一种基于剩余电量估计的电动汽车充电安全防护方法与流程

本发明涉及电动汽车充电安全管理技术领域，更具体地，本发明涉及一种基于剩余电量估计的电动汽车充电安全防护方法。

背景技术：

电动汽车的动力电池剩余电量估计是电动汽车充电过程中需要重点关注的指标，一般简称为soc(stateofcharge)。soc不能直接被测量，它由车载动力电池管理系统(bms：batterymanagementsystem)根据充电过程中可直接测量的参数，并通过特定的估算算法而间接生成。soc估计的准确性是动力电池管理系统的核心功能，精确的soc估计是保障电动汽车安全可靠工作的重要前提，并为电动汽车的能量管理和安全管理提供必要依据。然而，一直以来soc估计工作都极具挑战性，一方面，可以用于soc估计的可直接测量的参数数量有限且具有非线性，强耦合，强时变的特点。另一方面，动力电池系统的工作环境较为复杂，系统面临着由众多电池组串并联而成的复杂系统，同时还面临着全工况(宽倍率充放电)和全气候(-30-45℃温度范围)的严峻要求。因此研究更精确的soc估算方法对电动汽车的安全管理具有重要的意义，例如，电动汽车过充是一种常见的由于剩余电量估计不准确引起的充电安全事故。

目前，在电动汽车的充电过程中，人们通常只关注bms中soc的变化，充电桩侧被动接受bms的充电指令并严格按照指令要求的电压电流向动力电池输送能量，直到剩余电量满足了特定的阈值要求，接着，充电桩停止电能的输送过程。显然，充电桩本身并不承担soc的估计工作，而是全程被动接受bms的充电要求。事实上，绝大多数的bms采用的是安时积分或者是改进的安时积分法来进行soc估计的工作，这两种soc估计方法具有原理简单，容易实现，占用运算空间少等优点，但是缺点也不容忽视，提到的两种soc估计方法的准确性会随着电池的老化，环境干扰因素的增多而大幅度的降低估算性能。如果这种性能的降低不能被及时地探测，则会产生严重不准确的soc估计结果，若充电桩接收到该不准确的soc值，轻则会充电早停，重则会产生过充，从而导致电池起火等严重安全事故的发生。

事实上，充电桩依靠着算力功能强大、存储空间充足的充电运营平台，这为承载更全面更先进的soc算法提供了有力的实现基础。为了摆脱在能量输出过程中充电桩的被动状态，本发明在充电桩运营平台侧设计了soc估计模块，在充电过程中建立起双soc估算流程，并设计了双soc的评估指标，用以监测bms对soc的估计准确度，为充电过程安装双重保障。

技术实现要素：

为了解决上述问题，本发明第一个方面提供了一种基于剩余电量估计的电动汽车充电安全防护方法，包括以下步骤：

步骤一：在充电运营平台端建立adaboost-lssvm算法；

步骤二：当电动汽车开始充电时，在充电运营平台段使用步骤(1)建立adaboost-lssvm算法，和电动汽车电池管理系统计算在同一时刻t的剩余电量值并计算的距离l1t：

步骤三：若l1t属于(0,5％)，则未超标，可继续充电；若l1t不属于(0，5％)，则超标，需停止充电。

作为本发明一种优选的技术方案，所述步骤一建立adaboost-lssvm算法包括以下步骤：

(1)输入数据集：输入电动汽车充电数据集t：t＝{(x1，y1)，···，(xi，yi)，…，(xn，yn)}，其中是n个充电过程参数；是估计的剩余电量值；

(2)构建lssvm预测器：设置m个lssvm预测器pm(xi)，m＝1，2，···，m，根据数据集进行学习，得到每个预测器pm(xi)的四个关键参数αm、bm、γm、σm；

(3)计算预测器的归一化系数：计算预测器pm(xi)在数据集上的预测误差率em，得到归一化系数cm；

(4)计算adaboost-lssvm算法的线性组合：对每个预测器pm(xi)的参数求和，得到adaboost-lssvm算法的四个最终参数αfinal、bfinal、γfinal、σfinal：

(5)输出adaboost-lssvm算法：所述adaboost-lssvm算法y(x)的公式如下所示：

其中，

作为本发明一种优选的技术方案，所述步骤(2)构建lssvm预测器中，包括以下步骤：

2-1)设置初始化权值分布d1：d1＝(w11，w12，…，w1i，…，w1n)，其中，

2-2)对于m＝1使用具有权值分布d1的数据集学习，得到预测器p1(xi)的四个关键参数：α1、b1、γ1、σ1，和权值分布d2；以此类推，对于m＝2，…，m，使用具有权值分布dm的数据集学习，得到预测器pm(xi)的四个关键参数αm、bm、γm、σm和权值分布dm+1。

作为本发明一种优选的技术方案，所述步骤(3)计算预测器的归一化系数中，包括以下步骤：

3-1)计算pm(xi)在训练数据集上的预测误差率em，em的公式为：

3-2)设计ψ(xi)函数将连续的误差离散化，设置误差阈值为0.01，ψ(xi)公式为：

3-3)对ψ(xi)函数的结果求和，得到pm，pm公式为：

3-4)计算预测器归一化系数cm；

3-5)更新权值分布dm+1。

作为本发明一种优选的技术方案，所述预测器归一化系数cm的公式为：

作为本发明一种优选的技术方案，所述权值分布dm+1的公式为：dm+1＝(wm+1,1，wm+1,2，…，wm+1,i，…，wm+1,n)，其中，zm是规范系数，用来归一化wm+1,i，

作为本发明一种优选的技术方案，所述步骤(4)计算adaboost-lssvm算法的线性组合中，αfinal的公式为：

作为本发明一种优选的技术方案，所述步骤(4)计算adaboost-lssvm算法的线性组合中，bfinal的公式为：

作为本发明一种优选的技术方案，所述步骤(4)计算adaboost-lssvm算法的线性组合中，γfinal的公式为：

作为本发明一种优选的技术方案，所述步骤(4)计算adaboost-lssvm算法的线性组合中，σfinal的公式为：

本发明与现有技术相比具有以下有益效果：

(1)本发明提出了一种新的soc估算方法，用于电动汽车充电过程中的安全防护。在电动汽车的充电过程中，充电桩侧缺少对充电安全的有效监督过程。在大数据平台的基础上，本发明意在充电桩侧建立准确性更高的soc估计算法，与bms中的soc估算形成同步过程，从而对电动汽车端的soc变化过程是否正常做出判断，为及早发现充电过程中的soc异常变化提供理论和方法依据。

(2)本发明的技术方案是利用adaboost算法改进lssvm(最小二乘支持向量机)方法，并用于soc估计。设计的soc估计算法用在充电桩运营平台中，具体的方案为：将电动汽车动力电池早期的充电过程数据作为算法的训练数据(一般来说，bms早期的soc估算准确性较高)，算法经过训练后，得到成熟的soc估计模型，并将其作为该电动汽车充电过程的soc健康检测器。在这种情况下，就在电动汽车的充电过程中建立了双soc估算过程，通过计算两个过程量的l1t距离，用来评估bms中soc估计的良好情况。

(3)本发明方法设计的soc估算方法具有准确性高，训练时间短等优点，提出的双soc安全防护过程具有方案实施难度低，成本低但防护效果好等优点，在充电运营企业具有广泛的应用前景。

附图说明

图1为所述基于剩余电量估计的电动汽车充电安全防护方法的流程图。

图2为在充电运营平台端建立adaboost-lssvm算法的流程图。

具体实施方式

参选以下本发明的优选实施方法的详述以及包括的实施例可更容易地理解本发明的内容。除非另有限定，本文使用的所有技术以及科学术语具有与本发明所属领域普通技术人员通常理解的相同的含义。当存在矛盾时，以本说明书中的定义为准。

参数以范围、优选范围、或一系列上限优选值和下限优选值限定的范围表示时，这应当被理解为具体公开了由任何范围上限或优选值与任何范围下限或优选值的任一配对所形成的所有范围，而不论该范围是否单独公开了。例如，当公开了范围“1至5”时，所描述的范围应被解释为包括范围“1至4”、“1至3”、“1至2”、“1至2和4至5”、“1至3和5”等。当数值范围在本文中被描述时，除非另外说明，否则该范围意图包括其端值和在该范围内的所有整数和分数。

单数形式包括复数讨论对象，除非上下文中另外清楚地指明。“任选的”或者“任意一种”是指其后描述的事项或事件可以发生或不发生，而且该描述包括事件发生的情形和事件不发生的情形。

说明书和权利要求书中的近似用语用来修饰数量，表示本发明并不限定于该具体数量，还包括与该数量接近的可接受的而不会导致相关基本功能的改变的修正的部分。相应的，用“大约”、“约”等修饰一个数值，意为本发明不限于该精确数值。在某些例子中，近似用语可能对应于测量数值的仪器的精度。在本申请说明书和权利要求书中，范围限定可以组合和/或互换，如果没有另外说明这些范围包括其间所含有的所有子范围。

此外，本发明要素或组分前的不定冠词“一种”和“一个”对要素或组分的数量要求(即出现次数)无限制性。因此“一个”或“一种”应被解读为包括一个或至少一个，并且单数形式的要素或组分也包括复数形式，除非所述数量明显旨指单数形式。

以下通过具体实施方式说明本发明，但不局限于以下给出的具体实施例。

如图1所示，本发明第一个方面提供了一种基于剩余电量估计的电动汽车充电安全防护方法，包括以下步骤：

步骤一：在充电运营平台端建立adaboost-lssvm算法；

步骤二：当电动汽车开始充电时，在充电运营平台段使用步骤(1)建立adaboost-lssvm算法，和电动汽车电池管理系统计算在同一时刻t的剩余电量值并计算的距离l1t：

步骤三：若l1t属于(0,5％)，则未超标，可继续充电；若l1t不属于(0,5％)，则超标，需停止充电。

如图2所示，在一种优选的实施方式中，本发明所述步骤一建立adaboost-lssvm算法包括以下步骤：

(1)输入数据集：输入电动汽车充电数据集t：t＝{(x1，y1)，···，(xi，yi)，…，(xn，yn)}，其中是n个充电过程参数；是估计的剩余电量值；

(2)构建lssvm预测器：设置m个lssvm预测器pm(xi)，m＝1，2，···，m，根据数据集进行学习，得到每个预测器pm(xi)的四个关键参数αm、bm、γm、σm；

(3)计算预测器的归一化系数：计算预测器pm(xi)在数据集上的预测误差率em，得到归一化系数cm；

(4)计算adaboost-lssvm算法的线性组合：对每个预测器pm(xi)的参数求和，得到adaboost-lssvm算法的四个最终参数αfinal、bfinal、γfinal、σfinal：

(5)输出adaboost-lssvm算法：所述adaboost-lssvm算法y(x)的公式如下所示：

其中，

本发明输入的数据集为电池投入使用早期的充电数据，视为较为健康的数据，其中数据集t中的充电过程参数xi为电池的一般性能参数形成的矩阵，为本领域熟知的参数，可列举的有，电流、电压、电池温度等。

lssvm是弱学习算法，设置m个预测器pm(xi)。每个预测器pm(xi)的学习能力由四个关键参数确定，分别是αm、bm、γm、σm，其中αm、bm分别为超平面函数中的法向量和位移量，决定了超平面的方向，γm为l2正则系数，σm为高斯核函数的宽度参数。

在一种实施方式中，本发明所述步骤(2)构建lssvm预测器中，包括以下步骤：

2-1)设置初始化权值分布d1：d1＝(w11，w12，…，w1i，…，w1n)，其中，

2-2)对于m＝1使用具有权值分布d1的数据集学习，得到预测器p1(xi)的四个关键参数：α1、b1、γ1、σ1，和权值分布d2；以此类推，对于m＝2，…，m，使用具有权值分布dm的数据集学习，得到预测器pm(xi)的四个关键参数αm、bm、γm、σm和权值分布dm+1。

在一种实施方式中，本发明所述步骤(3)计算预测器的归一化系数中，包括以下步骤：

3-1)计算pm(xi)在训练数据集上的预测误差率em，em的公式为：

3-2)设计ψ(xi)函数将连续的误差离散化，设置误差阈值为0.01，ψ(xi)公式为：

3-3)对ψ(xi)函数的结果求和，得到pm，pm公式为：

3-4)计算预测器归一化系数cm；

3-5)更新权值分布dm+1。

优选地，本发明所述预测器归一化系数cm的公式为：

更优选地，本发明所述权值分布dm+1的公式为：dm+1＝(wm+1,1，wm+1,2，…，wm+1,i，…，wm+1,n)，其中，zm是规范系数，用来归一化wm+1,i，

在一种实施方式中，本发明所述步骤(4)计算adaboost-lssvm算法的线性组合中，αfinal的公式为：

在一种实施方式中，本发明所述步骤(4)计算adaboost-lssvm算法的线性组合中，bfinal的公式为：

在一种实施方式中，本发明所述步骤(4)计算adaboost-lssvm算法的线性组合中，γfinal的公式为：

在一种实施方式中，本发明所述步骤(4)计算adaboost-lssvm算法的线性组合中，σfinal的公式为：

申请人通过在充电运营平台端建立adaboost-lssvm算法，和电动汽车电池管理系统进行双soc估计，通过两者差值来判断充电过程是否故障，提高了soc估计的准确性，和可靠性，得到安全防护方法可有效减少充电过程的故障。

前述的实例仅是说明性的，用于解释本发明所述方法的一些特征。所附的权利要求旨在要求可以设想的尽可能广的范围，且本文所呈现的实施例仅是根据所有可能的实施例的组合的选择的实施方式的说明。因此，申请人的用意是所附的权利要求不被说明本发明的特征的示例的选择限制。在权利要求中所用的一些数值范围也包括了在其之内的子范围，这些范围中的变化也应在可能的情况下解释为被所附的权利要求覆盖。