電動汽車充電狀態監測與多級安全預報警方法

高德欣 鄭曉雨 王 義 楊 清

（1. 青島科技大學自動化與電子工程學院 青島 266061 2. 青島科技大學信息科學技術學院 青島 266061）

0 引言

全球范圍內，生態環境和能源危機問題日漸突出，較傳統燃油汽車，電動汽車在節約石油資源、降低碳排放方面具有巨大優勢，受到各國政府和汽車企業的重視[1-4]。但是電動汽車在充電過程中，可能會發生自燃事故，阻礙電動汽車行業的發展[5-6]。研究發現，電池過溫是引起電動汽車充電自燃的重要原因[7-9]。因此，構建電動汽車充電過程的溫度預警模型，對電動汽車電池的溫度進行實時監測和安全預警，能夠保障充電安全，有利于電動汽車行業的可持續發展。

目前，關于電動汽車充電過程安全預警和故障診斷的研究剛剛起步，成果較少。針對這個問題，可以借鑒在其他行業應用的如卷積神經網絡（Convolutional Neural Networks, CNN）[10-11]、長短記憶網絡（Long Short Memory Networks, LSMN）[12-13]和雙向長短記憶網絡（Bi-directional LSTM, BiLSTM）[14-16]等深度學習方法進行研究。例如，文獻[11]利用CNN能夠提取數據特征的優勢，對滾動軸承進行了故障診斷研究，對其故障數據進行特征提取和分類，其診斷故障類型的操作簡單，準確度高；文獻[13]利用LSTM網絡能夠解決時序序列梯度消失的特點，提出一種基于LSTM網絡和故障特征增強的行星齒輪箱故障智能診斷方法，顯著提高了故障識別率；文獻[15]結合前向LSTM網絡和反向LSTM網絡，提出一種新的BiLSTM網絡故障預警模型，很好地應用于軸承的故障診斷中；文獻[16]將BiLSTM網絡運用在設備智能故障診斷上，劃分數據集訓練模型，達到了更好的預測效果。

理論上組合模型通過將多種模型融合，利用不同模型的優勢，對研究對象進行預測，能夠更好地滿足預測的實際需要，且預測精度優于單一模型[17-19]。文獻[18]組合CNN模型與LSTM模型，對短期負荷進行預測，該模型同時具備了CNN模型與LSTM模型的優點，有效降低了預測誤差；文獻[19]選取真實的鋰離子電池數據集，組合CNN模型與BiLSTM模型，對鋰離子電池剩余壽命進行預測，實驗證明該模型具有比單一模型更高的預測精度。

本文提出一種基于CNN-BiLSTM模型的電動汽車充電狀態監測與多級安全預報警方法。首先利用CNN網絡對電動汽車正常充電過程的歷史數據進行深度挖掘，提取充電數據的深層次特征；其次利用BiLSTM網絡將電動汽車充電過程的過去與未來數據結合分析，構建CNN-BiLSTM溫度預警模型；再次在電動汽車充電過程中，根據國標實時采集的充電數據，預測電動汽車電池的溫度，通過滑動窗口法，分析并計算該電動汽車電池溫度的預報警閾值，進行多級安全預報警；最后利用兩種車型的充電數據，驗證該方法的有效性。

1 問題描述

1.1 電動汽車充電系統結構分析

本文提出的電動汽車充電狀態監測與多級安全預報警方法在云平臺上實現。云平臺是一種基于云計算技術，利用遠程軟硬件資源為本地提供便利的服務形式。它能夠動態整合硬件資源，合理分配資源，提高資源利用率，廣泛應用于故障預報警中。電動汽車充電系統主要包括云端和設備端兩部分，如圖1所示。

圖1 電動汽車充電多級安全預報警系統 Fig.1 Diagram of multi-level safety pre-warning system for electric vehicle charging

云端：此部分負責電動汽車充電過程的狀態判斷。對充電設備的各類數據進行歸一化處理，在此基礎上劃分數據集，歷史數據用于CNN-BiLSTM預測模型的訓練，實時數據用于電動汽車充電狀態的判斷。

設備端：此部分由充電設備和電動汽車構成。充電設備通過充電樁給電動汽車充電，在此過程中，根據國標要求，通過CAN通信協議[20]實時采集各類充電數據，發送到云端數據庫，并執行云端的各項指令，保障電動汽車的充電安全。

1.2 充電方式分析

目前，常用的充電方式有恒流充電、恒壓充電和階段式充電方式等。電動汽車電池多以鋰離子電池為主，而該類型電池多采用恒流恒壓的二階段式充電方式[21]。恒流恒壓充電方式如圖2所示，從起點到T時刻采用大功率恒流充電方式，充電電流為電動汽車需求充電電流；在T時刻達到電壓需求值，因此轉入下一階段采用恒壓充電，此時充電電流逐漸下降；若此充電過程不發生異常狀況，則蓄電池達到額定容量的99.8%時停止充電，防止因過充引起燒車事故。

圖2 恒流恒壓充電方式 Fig.2 Constant current and constant voltage charging mode

在我國電動汽車充電行業內，充電標準以GB/T 27930為主[22]。在電動汽車充電前，電池管理系統將電動汽車整車動力電池充電前的主要狀態信息通過CAN總線發送至充電樁，充電信息見表1，充電樁則依據采集的電池需求電流、電壓按照恒流恒壓充電方式給電動汽車充電。在電動汽車充電過程中，電動汽車實時向充電樁發送充電中的主要狀態信息，充電信息見表2。

表1 電動汽車整車電池充電前主要狀態信息 Tab.1 Main status information before charging of electric vehicle battery

（續）

表2 電動汽車整車電池充電中主要狀態信息 Tab.2 Main status information during charging of electric vehicle battery

2 充電多級安全預報警模型設計

2.1 CNN-BiLSTM模型多級安全預報警設計

電動汽車的充電電壓、充電電流、充電溫度等充電數據通過CAN總線傳送到充電樁，充電樁將其傳送到云端數據庫，云平臺將充電數據進行歸一化處理，劃分為歷史、實時數據集。歷史數據通過CNN模型，進行特征提取后進入BiLSTM模型進行模型訓練，輸出歷史參數后進入滑動窗口并設置合適的預報警閾值，該設置閾值用于通過滑動窗口的實時數據判斷電動汽車充電狀態。構建的CNNBiLSTM多級安全預報警模型如圖3所示。

本文多級安全預報警分為三級。第一級是處于預警閾值界限內的正常狀態，該級狀態表示電動汽車充電正常，是最理想的充電狀態；第二級是超過預警閾值且低于報警閾值的溫度預警狀態，該級狀態表示電動汽車充電異常，應及時采取保護措施，使其趨于正常充電；第三級是超過報警閾值的溫度報警狀態，該狀態下電動汽車繼續充電極易發生燒車事故，應及時切斷電源，停止充電。

其各個模塊如下：

（1）數據處理：為了防止因大數據變化引起的誤差，提高CNN-BiLSTM模型的精度，將充電數據的輸入特征進行歸一化處理，使數據集映射到[-1,1]，計算公式為

圖3 CNN-BiLSTM多級安全預報警模型 Fig.3 CNN-BiLSTM multi-level safe pre-warning model diagram

式中，xi為電動汽車充電數據的實際數值；ximax、ximin分別為歸一化前的最大值和最小值；Xout為xi歸一化后輸出的充電數據數值。

（2）CNN-BiLSTM模型構建：CNN是由卷積層、池化層和輸出層組成的一種神經網絡，能夠通過卷積核的權值共享，減少自由參數，降低網絡的復雜性，減輕過擬合，具有很強的時間序列特征提取能力。其計算公式為

式中，WCNN為電動汽車充電數據卷積層中濾波器的權重系數，即卷積核；nt為t時刻的電動汽車充電數據；*表示卷積運算；bCNN為電動汽車充電數據卷積運算的偏差系數；f為卷積運算的激活函數；ct為經過卷積之后提取的電動汽車充電數據序列。

BiLSTM模型是一種時間遞歸神經網絡，由前向LSTM和反向LSTM組成，能夠結合電動汽車歷史和未來充電狀態，解決數據隔斷和延遲問題，很好地展現充電數據的時序特征。其隱藏層的組合公式為

（3）評價指標：本文使用神經網絡回歸預測模型的三種常見度量標準：方均根誤差（Root Mean Square Error, RMSE）、平均百分比誤差（Mean Absolute Percentage Error, MAPE）以及決定系數（R Squared，r2）作為驗證預測模型精度的評價指標。

RMSE、MAPE以及r2公式為

式中，yi為電動汽車充電溫度實際的測量值；為對應充電溫度的預測值；yi為輸出充電溫度的平均值。根據上述方程，可以得出以下結論：RMSE、MAPE越小，r2越大，模型擬合效果越好。

（4）滑動窗口：選取電動汽車充電數據訓練CNN-BiLSTM模型，若采集正常充電數據，則模型預測誤差較小；若出現錯誤充電數據，相應模型的預測誤差會變大。采用滑動窗口分析法，規定一個長度為N的滑動窗口，將長度為N的數據做窗口滑動處理，同時，滑動窗口每向前輸出一個采樣點，就有新的預測值輸入這一窗口，生成相同序列長度的新窗口。循環往復這一過程，直到獲得若干連續子時間序列數據，然后用真實值覆蓋窗口，持續地對預測殘差進行處理與分析，可以消除數據傳輸過程中錯誤充電數據對殘差變化的影響，能夠有效地避免誤報警。

當滑動窗口的寬度為N時，此窗口下殘差均值和殘差標準差的計算公式為

式中，X為充電溫度的殘差均值；S為充電溫度的殘差標準差；ei為滑動窗口中第i個采樣點的殘差。

（5）預警和報警閾值設定：利用滑動窗口對正常充電數據的殘差進行分析處理，設定合適的預警閾值，其計算公式為

式中，Xmax為充電溫度殘差均值絕對值的最大值；Smax為充電溫度殘差標準差的最大值；k1、k2分別為溫度殘差均值、溫度殘差標準差的預警系數；EX為溫度殘差均值的預警上（下）限；ES為溫度殘差標準差的預警上限。其中，當溫度殘差均值和殘差標準差均大于所計算的預警閾值、小于報警閾值時，進行預警。

報警閾值的計算公式為

式中，3k、4k分別為溫度殘差均值、溫度殘差標準差的報警系數；XW為溫度殘差均值的報警上（下）限；SW為溫度殘差標準差的報警上限。其中，當溫度殘差均值或殘差標準差大于所計算的報警閾值時，進行報警。

2.2 基于CNN-BiLSTM的多級安全預報警流程

通過CNN-BiLSTM方法構建的電動汽車充電多級安全預報警模型主要分為數據處理、模型訓練、狀態判斷和報警分類四個階段，其流程如圖4所示，具體的實現過程如下：

（1）獲取電動汽車各種充電數據，篩選充電電壓、充電電流以及溫度等具有參考意義的數據。

（2）對篩選的充電數據進行歸一化處理，劃分數據集為實時數據和歷史數據。

（3）利用歷史數據，確定LSTM和BiLSTM模型參數，訓練相應模型，輸出其評判標準值；確定CNN模型參數，訓練CNN、CNN-LSTM以及CNNBiLSTM模型，輸出其評判標準值。

圖4 電動汽車充電多級安全預報警流程 Fig.4 Multi-level safe pre-warning flow chart for electric vehicle charging

（4）若此訓練后的模型滿足模型精度要求，則進入下一階段設置電動汽車溫度預警閾值；若不符合，則返回重新訓練相應模型。

（5）實時數據用于判斷充電狀態，若其溫度小于預警閾值，則工作狀態正常，繼續充電；若其溫度大于預警閾值，則需進入下一階段判斷狀態。

（6）設置電動汽車溫度報警閾值，若其溫度大于預警閾值且小于報警閾值，此時電動汽車處于預警狀態，則發出預警信號后，降低10%充電電流；若其溫度大于報警閾值，此時電動車處于報警狀態，則發出報警信號后切斷充電電源，停止充電。

（7）此判斷全過程可以獲取電動汽車電池的實時容量，若電動汽車電池的實時容量大于99.8%額定容量，則停止充電；且此系統處于高速閉環運轉中，能夠及時完成多級安全預報警任務。

3 實驗驗證與分析

3.1 數據選取及模型搭建

為了驗證CNN-BiLSTM模型，選用電池參數差異較大的電動汽車寶駿E300和比亞迪e6兩種電動汽車的充電數據，兩種電動汽車的主要參數見表3。

表3 不同類型的電動汽車參數 Tab.3 Parameters of different types of electric vehicles

通過充電樁采集兩種電動汽車的歷史充電數據，其中采集寶駿E300電動汽車充電數據67 800條，采集比亞迪e6電動汽車充電數據69 530條。

此部分的模擬結果是在Python3.8和Keras庫中進行的。所有的模型訓練均在Intel(R) Core(TM) i5-1035G1 CPU@1.00GHz 1.19 GHz上運行，實驗環境見表4。

表4 實驗環境 Tab.4 Exprimental environment

模型結構如圖5所示，主要由輸入層、卷積-循環層、特征融合層三部分組成。三部分主要性能如下：①輸入層將篩選并歸一化后的充電數據輸入模型進行訓練；②卷積-循環層使用CNN模型提取電動汽車充電數據特征，使用BiLSTM模型預測充電數據；③特征融合層主要是拼接CNN模型和BiLSTM模型，提高模型擬合能力。

圖5 CNN-BiLSTM模型結構 Fig.5 CNN-BiLSTM model structure

CNN-BiLSTM模型中CNN模型選用SELU激活函數，卷積層有1層，卷積核數為32，卷積窗口大小為4，步長為1。為提取高區分度的特征，使用數目為1層的最大池化層，池大小為7，步長為1。BiLSTM模型選用tanh激活函數，共有2層網絡層，隱藏層的神經單元數為90。實驗中選用Adam優化器。CNN-BiLSTM模型具體參數見表5。

表5 CNN-BiLSTM模型具體參數 Tab.5 CNN-BiLSTM model specific parameters

3.2 預測實驗結果分析

為了驗證CNN-BiLSTM模型對電動汽車充電數據預測的準確度和穩定性，將其分別與CNN模型、LSTM模型、BiLSTM模型、CNN-LSTM模型進行對比分析。

兩種電動汽車的不同模型預測結果分別如圖6、圖7所示，預測結果分別見表6和表7。

圖6 寶駿E300溫度預測結果 Fig.6 Baojun E300 temperature prediction result map

圖7 比亞迪e6溫度預測結果 Fig.7 BYD e6 temperature prediction result map

表6 寶駿E300不同模型的溫度預測結果 Tab.6 The temperature prediction results of different models of Baojun E300

由圖6所示，在寶駿E300電動汽車充電溫度變化前期，由于此時參與模型訓練的數據較少，所以這段時間LSTM模型的預測結果與實際溫度值相近；而在溫度變化中、后期，隨著參與模型訓練數據的增多，CNN-BiLSTM模型的預測結果最好，精度最高。

表7 比亞迪e6不同模型的溫度預測結果 Tab.7 The temperature prediction results of different models of BYD e6

由表6可知，在寶駿E300電動汽車充電數據的預測中，單CNN模型的預測精度最低，BiLSTM模型較LSTM模型RMSE、MAPE和r2分別降低了0.012℃、1.7%和0.06，而將CNN模型作為前饋單元分別與LSTM模型和BiLSTM模型結合，模型預測精度進一步提高，實驗結果表明，CNN-BiLSTM模型具有最好的預測精度，充電溫度的RMSE和MAPE都達到了最低，r2達到了最高，其中充電溫度的RMSE、MAPE和r2分別為0.039℃、11.65%和0.84。

由圖7所示，在比亞迪e6電動汽車充電溫度變化前期，BiLSTM模型的預測結果與實際溫度值相近；在溫度變化中、后期，CNN-BiLSTM模型的預測結果最好，精度最高。

由表7可知，在比亞迪e6電動汽車充電數據的預測中，CNN-BiLSTM模型具有最好的預測精度，充電溫度的RMSE和MAPE都達到了最低，r2達到了最高，其中充電溫度的RMSE、MAPE和r2分別為0.039℃、11.75%和0.76。

3.3 多級安全預報警實驗結果分析

在電動汽車大功率充電過程中，只能獲得電池表面溫度，而電池內部溫升較表面更大，極易超越電池最大允許溫度，造成燒車事故。因此，可以根據經滑動窗口確定的溫度殘差均值和殘差標準差，確定預報警閾值，對其進行監測，并對電動汽車充電狀態進行判別。

滑動窗口寬度N選為100，對溫度殘差進行分析。寶駿E300電動汽車的溫度殘差均值和溫度殘差標準差及其變化分別如圖8、圖9所示。比亞迪e6的殘差均值和殘差標準差及其變化分別如圖10、圖11所示。

圖8 寶駿E300電動汽車殘差結果 Fig.8 The residual results of Baojun E300 electric vehicle

圖9 寶駿E300電動汽車多級安全預報警結果 Fig.9 Multi-level safe pre-warning results of Baojun E300 electric vehicle

圖10 比亞迪e6電動汽車殘差結果 Fig.10 The residual results of BYD e6 electric vehicle

圖11 比亞迪e6電動汽車多級安全預報警結果 Fig.11 Multi-level safe pre-warning results of BYD e6 electric vehicle

由圖8所示，寶駿E300電動汽車的模型殘差均值處于-0.050 4~0.050 5℃之間，絕對值的最大值為0.050 5℃。最大殘差標準差為0.010 2℃。根據經 驗，取k1、k2為2，由式（8）計算該電動汽車殘差均值預警閾值為±0.101 0℃，殘差標準差預警閾值為0.020 4℃；當超出預警閾值40%后，發出報警信號，取k3、k4為2.8，由式（9）計算該電動汽車殘差均值報警閾值為±0.141 4℃，殘差標準差報警閾值為0.028 6℃。將該車故障充電數據輸入CNN-BiLSTM多級安全預報警模型中，預警閾值如虛線所示，報警閾值如實線所示，得到的充電多級安全預報警結果如圖9所示。

由圖9a所示，殘差均值在第57 670個采樣點時超過殘差均值的預警界限，在第57 683個采樣點時超過殘差均值的報警界限，之后持續超過報警界限。由圖9b所示，殘差標準差在第29 993個采樣點時超過殘差標準差的預警界限，在第29 998個采樣點時超過殘差標準差的報警界限。根據本文設定的多級安全預報警方法，當殘差均值和殘差標準差均超過預警閾值時，發出預警信號，當殘差均值或殘差標準差超過報警閾值時發出報警信號。故該電動汽車在第29 993個采樣點未發出預警信號，而在第29 998個采樣點發出報警信號，之后便停止充電。而該車在實際充電中，在57 930個采樣點處車載電池組發生起火事故，后經專業人員分析充電數據，發現該車在第30 013個采樣點溫度超過了最高允許溫度。對比實際情況，利用本文提出的多級安全預報警模型，及時地發現了異常充電狀況，有效地降低了電動汽車的自燃風險。

由圖10所示，比亞迪e6電動汽車的模型殘差均值處于-0.093 2~0.079 6℃之間，絕對值的最大值為0.093 2℃。最大殘差標準差為0.011 9℃。根據經驗，取k1、k2為2，由式（8）計算該電動汽車殘差均值預警閾值為±0.186 4℃，殘差標準差預警閾值為0.023 8℃；當超出預警閾值40%后，發出報警信號，取k3、k4為2.8，由式（9）計算該電動汽車殘差均值報警閾值為±0.261 0℃，殘差標準差報警閾值為0.033 3℃。將該車故障數據輸入CNN-BiLSTM多級安全預報警模型中，得到的充電多級安全預報警結果如圖11所示。

由圖11a所示，殘差均值在第50 846個采樣點時超過殘差均值的預警界限，在第50 860個采樣點時超過殘差均值的報警界限，之后持續超過報警界限。由圖11b所示，殘差標準差在第24 999個采樣點時同時超過殘差標準差的預警、報警界限。根據本文設定的多級安全預報警方法，該電動汽車在第24 999個采樣點發出報警信號，之后便停止充電。而該車在實際充電中，在25 006個采樣點充電溫度發生異常，在51 106個采樣點車載電池組被燒毀。對比實際情況，本文提出的多級安全預報警模型，及時地發現了異常充電狀況，有效地降低了電動汽車的自燃風險。

4 結論

本文針對電動汽車充電過程自燃問題，提出了一種新的基于CNN-BiLSTM模型的電動汽車充電多級安全預報警方法。該方法融合CNN模型和BiLSTM模型構建預測電動汽車充電數據的模型，克服了傳統LSTM模型只考慮單一歷史因素的缺點，提高了模型的預測精度。將該模型與CNN模型、LSTM模型、BiLSTM模型、CNN-LSTM模型進行對比，驗證模型性能。在此基礎上，將預測數據通過滑動窗口，消除數據傳輸過程中錯誤充電數據對殘差變化的影響，設定合理的預報警閾值，實時監測電動汽車充電狀態。實驗證明，該方法能夠有效發出預報警信號，采取相應保護措施，減小電動汽車充電過程中的燒車風險。