CN115848176A - 基于a-lstm算法的电动汽车充电预警方法及系统 - Google Patents
基于a-lstm算法的电动汽车充电预警方法及系统 Download PDFInfo
- Publication number
- CN115848176A CN115848176A CN202211737666.6A CN202211737666A CN115848176A CN 115848176 A CN115848176 A CN 115848176A CN 202211737666 A CN202211737666 A CN 202211737666A CN 115848176 A CN115848176 A CN 115848176A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- early warning
- electric vehicle
- lstm
- 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
Links
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了基于A‑LSTM算法的电动汽车充电预警方法及系统，属于安全预警的技术领域。该方法包括：首先，获取电动汽车正常充电过程的数据为历史数据；其次，筛选历史充电数据并对其进行预处理；然后设计A‑LSTM深度学习模型对正常充电数据进行学习，构建充电数据预测模型；接着建立动态阈值模型确定预警阈值，结合相关国家充电安全规范与电动汽车历史充电异常数据对阈值进行优化；最后将训练好的充电数据预测模型与预警阈值应用到电动汽车实时充电监测中，实现电动汽车的故障预警，能够减少电动汽车的充电隐患，提高电动汽车的充电安全性。
Description
技术领域
本发明涉及安全预警的技术领域，更具体的说是涉及基于A-LSTM算法的电动汽车充电预警方法及系统。
背景技术
电动汽车的动力来源都是清洁能源，能够缓解能源危机、减少碳排放和保护环境，符合我国建设资源型社会和目标，是汽车技术发展的重要主题，也是当前各国政府和企业的重点发展对象。如此，电动汽车凭借高效节能、环境友好等优点，逐渐替代传统燃油汽车成为新型绿色交通工具。
但是，随着电动汽车保有量的不断增长，电动汽车自燃和火灾事故不断发生，对车主和充电设施的经营者造成了严重的经济损失，充电安全问题已经成为阻碍电动汽车及其相关产业发展的绊脚石。同时，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，难以对电动汽车的充电安全形成充分而全面的保护。如何大幅度减少电动汽车的充电隐患，提高电动汽车的充电安全性，已经成为整个行业亟待解决的问题。
因此，如何提供基于A-LSTM算法的电动汽车充电预警方法及系统是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于A-LSTM算法的电动汽车充电预警方法及系统，本发明可以通过获取电动汽车充电的多种数据，基于A-LSTM深度学习网络算法实现对车辆充电数据的拟合，借助实时分析并判断车辆状态，实现电动汽车的充电安全预警，并且能够有效的避免因错误充电数据所导致的误报警，这对大力促进电动汽车及其相关产业的发展具有非常重要的意义。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明提供了一种基于A-LSTM算法的电动汽车充电预警方法，包括以下步骤：
S100：获取电动汽车正常充电过程的数据为历史数据；
S200：筛选步骤1获取的历史充电数据，判断电动汽车类型，据依据充电状态正常与否划分为正常充电数据与故障充电数据，并对其进行预处理；
S300：以电动汽车充电电压、电动汽车充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络，以处理后的充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型；
S400：针对LSTM网络的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络，完善数据拟合模型，得到电动汽车充电数据预测值；
S500：建立动态阈值模型确定预警阈值，结合相关国家充电安全规范与电动汽车历史充电异常数据对阈值进行优化，根据电动汽车状态差异对预警阈值实时更新；
S600：构建电动汽车充电安全综合预警模型，为其输入电动汽车实时充电数据，对电动汽车的车载电池类型、电池组初始SOC、电池组初始温度、电机初始温度、车辆充电类型与车辆充电时间进行筛选以判断电动汽车的充电初始状态，并基于电动汽车充电安全综合预警模型、电动汽车充电数据预测值与预警阈值，实时监控电动汽车的充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据预设的预警规则进行充电安全预警。
优选的，步骤S100对电动汽车充电进行状态监测的各种参数包括但不局限于整车动力电池初始SOC、整车动力电池实时SOC、整车电动汽车充电机内部温度、整车电动汽车充电模块温度、整车车载电池组单体电池最高/最低/平均温度，整车车载电池组单体电池最高/最低/平均电压、整车车载电池组充电允许最高/最低电压/电流/温度等参数信息。
优选的，步骤S200中对交流充电数据进行预处理，其具体操作如下：
(1)对数据进行离群点检测，删除数据中特别异常的数据；
(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，具体计算公式为
式中datainput为归一化处理后的数据值；datai为原始数据；datamax和datamin为原始数据中的最大值与最小值。处理后的充电数据都位于[-1,1]。
优选的，步骤S300中的涉及的A-LSTM(Long Short Term Memory)深度学习模型，其具体计算公式为：长短时记忆递归神经网络(Long Short Term Memory,LSTM)是在循环神经网络(recurrent neural network，RNN)的基础上为了解决梯度消失和爆炸等问题而设计的一种网络，它以LSTM单元来代替原RNN的隐含层，除了输入、输出门之外，LSTM单元还内置了1个能够控制历史输入量的遗忘门，3个门的激活函数均为sigmoid函数。sigmoid函数的取值范围为(0,1)，这3个门的作用就相当于对历史输入、当前输入和历史输出进行加权学习，进而达到对历史输入、历史输出的记忆功能；
LSTM单元构造如式(2)-式(7)所示：其中，候选LSTM记忆单元状态值：
C(t)＝tanh(ωxcx(t)+whch(t-1)+bc) (2)
式中：x(t)为当前时刻电动汽车历史充电的输入数据，h(t-1)为前一时刻LSTM单元输出，ωx与whc为对应输入x(t)与输出h(t-1)这两项的连接权值，
是记忆单元参考值，bc是网络的偏置量；
LSTM网络输入门的值：
I(t)＝sigmoid(ωxix(t)+ωhih(t-1)+ωciC(t-1)+bi) (3)
式中：ωxi,ωhi与ωci分别为当前时刻电动汽车历史充电的输入数据、前一时刻LSTM单元输出与前一时刻细胞单元输出对输入门的连接权值，bi为输入门的偏置量；
LSTM网络遗忘门的值：
F(t)＝sigmoid(ωxfx(t)+ωhfh(t-1)+ωfiC(t-1)+bf) (4)
式中：ωxf,ωhf与ωcf分别为当时刻的电动汽车历史充电输入数据、前一时刻LSTM单元输出与前一时刻细胞单元输出对遗忘门的连接权值；bf为遗忘门的偏置量；
如此，当前LSTM记忆单元状态值：
式中
表示住店求积运算。
LSTM网络输出门的值：
O(t)＝sigmoid(ωxox(t)+ωhoh(t-1)+ωcoC(t-1)+bo) (6)
式中：ωxo,ωho与ωco为别为当前时刻的输入、前一时刻LSTM单元输出与前一时刻细胞单元输出对输出门的连接权值，bo为输出门的偏置；
结合式(2)-式(6)可以得出LSTM记忆单元在t时刻的输出为：
综上：LSTM的工作过程可简单理解为：给定当前时间步的输入值x(t)在输入门的控制下通过候选记忆细胞筛选有用的信息用于当前记忆细胞的信息更新，而遗忘门则会控制当前记忆细胞是否能获取之前单元传递的信息，这两部分保留的有价值信息即更新的记忆将会传递至下一个LSTM单元模块，输出门则控制记忆细胞中的信息是否传递至隐藏状态供输出层使用，h(t)也会连接至下一个LSTM单元模块。三个门的交互和控制作用实现了输入信息的较长期记忆。
优选的，步骤S400中涉及误差相关线性分析法自适应优化LSTM网络，其具体计算公式为：在建立LSTM模型后，为了进一步缩小模型预测的误差，提高算法预测精度，本发明采取误差相关线性分析法来缩小误差。即针对历史预测误差与输入之间的关系建立关系式(8)：
epre＝f(x1,...,xn) (8)
式中：epre代表LSTM历史预测误差；f(x1,…,xn)是关于输入的一次(线性)函数，(x1,…,xn表示输入)，其各项系数通过最小二乘法求出。
经过误差修正后的预测模型如式(9)：
g'＝g(x1+1,...,xn+1)+f(x1+1,...,xn+1) (9)
式中：g(x1+1,…,xn+1)是所建立的LSTM预测模型；f(x1+1,…,xn+1)为经过最小二乘拟合的误差线性校正函数；g’为A-LSTM算法当前预测结果。
本发明步骤5中的涉及动态阈值模型，其具体的计算步骤为：取时间长度为l的拟合异常数据进行异常检测，得到如式(11)的误差数据e(t)：
e(t)＝g'(t)-x(t) (10)
基于式(12)的SG滤波法对误差矩阵进行平滑处理，得到新的误差矩阵en
en＝[en(t-l),...,en(t-1),en(t)] (12)
式中e是原始误差数据；ej是经过滤波的数据；ui是第i个时序数据值滤波时的系数；N是指卷积数目；系数j是指原始时间序列数据集的系数；l是滤波窗口的长度，它与平滑多项式的次数共同控制平滑效果。观察平滑后的结果，通过式(14)至式(17)设定初始预警阈值k。
k＝μ(en)+zσ(en) (13)
Δμ(en)＝μ(en)-μ({en∈en,en＜k}) (15)
Δσ(en)＝σ(en)-σ({en∈en,en＜k}) (16)
ea＝{en∈en,en＞k} (17)
式中，k为阈值向量，μ(en)为en的期望，σ(en)为en的标准差，ea为异常值，Eseq为ea中的连续序列。
如此，便可以确定初始阈值k，如果异常值中的值与正常序列的最大值差距不大，则他们可能只是正常的抖动而不是真正意义上的异常值。为了防止出现假的异常值，选取异常数据与正常数据的最大值按照递减排列组成emax，采用式(18)进行异常修正，判断ri的值用以更新阈值(若ri>p，则e(i-1)仍为异常值；若ri<p，则e(i)及后续的值被重新划分为正常值，p设定范围为：0.2>p>0.05)。
ri＝(emax(i-1)-emax(i))/emax(i-1) (18)
优选的，步骤S600中实现电动汽车充电过程的安全预警，构建电动汽车充电安全综合预警模型并为其输入车辆实时充电数据，筛选电动汽车的基本信息以判断电动汽车的充电初始状态，依电动汽车信息输入充电预测数据与充电预警阈值，以电动汽车的充电状态选取不同的预警模型，实时监控电动汽车充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据相关预警规则进行充电安全预警，必要时切断电动汽车的供电，防止其发生起火事故。
更优的，所述电动汽车的基本信息包括：车辆的车载电池类型、电池组初始SOC、电池组初始温度、电机初始温度、车辆充电类型与车辆充电时间等。
另一方面，本发明提供了一种基于A-LSTM算法的电动汽车充电预警系统，包括：
获取模块，用于获取电动汽车正常充电过程的数据，并标定为历史充电数据；
预处理模块，与所述获取模块连接，用于对所述历史充电数据进行预处理；
构建模块，与所述预处理模块连接，用于以电动汽车充电电压、电动汽车充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络模型，以预处理后的历史充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型；
处理模块，与所述构建模块连接，用于针对所述数据拟合模型的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络模型，完善数据拟合模型，得到电动汽车充电数据预测值；
更新模块，与所述处理模块连接，用于建立动态阈值模型确定并优化预警阈值，并根据电动汽车状态差异对预警阈值实时更新；
预警模块，与所述处理模块以及所述更新模块连接，用于构建电动汽车充电安全综合预警模型，为其输入电动汽车实时充电数据，对电动汽车的车载电池类型、电池组初始SOC、电池组初始温度、电机初始温度、车辆充电类型与车辆充电时间进行筛选以判断电动汽车的充电初始状态，并基于电动汽车充电安全综合预警模型、电动汽车充电数据预测值与预警阈值，实时监控电动汽车的充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据预设的预警规则进行充电安全预警。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于A-LSTM算法的电动汽车充电预警方法及系统，获取电动汽车充电历史数据并对其进行数据筛选及预处理工作，而后设计A-LSTM深度学习算法对电动汽车充电历史数据进行算法建模，实现对电动汽车正常充电状态的拟合以预测车辆的充电数据；针对预警阈值，设计动态阈值优化方法，实现车辆充电状态预警阈值动态更新，能够针对不同的车辆状态进行有效的预警，不仅能够进一步增强电动汽车充电安全预警结果的准确性，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
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明电动汽车充电安全预警模型的流程示意图；
图2是本发明LSTM深度网络结构示意图；
图3是本发明A-LSTM深度学习算法的结构原理图；
图4为本发明的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1所示，本发明实施例公开了一种基于A-LSTM算法的电动汽车充电预警方法，包括以下步骤：
S100：收集电动汽车充电历史数据，数据包括但不限于整车动力电池初始SOC、整车动力电池实时SOC、整车车辆充电机内部温度、整车车辆充电模块温度、整车车载电池组单体电池最高/最低/平均温度，整车车载电池组单体电池最高/最低/平均电压、整车车载电池组充电允许最高/最低电压/电流/温度等参数信息。
S200：依据(1)-(3)流程对手机的车辆充电数据进行数据预处理，其具体操作如下：
(1)对数据进行离群点检测，删除数据中特别异常的数据；
(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，具体计算公式为
式中datainput为归一化处理后的数据值；datai为原始数据；datamax和datamin为原始数据中的最大值与最小值。处理后的充电数据都位于[-1,1]。
具体的，本事实例中的车辆指的是电动汽车车辆。
在一个具体实施例中，S300：以电动汽车充电电压、电动汽车充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络模型，以预处理后的历史充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型；
具体的，参见附图2所示，S300构建的基于LSTM算法的数据拟合深度学习网络模型，包括：输入门、输出门以及LSTM单元内置的1个能够控制历史输入量的遗忘门；
其中，三个门的激活函数均为sigmoid函数，sigmoid函数的取值范围为(0,1)。
具体的，S300中涉及的LSTM(Long Short Term Memory)深度学习模型，其具体计算公式为：长短时记忆递归神经网络(Long Short Term Memory,LSTM)是在循环神经网络(recurrent neural network，RNN)的基础上为了解决梯度消失和爆炸等问题而设计的一种网络，它以LSTM单元来代替原RNN的隐含层，除了输入、输出门之外，LSTM单元还内置了1个能够控制历史输入量的遗忘门，3个门的激活函数均为sigmoid函数。sigmoid函数的取值范围为(0,1)，这3个门的作用就相当于对历史输入、当前输入和历史输出进行加权学习，进而达到对历史输入、历史输出的记忆功能；
LSTM单元构造如式(2)-式(7)所示：其中，候选LSTM记忆单元状态值：
C(t)＝tanh(ωxcx(t)+whch(t-1)+bc) (2)
式中：x(t)为当前时刻电动汽车历史充电的输入数据，h(t-1)为前一时刻LSTM单元输出，ωx与whc为对应输入x(t)与输出h(t-1)这两项的连接权值，
是记忆单元参考值，bc是网络的偏置量；
LSTM网络输入门的值：
I(t)＝sigmoid(ωxix(t)+ωhih(t-1)+ωciC(t-1)+bi) (3)
式中：ωxi,ωhi与ωci分别为当前时刻电动汽车历史充电的输入数据、前一时刻LSTM单元输出与前一时刻细胞单元输出对输入门的连接权值，bi为输入门的偏置量；
LSTM网络遗忘门的值：
F(t)＝sigmoid(ωxfx(t)+ωhfh(t-1)+ωfiC(t-1)+bf) (4)
式中：ωxf,ωhf与ωcf分别为当时刻的电动汽车历史充电输入数据、前一时刻LSTM单元输出与前一时刻细胞单元输出对遗忘门的连接权值；bf为遗忘门的偏置量；
如此，当前LSTM记忆单元状态值：
式中
表示住店求积运算。
LSTM网络输出门的值：
O(t)＝sigmoid(ωxox(t)+ωhoh(t-1)+ωcoC(t-1)+bo) (6)
式中：ωxo,ωho与ωco为别为当前时刻的输入、前一时刻LSTM单元输出与前一时刻细胞单元输出对输出门的连接权值，bo为输出门的偏置；
结合式(2)-式(6)可以得出LSTM记忆单元在t时刻的输出为：
综上：LSTM的工作过程可简单理解为：给定当前时间步的输入值x(t)在输入门的控制下通过候选记忆细胞筛选有用的信息用于当前记忆细胞的信息更新，而遗忘门则会控制当前记忆细胞是否能获取之前单元传递的信息，这两部分保留的有价值信息即更新的记忆将会传递至下一个LSTM单元模块，输出门则控制记忆细胞中的信息是否传递至隐藏状态供输出层使用，h(t)也会连接至下一个LSTM单元模块。三个门的交互和控制作用实现了输入信息的较长期记忆。如此，以车辆充电电压、车辆充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络，以处理后的充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型。
S400：针对LSTM网络的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络，完善数据拟合模型，得到电动汽车充电数据预测值。
在一个具体实施例中，参见附图3所示，为A-LSTM深度学习算法的结构原理图，在建立LSTM模型后，为了进一步缩小模型预测的误差，提高算法预测精度，本发明采取误差相关线性分析法来缩小误差。即针对历史预测误差与输入之间的关系建立关系式(8)：
epre＝f(x1,...,xn)(8)
式中：epre代表LSTM历史预测误差；f(x1,…,xn)是关于输入的一次(线性)函数，(x1,…,xn表示输入)，其各项系数通过最小二乘法求出。
经过误差修正后的预测模型如式(9)：
g'＝g(x1+1,...,xn+1)+f(x1+1,...,xn+1)(9)
式中：g(x1+1,…,xn+1)是所建立的LSTM预测模型；f(x1+1,…,xn+1)为经过最小二乘拟合的误差线性校正函数；g’为A-LSTM算法当前预测结果。
S500：建立动态阈值模型，其具体的计算步骤为：取时间长度为l的数据进行异常检测，得到如式(11)的误差数据e(t)：
e(t)＝g'(t)-x(t) (10)
基于式(12)的SG滤波法对误差矩阵进行平滑处理，得到新的误差矩阵en
en＝[en(t-l),...,en(t-1),en(t)] (12)
式中e是原始误差数据；ej是经过滤波的数据；ui是第i个时序数据值滤波时的系数；N是指卷积数目；系数j是指原始时间序列数据集的系数；l是滤波窗口的长度，它与平滑多项式的次数共同控制平滑效果。观察平滑后的结果，通过式(14)至式(17)设定初始预警阈值k。
k＝μ(en)+zσ(en) (13)
Δμ(en)＝μ(en)-μ({en∈en,en＜k}) (15)
Δσ(en)＝σ(en)-σ({en∈en,en＜k}) (16)
ea＝{en∈en,en＞k} (17)
式中，k为阈值向量，μ(en)为en的期望，σ(en)为en的标准差，ea为异常值，Eseq为ea中的连续序列。
如此，便可以确定初始阈值k，如果异常值中的值与正常序列的最大值差距不大，则他们可能只是正常的抖动而不是真正意义上的异常值。为了防止出现假的异常值，选取异常数据与正常数据的最大值按照递减排列组成emax，采用式(18)进行异常修正，判断ri的值用以更新阈值(若ri>p，则e(i-1)仍为异常值；若ri<p，则e(i)及后续的值被重新划分为正常值，p设定范围为：0.2>p>0.05)。
ri＝(emax(i-1)-emax(i))/emax(i-1)(18)
S600：电动汽车充电过程的安全预警，首先构建电动汽车充电安全综合预警模型，为其输入车辆实时充电数据，筛选车辆的车载电池类型、电池组初始SOC、电池组温度与充电时间等数据以判断车辆的充电初始状态，依车辆信息输入充电预测数据与充电预警阈值，以车辆的充电状态选取不同的预警模型，实时监控车辆充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据相关预警规则进行充电安全预警，必要时切断电动汽车的供电，防止其发生起火事故。
另一方面，参见附图4所示，本实施例还公开了一种基于A-LSTM算法的电动汽车充电预警系统，包括：
获取模块，用于获取电动汽车正常充电过程的数据，并标定为历史充电数据；
预处理模块，与获取模块连接，用于对历史充电数据进行预处理；
构建模块，与预处理模块连接，用于以电动汽车充电电压、电动汽车充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络模型，以预处理后的历史充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型；
处理模块，与构建模块连接，用于针对数据拟合模型的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络模型，完善数据拟合模型，得到电动汽车充电数据预测值；
更新模块，与处理模块连接，用于建立动态阈值模型确定并优化预警阈值，并根据电动汽车状态差异对预警阈值实时更新；
预警模块，与处理模块以及更新模块连接，用于构建电动汽车充电安全综合预警模型，为其输入电动汽车实时充电数据，对电动汽车的车载电池类型、电池组初始SOC、电池组初始温度、电机初始温度、车辆充电类型与车辆充电时间进行筛选以判断电动汽车的充电初始状态，并基于电动汽车充电安全综合预警模型、电动汽车充电数据预测值与预警阈值，实时监控电动汽车的充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据预设的预警规则进行充电安全预警。
本发明的一种基于A-LSTM算法的电动汽车充电预警方法及系统，获取电动汽车充电历史数据并对其进行数据筛选及预处理工作，而后设计A-LSTM深度学习算法对电动汽车充电历史数据进行算法建模，实现对电动汽车正常充电状态的拟合以预测车辆的充电数据；针对预警阈值设计动态阈值优化方法，实现车辆充电状态预警阈值动态更新，能够针对不同的车辆状态进行有效的预警，不仅能够进一步增强电动汽车充电安全预警结果的准确性，还能消除数据传输过程中错误数据所导致的误预警。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，包括如下步骤：
S100：获取电动汽车正常充电过程的数据，并标定为历史充电数据；
S200：对所述历史充电数据进行预处理；
S300：以电动汽车充电电压、电动汽车充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络模型，以预处理后的历史充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型；
S400：针对所述数据拟合模型的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络模型，完善数据拟合模型，得到电动汽车充电数据预测值；
S500：建立动态阈值模型确定并优化预警阈值，并根据电动汽车状态差异对预警阈值实时更新；
S600：构建电动汽车充电安全综合预警模型，为其输入电动汽车实时充电数据，对电动汽车的车载电池类型、电池组初始SOC、电池组初始温度、电机初始温度、车辆充电类型与车辆充电时间进行筛选以判断电动汽车的充电初始状态，并基于电动汽车充电安全综合预警模型、电动汽车充电数据预测值与预警阈值，实时监控电动汽车的充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据预设的预警规则进行充电安全预警。
2.根据权利要求1所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S100获取的电动汽车正常充电过程的数据，包括：
整车动力电池初始SOC、整车动力电池实时SOC、整车电动汽车充电机内部温度、整车电动汽车充电模块温度、整车车载电池组单体电池最高/最低/平均温度，整车车载电池组单体电池最高/最低/平均电压、整车车载电池组充电允许最高/最低电压/电流/温度的参数信息。
3.根据权利要求1所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S200：对所述历史充电数据进行预处理，具体包括：
S210：对数据进行离群点检测，删除数据中特别异常的数据；
S220：采用插补法对数据中的缺失值进行填补；
S230：利用极差标准化的方法对数据进行归一化处理，具体计算公式为：
式中datainput为归一化处理后的数据值；datai为原始数据；datamax和datamin为原始数据中的最大值与最小值；处理后的充电数据位于[-1,1]。
4.根据权利要求1所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S300构建的基于LSTM算法的数据拟合深度学习网络模型，包括：输入门、输出门以及LSTM单元内置的1个能够控制历史输入量的遗忘门；
其中，三个门的激活函数均为sigmoid函数，所述sigmoid函数的取值范围为(0,1)。
5.根据权利要求4所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S300具体包括：
S310:构造LSTM单元，其中，候选LSTM记忆单元状态值，具体公式为：
式中，x(t)为当前时刻电动汽车历史充电的输入数据，h(t-1)为前一时刻LSTM单元输出，ωx与whc为对应输入x(t)与输出h(t-1)这两项的连接权值，
是记忆单元参考值，bc是网络的偏置量；
S320:计算LSTM网络输入门的值：
I(t)＝sigmoid(ωxix(t)+ωhih(t-1)+ωciC(t-1)+bi)
式中，ωxi,ωhi与ωci分别为当前时刻电动汽车历史充电的输入数据、前一时刻LSTM单元输出与前一时刻细胞单元输出对输入门的连接权值，bi为输入门的偏置量；
S330:计算LSTM网络遗忘门的值：
F(t)＝sigmoid(ωxfx(t)+ωhfh(t-1)+ωfiC(t-1)+bf)
式中，ωxf,ωhf与ωcf分别为当时刻的电动汽车历史充电输入数据、前一时刻LSTM单元输出与前一时刻细胞单元输出对遗忘门的连接权值；bf为遗忘门的偏置量；
S340:计算当前LSTM记忆单元状态值：
式中
表示住店求积运算；
S350:计算LSTM网络输出门的值：
O(t)＝sigmoid(ωxox(t)+ωhoh(t-1)+ωcoC(t-1)+bo)
式中：ωxo,ωho与ωco为别为当前时刻的输入、前一时刻LSTM单元输出与前一时刻细胞单元输出对输出门的连接权值，bo为输出门的偏置；
S360：综合步骤S310-S350:，得出LSTM记忆单元在t时刻的输出为：
6.根据权利要求1所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S400针对所述数据拟合模型的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络模型，完善数据拟合模型，得到电动汽车充电数据预测值，具体包括：
S410：针对历史预测误差与输入之间的关系建立关系式：
epre＝f(x1,...,xn)
式中，epre代表LSTM历史预测误差；f(x1,…,xn)是关于输入的一次线性函数，其中，x1,…,xn表示输入；
S420：经过误差修正后的预测模型如式：
g'＝g(x1+1,...,xn+1)+f(x1+1,...,xn+1)
式中，g(x1+1,…,xn+1)是所建立的LSTM预测模型；f(x1+1,…,xn+1)为经过最小二乘拟合的误差线性校正函数；g’为A-LSTM算法当前预测结果。
7.根据权利要求1所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S500建立动态阈值模型的具体的计算步骤为：
S510：取时间长度为l的数据进行异常检测，得到误差数据e(t)：
e(t)＝g′(t)-x(t)
S520：基于SG滤波对误差矩阵进行平滑处理，得到新的误差矩阵en：
en＝[en(t-l),...,en(t-1),en(t)]
式中，e是原始误差数据；ej是经过滤波的数据；ui是第i个时序数据值滤波时的系数；N是指卷积数目；系数j是指原始时间序列数据集的系数；l是滤波窗口的长度，它与平滑多项式的次数共同控制平滑效果；分析平滑后的结果，通过下式设定初始预警阈值k；
k＝μ(en)+zσ(en)
Δμ(en)＝μ(en)-μ({en∈en,en＜k})
Δσ(en)＝σ(en)-σ({en∈en,en＜k})
ea＝{en∈en,en＞k}
式中，k为阈值向量，μ(en)为en的期望，σ(en)为en的标准差，ea为异常值，Eseq为ea中的连续序列；
S530：选取异常数据与正常数据的最大值按照递减排列组成emax，采用下式进行异常修正：
ri＝(emax(i-1)-emax(i))/emax(i-1)
S540：判断ri的值用以更新阈值。
8.根据权利要求1所述的一种基于A-LSTM算法的电动汽车充电预警方法，其特征在于，所述S540：判断ri的值用以更新阈值，包括：
S541：若ri>p，则e(i-1)仍为异常值；
S542：若ri<p，则e(i)及后续的值被重新划分为正常值；
其中，参数p设定范围为：0.2>p>0.05。
9.一种利用权利要求1-8任一项所述的基于A-LSTM算法的电动汽车充电预警方法的基于A-LSTM算法的电动汽车充电预警系统，其特征在于，包括：
获取模块，用于获取电动汽车正常充电过程的数据，并标定为历史充电数据；
预处理模块，与所述获取模块连接，用于对所述历史充电数据进行预处理；
构建模块，与所述预处理模块连接，用于以电动汽车充电电压、电动汽车充电电流、电池组单体电池最高电压与单体电池最高温度分别作为模型的输出构建基于LSTM算法的数据拟合深度学习网络模型，以预处理后的历史充电数据作为模型的输入，训练LSTM深度学习网络，得到电动汽车正常充电状态的数据拟合模型；
处理模块，与所述构建模块连接，用于针对所述数据拟合模型的输出采取误差相关线性分析法进行自适应优化，构建A-LSTM网络模型，完善数据拟合模型，得到电动汽车充电数据预测值；
更新模块，与所述处理模块连接，用于建立动态阈值模型确定并优化预警阈值，并根据电动汽车状态差异对预警阈值实时更新；
预警模块，与所述处理模块以及所述更新模块连接，用于构建电动汽车充电安全综合预警模型，为其输入电动汽车实时充电数据，对电动汽车的车载电池类型、电池组初始SOC、电池组初始温度、电机初始温度、车辆充电类型与车辆充电时间进行筛选以判断电动汽车的充电初始状态，并基于电动汽车充电安全综合预警模型、电动汽车充电数据预测值与预警阈值，实时监控电动汽车的充电状态，当电动汽车充电数据偏离设定的预警阈值时，依据预设的预警规则进行充电安全预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211737666.6A CN115848176A (zh) | 2022-12-30 | 2022-12-30 | 基于a-lstm算法的电动汽车充电预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211737666.6A CN115848176A (zh) | 2022-12-30 | 2022-12-30 | 基于a-lstm算法的电动汽车充电预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115848176A true CN115848176A (zh) | 2023-03-28 |
Family
ID=85656621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211737666.6A Pending CN115848176A (zh) | 2022-12-30 | 2022-12-30 | 基于a-lstm算法的电动汽车充电预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115848176A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116714437A (zh) * | 2023-06-01 | 2023-09-08 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
| CN117885538A (zh) * | 2024-03-18 | 2024-04-16 | 光克(上海)工业自动化科技有限公司 | 新能源车辆动力电池预警方法、系统、设备及存储介质 |
-
2022
- 2022-12-30 CN CN202211737666.6A patent/CN115848176A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116714437A (zh) * | 2023-06-01 | 2023-09-08 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
| CN116714437B (zh) * | 2023-06-01 | 2024-03-26 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
| CN117885538A (zh) * | 2024-03-18 | 2024-04-16 | 光克(上海)工业自动化科技有限公司 | 新能源车辆动力电池预警方法、系统、设备及存储介质 |
| CN117885538B (zh) * | 2024-03-18 | 2024-05-07 | 光克(上海)工业自动化科技有限公司 | 新能源车辆动力电池预警方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115848176A (zh) | 基于a-lstm算法的电动汽车充电预警方法及系统 | |
| CN113960476B (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
| CN107786369B (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN112540317A (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
| CN114084024A (zh) | 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 | |
| CN115622203B (zh) | 基于车载无线充电器充电数据的分析提醒方法及系统 | |
| CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
| CN113173104B (zh) | 一种新能源车辆动力电池预警方法及系统 | |
| CN112098874B (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
| CN115577860B (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
| Chen et al. | Adaptive control for plants in the presence of actuator and sensor uncertain hysteresis | |
| Patrizi et al. | Validation of RUL estimation method for battery prognostic under different fast-charging conditions | |
| CN116653608B (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
| CN110988693A (zh) | 一种基于建模仿真的化学电池储能应用分析方法 | |
| CN116609686A (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| Lipiec et al. | Towards a health-aware fault tolerant control of complex systems: A vehicle fleet case | |
| CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
| CN116541774A (zh) | 长隧道沥青路面铺装洞内环境因素监测及预警方法 | |
| WO2002006953A1 (fr) | Capteur logiciel et dispositif d'evaluation correspondant | |
| Calzada et al. | A GIS-based spatial decision support tool based on extended belief rule-based inference methodology | |
| CN114690040A (zh) | 一种电动汽车动力电池最优充电起始soc预测的方法 | |
| CN112966867B (zh) | 基于pso-bp神经网络和四分位法的变压器预警方法 |
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 |