基于深度学习的电动汽车充电状态监测与安全预警方法.pdf

为了保证电动汽车充电的安全、可靠运行,防止电动汽车在充电时发生火灾,提出了一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)的电动汽车充电状态监测与安全预警方法。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,构建电动汽车的温度预测模型。其次,制定预测模型输出精确度的评价标准,用来评价预测模型输出的准确性。然后,通过滑动窗口对模型预测值进行温度残差分析,确定合适的安全预警阈值和规则。最后,将满足要求的温度预测模型应用到电动汽车实时充电中,进行安全预警实验。实验结果表明,CNN-BiGRU 模型相比其他预测模型具有更高的预测精确度和预测效果,且滑动窗口分析法能够提前对电动汽车充电过程中的温度异常进行安全预警。关键词:电动汽车;状态监测;安全预警;残差分析;卷积神经网络;双向门控循环单元DOI:10.15938/j.emc.2023.07.013中图分类号:TM08文献标志码:A文章编号:1007-449X(2023)07-0122-11 收稿日期:2021-11-06基金项目:山东省重点研发计划资助项目(公益类)(2019GGX101012);山东省自然科学基金资助项目(ZR2022ME194)作者简介:高德欣(1978),男,博士,教授,研究方向为人工智能、优化控制与故障诊断;王 义(1997),男,硕士,研究方向为深度学习、故障诊断与安全预警;郑晓雨(1998),女,硕士研究生,研究方向为深度学习、故障检测与安全预警;杨 清(1981),女,博士,研究方向为人工智能、机器学习与图像识别。通信作者:杨 清Electric vehicle charging status monitoring and safety warningmethod based on deep learningGAO Dexin1,WANG Yi1,ZHENG Xiaoyu1,YANG Qing2(1.School of Automation and Electronic Engineering,Qingdao University of Science and Technology,Qingdao 266061,China;2.School of Information Science and Technology,Qingdao University of Science and Technology,Qingdao 266061,China)Abstract:In order to ensure the safe and reliable operation of electric vehicle charging and prevent thefire of electric vehicles while charging,an electric vehicle charging status monitoring and safety warningmethod was proposed based on convolutional neural network(CNN)and bidirectional gated recurrent unit(BiGRU).Firstly,CNN was used to deeply mine the normal charging history data of electric vehicles toextract their deep features,and BiGRU was used to fully analyze and utilize the deep features to constructa temperature prediction model of electric vehicles.Next,the evaluation criteria of the prediction modeloutput accuracy were developed and used to evaluate accuracy of the prediction model output.Then,thetemperature residual analysis of the model prediction values by sliding window was performed to determinethe appropriate safety warning thresholds and rules.Finally,the temperature prediction model satisfyingthe requirements was applied to the real-time charging of electric vehicles for safety warning experiments.The experimental results show that the CNN-BiGRU model has higher prediction accuracy and predictioneffect compared with other prediction models,and the sliding window analysis method can provide safetywarning for temperature abnormalities in the charging process of electric vehicles in advance.Keywords:electric vehicle;status monitoring;safety warning;residual analysis;convolutional neuralnetworks;bi-directional gated recurrent unit0 引 言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1-2。而随着电动汽车的迅猛发展,其充电的安全性和可靠性得到了行业内的广泛重视3。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,从而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的充电状态,在电动汽车产生起火事故之前进行安全预警就显得十分的重要。目前,国内外关于电动汽车的研究成果很多4-8,但关于电动汽车充电预警的内容相对较少。基于深度学习方法的安全预警,尤其是长短时记忆神经网络(long short-term memory,LSTM),因其具有分析时序数据的优点,在不同行业的安全预警领域得到了广泛的应用9-13。例如,文献9利用 LSTM建立了风机齿轮箱的状态监测模型,能够有效地对风电齿轮箱故障进行预警。文献10提出了一种基于 LSTM 的电力变压器的安全预警方法,能够实现对设备潜在故障进行初步预警。文献11研究了一种新的电池故障诊断方法,采用 LSTM 和等效电路模型实现了对电池故障的准确预警和对热失控电池的精准定位。文献12以 LSTM 为基础,构建了储能电站健康检测系统,能够对储能电站系统的故障进行提前预警。文献13采用卷积神经网络(convolutional neural network,CNN)和 LSTM 相结合的深度学习网络模型,实现了风力涡轮机轴承高速侧的人工智能监测和过温安全预警。电动汽车在每次充电过程中,动力电池的各项充电都会传输到监控平台中,这样就会使充电数据呈现大数据趋势。而 LSTM 由于结构复杂,参数较多,在处理大量数据时会出现模型收敛速度慢,训练时间较长等缺点14。门控循环单元(gated recurrent unit,GRU)是LSTM 的增强版,具有结构简单、参数较少、模型收敛快等优点,能更契合实际应用15。电动汽车充电数据前后往往都存在较强的关联性,即某一时刻充电数据都受到历史和未来数据的影响,而 GRU 只能对充电数据进行单向处理。双向循环门控单元(bi-directional gated recurrent unit,BiGRU)具有兼顾历史和未来充电数据的特点16,可以充分的对电动汽车充电数据信息进行深层次的利用。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,防止电动汽车在充电过程中出现自燃事故,本文利用电动汽车充电数据,提出一种基于 CNN-BiGRU 的电动汽车充电状态监测和安全预警方法。CNN 对监测的电动汽车充电历史数据进行充分利用和挖掘,提取到充电数据中隐藏的深层特征。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,建立电动汽车正常充电的温度预测模型。制定预测输出模型精确度的评价标准,对温度预测模型的预测结果进行评判。采用滑动窗口分析法对温度预测模型的预测残差进行分析处理,确定好安全预警阈值。将满足要求的温度预测模型和确定好的预警阈值应用到电动汽车充电实时监测中,实现电动汽车充电过程的安全预警。1 问题描述1.1 电动汽车充电安全分析近年来,我国制定了很多标准17-19,用来保证电动汽车的安全。但是在电动汽车、动力电池以及充电设备的安全方面,尚没有形成有效的安全预警方法和评价指标体系。而电动汽车充电安全预警就是从充电侧研究安全预警方法,充分利用电动汽车的历史和现在的充电数据,构建安全充电模型,在其每次充电时,对它进行“体检”和诊断,提前预警防止发生自燃等严重事故。基于恒流恒压充电方法的大功率直流充电,由于具有通用性强、控制方法简单、硬件电路容易实现和充电时间短等优点,被广泛的应用于电动汽车充321第 7 期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法电领域。电动汽车在大功率直流充电下会导致动力电池的温度迅速升高,如果不能对动力电池的温度进行有效的监控,电动汽车很有可能会因为动力电池的温度太高发生自燃或爆炸。因此,在电动汽车充电过程中对动力电池温度进行监测,是保证电动汽车充电安全的关键因素。1.2 电动汽车充电状态监测与安全预警分析电动汽车充电过程如图 1 所示,主要分为状态监测与安全预警两大部分。图 1 电动汽车充电状态监测与安全预警结构图Fig.1Electric vehicle charging status monitoring andsafety early warning structure diagram1)状态监测:电动汽车在充电时,充电设备与电池管理系统(battery management system,BMS)之间应遵守电动汽车非车载传导式充电机与电池管理系统之间的通信协议(GB/T 27930)20进行信息通讯,可以获取到的主要参数如表 1 所示,并对表 1中各参数进行状态监测。2)安全预警:由表 1 可知,动力电池的温度值可以被获取,因此,在对电动汽车充电过程中的参数进行状态监测的同时,训练动力电池的温度模型,用以判断电动汽车充电是否安全。具体实现方法:将监测的电动汽车充电数据划分为实时数据和历史数据;利用电动汽车的正常充电数据训练深度学习网络,构建深度学习网络的电动汽车正常充电的温度预测模型;将实时数据输入温度预测模型中预测温度并对预测值进行分析,判断电动汽车充电过程是否出现温度异常,实现电动汽车充电过程的安全预警。表 1 电动汽车充电过程的主要参数表Table 1 Main parameters table of electric vehiclecharging process 参数变化特点周期/ms整车动力电池额定容量/Ah定值250整车动力电池额定电压/V定值250最高允许单体电压/V定值500最高允许充电电流/A定值500整车动力电池标称能量/kWh定值500最高允许充电电压/V定值500最高允许温度/定值500整车动力电池初始 SOC/%定值500整车动力电池初始电压/V定值500整车动力电池需求电压/V周期变化50整车动力电池需求电流/A周期变化50充电电压测量值/V周期变化250充电电流测量值/A周期变化250整车动力电池最高单体电压/V周期变化250整车动力电池当前 SOC/%周期变化250整车动力电池单体最高温度/周期变化2502 电动汽车充电安全预警模型设计2.1 CNN-BIGRU 模型设计为了更好地体现数据特征,提高模型的收敛速度,获取更高的预测精确度,采用极差标准化的方法将数据集映射到-1,1之间。CNN 具 有 很 强 的 时 间 序 列 的 特 征 提 取 能力21,并且卷积层和池化层的层数可以自由匹配,所以利用 CNN 提取电动汽车充电数据之间的潜在关系,形成特征向量,其计算公式如图 2 中 CNN 网络结构模型所示。BiGRU 具有很强的记忆能力,能够有效地保留历史输入数据16,22,可以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充电数据进行深层次的分析。CNN-BiGRU 模型同时具有 CNN 和 BiGRU 2 个网络的优点,其模型结构如图 2 中 BiGRU 网络结构所示。2.2 预测精确度评价标准采取均方根误差 eRMSE(root mean square error,RMSE)和平均绝对百分误差 eMAPE(mean absolutepercentage error,MAPE)2 种误差测量方式作为评价温度预测模型准确性的指标23,其中:1)eRMSE反映了电动汽车温度实际值和预测值421电 机 与 控 制 学 报 第 27 卷之间差异的标准偏差。它用于评价局部预测的准确性。eRMSE=ni=1(Qi-Qi)2n。(1)2)eMAPE代表电动汽车温度预测值和实际值之间绝对误差的平均值。它用于反映充电预测数据的总体准确性。其计算公式如下:eMAPE=1nni=1|Qi-Qi|Qi100%。(2)上述 2 个公式中的 Qi和 Qi分别为第 i 个时刻的电动汽车的实际温度数据和预测温度数据;n 为测试集的总体样本个数。eRMSE和 eMAPE值越小,说明预测的温度数据越准确。图 2 CNN-BiGRU 模型结构图Fig.2 CNN-BiGRU model structure diagram2.3 异常判别方法选取电动汽车正常充电数据训练 CNN-BiGRU模型,当电动汽车充电正常时,温度数据相对比较平稳,CNN-BiGRU 模型的温度预测误差相对较小。当电动汽车充电出现潜在故障时,随着充电的进行,故障程度也会加剧,电动汽车的温度会偏离正常充电区间,从而导致 CNN-BiGRU 模型的温度预测误差变大。采用滑动窗口分析法,持续地对温度预测残差进行处理与分析,可以消除数据传输过程中错误充电数据对残差变化的影响,能够有效地避免误预警24。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:X=1NNi=1ei;S=1N-1Ni=1(ei-X)2。(3)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充电的温度残差进行分析处理,得到正常充电的温度残差均值绝对值的最大值 Xmax,以及温度残差标准差的最大值 Smax,预警阈值的计算公式为:XY=k1Xmax;SY=k2Smax。(4)当均值和标准差都超过所计算的预警阈值时,进行安全预警。2.4 电动汽车状态监测与安全预警流程电动汽车的安全预警主要可以分为数据选取及预处理、离线模型训练和在线与安全预警 3 个阶段,电动汽车充电安全动态预警流程图如图 3 所示。其具体的实现过程如下:1)获取电动汽车正常充电过程历史数据,选取适合的模型输入参数;2)对选好的输入参数数据进行归一化和标准化处理,得到 CNN-BiGRU 模型的标准输入数据;3)确定 CNN-BiGRU 模型网络结构参数,利用标准化输入数据训练 CNN-BiGRU 模型,更新模型的网络权重与偏置,得到训练好的 CNN-BiGRU模型;4)采用滑动窗口方法,计算电动汽车正常充电时的预测温度的残差均值与标准差,确定安全预警的阈值;521第 7 期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法5)获取电动汽车实时充电数据,进行状态监测并显示,并将实时数据输入温度预测模型中,预测电动汽车的充电温度;6)采用滑动窗口计算预测温度的残差均值和标准差,判断两者是否超过安全预警阈值,如果超过,则进行安全预警。图 3 电动汽车状态监测与安全预警流程图Fig.3 Flow chart of electric vehicle condition monitoring and safety warning3 实验验证与分析3.1 数据选取在电动汽车充电过程中,BMS 按照国标 GB/T27930,通过充电枪和电缆,以 CAN 通信协议方式传输给充电设备。充电设备获取到电动汽车的充电信息,选取其中的充电电压需求值、充电电流需求值、充电电压测量值、充电电流测量值、动力电池当前SOC、单体最高电压、单体最高温度具有变化量的参数,作为温度预测模型的输入量。以宝骏 E100、欧拉 R1、帝豪 EV450 三款电动汽车作为实验对象,三款电动汽车的参数如表 2 所示。表 2 电动汽车参数表Table 2 Electric vehicle parameter table电动汽车类型宝骏 E100欧拉 R1帝豪 EV450动力电池类型LiFePO4LiFeMgPO4LiNiO2动力电池容量100 Ah120 Ah153 Ah选取数据量69 355 条69 355 条65 122 条3.2 模型搭建在硬件配置为 Intel(R)Core(TM)i5-3210MCPU 2.50 GHz,8 GB 内存的计算机中,搭建 Py-thon 3.5,Tensorflow 1.15.0 的软件实验环境,并以Keras 深度学习网络框架搭建 CNN-BiGRU 模型。CNN-BiGRU 模型中的 CNN 作用是提取数据特征,BiGRU 的作用是进行电动汽车充电数据预测。CNN 中卷积层为 1 层,卷积核数目为 32,卷积窗口的长度为 4,卷积步长为 1,最大池化层数目为 1 层,池大小为 7,步长为 1,CNN 网络层激活函数选取SELU 函数。BiGRU 中共有 2 层网络层,每层的神经元个数为 90,网络层激活函数选取 tanh 函数。实验中选用 Adam 优化算法,时间步设置为 100。3.3 正常充电模型温度预测结果分析为了验证 CNN-BiGRU 模型对电动汽车充电过程温度预测的准确度和稳定性,分别与 LSTM 模型、GRU 模型、BiLSTM 模型、BiGRU 模型和 CNN-BiL-STM 模型进行比较分析。不同模型的预测结果如表 3 表 5、图 4 图 9 所示。由表3 可知,在宝骏 E100 电动汽车充电数据的预测中,CNN-BiGRU 模型相比与 LSTM 模型、GRU模型、BiLSTM 模型、BiGRU 模型和 CNN-BiLSTM 模型,温度的 eRMSE分别提降低 0.058 9、0.041 4、0.033、0.024 2、0.024,温度的 eMAPE分别都降低了 0.244 8%、0.151 4%、0.122 9%、0.079 9%、0.064 5%。621电 机 与 控 制 学 报 第 27 卷表 3 宝骏 E100 电动汽车不同模型的温度预测结果Table 3 Temperature prediction results of different modelsof Baojun E100 electric vehicle算法类型eRMSE/eMAPE/%LSTM0.073 90.297 8GRU0.056 40.204 4BiLSTM0.048 00.175 9BiGRU0.039 20.132 9CNN-BiLSTM0.039 00.117 5CNN-BiGRU0.015 00.053 0由图 4 所示,宝骏 E100 电动汽车的温度在随SOC 变化时,只有 CNN-BiGRU 温度模型与实际温度值相近。图 4 宝骏 E100 不同模型温度随 SOC 的变化曲线Fig.4Variation curve of temperature with SOC fordifferent models of Baojun E100由图 5 所示,宝骏 E100 电动汽车的 CNN-BiG-RU 模型的实际温度值和预测温度值的差值大部分集中在-0.06 至 0.06 之间,预测效果较好。综合而言,CNN-BiGRU 模型的在宝骏 E100 的充电温度预测中,具有最好的预测效果。图 5 宝骏 E100 的 CNN-BiGRU 温度模型残差随 SOC的变化曲线Fig.5 Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for Baojun E100由表 4 可知,在欧拉 R1 电动汽车充电数据的预测中,CNN-BiGRU 模型相比与 LSTM 模型、GRU模型、BiLSTM 模型、BiGRU 模型和 CNN-BiLSTM 模型,温度的 eRMSE分别提降低 0.131 5、0.048 2、0.042 4、0.031 9、0.027 4,温度的 eMAPE分别都降低了 0.365 5%、0.085 7%、0.121 4%、0.048 4%、0.071 1%。表 4 欧拉 R1 电动汽车不同模型的温度预测结果Table 4 Temperature prediction results of different modelsof Euler R1 electric vehicles算法类型eRMSE/eMAPE/%LSTM0.185 80.531 3GRU0.102 50.251 5BiLSTM0.096 70.287 2BiGRU0.086 20.214 2CNN-BiLSTM0.081 70.236 9CNN-BiGRU0.054 30.165 8由图 6 所示,欧拉 R1 电动汽车的温度变化在SOC 较小时,BiLSTM 与实际温度值相近,在 SOC 较大时,CNN-BiGRU 模型与实际温度值相近。图 6 欧拉 R1 不同模型温度随 SOC 的变化曲线Fig.6Variation curves of temperature with SOC fordifferent models of Euler R1由图 7 所示,欧拉 R1 电动汽车的 CNN-BiGRU模型的实际温度值和预测温度值的差值大部分集中在-0.1 至 0.3 之间,预测效果较好。综合而言,CNN-BiGRU 模型的在欧拉 R1 电动汽车的充电温度预测中,具有最好的预测效果。由表 5 可知,在吉利帝豪 EV450 电动汽车充电数据的预测中,CNN-BiGRU 模型相比与 LSTM 模型、GRU 模型、BiLSTM 模型、BiGRU 模型和 CNN-BiLSTM 模型,温度的 eRMSE分 别 提 降 低 0.093、0.076、0.058 2、0.004、0.006 6,温度的 eMAPE分别721第 7 期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法都降低了 0.350 6%、0.322 7%、0.078 4%、0.04%、0.041 8%。图 7 欧拉 R1 的 CNN-BiGRU 温度模型残差随 SOC 的变化曲线Fig.7 Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for Euler R1表 5 帝豪 EV450 电动汽车不同模型的温度预测结果Table 5 Temperature prediction results of different modelsof the Emgrand EV450 electric vehicle算法类型eRMSE/eMAPE/%LSTM0.162 60.546 3GRU0.145 60.518 4BiLSTM0.127 80.274 1BiGRU0.073 60.235 7CNN-BiLSTM0.076 20.237 5CNN-BiGRU0.069 60.195 7由图 8 所示,吉利帝豪 EV450 电动汽车的温度变化在整个 SOC 变化过程中,只有 CNN-BiGRU 模型与实际温度值相近。图 8 帝豪 EV450 不同模型温度随 SOC 的变化曲线Fig.8Variation curve of temperature with SOC fordifferent models of Emgrand EV450由图 9 所示,吉利帝豪 EV450 电动汽车中的CNN-BiGRU 模型的实际温度值和预测温度值的差值大部分集中在-0.1 至 0.3 之间,预测效果较好。综合而言,CNN-BiGRU 模型的在吉利帝豪EV450 电动汽车的充电过程预测中,具有最好的预测效果。图 9 帝豪 EV450 的 CNN-BiGRU 温度模型残差随SOC 的变化曲线Fig.9 Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for the EmgrandEV450综上分析,与传统的 LSTM 和 GRU 相比,BiL-STM 和 BiGRU 模型可以对过去和未来的电动汽车充电数据进行充分分析,使得预测的温度数据更加准确。与 BiLSTM 模型和 BiGRU 模型相比,CNN-BiGRU 模型可以利用 CNN 提取数据深层特征的能力,对充电数据进行更好的分析和挖掘,从而提高温度预测的准确度。于 CNN-BiLSTM 模型相比,CNN-BiGRU 模型更加适合大数据量的处理,使得该模型的温度预测准确度要比 CNN-BiLSTM 更高。从 3 款电动汽车车型实验结果可知,CNN-BiGRU 相比于LSTM 模型、GRU 模型、BiLSTM 模型、BiGRU 模型和CNN-BiLSTM 模型,具有更高的预测准确度和更强的泛化能力。3.4 安全预警分析由于电池过热是引起电动汽车起火事故的主要原因,所以采用温度残差的均值和标准差作为判断电动充电是否出现异常的判别条件。确定滑动窗口宽度为 100,对残差进行分析处理。随着窗口的移动,宝骏 E100、欧拉 R1 电动汽车的温度残差的均值和标准差变化如图 10、图 11 和图 12 所示。由图10 可知,正常充电状态下,宝骏 E100 模型821电 机 与 控 制 学 报 第 27 卷预测残差的均值处于-0.050 5 0.050 5 之间,绝对值最大为 0.050 5,残差的标准差最大值为0.011 8。由图11 可知,正常充电状态下,欧拉R1模型预测残差的均值处于-0.114 1 0.288 4 之间,绝对值最大为 0.288 4,残差的标准差最大值为 0.011 8。由图 12 可知,正常充电状态下,吉利帝豪 EV450 预测残差的均值处于-0.080 5 0.277 7 之间,绝对值最大为 0.277 7,残差的标准差最大值为 0.00 5。图 10 宝骏 E100 温度残差均值和标准差随采样点的变化曲线Fig.10Variation curves of mean and standard devia-tion of Baojun E100 temperature residuals withsampling points根据运行人员经验,取 k1、k2为 2。由式(8)设定 3 款电动汽车均值的预警阈值为分别为 0.101、0.576 8、0.555 4,标准差的预警阈值分别为0.023 6、0.023 6、0.01。选取宝骏 E100、欧拉 R1 和吉利帝豪 EV450 电动汽车对应的故障充电数据输入到 CNN-BiGRU 模型中,验证模型安全预警的有效性。故障充电预测结果及残差变化趋势如图 13 图 15 所示。图 11 欧拉R1 温度残差均值和标准差随采样点的变化曲线Fig.11Variation curves of mean and standard devia-tion of Euler R1 temperature residuals withsampling points图 12帝豪 EV450 温度残差均值和标准差随采样点的变化曲线Fig.12Variation curves of mean and standard devia-tion of Emgrand EV450 temperature residualswith sampling points921第 7 期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法由图 13(a)可以看出,残差均值从第57 622个采样点开始超过均值的预警界限,之后处于预警界限以上。观察图 13(b)发现标准差在第 57 602 个采样点时超过了标准差的预警界限,在 57 795 个采样点时回落到了预警界限以下。该电动汽车实际温度故障信息是第 57 806 个采样点发出的。根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第 57 622 个采样点,就会做出预警。在宝骏 E100 电动汽车的充电安全预警实验中,能够提前 184 个采样点对异常进行识别,而表 1中参数最小的更新周期为 50 ms,所以能够提前9.2 s对温度异常进行预警。图 13 宝骏 E100 故障时充电温度残差均值和标准差随采样点的变化曲线Fig.13 Variation curves of mean and standard deviationof charging temperature residuals with samplingpoints during the fault of Baojun E100由图 14(a)可以看出,残差均值从第 57 636 个采样点开始超过均值的预警界限,之后处于预警界限以上。观察图 14(b)发现标准差到第 57 603 个采样点之后,全部超过预警界限。该电动汽车实际温度故障信息是第 57 792 个采样点发出的。根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第 57 636 个采样点,就会做出预警。在欧拉 R1 电动汽车的充电安全预警实验中,能够提前 156 个采样点对异常进行识别,所以能够提前 7.8 s 对温度异常进行预警。图 14 欧拉 R1 故障时充电温度残差均值和标准差随采样点的变化曲线Fig.14Variation curves of mean and standard devia-tion of charging temperature residuals withsampling points during the fault of Euler R1由图 15(a)可以看出,残差均值从第 50 773 个采样点开始超过均值的预警界限,之后处于预警界限以上。观察图 15(b)发现标准差到第 50 740 个采样点之后,全部超过预警界限。该电动汽车实际故障温度信息是第 50 878 个采样点发出的。根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第 50 773 个采样点,就会做出预警。在帝豪 EV450 电动汽车的充电安全预警实验中,能够提前 105 个采样点对异常进行识别,所以能够提前 5.25 s 对温度异常进行预警。由图 15 图 17 可知,错误的充电数据只会导致标准差变化超出阈值,而均值变化不会超过阈值,031电 机 与 控 制 学 报 第 27 卷所以在充电数据出现几个离散点时,系统不会预警。由此可知,滑动窗口分析法能够有效的避免系统出现误预警的情况发生。图 15帝豪 EV450 故障时充电温度残差均值和标准差随采样点的变化曲线Fig.15 Variation curves of mean and standarddeviation of charging temperature residualswith sampling points during the fault ofEmgrand EV4504 结 论本文针对电动汽车充电过程的安全问题,结合CNN 提取时间序列特征和 BiGRU 从 2 个方向分析数据的能力,并利用滑动窗口分析法,提出了一种电动汽车充电过程安全预警方法。通过使用宝骏E100、欧拉 R1、帝豪 EV450 3 款电动汽车充电数据进行实验验证,结果表明,CNN-BiGRU 模型能够准确的预测电动汽车的温度变化趋势,并且于其他传统预测模型相比,温度的 eRMSE至少能够分别降低0.024、0.027 4、0.004,温度的 eMAPE至少能够分别降低 0.064 5%、0.048 4%、0.04%,不依赖于电动汽车的动力电池类型,适用性较强。确定的预警阈值和规则能够实现对电动汽车充电温度异常的提前预警,预警时间分别提前了 9.2、7.2、5.25 s,有效避免电动汽车出现自燃事故。参 考 文 献:1 周美兰,冯继峰,张宇.纯电动汽车复合储能系统及其能量控制策略J.电机与控制学报,2019,23(5):51.ZHOU Meilan,FENG Jifeng,ZHANG Yu.Hybrid energy storagesystem for pure electric vehicles and its energy control strategyJ.Electric Machines and Control,2019,23(5):51.2 吴赋章,杨军,林洋佳,等.考虑用户有限理性的电动汽车时空行为特性J.电工技术学报,2020,35(7):1563.WU Fuzhang,YANG Jun,LIN Yangjia,et al.Spatio-temporalbehavior characteristics of electric vehicles considering users fi-nite rationalityJ.Transactions of China Electrotechnical Socie-ty,2020,35(7):1563.3 钱立军,赵明宇,张卫国.一种电动汽车充电安全预警模型设计方法J.电网与清洁能源,2016,32(12):114.QIAN Lijun,ZHAO Mingyu,ZHANG Weiguo.A design methodof electric vehicle charging safety warning modelJ.Power Sys-tem and Clean Energy,2016,32(12):114.4 胡杰,高志文.基于数据驱动的电动汽车动力电池 SOC 预测J.汽车工程,2021,43(1):1.HU Jie,GAO Zhiwen.Data-driven SOC prediction for electric ve-hicle power batteries based on dataJ.Automotive Engineering,2021,43(1):1.5 丁晓林,王震坡,张雷.四轮轮毂电机驱动电动汽车驱动系统参数多目标优化匹配J.机械工程学报,2021,57(8):195.DING Xiaolin,WANG Zhenpo,ZHANG Lei.Mul