數據挖掘在電動汽車充電樁充電故障檢測中的應用

摘要：全球化石油能源危機不但對世界各國經濟造成嚴重影響，還會給國家安全帶來不確定性因素。新能源汽車具有綠色環保特性，對石油的依賴性不高，因此新能源汽車產業已成為我國重點的發展方向之一，這對我國能源安全具有重要的戰略意義。新能源汽車中，電動汽車的充電安全是影響其發展的要素之一，儀器故障、機械故障、通信故障等問題會影響用戶的充電體驗和充電安全，因此解決充電樁充的故障電問題刻不容緩。

關鍵詞：電動汽車；充電樁；充電故障；數據挖掘

0 前言

目前，電動汽車存在電池自燃、充電故障等問題，這些問題已嚴重影響到客戶的用車體驗甚至生命安全，成為電動汽車可持續發展的重要制約因素。

電動汽車出現自燃事故主要是三元鋰電池易燃易爆的化學特性導致的，由于三元鋰電池不穩定性高、能量密度過大，在汽車運行過程中極易造成高溫或局部短路，從而引發危險事故。近年來，雖然通過電池水冷技術能有效降低電池爆炸的危險性，但是仍未從根本上改變三元鋰電池的化學特性。電池的能量密度仍較高，物質也不穩定，汽車在運行中仍會產生溫度過高、水冷無法降溫等問題，導致汽車發生燃燒、爆炸，因此電池技術瓶頸是阻礙電動汽車發展的重要因素。

充電樁充電的故障問題，包括儀器故障、機械故障、通信故障等，這些故障均會影響用戶的充電體驗和充電安全，因此解決充電樁充電問題刻不容緩。目前，電動汽車的充電樁有交流充電樁和直流充電樁2 種形式，交流充電被稱為“ 慢充”，其電流和功率均較小，且充電速度慢，但充電樁結構簡單，不易發熱，故障率低；直流充電樁被稱為“快充”，其電流和功率均較大，大幅縮短了充電時間，其充電樁主要由樁體、充電設備控制器、充電接口、供電接口、電氣模塊、人機交互界面、集成電路（IC）讀卡器、電源轉換模塊、急停按鈕、計量模塊等構成，結構關聯性強，在運行中易發生各種故障。本文主要以直流充電樁為研究對象，結合直流充電樁的工作原理，采用數據挖掘技術分析電動汽車充電危險故障，解決充電樁充電故障問題，這對提高直流充電樁運行維護效率和使用壽命具有一定的參考價值。

1 直流充電樁工作原理

電動汽車直流充電樁的輸入采用三相交流電（AC），電壓為380 V，頻率為50 Hz，輸出為可調直流電，其充電過程為：三相交流電通過交流-直流（AC/DC）整流濾波，輸出交流低頻紋波，并經過驅動電路控制的高頻直流-直流（DC/DC）功率變換器衰減交流紋波，然后通過輸出濾波器完成直流輸出；采樣檢測系統檢測直流輸出，最后將檢測結果發至控制器，控制器確定電壓輸出大小。根據直流充電樁的結構特點和工作原理可知，充電樁受以下因素的影響：① 人為因素。充電槍由于長期使用或暴力使用，導致帶電部件的防護層脫落，裸露的帶電部件存在觸電風險，威脅使用者安全。② 環境因素。由于室外的充電設施常年處于臺風、冰雹、雨天、高溫等惡劣天氣下，導致充電設施內部模塊和電子元件的絕緣性能受損，外殼防護能力、介電強度、電氣間隙、爬電距離、絕緣電阻等受到影響，威脅充電設施的安全運轉。③ 通信因素。充電過程中，充電樁實時與汽車的電池管理系統（BMS）通信，把三相交流輸入電能轉換為直流電能，輸出電壓和電流大小按照BMS 系統的指令來調整，直流電表或電測計量模塊計量并監控直流母線的輸出電能。

充電完成后，BMS 系統發出終止充電指令。

如通信不能正常，充電樁持續輸出電流，會造成汽車電池過充，易發生安全事故，同時通信系統還連接充電控制器和充電樁計費控制單元（TCU），可實時計費，如果通信系統遭到竊取、篡改等病毒攻擊，易造成用戶和充電樁運營單位的財產損失，引發信息安全問題。

2 數據挖掘在電動汽車充電故障中的應用

數據挖掘技術是一種通過分析大量數據，獲取潛在的、有效的、易理解的信息，從而達到發現未知關聯性和進行有價值的預測性分析。數據挖掘技術不要求發現適用全部情景的知識規則，僅需針對特定問題提供支持和分析［1］。因此，數據挖掘可被應用于電動汽車充電故障監測、檢測中，對數據進行提取、預處理和特征挖掘，分析安全故障數據特點，獲得挖掘結果。

2. 1 數據的提取

充電設施運行狀態量涉及電壓、電流、溫度等數據，如數據異常，會給充電設施帶來較大的安全問題。運行狀態量的數據主要來源于網絡、運營商監控系統和BMS，具有類型各異、屬性多樣等特點，對后續的數據統計帶來困難，應做好上述數據來源預處理工作。

對上述數據進行預處理時，應挖掘數據特點，

找到可解決實際問題或制定策略的知識技術。因為本地信道通信質量、充電設施、電動汽車故障、傳感器測量數據過程中會產生不良數據，對狀態評估產生干擾，需要識別和更正不良數據。

不良數據分為單個不良數據和多個不良數據。

單個不良數據，是干擾強或設備配置錯誤時，1 個檢測值偏差較大；多個不良數據，是多個測量值一起產生偏差［2］。因此需要檢測不良數據，評估充電設施狀態。可利用卡方檢驗方式和加權最小二乘法（WLS）獲取數值，假設充電設施系統可全面觀測，采用WLS 方法，在預估狀態變量后檢測不良數據。令W 表示狀態變量的向量，測量值z 的計算預估值z?為：

z? = HW （1）

式中：H 為雅可比木矩陣。測量值和計算預估值間的誤差e?為：

e? = z - z? （2）

平方誤差函數的加權和服從卡方分布， 假設平方誤差函數的加權和在置信區間，說明數據正常，否則，判定為不良數據。

當不良數據過多時，應通過人工神經網絡（ANN）進行修正。ANN 是模仿生物神經網絡結構和功能的數學模型，可估計函數。先將正常數據輸入訓練ANN 模型，使該模型具備預測功能；再將不良數據前一時段的正常數據輸入ANN 模型，ANN 的輸出數據為正常預測值，用于替換后續的不良數據值，完成修正。

2. 2 充電樁設施運行狀態數據質量評價

根據不良數據的處理結果評價充電樁設施運行狀態數據質量，先對充電樁設施運行時每個子模塊的電壓、電流、阻抗、溫度等狀態數據集進行相關性描述，再利用規則庫和智能算法庫完成規則權重和指標評價處理，獲得數據質量報告文檔。

2. 3 數據的特征挖掘

首先，對充電樁設施運行狀態的各種數據進行預處理；然后，將數據輸入到充電樁運行狀況數據挖掘模型，簡化數據，通過降維，可提取特征。

提取數據的特征可利用主成分分析（PCA）方法來進行，該方法是一種統計方法，通過PCA 法可得到主成分（PCs），處理數據后獲取大部分的數據方差，區別其關鍵數據類型。該方法分為3 個階段：① 把分類信息擴充至數據；② 提取PCA 特征，包含計算協方差矩陣和選擇主成分2 個方面；③ 確定特征的權重矩陣。充電設施數據挖掘流程如圖1所示。

3 充電樁充電設施故障樹

故障樹的建立步驟如下：① 將研究對象中，全部故障根源部件作為頂部事件；② 找到每個輸入事件，得到下層的各個輸出事件；③ 重復步驟② ，直至確定為故障根本原因的底部事件；④ 通過邏輯符號連接整個事件，建立故障樹。充電樁充電設施故障樹如圖2 所示。

充電樁充電設施故障樹共分為3 層：① 頂部事件，即儀器故障、機械故障和通信故障；② 第2 層故障，即儀器故障層下的控制器故障、斷路器故障、避雷器故障、接觸器故障，機械故障下的充電樁故障和電子鎖故障，以及通信故障下的BMS 通信故障和TCU 通信故障；③ 底層故障，通過充電樁充電設施故障樹（圖2）可知充電樁設施有17 個底層故障，分別用［X1，X2，…，X17］來表示。

充電樁設施故障有6 個輸出節點，依次為：控制器故障、斷路器故障、避雷器故障、BMS 通信故障、TCU 通信故障和充電槍故障。

4 應用案例

提取江西省南昌市2022 年5—6 月的充電樁設施運行數據，完成數據的預處理和特征挖掘，構建充電樁設施一體化故障樹，并統計儀器、故障和通信故障。

通過故障樹分析發現，充電樁設施的BMS 通信故障、控制器故障、TCU 通信故障和斷路器故障次數多。例如BMS 通信故障主要表現為握手階段通信超時、充電階段通信超時等故障，其原因是BMS 絕緣模塊或BMS 采集模塊等故障。綜上所述，將數據挖掘應用于電動汽車充電故障分析，可提高充電樁充電設施的安全、高效運行，具有較強的實用性。

5 結語

電動汽車作為國家大力支持的新產業，是國家宏觀調控的主要方向，具有重要的戰略意義。針對電動汽車充電設施的故障，本文采用數據挖掘技術，結合故障樹的建立，可快速、有效地解決充電樁充電故障問題，提高運營商的營運效率。

參考文獻

［ 1 ］ 童國杰. 基于數據挖掘的煤礦物資成本預測模型應用研究[D]. 阜新：遼寧工程技術大學，2019.

［ 2 ］ 張然. 電動汽車充電樁安全管理研究[J]. 交通節能與環保，2020，16（1）：10-13.