CN113459867A - 基于自适应深度置信网络的电动汽车充电过程故障预警方法 - Google Patents

基于自适应深度置信网络的电动汽车充电过程故障预警方法 Download PDF

Info

Publication number
CN113459867A
CN113459867A CN202110810932.2A CN202110810932A CN113459867A CN 113459867 A CN113459867 A CN 113459867A CN 202110810932 A CN202110810932 A CN 202110810932A CN 113459867 A CN113459867 A CN 113459867A
Authority
CN
China
Prior art keywords
charging
fault
early warning
network
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110810932.2A
Other languages
English (en)
Inventor
杨清
高德欣
王�义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202110810932.2A priority Critical patent/CN113459867A/zh
Publication of CN113459867A publication Critical patent/CN113459867A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明设计一种基于自适应深度置信网络的电动汽车充电过程故障预警方法，首先收集电动汽车充电过程各物理量的历史数据，建立数据集；其次将数据集划分为正常充电数据集和故障充电数据集，并对其进行预处理；然后用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络，并采用灰狼算法确定其网络结构；接着再使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，并使用故障充电数据集和皮尔逊系数，测试模型预警性能；最后将实时数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。

Description

基于自适应深度置信网络的电动汽车充电过程故障预警方法
技术领域
本发明属于设备故障预警技术领域，具体涉及一种基于自适应深度置信网络的电动汽车充电过程的故障预警方法。
背景技术
在能源危机与环境恶化的双重压力下，电动汽车作为新能源汽车的主要发展方向，越来越受到人们的重视。随着电动汽车行业的不断发展，充电的安全性和可靠性已经成为了行业内关注的重点。电动汽车在充电的过程中出现故障，可能会导致起火事故的发生，从而造成严重的经济损失。所以，能够有效的预测故障的发生，在故障产生之前进行预警，并采取措施进行处理就显得尤为重要。
近些年来，基于机器学习的故障诊断和预警方法被广泛应用，例如反向传播神经网络(Back Propagation Neural Network，BPNN)、支持向量机和人工神经网络。上述的传统机器学习方法大多是基于浅层的网络模型结构，而电动汽车充电过程数据蕴含了电动汽车在不同工况下充电的丰富信息，具有强耦合性和多维性等特点，这使得传统的机器学习方法在训练时容易陷入局部最优，泛化能力较差，难以实现电动汽车在充电时的故障预警。深度学习作为机器学习中神经网络的新领域，以人脑的工作原理为基准，被广泛的应用于数据挖掘、预测和分类。深度置信网络(Deep Belief Network，DBN)是一种基于数据驱动的典型深度学习模型，具有突出的数据特征提取、处理高维以及非线性数据的能力，在故障预警领域取得了很好的成绩。但是电动汽车的充电过程故障预警呈现大数据趋势，传统的DBN在解决维数高、结构复杂和大数据量的样本时会造成模型的学习速率较慢和学习率难以选择的问题，自适应能力较差。
为改善传统DBN的性能，本发明使用Nesterov加速自适应矩估计算法(Nesterov-accelerated Adaptive Moment Estimation，NAdam)优化DBN的训练过程，通过对不同的参数设计自适应学习率，构建自适应深度置信网络，该网络能够加速训练的收敛过程，实现模型训练过程学习率的自适应调节。此外，DBN网络结构的隐藏层节点数的设置往往是通过人为的不断调节实现的，这通常会耗费大量的时间和精力，而且获得的网络参数往往不尽人意，从而导致预测出的电动汽车充电数据不准确。为解决上述问题，本发明借助灰狼算法来确定DBN的最优网络结构，以增强电动汽车充电过程预测物理量的准确性。再者，由于传统的故障预警方法大多采用阈值报警，该方法存在阈值难以设定和无法对故障做出提前的判断和处理的缺点，所以本发明采用皮尔逊系数作为判别电动汽车充电过程是否出现故障的标准。
发明内容
本发明针对电动汽车充电过程的故障预警问题，提出一种基于自适应深度置信网络的电动汽车充电过程的故障预警方法。针对电动汽车充电过程的物理量数据，提出了基于深度学习的电动汽车充电过程的故障预警方法，以解决现有方法的不足。在该方法中，使用NAdam算法优化DBN的训练过程，实现模型参数学习率的自适应性调节，并引入灰狼算法确定DBN网络的结构，提高了预测电动汽车充电过程物理量的准确性。并且为了能够提前识别故障和及时对故障进行处理，该方法采用皮尔逊系数作为判别电动汽车充电过程是否出现故障的标准。
为实现上述目的，本发明提供如下方案：基于自适应深度置信网络的电动汽车充电过程故障预警方法，具体包括如下步骤：
S1：收集电动汽车充电过程各物理量的历史数据，建立数据集；
S2：将数据集划分为正常充电数据集、故障充电数据集，并对其进行预处理；
S3：采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络；
S4：采用灰狼算法确定自适应深度置信网络的网络结构；
S5：使用正常充电数据集训练自适应深度置信网络，得到电动汽车的正常充电模型，并使用故障充电数据和皮尔逊系数测试模型的预警性能；
S6：将实时充电数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，根据皮尔逊系数大小判断是否出现故障，实现电动汽车充电过程故障预警。
本发明步骤S1中，所述电动汽车充电过程各物理量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、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、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、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、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信息。
本发明步骤S1中，所述电动汽车充电过程各物理量的历史数据包括正常充电数据和故障充电数据，故障充电数据为电动汽车充电的各种常见故障，包括但不局限于充电电压过高故障、充电电流过高故障、动力电池单体电压过高故障、动力电池温度过高故障、动力电池SOC过高故障、整车动力电池电压过高故障等。
本发明步骤S2中，对数据集进行预处理，具体包括以下操作：
(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]。
本发明步骤S3中，所述自适应深度置信网络，采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，Nesterov加速自适应矩估计算法的更新规则为：
Figure BDA0003168174350000021
mt＝β1mt-1+(1-β1)gt
vt＝β2vt-1+(1-β2)gt 2
Figure BDA0003168174350000022
Figure BDA0003168174350000023
Figure BDA0003168174350000024
式中，θ为深度置信网络的参数，gt为深度置信网络训练时的梯度向量，η表示深度置信网络训练的学习率，J(θt)为深度置信网络的误差函数，
Figure BDA0003168174350000031
为J(θt)与深度置信网络参数的偏导数，mt、vt为深度置信网络训练时梯度的一阶矩(均值)和二阶矩(方差)，
Figure BDA0003168174350000032
代表mt和vt的偏差校正，用来抵消偏差，β1、β2为mt和vt指数衰减率，ε为修正参数，用来保证分母非零，t为深度置信网络的迭代次数。
本发明步骤S4中，采用灰狼算法确定深度置信网络的网络结构，所述灰狼算法遵守社会支配等级制度，由α狼、β狼、δ狼和ω狼组成，其中α狼为头狼，β狼服从α狼，δ狼服从α狼和β狼，ω狼服从上述三个社会等级的狼，具体实现步骤为：
(1)包围猎物
灰狼群根据最优解位置对其进行包围，距离为
D＝|C·Xp(t)-X(t)|
X(t+1)＝Xp(t)-A·D
A＝2a·r1-a
C＝2r2
式中，D为灰狼与最优解的位置，Xp(t)和X(t)为第t次迭代后最优解位置和灰狼群位置，A和C为协同系数因子，其中a在迭代过程中从2线性降到0，r1和r2为[0,1]中的随机值。
(2)追捕猎物
定义Dα、Dβ、Dδ为α狼、β狼、δ狼与其他个体之间的距离，该行为的数学模型为：
Figure BDA0003168174350000033
Figure BDA0003168174350000034
Figure BDA0003168174350000035
(3)攻击猎物
当猎物停止移动时，灰狼通过攻击猎物获得全局最优解。
本发明步骤S5中，使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，第一个阶段是预训练，采用逐层贪婪算法自下而上的训练每个受限玻尔兹曼机，实现对数据特征的提取和网络权重的更新；第二个阶段是微调，采用反向传播算法，使用实际充电数据，按照自上而下的顺序对网络参数进行调整优化。上述过程结束之后，使用故障充电数据集和皮尔逊系数测试模型的预警性能。
本发明步骤S5中，使用故障充电数据集和皮尔逊系数测试预警性能，是将故障充电数据集数据输入正常充电模型中预测输出，计算预测值与故障充电数据集中实际值的皮尔逊系数。当皮尔逊系数超过所设定的期望值时，进行故障预警，计算故障预警数与实际故障数之间的比例，测试模型的预警性能，皮尔逊系数计算公式为：
Figure BDA0003168174350000041
式中，n是预测值与实际测量值的个数，Xi、Yi分别是预测值X、实际测量值Y对应的i点观测值，
Figure BDA0003168174350000042
与
Figure BDA0003168174350000043
分别是X、Y样本平均数。
本发明步骤S6中实现电动汽车充电过程的故障预警，是将电动汽车充电的实时运行数据输入到构建好的正常充电模型当中，得到该模型的预测值，计算模型预测值与电动汽车充电实际值之间的皮尔逊系数。若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。
本申请的有益效果在于：本申请基于自适应深度置信网络的电动汽车充电过程故障预警方法，对电动汽车充电数据进行预处理之后，使用深度学习的方法对电动汽车充电过程物理量数据进行了深度挖掘，构建了电动汽车的正常充电模型；本申请在深度置信网络的基础上，采用NAdam对其训练过程进行优化，构建了自适应深度置信网络，一定程度上缩短了模型的训练时间，并且对不同参数设计自适应学习率，最后使用灰狼算法确定网络结构，进一步增强了预测电动汽车充电数据的准确性；本申请采用皮尔逊系数作为故障预警的判别标准，能够提前识别故障并及时对故障进行处理。
附图说明
图1为本发明基于自适应深度置信网络的电动汽车充电过程故障预警方法的流程示意图；
图2为本发明受限玻尔兹曼机结构示意图；
图3为本发明深度置信网络的结构及训练示意图；
图4为本发明灰狼算法流程图；
图5为本发明自适应深度置信网络的训练流程图。
图6为本发明电动汽车充电过程示意图。
具体实施方式
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。
图1为本发明基于自适应深度置信网络的电动汽车充电过程故障预警方法的流程示意图。如图1所示，本发明基于自适应深度置信网络的电动汽车充电过程故障预警方法包括以下步骤：
S1：选取电动汽车充电过程各物理量的历史数据，建立数据集。具体的，选取包含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、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、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、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、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信息数据构建数据集。
S2：将数据集划分为正常充电数据集、故障充电数据集，并对其进行预处理。具体的，正常充电数据集用于构建电动汽车正常充电模型，故障充电数据集用于测试故障预警性能。
数据的预处理包括以下操作：
(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]，计算公式如下。
Figure BDA0003168174350000051
式中，xmin，xmax分别为数据集样本同组数据的最小值和最大值，xout是对输入数据x进行归一化后的结果。
S3：使用NAdam算法优化深度置信网络的训练过程，构建自适应深度置信网络。DBN是由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)和一个BPNN堆叠而构成的深度学习网络，采用自上而下的无监督的贪婪学习算法确定每一层RBM的连接权值和有自下而上的监督学习方法对网络参数进行微调。
图2所示为DBN模型结构及训练示意图。由图2可知，每个RBM都由可见层Vi＝(v1,v2,v3,…,vn)和隐藏层Hi＝(h1,h2,h3,…,hm)构成，可见层V1与隐藏层H1构成RBM1，隐藏层H1作为RBM2的可见层与隐藏层H2构成RBM2，以此类推。图中连线表示相连接的神经元之间的权重，Wi＝{wi,j}∈Rn×m为第i个RBM的可见层与隐藏层的连接权重，Ai＝{ai}＝Rn和Bi＝{bj}＝Rm表示为第i个RBM的可见层偏置和隐藏层偏置。由此，只需确定三个参数θi＝{Wi,Ai,Bi}即可确定一个RBM。
对于正常充电的DBN模型，其内部RBM的能量函数定义为：
E(Vi,Hi|θi)＝-Ai TVi-Bi THi-Vi TWiHi
式中，Vi和Hi表示第i个可见层和隐藏层所有单元的二元状态。能量函数越低表示网络的状态更加理想，即对电动汽车充电物理量的预测误差越低。对能量函数进行正则化进和指数化处理，可以得到RBM的联合概率分布为：
Figure BDA0003168174350000052
Figure BDA0003168174350000053
式中，Z(θi)为配分函数，表示正常充电DBN模型中Vi和Hi节点集合的所有可能状态能量函数之和。根据RBM的结构特点，可见层Vi的第i个单元vi和隐藏层Hi的第j个单元hj被激活的概率可以表示为：
Figure BDA0003168174350000054
Figure BDA0003168174350000061
式中，
Figure BDA0003168174350000062
为sigmod激活函数。
为了缩短DBN模型的训练时间，并且为不同参数设计自适应的学习率，本发明采用NAdam算法优化DBN的训练过程。NAdam可以看做是具有Nesterov动量项的自适应矩估计(Adaptive Moment Estimation，Adam)。向Adam中添加Nesterov动量，即采用前一个动量向量来替代先前的动量向量。Adam的更新规则如下：
Figure BDA0003168174350000063
mt＝β1mt-1+(1-β1)gt
vt＝β2vt-1+(1-β2)gt 2
Figure BDA0003168174350000064
Figure BDA0003168174350000065
Figure BDA0003168174350000066
式中，θ为深度置信网络的参数，gt为深度置信网络训练时的梯度向量，η表示深度置信网络训练的学习率，J(θt)为深度置信网络的误差函数，
Figure BDA0003168174350000067
为J(θt)与深度置信网络参数的偏导数，mt、vt为深度置信网络训练时梯度的一阶矩(均值)和二阶矩(方差)，
Figure BDA0003168174350000068
代表mt和vt的偏差校正，用来抵消偏差，β1、β2为mt和vt指数衰减率，ε为修正参数，用来保证分母非零，t为深度置信网络的迭代次数。
将mt、vt的更新公式带入θt+1中可得：
Figure BDA0003168174350000069
括号中的β1mt-1/1-β1 t为深度置信网络模型前一时刻的动量向量的偏差校正估计值，用
Figure BDA00031681743500000610
代替可得：
Figure BDA00031681743500000611
现在加入Nesterov动量，直接采用深度置信网络模型当前动量矢量的偏差校正估计替换前一时刻动量的偏差校正估计
Figure BDA00031681743500000612
由此可得深度置信网络模型的NAdam的更新规则为：
Figure BDA00031681743500000613
S4：采用灰狼算法确定自适应深度置信网络的网络结构。自适应深度置信网络设置不同的隐藏层节点数，得到的网络性能具有较大的差异。当前深度置信网络的网络结构往往是依靠经验，选择多组不同的隐藏层节点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，本发明提出使用灰狼算法寻找网络的最优结构，其具体地按照以下步骤进行：
S4.1：构建一个DBN模型，对其网络参数进行初始化操作，并根据输入数据的维度确定合适的网络节点数；
S4.2：将DBN模型的隐藏层节点数作为灰狼算法的寻优目标，并进行全局搜索求得DBN模型的最优隐藏层节点数。灰狼算法遵守社会支配等级制度，由α狼、β狼、δ狼和ω狼组成，其中α狼为头狼，β狼服从α狼，δ狼服从α狼和β狼，ω狼服从上述三个社会等级的狼，具体实现步骤为：
(1)包围猎物
灰狼群根据最优解位置对其进行包围，距离为
D＝|C·Xp(t)-X(t)|
X(t+1)＝Xp(t)-A·D
A＝2a·r1-a
C＝2r2
式中，D为灰狼与最优解的位置，Xp(t)和X(t)为第t次迭代后最优解位置和灰狼群位置，A和C为协同系数因子，其中a在迭代过程中从2线性降到0，r1和r2为[0,1]中的随机值。
(2)追捕猎物
定义Dα、Dβ、Dδ为α狼、β狼、δ狼与其他个体之间的距离，该行为的数学模型为：
Figure BDA0003168174350000071
Figure BDA0003168174350000072
Figure BDA0003168174350000073
(3)攻击猎物
当猎物停止移动时，灰狼通过攻击猎物获得全局最优解；
S4.3：判断迭代是否结束，若迭代结束，则将此时灰狼算法所求得的隐藏层节点数作为最优解；
S4.4：将DBN模型的隐藏层节点数设置为所求最优解，对其进行训练和评估，以确定重构误差是否减少；
S4.5：如果误差减小到预期的满意程度，则DBN模型的隐藏层节点数为最终所求值，确定DBN网络结构，结束训练；
S4.6：如果误差没到减小到预期的满意程度，返回步骤S4.3，更新灰狼群的各个位置，重新计算。整个过程如图3所示。
S5：使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，并使用故障充电数据集和皮尔逊系数测试模型的预警性能。所述自适应深度置信网络的训练过程如图5所示，该过程分为预训练和微调两个阶段。
DBN的预训练过程采用逐层贪婪学习算法，以自下而上的顺序训练每个RBM，提取电动汽车充电数据的高层特征并且初始化网络连接权重。具体操作为：对于包含k个RBM的自适应深度置信网络，首先将预处理过的电动汽车充电数据作为RBM1(即该自适应深度置信网络的第1个RBM)的输入，并对网络其进行训练。当第i(i≤k)个RBM训练结束后，该RBM的输出层作为第i+1个RBM的可见层，继续对第i+1个RBM进行训练。上述过程将不断地被重复执行，当最后一个RBM训练结束后，继续对网络顶层的BPNN进行训练，并完成输出层参数的初始化。
微调阶段，采用反向传播算法，以自上而下的监督学习的方式对网络参数进行细微的调整，进一步优化网络结构，利用实际值，提高模型预测的准确性。不同于预训练的是，有监督的微调会同时更新网络的所有参数，直到达到所设定的停止条件为止。
上述过程结束之后，使用故障充电数据集和皮尔逊系数评估对电动汽车故障预警的准确性。如果测试结果符合预期效果，则将其应用到实际项目当中，否则需要对网络的结构、参数进行调整，重新构造电动汽车正常充电模型。所述使用故障充电数据集和皮尔逊系数测试预警性能，是将故障充电数据集数据输入正常充电模型中预测输出，计算预测值与故障充电数据集中实际值的皮尔逊系数。当皮尔逊系数超过所设定的期望值时，进行故障预警，计算故障预警数与实际故障数之间的比例，测试模型的预警性能，皮尔逊系数计算公式为：
Figure BDA0003168174350000081
式中，n是预测值与实际测量值的个数，Xi、Yi分别是预测值X、实际测量值Y对应的i点观测值，
Figure BDA0003168174350000082
与
Figure BDA0003168174350000083
分别是X、Y样本平均数。
S6：将电动汽车充电的实时运行数据输入到构建好的正常充电模型当中，得到该模型的预测值，计算模型预测值与电动汽车充电实际值之间的皮尔逊系数。若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。
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。

Claims (9)

1.基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，具体包括以下步骤：
S1：收集电动汽车充电过程各物理量的历史数据，建立数据集；
S2：将数据集划分为正常充电数据集、故障充电数据集，并对其进行预处理；
S3：采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络；
S4：采用灰狼算法确定自适应深度置信网络的网络结构；
S5：使用正常充电数据集训练自适应深度置信网络，得到电动汽车的正常充电模型，并使用故障充电数据和皮尔逊系数测试模型的预警性能；
S6：将实时充电数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，根据皮尔逊系数大小判断是否出现故障，实现电动汽车充电过程故障预警。
2.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S1中选取的电动汽车充电过程各物理量的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、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、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、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、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信息。
3.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S1中选取的电动汽车充电过程各物理量的历史数据包括正常充电数据和故障充电数据，故障充电数据为电动汽车充电的各种常见故障，包括但不局限于充电电压过高故障、充电电流过高故障、动力电池单体电压过高故障、动力电池温度过高故障、动力电池SOC过高故障、整车动力电池电压过高故障等。
4.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S2中对正常充电数据集、故障充电数据集进行预处理，其具体操作如下：
(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]。
5.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S3中的自适应深度置信网络，采用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，Nesterov加速自适应矩估计算法的更新规则为：
Figure FDA0003168174340000011
mt＝β1mt-1+(1-β1)gt
vt＝β2vt-1+(1-β2)gt 2
Figure FDA0003168174340000012
Figure FDA0003168174340000013
Figure FDA0003168174340000014
式中，θ为深度置信网络的参数，gt为深度置信网络训练时的梯度向量，η表示深度置信网络训练的学习率，J(θt)为深度置信网络的误差函数，
Figure FDA0003168174340000021
为J(θt)与深度置信网络参数的偏导数，mt、vt为深度置信网络训练时梯度的一阶矩(均值)和二阶矩(方差)，
Figure FDA0003168174340000022
代表mt和vt的偏差校正，用来抵消偏差，β1、β2为mt和vt指数衰减率，ε为修正参数，用来保证分母非零，t为深度置信网络的迭代次数。
6.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程预警方法，其特征在于，所述步骤S4中采用灰狼算法确定自适应深度置信网络的网络结构，所述灰狼算法遵守社会支配等级制度，由α狼、β狼、δ狼和ω狼组成，其中α狼为头狼，β狼服从α狼，δ狼服从α狼和β狼，ω狼服从上述三个社会等级的狼，具体实现步骤为：
(1)包围猎物
灰狼群根据最优解位置对其进行包围，距离为
D＝|CgXp(t)-X(t)|
X(t+1)＝Xp(t)-AgD
A＝2agr1-a
C＝2r2
式中，D为灰狼与最优解的位置，Xp(t)和X(t)为第t次迭代后最优解位置和灰狼群位置，A和C为协同系数因子，其中a在迭代过程中从2线性降到0，r1和r2为[0,1]中的随机值。
(2)追捕猎物
定义Dα、Dβ、Dδ为α狼、β狼、δ狼与其他个体之间的距离，该行为的数学模型为：
Figure FDA0003168174340000023
Figure FDA0003168174340000024
Figure FDA0003168174340000025
(3)攻击猎物
当猎物停止移动时，灰狼通过攻击猎物获得全局最优解。
7.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S5中使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，第一个阶段是预训练，采用逐层贪婪算法自下而上的训练每个受限玻尔兹曼机，实现对数据特征的提取和网络权重的更新；第二个阶段是微调，采用反向传播算法，使用实际充电数据，按照自上而下的顺序对网络参数进行调整优化。上述过程结束之后，使用故障充电数据集和皮尔逊系数测试模型的预警性能。
8.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S5中使用故障充电数据集和皮尔逊系数测试预警性能，是将故障充电数据集数据输入正常充电模型中预测输出，计算预测值与故障充电数据集中实际值的皮尔逊系数。当皮尔逊系数超过所设定的期望值时，进行故障预警，计算故障预警数与实际故障数之间的比例，测试模型的预警性能，皮尔逊系数计算公式为：
Figure FDA0003168174340000031
式中，n是预测值与实际测量值的个数，Xi、Yi分别是预测值X、实际测量值Y对应的i点观测值，
Figure FDA0003168174340000032
与
Figure FDA0003168174340000033
分别是X、Y样本平均数。
9.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤S6中实现电动汽车充电过程的故障预警，是将电动汽车充电的实时运行数据输入到构建好的正常充电模型当中，得到该模型的预测值，计算模型预测值与电动汽车充电实际值之间的皮尔逊系数。若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。
CN202110810932.2A 2021-07-19 2021-07-19 基于自适应深度置信网络的电动汽车充电过程故障预警方法 Pending CN113459867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110810932.2A CN113459867A (zh) 2021-07-19 2021-07-19 基于自适应深度置信网络的电动汽车充电过程故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110810932.2A CN113459867A (zh) 2021-07-19 2021-07-19 基于自适应深度置信网络的电动汽车充电过程故障预警方法

Publications (1)

Publication Number Publication Date
CN113459867A true CN113459867A (zh) 2021-10-01

Family

ID=77880903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110810932.2A Pending CN113459867A (zh) 2021-07-19 2021-07-19 基于自适应深度置信网络的电动汽车充电过程故障预警方法

Country Status (1)

Country Link
CN (1) CN113459867A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113895272A (zh) * 2021-10-15 2022-01-07 青岛科技大学 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
CN114084024A (zh) * 2021-12-27 2022-02-25 青岛科技大学 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
CN115891741A (zh) * 2022-09-30 2023-04-04 南京邮电大学 一种适用于电动汽车充电过程的远程故障预警方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130135110A1 (en) * 2011-01-20 2013-05-30 Indiana University Research And Technology Corporation Advanced battery early warning and monitoring system
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN107247231A (zh) * 2017-07-28 2017-10-13 南京航空航天大学 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法
CN107725283A (zh) * 2017-09-19 2018-02-23 江苏方天电力技术有限公司 一种基于深度信念网络模型的风机故障检测方法
CN108377017A (zh) * 2018-03-23 2018-08-07 万帮充电设备有限公司 一种充电桩的充电预警方法和装置
CN110287233A (zh) * 2019-06-18 2019-09-27 华北电力大学 一种基于深度学习神经网络的系统异常预警方法
CN111038291A (zh) * 2019-12-16 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种电动汽车充电故障智能诊断系统及方法
CN111079926A (zh) * 2019-11-23 2020-04-28 同济大学 基于深度学习的具有自适应学习率的设备故障诊断方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
US20200257960A1 (en) * 2019-02-12 2020-08-13 XNOR.ai, Inc. Compressed convolutional neural network models
CN112193111A (zh) * 2020-09-28 2021-01-08 北华航天工业学院 一种基于大数据的充电安全预警方法和充电桩
CN112581263A (zh) * 2020-12-23 2021-03-30 百维金科(上海)信息科技有限公司 一种基于灰狼算法优化广义回归神经网络的信用评估方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130135110A1 (en) * 2011-01-20 2013-05-30 Indiana University Research And Technology Corporation Advanced battery early warning and monitoring system
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN107247231A (zh) * 2017-07-28 2017-10-13 南京航空航天大学 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法
CN107725283A (zh) * 2017-09-19 2018-02-23 江苏方天电力技术有限公司 一种基于深度信念网络模型的风机故障检测方法
CN108377017A (zh) * 2018-03-23 2018-08-07 万帮充电设备有限公司 一种充电桩的充电预警方法和装置
US20200257960A1 (en) * 2019-02-12 2020-08-13 XNOR.ai, Inc. Compressed convolutional neural network models
CN110287233A (zh) * 2019-06-18 2019-09-27 华北电力大学 一种基于深度学习神经网络的系统异常预警方法
CN111079926A (zh) * 2019-11-23 2020-04-28 同济大学 基于深度学习的具有自适应学习率的设备故障诊断方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
CN111038291A (zh) * 2019-12-16 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种电动汽车充电故障智能诊断系统及方法
CN112193111A (zh) * 2020-09-28 2021-01-08 北华航天工业学院 一种基于大数据的充电安全预警方法和充电桩
CN112581263A (zh) * 2020-12-23 2021-03-30 百维金科(上海)信息科技有限公司 一种基于灰狼算法优化广义回归神经网络的信用评估方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113895272A (zh) * 2021-10-15 2022-01-07 青岛科技大学 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
CN114084024A (zh) * 2021-12-27 2022-02-25 青岛科技大学 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
CN115891741A (zh) * 2022-09-30 2023-04-04 南京邮电大学 一种适用于电动汽车充电过程的远程故障预警方法及装置
CN115891741B (zh) * 2022-09-30 2023-09-22 南京邮电大学 一种适用于电动汽车充电过程的远程故障预警方法及装置

Similar Documents

Publication Publication Date Title
CN113459867A (zh) 基于自适应深度置信网络的电动汽车充电过程故障预警方法
WO2020191801A1 (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN111339712B (zh) 质子交换膜燃料电池剩余寿命预测方法
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN110794308B (zh) 列车电池容量预测方法及装置
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN111157898A (zh) 一种新能源车辆在线电池故障检测分析方法及装置
CN110909802A (zh) 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN110837915A (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN112821424A (zh) 一种基于数据-模型融合驱动的电力系统频率响应分析方法
CN113225346A (zh) 一种基于机器学习的网络运维态势评估方法
CN111525587A (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN112529147A (zh) 断面水质中的氨氮含量预测方法及装置
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN112215279A (zh) 一种基于免疫rbf神经网络的电网故障诊断方法
CN112232370A (zh) 发动机的故障分析预测方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN107862375A (zh) 一种两阶段的设备故障诊断方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN114036506A (zh) 一种基于lm-bp神经网络的检测和防御虚假数据注入攻击的方法
CN110163332B (zh) 一种变压器故障诊断方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117407795A (zh) 一种电池安全预测方法、装置、电子设备及存储介质
CN108282360B (zh) 一种长短期预测融合的故障检测方法
CN115689001A (zh) 基于模式匹配的短期负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211001