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

1.本发明属于设备故障预警技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.本发明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，本发明提供如下方案：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：
6.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；
7.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；
8.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；
9.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；
10.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；
11.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；
12.步骤7：在线获取电动汽车实时交流充电数据；
13.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；
14.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；
15.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。
16.本发明步骤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。
17.本发明步骤2中，对交流充电数据进行预处理，具体包括以下操作：
18.(1)对数据进行离群点检测，删除数据中的异常数据；
19.(2)采用插补法对数据中的缺失值进行填补；
20.(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]
本发明步骤3中的设计cnn-bigru深度学习模型，其中cnn的计算公式为：
[0022]ct
＝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]
本发明步骤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]rt
＝σ(wrx
t
+u
rht-1
+br)
[0026]zt
＝σ(wzx
t
+u
zht-1
+bz)
[0027]ht
＝tanh(w
h1
x
t
+(r
t
⊙ht-1
)w
h2
+bh)
[0028]ht
＝(1-z
t
)
⊙ht-1
+z
t
⊙ht
[0029]yt
＝σ(wo⊙ht
)
[0030]
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；wr、wz、ur、uz、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；br、bz和bh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：
[0031][0032][0033][0034]
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。
[0035]
本发明步骤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：
[0036][0037]
lm＝l
min
+(l
max-l
min
)ξ
[0038][0039]
式中，为t时刻搜索空间中第m值蝙蝠的位置和速度；lm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
min
为蝙蝠算法发出频率的最大值和最小值；ξ∈[0,1]的随机数。
[0040]
对于局部搜索，一旦在当前最佳解决方案中选择了一个解决方案，新的局部解使用随机游走方式生成，其公式为：
[0041]
x
new
＝x
old
+ψa
t
[0042]
式中，ψ∈[-1,1]的随机数；x
old
为当前最优解中随机选取的一个；a
t
为蝙蝠种群响度平均值。
[0043]
蝙蝠算法在寻优过程中，随着与最优解的靠近，响度a会逐渐下降，脉冲频率r会持续上升，第i只蝙蝠算法的声波响度和频度更新公式如下：
[0044][0045][0046]
式中，α∈(0,1)，是声波响度衰减系数；γ＞0，是脉冲频度增强系数；为第i个蝙
蝠的初始脉冲频率。对于任意的α和γ，当t
→
∞时，当时，蝙蝠找到猎物暂时不发出声波，只有当蝙蝠的位置得到优化后，脉冲的响度和频率才会更新，这暗示着蝙蝠朝最优解方法移动。
[0047]
本发明步骤5中制定预测模型输出精度的评价标准，是采用均方根误差e
rmse
(root mean square error，e
rmse
)和平均绝对百分误差e
mape
(mean absolute percentage error，e
mape
)两种误差测量方式作为评价交流充电预测模型准确性的指标，其计算公式为：
[0048][0049][0050]
式中，yi和分别为第i个时刻实际的电动汽车交流充电数据和预测的电动汽车交流充电数据；n为所有作为测试集的样本个数。e
rmse
和e
mape
值越小，说明预测的电动汽车交流充电数据越准确。
[0051]
本发明步骤6中，通过滑动窗口法对模型预测值进行残差分析，确定合适的故障预警阈值和规则，可以消除数据传输过程中错误交流充电数据对残差变化的影响，能够有效地避免误预警。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：
[0052][0053][0054]
式中，ei为滑动窗口中第i个采样点的残差。利用滑动窗口对正常交流充电数据的残差进行分析处理，得到正常交流充电残差均值绝对值的最大值以及残差标准差的最大值s
max
，预警阈值的计算公式如下：
[0055][0056]
sy＝k2s
max
[0057]
式中，k1和k2为比例系数，其值由交流充电的电动汽车型号和电池容量确定。当均值和标准差都超过所计算的预警阈值时，进行故障预警。
[0058]
本发明步骤10中，实现电动汽车交流充电过程的故障预警，是残差均值和标准差同时超过所设定的阈值时，则进行故障预警，并切断电动汽车的交流充电，防止其发生起火事故。
[0059]
本技术的有益效果在于：本技术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，对电动汽车交流充电数据进行预处理之后，设计cnn-bigru深度学习模型对电动汽车的交流充电数据进行了深度学习，构建了电动汽车的正常交流充电预测模型；本技术采用cnn对交流充电数据进行深度挖掘，提取交流充电数据的深层特征，并利用bigru分析历史和未来数据的优点，对深层特征进行时序分析，不仅缩短了模型的训练时间，而且还提高了模型的预测准确率。本技术使用蝙蝠算法确定cnn-bigru深度学习模型的超参数，能
够进一步增强预测电动汽车交流充电数据的准确性；本技术采用滑动窗口分析法确定电动汽车故障预警的规则和阈值，不仅可以对电动汽车交流充电过程的故障进行提前预警，而且还能消除数据传输过程中错误数据所导致的误预警。
附图说明
[0060]
图1为本发明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的流程示意图；
[0061]
图2为本发明设计的cnn-bigru深度学习模型结构图；
[0062]
图3为本发明gru网络结构图；
[0063]
图4为本发明基于蝙蝠算法的cnn-bigru深度学习模型参数寻优的流程图；
[0064]
图5为本发明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的框图。
具体实施方式
[0065]
下面结合说明书的附图对本发明的具体实施方案进行更加详细的说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
[0066]
图1为本发明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的流程示意图。如图1所示，本发明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包括以下步骤：
[0067]
步骤1：对电动汽车交流充电过程各种参数进行状态监测，具体对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状态信息进行监测。
[0068]
步骤2：将数据库中的交流充电数据划分为历史数据、实时充电数据，并对其进行预处理。具体的，历史正常交流充电数据用于构建电动汽车交流正常充电预测模型，实时交流充电数据用于在线故障预警。
[0069]
数据的预处理包括以下操作：
[0070]
(1)对数据进行离群点检测，删除数据中的异常数据；
[0071]
(2)采用插补法对数据中的缺失值进行填补；
[0072]
(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]，计算公式如下。
[0073][0074]
式中，x
min
，x
max
分别为数据集样本同组数据的最小值和最大值，x
out
是对输入数据x进行归一化后的结果。
[0075]
步骤3：使用cnn-bigru深度学习网络模型对正常交流充电历史数据进行充分的利
用，构建电动汽车的交流充电预测模型。
[0076]
cnn-bigru深度学习模型中cnn网络结构如图2中cnn网络结构所示，其计算公式为：
[0077]ct
＝f(w
cnn
*n
t
+b
cnn
)
[0078]
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。
[0079]
bigru基于gru改造而来，具有很强的记忆能力，能够有效地保留历史输入数据，与单向gru相比，bigru能够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交流充电数据进行深层次的分析。cnn-bigru深度学习模型同时具有cnn和bigru两个网络的优点，其模型结构如图2所示。
[0080]
gru由更新门z
t
和重置门r
t
组成，其中更新门代表电动汽车前一时刻充电数据对当前时刻的影响程度，重置门代表电动汽车前一时刻充电数据被忽略的程度，网络结构如图3所示，具体计算公式如下：
[0081]rt
＝σ(wrx
t
+u
rht-1
+br)
[0082]zt
＝σ(wzx
t
+u
zht-1
+bz)
[0083]ht
＝tanh(w
h1
x
t
+(r
t
⊙ht-1
)w
h2
+bh)
[0084]ht
＝(1-z
t
)
⊙ht-1
+z
t
⊙ht
[0085]yt
＝σ(wo⊙ht
)
[0086]
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；wr、wz、ur、uz、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；br、bz和bh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，其由重置门r
t
、t-1时刻电动汽车交流充电的gru隐藏状态h
t-1
以及当前时刻电动汽车交流充电的输入x
t
共同控制。
[0087]
如图2中bigru网络结构所示，bigru由前向隐层gru和后向隐层gru相互连接组成，电动汽车t时刻的充电输出与前向隐层gru的输出和后向隐层gru的输出线性叠加的结果，计算公式如下：
[0088][0089][0090][0091]
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。
[0092]
步骤4：采用蝙蝠算法优化cnn-bigru深度学习模型的超参数。cnn-bigru深度学习模型设置不同的学习率、迭代次数和隐藏层单元个数，得到的预测性能具有较大的差异。当前cnn-bigru深度学习模型结构往往是依靠经验，选择多组不同学习率、迭代次数和隐藏层
单元个数进行调试比较得到的，这往往需要耗费大量的时间和精力。针对这个问题，本发明提出使用蝙蝠算法求解模型的超参数，其流程图如图3所示，具体地按照以下步骤进行：
[0093]
步骤4.1：初始化蝙蝠算法的参数，并将模型的超参数设定为蝙蝠算法的优化对象；
[0094]
步骤4.2：设置蝙蝠的位置、速度和适应度值；
[0095]
步骤4.3：找出全部蝙蝠适应度值最好的一个，并更新蝙蝠的速度和位置，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：
[0096][0097]
lm＝l
min
+(l
max-l
min
)ξ
[0098][0099]
式中，为t时刻搜索空间中第m值蝙蝠的位置和速度；lm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
min
为蝙蝠算法发出频率的最大值和最小值；ξ∈[0,1]的随机数。
[0100]
对于局部搜索，一旦在当前最佳解决方案中选择了一个解决方案，新的局部解使用随机游走方式生成，其公式为：
[0101]
x
new
＝x
old
+ψa
t
[0102]
式中，ψ∈[-1,1]的随机数；x
old
为当前最优解中随机选取的一个；a
t
为蝙蝠种群响度平均值。
[0103]
蝙蝠算法在寻优过程中，随着与最优解的靠近，响度a会逐渐下降，脉冲频率r会持续上升，第i只蝙蝠算法的声波响度和频度更新公式如下：
[0104][0105][0106]
式中，α∈(0,1)，是声波响度衰减系数；γ＞0，是脉冲频度增强系数；为第i个蝙蝠的初始脉冲频率。对于任意的α和γ，当t
→
∞时，当时，蝙蝠找到猎物暂时不发出声波，只有当蝙蝠的位置得到优化后，脉冲的响度和频率才会更新，这暗示着蝙蝠朝最优解方法移动。
[0107]
步骤4.4：重复步骤4.3，直至达到所设定求解最优解的要求或者达到最大迭代次数时，输出最优解；
[0108]
步骤4.5：将求解的最优超参数传送给cnn-bigru深度学习模型，整个过程如图3所示。
[0109]
步骤5：制定模型预测精度的评价标准，是采用e
rmse
和e
mape
两种误差测量方式作为评价交流充电预测模型准确性的指标，其计算公式为：
[0110]
[0111][0112]
式中，yi和分别为第i个时刻实际的电动汽车交流充电数据和预测的电动汽车交流充电数据；n为所有作为测试集的样本个数。e
rmse
和e
mape
值越小，说明预测的电动汽车交流充电数据越准确。
[0113]
步骤6：通过滑动窗口法对模型预测值进行残差分析，确定合适的故障预警阈值和规则，可以消除数据传输过程中错误交流充电数据对残差变化的影响，能够有效地避免误预警。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：
[0114][0115][0116]
式中，ei为滑动窗口中第i个采样点的残差。利用滑动窗口对正常交流充电数据的残差进行分析处理，得到正常交流充电残差均值绝对值的最大值以及残差标准差的最大值s
max
，预警阈值的计算公式如下：
[0117][0118]
sy＝k2s
max
[0119]
式中，k1和k2为比例系数，其值由交流充电的电动汽车型号和电池容量确定。当均值和标准差都超过所计算的预警阈值时，进行故障预警。
[0120]
步骤7：在线获取电动汽车实时交流充电数据；
[0121]
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；
[0122]
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；
[0123]
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。
[0124]
尽管本发明已以如上较好实施例中公开，但本发明不限于此。本领域技术人员可以在不脱离本发明的精神和范围的情况下进行各种改变和修改。因此，本发明的保护范围以权利要求书限定的范围为准。