【技术实现步骤摘要】
基于充电网的电动汽车大功率充电监控与多级预报警方法
[0001]本专利技术属于电动汽车充电预警
,具体涉及一种基于充电网的电动汽车大功率充电监控与多级预报警方法。
技术介绍
[0002]近十年来,保护环境降低排放逐渐成为社会主流意识,而新能源汽车技术的发展可以为目前能源紧缺和环境污染问题的解决提供一定的助力,因此受到了国家的高度重视,由于动力电池的自身特性、充电及使用期间存在的不稳定性,车载电池组可能会存在一些安全隐患,从而引发自燃事故,因此,构建电动汽车充电过程的预警模型,对电动汽车车载电池组进行实时监控和安全预警,实现提前防控,保障充电安全,有利于电动汽车行业的可持续发展。
[0003]随着大量电动汽车的投入运行,其充电可靠性和安全性逐渐成为关注的重点,不仅电动汽车车载电池组的日常运维检修不容忽视,电动汽车充电过程中的安全监控同样重要,根据公开资料不完全统计,在2011年—2016年全球电动汽车典型安全事故统计数据显示,在49例典型电动汽车着火事件中,充电导致的火灾事故为次高,占比约14%;根据中国充电联盟报道,对近5年发生的电动汽车起火事件原因进行统计的结果显示,在正常充电过程中发生的车辆起火事故占事故总量的14%。
[0004]深度学习作为机器学习领域的一种新兴方法,被成功应用于计算机视觉、安全预警以及故障诊断等领域,因此,本专利技术提出的基于充电网的电动汽车大功率充电监控与多级预报警方法研究具有实际技术支持,就电动汽车本身而言,动力电池系统是电动汽车的主要动力来源,其充放电流可高达上百 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于充电网的电动汽车大功率充电监控与多级预报警方法,其特征在于,包括数据传输与处理、模型训练与优化、状态监控与实时预报警三部分,具体步骤如下:步骤S1:传输电动汽车充电数据,进行数据预处理;步骤S1.1:采集设备端的电动汽车充电数据传输至云端数据库;步骤S1.2:将充电数据进行归一化预处理并划分为历史数据和实时数据;步骤S2:训练神经网络组合模型,利用算法进行寻优操作;步骤S2.1:利用CNN模型对电动汽车正常的大功率充电历史数据进行深度挖掘;利用BiLSTM模型解决采样点数据隔断以及延迟问题;组合CNN模型和BiLSTM模型,调整模型参数,使其具有更高的预测精度;步骤S2.2:规定预测模型精度的评价标准,用来评判模型的预测准确性;步骤S2.3:通过蚁群算法进行模型寻优操作,优化预测模型的超参数;步骤S2.4:通过滑动窗口法消除数据传输过程中错误充电数据对残差变化的影响;步骤S3:对电动汽车充电状态进行实时监测与安全预报警操作;步骤S3.1:通过残差均值和残差标准差计算电动汽车预报警阈值;步骤S3.2:采集电动汽车实时充电数据输入预测模型中,得到下一时刻预测值;步骤S3.3:通过滑动窗口法计算预测值的残差均值和残差标准差;步骤S3.4:当残差均值和标准差同时超出预警阈值小于报警阈值时,进行故障预警,降低10%充电电流;当残差均值或标准差超出报警阈值时,进行故障报警,及时切断充电电源。2.根据权利要求1所述的基于充电网的电动汽车大功率充电监控与多级预报警方法,其特征在于:所述步骤S1中,对电动汽车充电数据进行归一化预处理,具体包括以下步骤:(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];步骤S1.2、对充电数据进行归一化预处理,其计算公式为:其中,x
imin
、x
imax
分别为电动汽车第i个数据采样点的最小值和最大值,X
out
是对输入数据x
i
进行归一化后的结果。3.根据权利要求1所述的基于充电网的电动汽车大功率充电监控与多级预报警方法,其特征在于:所述步骤S2中,训练神经网络组合模型,利用算法进行寻优操作,其具体操作如下:步骤S2.1、设计组合CNN
‑
BiLSTM深度学习模型,CNN模型计算公式为:c
t
=f(W
CNN
*n
t
+b
CNN
),其中,W
CNN
表示电动汽车大功率充电数据卷积中滤波器的权重系数,即卷积核;n
t
表示t时刻的电动汽车充电数据;*为卷积运算;b
CNN
表示电动汽车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充电数据序列;f表示电动汽车充电数据卷积运算的激活函数;BiLSTM模型计算公式为:h
t
=LSTM(x
t
,h
t
‑1)、h
i
=LSTM(x
t
,h
i
‑1)、h
t
=a
t
h
t
+b
技术研发人员:高德欣,郑晓雨,杨清,张世玉,杜玉蓉,
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。