高精度非車載充電機檢驗數據價值挖掘研究

仝 霞,解進軍,李雪城,趙 磊,蘆昳娜

(國網北京市電力公司電力科學研究院,北京 100162)

0 引言

近年來,電動汽車的數量大幅增加。充電設施的普及是推動電動汽車領域發展的關鍵[1]。目前,市場上有很多非車載充電設備制造商。充電異常狀態是電動汽車充電過程中的常見故障,非車載充電機異常狀態的處理措施直接影響充電的安全性,以及用戶體驗[2]。為了緩解日益增長的交通壓力和環境污染問題,中國大力推廣電動汽車。為了吸引更多用戶,政府出臺了一系列鼓勵政策,并在電網公司的支持下,在全國范圍內建設了大量充電設施[3]。

基于上述背景,一些學者研究了電動汽車充電設施的互操作性。文獻[4]從互操作性、安全性和可靠性等多方面分析了主流充電樁的基本概況,設計了交流充電設施互操作平臺。該平臺能夠挖掘充電機的正常/異常充電狀態數據的價值,但硬件結構復雜,需要高端服務器提供支持。文獻[5]對充電設施現場檢查中可能出現的故障進行了分類和分析,并設計了直流互操作性測試裝置。該裝置可根據每個引腳電壓值獲得相關非車載充電機檢測數據。但該裝置得到的數據挖掘價值性低。

1 高精度非車載充電機測試平臺

針對上述技術存在的問題,為了對異常充電條件進行高精度、高效率的測試,本文采用了車輛模擬檢測系統,對電動汽車非車載直流充電裝置進行了測試。該系統不僅可以模擬電動汽車的各種充電狀態,還可以實現自動檢測。該系統通過對試驗結果的分析,挖掘直流充電裝置在充電異常狀態下的價值性,與文獻[5]相比取得了更好的效果,且對平臺硬件結構沒有過高的要求,可以在常用儀器設備上進行部署。這就很好地解決了文獻[4]方法對設備要求高的問題。控制箱與車輛接口模擬裝置工作原理如圖1所示。

圖1 控制箱與車輛接口模擬裝置工作原理圖Fig.1 Control box and vehicle interface simulation device working principle diagram

圖1系統主要由高精度功率表、車輛電池管理系統(battery management system,BMS)、車輛控制模擬器、交流(alternating current,AC)電源、直流(direct current,DC)負載、電池模擬裝置、示波器、絕緣模擬電阻(R1、R2、R3、R4)與非車載充電機組成。其中,非車載充電機包括7端口直流充電插座,對應于模擬檢測裝置中的開關K4～K10。每個開關的兩側都設計了1個4 mm的標準采集接口,便于示波器和其他儀器收集信息。R3和R4的電阻模擬電路有5個擋位,分別對應500 Ω、970 Ω、1 000 Ω、1 030 Ω和2 000 Ω。K5和K6可以模擬電動汽車電池側的接觸器[6]。圖1系統通過電壓傳感器和電流傳感器進行采樣,為功率分析儀和示波器提供非車載充電機檢測數據信號。

直流充電過程非車載充電機控制先導電路原理如圖2所示。在圖2中,非車載充電機經過AC/DC轉換與DC/DC轉換,將所有AC電轉換為DC電輸送到電動汽車中進行充電。其中,分壓電路進行平衡分壓,以調控2條輸送電能端保持近似相同的效果。此外,非車載充電機內部通過金屬層間電介質(inter metal dielectric,IMD)進行線路性能測試。整個充電過程由非車載充電機內控制器主導。R5支路與R8支路均為電路監測點,用于提取高精度非車載充電機檢驗數據。其原理是首先在充電機和電動汽車(或模擬電動汽車的負載)之間插入現場校準器(即標準電能表),以比較非車載充電機中電能表和直流標準電能表的電能[7];然后根據標準電能表測量的電能值,以確定充電設備的測量是否準確[8]。

然而,非車載充電機內部缺乏電流短路點,無法形成負載驗證所需的電流回路。解決方案是在非車載充電機外側預先安裝1個可密封的負載驗證槍座。非車載充電機負載驗證槍座面板如圖3所示。

圖3 非車載充電機負載驗證槍座面板Fig.3 Non-vehicle charger load verification gun mount panel

圖3中,DC+、DC-、S+、S-、PE、A+和A-分別對應連接著圖1中的7條線路,由開關K4、K5、K6、K7、K8、K9和K10進行閉合控制。其中,A+和A-引腳分別連接到直流電能表的正極和負極電壓端子;DC+和DC-引腳分別連接到直流電能表的正極和負極電流端子;面板上輔助電源的正極端子和負極端子引腳分別連接至直流電能表輔助電源的正極端子和負極端子;S+和S-引腳連接至直流電能表的RS-485A和RS-485B端子;PE引腳連接至非車載充電機的接地線。當充電機控制器發出負載檢查指令時,系統關閉充電機,并通過人工操作將測試電源從樁外側插入驗證槍底座。系統將輔助電源插入面板的輔助電源端子。非車載充電機中直流電能表的電壓、電流和輔助電源電路可由虛擬負載驗證槍座和輔助電源端子供電,在完成充電機檢驗開啟過程后通過計算機算法模型進行數據挖掘。

2 數據挖掘算法模型

本文設計的數據挖掘算法模型主要通過聚類分析法完成數據處理,利用多伯努利收縮算法(muti-Bernoulli contraction algorithm,MBCA)完成數據的計算和價值評估數據的呈現。數據挖掘算法模型總體架構如圖4所示。

圖4 數據挖掘算法模型總體架構Fig.4 General architecture of data mining algorithm model

由圖4可知,數據挖掘算法模型在評估系統中心控制單元的總體調控下,通過對非車載充電機通信網絡的整體布局,完成大數據樣本的采集。大數據挖掘技術通過聚類分析法完成數據的聚合,使系統更加方便、快捷地進行數據精確把控[9]。評估系統中心控制單元直接控制MBCA,在算法的基礎上進行通信運維,從而使數據通信網的評估更加快捷,確保系統具備實時評估的能力。數據存儲單元與各模塊進行連接,以便數據的儲存,從而避免無用數據占用數據總線。整個系統通過數據總線進行連接,中間穿插數據傳輸節點,使系統運行更加快速[10]。評估系統的建立保證了非車載充電機檢驗數據的網絡傳輸安全運行。

2.1 數據預處理

聚類分析法的作用是對海量的非車載充電機檢驗數據進行預處理,通過聚集和分類找到數據的相似之處,為后續檢驗數據的調度提供幫助。聚類分析法需要對充電機檢驗數據進行標準差計算:

(1)

式中:x′i為標準差函數。

x為聚類分析數據的標準差。式(1)能夠表示數據計算的誤差大小。

(2)

(3)

樣本數據經過標準差變換,集中在[0,1]區間內[11],以便觀察數據的細節規律。根據標準差計算式,本文假設數據整體規模集合為U={x1,x2,…,xn},則聚類相似模型為:

(4)

式中:rij為聚類相似模型;xj為相似數據,j為序號。

由此得到非車載充電機檢驗數據最大值M為:

(5)

在標準差區間內,通過聚類相似模型得到的聚類函數r′ij為:

(6)

由此可以分析聚類函數與聚類相似模型函數存在的關系,并找到數據規律,從而進行下一步的價值挖掘。

2.2 基于MBCA的價值挖掘

對于非車載充電機檢驗數據的價值挖掘,本文主要通過MBCA完成數據的價值評估。MBCA在系統評估中需要對大數據挖掘技術的數據進行區間整合,即對數據的區間性進行收縮,從而得到數據區間收縮約束集S。

S={xnx∈[x]nx|[f](xnx)=0}

(7)

式中:[f]為大數據挖掘技術的區間函數;xnx為充電機檢驗數據集nx在區間壓縮中的狀態;[x]nx為總體非車載充電機檢驗數據集。

式(7)實質上是求解充電機檢驗數據在大數據區間函數的最小集。

(8)

式中:[h]為數據測量函數;[z]為數據收縮后的區間函數。

根據大數據挖掘表達式能夠找到聚類分析后滿足MBCA的多伯努利形式G(X):

G(X)=Δ(X)W[Γ(X)][pX]

(9)

式中:Γ(X)為聚類分析算法與MBCA之間的映射關系,它們是1種集合關系[12];Δ(X)為2種算法存在的數據差值;X為未經過收縮的數據集;W為收縮區間的范圍;pX為多伯努利形式在收縮區間內的唯一實值函數。

MBCA基本可以完成對非車載充電機檢驗數據的初步評估,但是為了增加數據評估的精準度,需要對評估算法作出改進。

Δ(X)=δ|X|(|Γ(X)|)

(10)

式中:δ|X|為差值參數。

在這個標準的基礎上,本文計算出2種數據處理算法的差值為:

(11)

本文計算得出的數據差值通過0和1的方式進行精準的數字化處理。綜上得到大數據挖掘技術產生的收縮區間函數f(x)為:

(12)

式中:Y為數據經過收縮之后的二進制數據集。

根據以上描述,可得到多伯努利二進制函數式g(x):

(13)

通過二進制變換[13],能夠更加清晰地表達出評估精準度,從而得到非車載充電機檢驗數據價值評估結果,即最終系統評估結果為:

(14)

式中:ξ為評估結果。

通過系統評估表達式,經過計算機錄入,能夠更加精準、快捷地計算出結果。

3 試驗與分析

為了驗證本文采用車輛模擬檢測系統的適用性與可靠性,某大型電動汽車生產廠于2022年1月進行了實際測試。試驗地點為該廠的計算機實驗室。多臺計算機與監測設備聯合構建了試驗平臺。系統采用Simulink軟件進行仿真。計算機操作系統為Windows10,64位。計算機開發工具為Visual Studio 2019,OpenCV 3.0。計算機硬件環境為Inter(R)Core(TM)i7,主頻為2.59 GHz,內存為16 GB。

根據上述計劃,本文對1臺非車載充電機進行了改造。試驗基于《電動汽車非車載充電機檢定規程》(JJG 1149—2018)[14],將非車載充電機的內部電源輸出正極端子DC+和輸出負極端子DC-先連接到現場測試儀,再連接到負載箱。現場測試儀檢測一段時間內的標準電能E,同時對充電機內的電能表進行采樣和測量,以獲得這段時間內消耗的電能E′。試驗將E′和E代入式(1)中,計算非車載充電機的工作誤差,并進行實際負載驗證。通過數據記錄和試驗數據顯示得到連接電壓(6±0.8)V(狀態0)、(12±0.8)V(狀態1)、(8±0.8)V(狀態2)與(4±0.8)V(狀態3)的充電機負載測試結果如表1所示。

表1 充電機負載測試結果Tab.1 Charger load test results

為更清晰、直觀地了解本文方法的可行性,試驗對系統運行狀態進行模擬運行,通過Simulink仿真軟件得到在70 h內非車載充電機負載變化規律。負載變化規律曲線如圖5所示。

圖5 負載變化規律曲線Fig.5 Load variation law curves

由圖5可知,充電機2個極端電壓(狀態1與狀態3)負載需求量較大,最高達到18 000 MW;狀態0與狀態2負荷需求大致相同,為14 000 MW。以上結果表明,本文車輛模擬檢測系統能夠準確獲取非車載充電機檢驗數據。

為了進一步驗證本文設計的數據挖掘算法模型的可靠性,本次測試作了大量研究和數據統計,以文獻[4]與文獻[5]中所采用的檢測系統作為參照,計算了3種不同方法的檢驗數據挖掘價值性。

(15)

式中:V為數據挖掘價值指標;F為不同方法中的價值評估函數;B為非車載充電機檢驗數據量,其值為200～1 400 MB。

試驗對3種模型進行對比。3種不同方法數據挖掘價值對比如圖6所示。

圖6 3種不同方法數據挖掘價值對比Fig.6 Data mining value comparison of three different methods

由圖6可知,三種方法均呈上升趨勢。這是因為等式(15)中,數據量越大,B和(B+1)的比值就越大,最終的評估指標V也就越大。在檢驗數據量較少階段(0～400 MB),本文方法較好,但在檢驗數據量處于400～800 MB區間時,本文方法對充電機檢驗數據挖掘價值要低于文獻[4]方法,但整體平均挖掘價值要高于其他2種方法。在1 400 MB時,本文方法達到最高值99%,由此驗證了本文方法的優勢。

4 結論

為了對異常充電狀態進行高精度、高效率的測試,本文采用了車輛模擬檢測系統,對電動汽車非車載DC充電裝置進行了測試,在非車載充電機堆外側預先安裝1個可密封的負載驗證槍座,解決了非車載充電機內部缺乏電流短路點的問題。本文通過構建大數據挖掘算法模型,使系統更加方便、快捷地進行數據精確把控,具備實時評估數據價值的能力。本文通過對試驗結果的分析,挖掘出直流充電裝置在充電異常狀態下的價值性,在之后的充電機故障診斷方面起到了關鍵作用。然而,本文在試驗過程中發現了充電開關存在明顯的故障問題。后續會針對開關狀態開展故障分析研究。