基于模糊綜合評價的電動汽車充電安全風險評估

趙公豪，劉鴻鵬，袁 單，陳良亮，竇真蘭

(1.東北電力大學 電氣工程學院現代電力系統仿真控制與綠色電能新技術教育部重點實驗室，吉林 吉林 132012；2.南瑞集團(國網電力科學研究院)有限公司，南京 211106；3.國網上海市電力公司，上海 200433)

0 引言

隨著科技與國民經濟的進步，汽車的數量急劇上升。然而，由于汽車的普及，消耗燃料的汽車排放的廢物越來越多，導致空氣質量受到極大的影響。另外，未來的能源供應也將變得極其緊張。為此，汽車企業正朝著新能源汽車的方向不斷前進。目前，人們更傾向于使用更加環保的能源，電動汽車變成汽車企業的新寵。特別值得一提的是，將鋰離子電池作為直接動力的電動汽車，已經得到了消費者的普遍歡迎。

然而，近年來關于電動汽車自燃的新聞屢見報端，據不完全統計，2022年上半年發生了47起電動汽車著火事故，其中充電中起火比例占21.28%。可見電動汽車充電安全逐漸成為制約新能源汽車發展的關鍵因素，對電動汽車充電安全進行評估的需求越來越迫切[1]。電動汽車充電故障安全預警已經成為當今電動汽車領域的一個熱門話題，而電動汽車充電安全評價模型則是解決這一問題的關鍵。通過收集實時數據，將其輸入預測模型，再根據模型結果，對電動汽車充電過程進行安全性評估，從而確定其安全等級。因此，必須建立一套完整的、科學有效的充電安全評價指標體系來對電動汽車充電狀態進行風險評估。該指標體系不但可以精準地識別充電設備安全風險，而且能對充電設備可能產生的后果進行預測，以確保充電過程的安全性。

電動汽車充電安全綜合評價是綜合分析影響電動汽車充電安全的因素，通過模糊算法得出充電安全綜合得分從而判斷出所處的安全狀態。文獻[2]提出了一種基于卷積神經網絡和雙向長短記憶，充分挖掘電動汽車歷史充電數據，對電動汽車充電狀態監測與多級安全預報警的方法。通過對CNN-BiLSTM輸入歷史數據訓練模型，然后代入實時數據進行預測，引入了滑動窗口，對預測的殘差進行處理與分析，可以有效地減少誤報警的可能性。文獻[3]建立了電動汽車充電樁健康狀態評價指標體系，通過基于不確定層次分析法對充電樁健康狀態進行綜合評價并量化充電樁性能評價結果，經過實例分析驗證了該指標體系的正確性。文獻[4]利用隨機森林對充電設備故障特征數據進行提取，進而構造數據集，然后利用深度置信網絡設計了一種故障診斷的方法，與多種傳統故障診斷方法進行比較，驗證了該方法顯著提高了故障診斷的正確率。文獻[5]總結了常見的電動汽車充電安全事故及誘因，并提出了加強電動汽車安全的優化設計方法。另一方面，電池是電動汽車的重要器件，電動汽車發生著火或者爆炸的根本原因是電池的熱失控，提高動力電池的安全預警能力，是有效避免充電安全事故發生的途徑。對電動汽車的動力電池熱失控機理和鋰枝結晶的產生進行了總結分析，生成了電池的熱失控故障機理模型[6-8]。文獻[9]提出了一種電池在線評估與安全預警定位的方法，它利用了熵權與TOPSIS法對電池電熱安全進行量化評估，由模組級和單體級實現兩級預警與故障定位。文獻[10]為了避免電動汽車充電過程熱失控，找出電壓、電流等反映發生動力電池鋰枝結晶情況的特征量，然后對動力電池進行故障診斷與安全管理。綜上所述，對充電設備或者動力電池單獨的故障預警的研究已經比較成熟[11-13]，但是對于電動汽車充電過程安全風險一體化評估的研究還比較少。

灰色關聯度分析法對樣本數量要求不高，非常適用于電動汽車事故統計數據較少的情況。然而，該方法求取的主觀權重具有不確定性，受主觀因素影響大，所以可以通過改進灰色關聯度方法來改善指標權重的合理性[14]。由于“安全”是一個模糊的概念，“安全”與“危險”之間并沒有明確的界限，所以采用模糊綜合評價來分析電動汽車充電安全問題[15]。文獻[16]提出了基于改進模糊層次分析法對凝析氣田的開發效果進行了評價，分別從灰色關聯、層次分析和RSR值3個方面求取綜合權重，然后通過兩種隸屬函數求取隸屬度矩陣，最后通過模糊算法得出綜合評價結果。文獻[17]采用了模糊層次分析法對變電站建造過程的綠色低碳進行評價，利用層次分析法確定指標的權重，然后通過模糊綜合評價的方法將各個指標得分綜合到一起求出綜合評分，來反映變電站的綠色施工情況。文獻[18]采用了改進灰色關聯度的方法對充電安全進行分析，增加了指標間的區分度，但是并沒有改變主觀性強的問題，構建了電動汽車充電安全預警一體化模型，并且設計了充電安全預警平臺，實現了對電動汽車充電安全的實時監測與安全預警。

因此，通過引入標準離差法把專家評估的主觀權重與實際數據的客觀權重擬合到一起求出綜合權重，然后對電動汽車充電安全性進行模糊綜合評價。通過實例分析，證實了該評價方法的可行性和實用性。

1 電動汽車充電安全特性

1.1 動力電池安全特性

在電池生產過程中，由于各個環節的技術難度不同，鋰離子電池的最終表現往往會有所變化。例如，在電池的生產階段，由于對原材料的細微調整，以及對電池的正反極的涂覆，可能會影響電池的最終表現。此外，由于電池的內部結構可能會有所變化，從而會影響電池的容量和內阻。在日常應用場景下，鋰離子電池因為每個單元的溫度、空氣流動狀態、自發放射特征等因素的變化，它們的額定功率、內部阻抗和電壓的變化也將大大提高。當電池連接在一個地方，它們之間的變化會越來越明顯，這會降低整個系統的運轉效率，甚至可能導致危險的后果。所以，在確保系統的可靠運轉的前提下，定期的系統故障檢查是非常必要的。

異常電池在電池組中的表現大多也與電池容量、內阻等呈高度相關，因此電池異常可以通過其電壓進行反映。常見的電池組異常主要有：電池絕緣破損、電池內短路以及電池漏液等。若電池絕緣破損，則在外特性上可能表現為充電電壓較低；若電池存在內短路，其容量將大幅減少；對于電池漏液，流失大量電解液會降低其導電能力，同時大量的鋰離子流失，會導致電池的容量迅速衰減、內阻增加，表現為電池電壓偏高。

動力電池安全特性參數：

1)溫度指標：溫度變化率和電池組內最高溫度。在電池充電過程中，當溫度變化率或電池組內最高溫度大于某一值時，電池組部分過熱或溫度上升速度過快，意味著電池組內部電池連接可能出現松動，從而導致連接阻值增加，或某個單體電池的內阻發生變化。這可能進一步導致電池組存在熱失控的潛在風險。

2)電壓指標：單體電壓變化率，表明電壓不一致性的電壓極差，電池組內最大單體電壓。

3)內阻指標：(組內單體電池的內阻不一致性)，當電池組中某個或幾個電池的內阻明顯大于組內其他電池時，這可能意味著該電池的連接松動導致連接內阻增加，或者該電池與其他電池相比衰減更嚴重，從而導致電池內阻的較大增長。針對此情形，應當發出潛在安全隱患的預警信息。

4)單體電池內阻的變化值：是指在實際應用中，當前充電周期的內阻與上一次充電周期內阻之間的差異。電池壽命測試結果顯示，在電池容量迅速下降期間，通常伴隨電池內阻的急劇增長。因此，兩個充電周期內的內阻變化值也是表示電池潛在問題的關鍵信息。

5)電池SOH：表示動力電池的健康狀態，可以用來衡量電池的壽命。用可用容量除以標準蓄電池的容量來要求，它的健康狀態會隨著使用年限增加，內部結構老化等影響逐漸降低。

1.2 充電設備安全特性

電動車充電技術的發展已經取得重大進展，充電基礎設施由電源、充電、監控、計費等部件組成。在充電過程中，可以通過對非車載充電機和交流充電樁的充電安全性進行評估，來確保電池充電的可靠性。

充電設備安全特性參數：

1)直流電壓輸出誤差：電壓輸出可以根據不同的電壓水平進行調整，其輸出誤差也可以根據電壓水平進行調整。為了確保電壓的準確性，請將電壓輸出設備配置為半載，然后將電壓傳感器放置于電壓輸出端。通過對比檢驗，確保充電機的輸出電壓符合設計要求，其相對靜態誤差在±0.5%之內。

2)充電穩壓精度：當電池處于穩壓狀態時，將電池的電流調整到85%～115%的額定電流，并將負荷電流調整到10%～100%的額定電流，以此來確保電池的電壓能夠達到最大的效果。此外，還要對電池的電流進行測量，以確保電池的電壓能夠達到最大的效果。通過調節輸入直流電壓的參數，并進行多次實驗，以確保在滿足多級要求的情況下，其穩壓精度均低于±0.2%。

3)紋波系數：通過紋波系數的校準，將輸入電壓從設計時的最高和最低設置到指定的最大和最小設置，并將負荷電流從10%～100%的設置范圍內進行校準，最終可以獲得充電機的交流分量的最大峰值。

4)限壓特性：通過調節負載電阻，可以有效地控制恒流充電設備的直流電壓，一旦電壓高于設計的閾值，就會被有效地抑制，從而達到節約電力的目的。

5)充電設備故障率：可以用設備的停休時間占計劃使用時間的百分比表示。表征著充電設備的可靠性與耐用性。

6)BMS響應率：表示電池管理系統與充電設施通信實時交互的成功率，若交互失敗則不能進行正常充電，因此是電動汽車安全充電的前提。

7)輸出過壓率：表示輸出電壓超過額定電壓的部分百分比，輸出過壓率越大，輸出電壓越大，導致電池受熱迅速增加從而引發熱失控。

8)功率因數：功率因數等于有功功率比視在功率。功率因數是決定電壓穩定性、線路損耗、設備性能以及電費的關鍵因素。當輸出功率超過1 kW時，功率因數必須達到50%～100%，且不能低于0.92。

1.3 配電網安全特性

當配電網運行過程中，存在著諸多不確定因素。這些不確定因素可以根據動態時間的快慢、參數變化情況(如低電壓、大幅度相角偏移等)和調節方法(如無功控制、切換開關控制等)進行區分。針對以上配電網安全的分類方法，可以更加迅速、準確地進行相應的控制。

為了確保配電網的安全運行，應該綜合考慮多個因素，包括但不限于：安全供電水平、穩定的靜態電壓、薄弱的拓撲架構、短期的穩定性、監控設備的狀況、風險控制等5個維度。

配電網安全特性參數：

1)累計故障次數：在接入充電設施的配電網區域內發生故障的總次數，表征著配電網的安全水平，可以表示配電網對電動汽車充電安全的影響。

2)電壓水平波動率：可用配電網內額定電壓與接入電動汽車時的實際電壓的差值除以額定電壓乘百分之百表示，表征電動汽車充電時對配電網電壓波動產生的影響。

3)臺變功率越限率：電動汽車充電時需要的負載功率超過了配電網的額定功率，然后求出超出的部分占額定功率的百分比。表征著配電網過負荷輸出功率的能力，越限率越大配電網越安全。

4)短時負載率：短時負載率是指在一個較短時間內，某一電力系統的負載與其容量的比率。通常情況下，短時負載率用于描述某電力系統在短時間內的負荷波動情況，例如某一小時內的負荷峰值。

5)配電變壓器容載比：配電變壓器容載比是指變壓器的額定容量與其實際負載的比率。通常情況下，變壓器的額定容量是指在標準工況下，變壓器能夠穩定運行的最大容量，而實際負載則是指變壓器在運行過程中所承載的負荷。

2 電動汽車充電安全指標體系

評估電動汽車充電安全狀態時，首先構建電動汽車充電安全評價指標體系，為了提高充電安全評估的可靠性，需要選取合理的特征指標。在選取評價指標時，要求評價者具備相關的理論知識基礎，并對評價對象有詳細了解與認識。

2.1 指標體系構建原則

1)科學性原則：構建充電安全指標體系的時候，所選取的指標必須具備明確的概念和相應的科學內涵。同時所選取的安全評價指標必須可以定量評估并且可以反映出電動汽車充電過程實際的安全狀態。

2)全面性原則：電動汽車充電安全受到不同方面的因素影響，在選取評價指標的時候應該從環境到配電網多個角度全面考慮。通過多角度建立的評價指標體系才可以真實反映出充電安全運行情況。

3)可操作性原則：所設計的充電安全預警模型可以付諸實踐且可以保證評價結果的正確性。所選取的指標應該具有可量化性和真實性，且既可以反映評價對象的內涵，又可以保證評價結果的精度。

4)獨立性原則：指標體系中的指標應該是相互獨立的，即不受其他指標的影響，能夠單獨描述某個特定方面的情況，而不會受到其他方面的影響。如果指標間存在依賴關系或重疊，就可能會導致重復計算或計算偏差。

5)穩定性原則：在構建指標體系時，應該選擇穩定性較高的指標，避免選擇波動性較大的指標。穩定性是指在不同時間和環境下的變化程度。穩定性較高的指標變化不會受到外界因素的影響而產生明顯波動，而穩定性較低的指標則可能會受到外界因素的影響而產生較大的波動。

6)可比性原則：選取的指標必須是充電過程中的共性，不能是某一個充電過程所特有的屬性，這樣評價對象才能具有可比性。

按照以上6個原則嚴格選取指標，就可以建立正確的充電安全評價指標體系。

2.2 指標體系構建

圖1為電動汽車充電安全指標體系構建流程圖。首先，對發生的電動汽車充電安全事故進行調研分析，選出誘發充電安全事故的特征指標；其次，再從電動汽車安全充電的相關規范中選取關鍵指標；最后，使用所選出的指標構建評價指標體系可能具有不合理，甚至錯誤等問題，因此需要對所選的指標進行專家意見集中度計算，求出專家意見集中度高的重要指標來構建評價指標體系。

圖1 電動汽車充電安全指標體系構建流程圖

本文主要從環境、動力電池、充電設備、配電網這4個角度來對電動汽車的充電安全進行綜合評價，如圖2所示。

3 指標權重確定

電動汽車充電安全評價模型中各指標權重是受多種因素共同影響的復雜問題。為了保證評估的合理性，采用主觀權重與客觀權重結合的方法確定指標的綜合權重。

3.1 基于灰色關聯度主觀權重

灰色關聯度分析法是由灰色理論發展而來。其中，灰色關聯分析的基本思想就是根據序列曲線幾何形狀的相似程度來判斷其聯系是否緊密。通過專家經驗打分建立權重母序列，選取專家經驗打分的最大數值賦給參考序列。分析專家經驗權重母序列與參考序列之間的差異來確定關聯程度。當關聯程度越大時，指標序列與參考序列越接近，表明該指標所具備的重要性越高，應當賦予更大的權重。最后對各指標的關聯度進行歸一化處理，得出各自的權重，即：

1)邀請m個專家對n個指標進行權重評估打分，得出m×n的權重母序列；從權重母序列中選擇出最大權重值，并把該值賦到參考序列X0中，X0=(x0(1)，x0(2)，...，x0(m))。

X1=(x1(1)，x1(2)，...，x1(m))

X2=(x2(1)，x2(2)，...，x2(m))

?

Xn=(xn(1)，xn(2)，...，xn(m))

(1)

2)計算各指標序列關聯系數及關聯度。把參考序列X0與母序列相比較從而得出各個指標對應的關聯系數為：

γ0i(k)=

(2)

式中，i=1，2，…，n；k=1，2…，m；ρ表示分辨系數，ρ∈(0，1)，應用時一般選取0.5。其關聯度為：

(3)

各序列的關聯度大小代表著各個評價指標相對于參考序列的緊密程度，其中關聯度越大意味著專家評估權重集中度越高，應該賦予的權重越大。把γ0i關聯度歸一化后作為相應的權重，即ω=(ω1，ω2，…，ωn)，其中：

(4)

然而，采用上述灰色關聯度法求取指標權重存在兩個問題，表現為：

1)指標權重確立不具備客觀性，即使一組相同的母序列，如果選取不同的參考序列X0或者選擇不同的分辨系數，也會得出不同的權重結果。與此同時，專家評估打分值又受主觀因素影響太大。

2)當分辨系數ρ=0.5時，通常有γi>0.333，從而導致指標間重要性難以區分。

3.2 基于實際數據的客觀權重計算

權重分配的越合理充電安全風險評估的結果愈加準確。僅依靠專家經驗很難保證權重分配的合理性，為此引入了基于實際數據的客觀權重來擬合出綜合的權重結果。與此同時可以改善灰色關聯度存在的指標權重間區分度不高和主觀性太強的問題。

首先對2014～2019年電動汽車主要事故進行分析，確定在充電過程中誘發事故的原因，并且統計不同原因誘發事故的頻率，頻率越高的賦予越大的權重，即：

(5)

3.3 綜合權重的計算

用標準離差法將主觀權重和客觀權重綜合到一起得出綜合權重。標準離差法是一種客觀的權重分配方法，其具體步驟如下：

計算主觀和客觀權重的標準差σ1、σ2，將標準差更大的一項賦予更大的比重μ，且

(6)

其中：μi為權重分配比例系數。

最后，得到綜合權重為：

Wi=μ1ωi+μ2vi(i=1，2，…，N)

(7)

4 隸屬度函數確定和安全等級劃分

4.1 隸屬度函數確定

隸屬度函數通常用來求取指標對不同評語等級的隸屬程度，其確定過程通常帶有主觀因素，實質上是反映事物的漸變性。隸屬函數需要具備以下特點：1)單峰值凸模糊集；2)隸屬函數的因變量取值覆蓋所有x軸取值；3)兩個隸屬函數重疊時，不能同時出現最大隸屬度。只要能夠反映相同的模糊概念，即使建立的隸屬函數不同，在實際應用中也是殊途同歸。總的來說，梯形分布的隸屬函數適用范圍廣泛，其簡單易懂、可操作性強，所以本文采用梯形分布的隸屬函數，其具體形式為：

1)偏小型：

(8)

2)偏大型：

(9)

3)居中型：

(10)

所構建的充電安全的評價體系中的定量指標有“極大型”指標：取值越大越好，“極小型”指標：取值越小越好，及“居中型”指標：取值越趨近于某個區間越好。

4.2 安全等級劃分

建立評語等級V={v1，v2，v3，v4，v5}，v1表示絕對安全，v2表示安全，v3表示一般安全，v4表示危險，v5表示非常危險。同時建立對應的評分集T=(t1，t2，…，ts)T，t1表示絕對安全，t2表示安全，t3表示一般安全，t4表示危險，t5表示非常危險，其具體評分值如表1所示。

表1 安全評分表

調研電動汽車充電狀況，首先統計各個指標正常充電時的數據通過云模型生成相應的閾值區間，合理劃分等級；然后分析充電故障時各個指標相關的特征數據，生成危險等級下各個指標的閾值區間，最后結合相關的國際標準以及行業規范標準，整理出電動汽充電不同指標的安全等級閾值，最終構建安全等級劃分表，如表2所示。

表2 電動汽車充電安全評價指標安全等級劃分

5 實驗結果與分析

5.1 實驗步驟

按照所構建的充電安全評價體系，對充電安全進行評價，具體流程如圖3示。

圖3 電動汽車充電安全評價流程圖

首先通過灰色關聯度確定不同評價指標的主觀權重。邀請15位來自電動汽車充電安全領域的專家以及業內人士，對不同指標的權重進行評估打分；以準則層的一級指標為例，建立專家評估打分權重表3。

表3 專家經驗判斷權重

由上述的專家權重評估打分表，建立相應的母序列矩陣，然后找出權重的最大值作為參考值賦給參考序列X0。

根據式(1)～(4)得出電動汽車充電安全的準則層模糊權重為ω0=(0.195 0.412 0.2 0.193)。然后，由圖4所示，根據2014～2019年主要電動汽車事故統計[19-21]確定電動汽車充電安全準則層環境安全U1、電池安全U2、充電設備安全U3和配電網安全U4權重。

圖4 電動汽車充電事故統計圖

統計不同原因誘發事故的頻率，頻率越高賦予權重越大。準則層環境安全權重為V1=0，電池安全的權重為V2=0.77，充電設備安全的權重為V3=0.23，配電網安全權重為V4=0。由式(7)得綜合權重W0=(0.045 0.688 0.223 0.044)。

同理可得環境安全U1的綜合權重為：ω1=(0.719 0.241 0.04)，電池U2的綜合權重：ω2=(0.264 0.614 0.122)，充電設備U3的綜合權重：ω3=(0.117 0.658 0.225)，配電網U4的綜合權重：ω4=(0.584 0.188 0.228)。

從“電動汽車充電安全平臺”中獲取南京市2018年度電動汽車的充電數據進行安全評價分析，獲取的充電數據如表4所示。

表4 獲取的2018年南京市充電數據

將A組充電數據代入式(8)～(10)，結合安全等級閾值建立隸屬度矩陣如下：

首先通過二級隸屬度矩陣和二級指標權重得到一級模糊綜合評判矩陣R為：

然后得到充電安全評價的隸屬度評判矩陣：

最終得到評分值：

f=R×T={86.44，84.19，92.68，85.91}

F=B×T=86.65

5.2 防范評估結果分析

圖5為評價結果。環境安全評分為86.44，電池安全評分為84.19，充電設備安全92.68，配電網安全評分為85.91，綜合得分為86.65。環境安全處于安全級別，電池安全處于安全級別，充電設備安全處于絕對安全級別，配電網安全處于安全級別。此次充電過程處于安全級別。同理可得B組處于絕對安全級別；C組處于一般安全級別；D組處于危險級別；E組處于非常危險級別。

圖5 評價結果

A組和B充電過程均處于安全等級以上，充電設備、配電網、動力電池的評估指標參數均處在閾值范圍內，運行狀態穩定，基本不會發生故障，所以無需檢修。C組充電過程的充電設備處于一般安全狀態，充電設備的評估指標運行參數偏向閾值范圍，運行狀態較為穩定，故障發生率有所增加，應按檢修周期定期巡檢。D組充電過程的充電設備和電池處于危險狀態，評估指標參數極其接近閾值，運行狀態不穩定，隨時可能出現故障，應該加強監控優先檢修。E組充電過程動力電池處于非常危險狀態，評估指標參數超過了閾值，極易引發電池的熱失控，從而導致充電事故的發生，應立刻停止充電進行檢修。

6 結束語

從現有的相關標準以及充電安全事故中提煉出關鍵指標，經過專家評估打分選取集中度高的指標構建綜合評價指標體系。通過基于灰色關聯度的專家經驗賦權與基于實際數據客觀權重相結合的方法確定綜合權重，避免了客觀性缺失的弊端，提高了權重擬合的合理性，使得評估結果更加準確。分別從環境、電池、充電設備、配電網4個方面選取指標來評價電動汽車充電安全狀態；通過分析正常充電時的數據和故障時的數據，生成各個指標的閾值區間，然后劃分為5個安全等級，將充電過程的實時數據代入安全等級中去結合隸屬函數便可以求出隸屬度矩陣，最后通過模糊綜合評價求出綜合得分，實現安全預警。該評估方法可以實時監測電動汽車充電過程的數據，然后輸出安全風險等級，有效降低充電安全事故發生的可能。