一旦在交流充电过程中发生故障，极有可能引起电动汽车起火，从而造成严重的经济损失，甚至可能会导致人员伤亡。因此，在电动汽车的交流充电过程中，动态监测动力电池的交流充电数据，及时有效的预测故障的发生，并采取措施保证交流充电安全具有重要的意义。
[0003]目前对于电动汽车交流充电过程中安全分析和动态预警方法的研究成果相对较少，但是基于深度学习的故障预警方法在其他行业得到了广泛的应用。卷积神经网络(Convolutional Neural Networks，CNN)可以有效地从大样本中学习深层特征，避免了复杂的特征提取过程，能够对电动汽车交流充电数据进行充分挖掘。双向门控循环单元BiGRU(Bi
‑
directional Gated Recurrent Unit，BiGRU)具有时间序列预测的特点，并且可以兼顾电动汽车交流充电历史和未来时刻数据，能够对CNN提取的深层特征进行更加深刻的利用，可以提高模型的数据提取、分析和泛化能力。
[0004]本专利根据国标规定，获取电动汽车的交流充电数据，提出了一种基于深度学习的电动汽车交流充电状态监测和故障预警方法。该方法使用CNN对监测的电动汽车交流充电历史数据进行充分挖掘，提取交流充电数据中隐藏的深层特征，并将深层特征输入到BiGRU中，对深层特征进行时序分析，构建正常电动汽车交流的充电预测模型。使用蝙蝠算法寻找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，以增强交流充电预测模型的预测准确率。通过制定模型预测精度的评价标准，分析交流充电预测模型的预测效果的优劣。采用滑动窗口分析法对交流充电模型的预测残差进行分析处理，确定好故障预警阈值。将预测效果较好的交流充电预测模型、预警规则与阈值应用到电动汽车交流充电的实时监测中，实现电动汽车交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交流充电故障预警中存在的安全问题，提出一种基于深度学习的电动汽车交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，使用CNN对监测的电动汽车交流充电历史数据进行充分挖掘，提取交流充电数据中隐藏的深层特征，并将深层特征输入到BiGRU中，对深层特征进行时序分析，构建正常电动汽车交流
的充电预测模型。使用蝙蝠算法寻找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，以增强交流充电预测模型的预测准确率。通过制定模型预测精度的评价标准，分析交流充电预测模型的预测效果的优劣。采用滑动窗口分析法对交流充电模型的预测残差进行分析处理，确定好故障预警阈值。将预测效果较好的交流充电预测模型、预警规则与阈值应用到电动汽车交流充电的实时监测中，实现电动汽车交流充电过程的故障预警。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交流充电状态监测和故障预警方法，具体包括如下步骤：
[0006]步骤1：对电动汽车交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；
[0007]步骤2：将数据库中的交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；
[0008]步骤3：设计CNN
‑
BiGRU深度学习模型，对电动汽车正常的交流充电历史数据进行充分的学习，构建电动汽车交流充电的预测模型；
[0009]步骤4：采用蝙蝠算法优化电动汽车交流充电预测模型的超参数；
[0010]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；
[0011]步骤6：通过滑动窗口法对模型的预测值进行残差分析，确定电动汽车交流充电合适的故障预警阈值和规则；
[0012]步骤7：在线获取电动汽车实时交流充电数据；
[0013]步骤8：将实时交流充电数据输入训练好的预测模型中，得到预测输出值；
[0014]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；
[0015]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，并停止电动汽车的交流充电。
[0016]本专利技术步骤1中，所述对电动汽车交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、最高允许交流充电电流、整车动力电池标称总能量、最高允许交流充电电压、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、整车动力电池需求交流电压、整车动力电池需求交流电流、交流充电电压测量值、交流充电电流测量值、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。
[0017]本专利技术步骤2中，对交流充电数据进行预处理，具体包括以下操作：
[0018](1)对数据进行离群点检测，删除数据中的异常数据；
[0019](2)采用插补法对数据中的缺失值进行填补；
[0020](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]。
[0021]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：
[0022]c
t
＝f(W
CNN
*n
t
+b
CNN
)
[0023]式中，W
CNN
表示电动汽车交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时刻的电动汽车交流充电数据；*为卷积运算；b
CNN
表示电动汽车交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交流充电数据序列；f表示电动汽车交流充电数据卷积运算的激活函数。
[0024]本专利技术步骤3中，设计CNN
‑
BiGRU深度学习模型，所述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：
[0025]r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
)
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
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时刻电动汽车交流充电的GRU隐藏状态；y
t
为t时刻电动汽车的交流充电预测输出；σ和tanh为激活函数；W
r
、W
z
、U
r
、U
z
、W
h1
和W
h2
为电动汽车交流充电数据深层特征的权重参数；b
r
、b
z
和b
h
为电动汽车交流充电数据深层特征的偏差参数；
⊙
为Hadamard乘积；h
t
为t时刻电动汽车交流充电的GRU候选状态。BiGRU计算公式如下：为t时刻电动汽车交流充电的GRU候选状态。BiGRU计算公式如下：为t时刻电动汽车交流充电的GRU候选状态。BiGRU计算公式如下：式中，w
t
为t时刻电动汽车交流充电数据深层特征的前向隐层GRU的输出权重；v
t
为t时刻电动汽车交流充电数据深层特征的后向隐层GRU的输出权重；h
t
为t时刻电动汽车交流充电BiGRU的隐藏状态；b
t
为h
t
对应的偏置量。6.根据权利1要求的基于深度学习的电动汽车交流充电状态监测与故障预警方法，其特征在于，所述步骤4中采用蝙蝠算法优化预测模型的超参数，所述蝙蝠算法是一种模拟蝙蝠的脉冲回声来搜索目标具体位置的一种优化算法，假设蝙蝠算法的搜索空间为d维，则下一时刻的更新的公式为：l
m
＝l
min
+(l
max
‑
l
min
)ξ式中，为t时刻搜索空间中第m值蝙蝠的位置和速度；l
m
为第m只蝙蝠发出的频率；x
best
表示当前全局最优解；l
max
、l...

【专利技术属性】
技术研发人员：杨清，高德欣，王义，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：