電動汽車與充電設備充電安全預警研究綜述

高 輝，彭成薇，李煒卓，李奕杰，陳良亮

（1.南京郵電大學自動化學院、人工智能學院，江蘇省 南京市 210023；2.南京郵電大學現(xiàn)代郵政學院，江蘇省 南京市 210023；3.國電南瑞科技股份有限公司，江蘇省 南京市 211106）

0 引言

隨著國家“雙碳”目標持續(xù)推進，新能源汽車保有量持續(xù)增長，充電設備投運規(guī)模日益擴大。據(jù)統(tǒng)計，2023 年中國新能源汽車保有量為2 041 萬輛，同比增長率為55.8%。截至2023 年12 月，全國充電基礎設施累計數(shù)量為859.6 萬臺，同比增加65%。其中，2023 年充電基礎設施增量為338.6 萬臺，同比上升30.6%。近兩年充電設施增速逐漸放緩，充電基礎設施安全維護的重要性日益顯著。

不同于傳統(tǒng)燃油汽車，電動汽車的充電過程存在安全隱患、易自燃、運維效率低等問題［1］。充電樁作為電動汽車與電網的連接點，其可靠運行直接影響電動汽車的高效使用和電網安全［2-3］。為保障電動汽車安全充電和用戶體驗，充電時電動汽車和充電設備安全預警的研究工作具有重要意義。

在電動汽車電池充電安全預警方面，針對電池熱失控問題，部分學者從物理模型的角度，基于電動汽車動力電池的物理特性和工作原理［4-5］進行安全監(jiān)測。另一些學者利用充電數(shù)據(jù)，提出了基于傳統(tǒng)機器學習與深度學習的電動汽車電池充電安全預警方法［6-9］，可以有效地解決物理建模較為困難的問題。此外，針對電池失效數(shù)據(jù)庫獲取難和電池特征提取映射難的問題，文獻［10］提出基于數(shù)據(jù)驅動的安全包絡算法用于保證電池組的安全性；文獻［11］提出了鋰離子電池健康評估框架，通過在線測量電池相關參數(shù)來估計電池的健康狀況。在充電設備安全預警方面，針對充電樁虛警率過高、故障不能復現(xiàn)以及故障診斷時間過長等問題，一部分學者從數(shù)學模型的角度，提出了基于馬爾可夫模型［12］和曼哈頓距離法［13］的充電樁健康狀態(tài)評估方法。另一部分學者基于數(shù)據(jù)驅動方法，提出云平臺遠程控制與監(jiān)控維護系統(tǒng)［14］，用于實時獲取充電數(shù)據(jù)和故障設備的信息，采用殘差網絡和門控循環(huán)單元（gated recurrent unit，GRU）算法［15］，對充電樁充電模塊電路中多維度故障信號進行融合診斷。

文獻［16］綜述了動態(tài)運行條件下電池的健康狀態(tài)監(jiān)測和預測技術；文獻［17］對電動汽車充電站的系統(tǒng)架構和國際標準進行了綜述；文獻［18］總結展望了太陽能動力電池電動汽車充電站的發(fā)展現(xiàn)狀；文獻［19］系統(tǒng)梳理了電動汽車動力電池系統(tǒng)故障診斷方法的研究現(xiàn)狀。然而，上述相關綜述缺少對充電安全預警方法的整體梳理。

本文首先對充電安全影響因素進行了詳細梳理，系統(tǒng)地分析了各種可能影響充電安全的因素；然后，對現(xiàn)有的充電安全預警方法成熟度進行了全面總結與深入探討；接下來，總結了預警模型精度與預警誤差等方面的評估指標，為評價預警模型的有效性提供了依據(jù)；其次，基于真實充電訂單數(shù)據(jù)與工單數(shù)據(jù)對現(xiàn)有模型進行了系統(tǒng)的評估與對比分析。從實際數(shù)據(jù)出發(fā)，對比了不同預警模型的性能差異。最后，本文對電動汽車與充電設備充電安全預警的后續(xù)研究工作進行了展望，為未來相關研究方向提出建議。

1 充電安全影響因素

電動汽車充電安全問題涉及方面廣，影響因素復雜并且相互作用，往往會對人身、汽車和周邊環(huán)境造成損害［20］。研究分析電動汽車充電安全影響因素以防止危險事故發(fā)生是充電安全運維的基礎。為此，本文將從電動汽車和充電設備兩方面進行安全影響因素的歸納總結，并提出了相應的保護措施，其中，本文所探討的充電設備主要指直流充電樁和交流充電樁兩類，電動汽車與充電設備充電過程安全分析流程如圖1 所示。

圖1 電動汽車與充電設備充電過程安全分析Fig.1 Safety analysis on charging process of electric vehicles and charging equipment

首先，從電動汽車和充電設備兩方面分析充電安全的影響因素。電動汽車充電安全影響因素主要包括動力電池過熱、電池管理系統(tǒng)（battery management system，BMS）失效、充電環(huán)境和車網互動因素等；充電設備安全影響因素主要包括通信安全隱患、充電設備外殼絕緣、環(huán)境和其他因素等。通過安全影響因素分析，需要制定相關法規(guī)引導并調整標準協(xié)議，規(guī)范充電市場和充電相關標準；同時，也為制造商維護電動汽車、運營商管理充電設備以及用戶的規(guī)范使用提供支撐?；谝陨舷嚓P工作制定更合理的評價指標，以提高充電故障預警的有效性，從而保障電動汽車充電安全。

1.1 電動汽車充電安全影響因素

1.1.1 動力電池相關因素

電動汽車動力電池過熱是引起電動汽車充電自燃的重要原因［7］。電池充電過程中的高功率輸入、過充電、內部短路和電池本身缺陷［21］可能導致過熱，從而可能導致電解液降解效應、隔膜失效等問題，引發(fā)短路、內部燃燒甚至爆炸，造成嚴重的安全事故。文獻［22］提出設計防高溫隔膜、采用更安全的正負極材料、提高電解液的穩(wěn)定性可以有效提高動力電池單體的安全性。

1.1.2 BMS 通信失效

BMS 負責監(jiān)測和控制電池的狀態(tài)，包括溫度、電壓、電流等參數(shù)［23］。一個高效可靠的BMS 是確保電池在充電過程中安全運行的關鍵。充電設備在充電過程中與BMS 實時通信，根據(jù)其指令調整充電樁輸出電壓和電流。充電結束時，BMS 發(fā)出指令終止充電。若通信中斷，充電樁繼續(xù)輸出，可能導致電池過充，引發(fā)安全事故［24］。因此，通過引入冗余通信機制、時序監(jiān)控機制、自動斷電保護機制并定期維護、同時采取遠程監(jiān)控與報警等措施，可以有效解決BMS 通信失效的問題，提高充電過程的安全性和可靠性。

1.1.3 充電環(huán)境因素

電動汽車充電的安全性不僅與電池內部反應有關，也在一定程度上受充電時環(huán)境的影響［25］。惡劣的環(huán)境條件，如極端溫度、高濕度等，可能導致電池過熱或過冷，影響電池的性能和壽命。另外，充電過程中的靜電和電磁干擾也可能干擾電池內部反應，進而影響電池的安全性。因此，在充電過程中，必須對周圍環(huán)境進行實時監(jiān)測，及時發(fā)現(xiàn)異常情況，以預防潛在的安全事故。

1.1.4 車網互動因素

車網互動是指電動汽車、充換電基礎設施與電網之間信息與能量的交互過程［26-27］。由于電動汽車用戶充電行為的隨機性，電網高峰時間集中的大功率電動汽車充電會改變電網的負荷特性，產生欠壓、臺變過載等安全問題［28］。另外，電動汽車在充放電過程中產生的諧波、沖擊電流和無功功率會增加電網損耗，降低線路末端節(jié)點電壓，從而導致電能質量下降。此外，當電力系統(tǒng)負荷分配三相不平衡時，增加輸電線路線損，加劇變壓器的附加損耗，從而導致電壓振蕩或頻率不穩(wěn)定、供電中斷等問題［29］。因此，大功率充電設備接入導致的配電網負荷特性改變、電能質量下降和系統(tǒng)三相不平衡問題，同樣也會影響電動汽車的充電安全。

1.2 充電設備安全影響因素

1.2.1 充電設備通信安全隱患

為了保障充放電系統(tǒng)的安全性，需要采用通信協(xié)議來約束充放電設施和BMS 之間的行為［30］。國家標準規(guī)定，在整個充電過程階段中，充電設備和BMS 如果在規(guī)定的時間內沒有收到對方報文或沒有收到正確報文，即判定為通信超時［31-32］。

通信安全方面存在的安全隱患主要分為自然因素與人為因素［33］。自然因素主要涉及通信協(xié)議失效等技術性問題，由于通信條件差、硬件故障或數(shù)據(jù)傳輸錯誤而導致通信中斷或異常。人為因素是指攻擊者通過外部訪問接口滲透到連接關鍵控制單元的充電樁控制器局域網（CAN）總線，通過CAN 總線發(fā)送惡意攻擊報文，中斷充電過程，篡改充電計費數(shù)據(jù)，竊取并泄露用戶信息等［34］。

1.2.2 充電設備絕緣因素

研究表明，充電設備的絕緣老化故障和通信故障占比較高，而本身的機械故障占比較低［24］。充電設備絕緣性受外殼防護能力、電氣間隙與爬電距離、介電強度、絕緣電阻、接觸電流以及沖擊耐壓等多個因素影響。其中，外殼絕緣性能直接決定著充電電流是否能夠安全地流經充電設備，保護使用者免受觸電和電擊的風險。同時，合格的外殼絕緣材料和結構可以阻隔潮濕、灰塵和其他外界因素對充電設備內部電路的侵入，保證設備的正常運行和持久耐用性［35］。

1.2.3 充電過程環(huán)境因素

不同天氣和應用環(huán)境之間存在著顯著的差異，溫度、濕度等參數(shù)的變化都可能影響充電設備絕緣材料的性能［30］。例如，大溫差將導致絕緣材料內部形成裂紋，降低其絕緣性能；高濕度環(huán)境下，外殼表面的水珠可能導致漏電事故的發(fā)生。為了確保充放電設備的安全性能，GB/T 18487.1 標準中要求其具備一些安全防護特性，如防潮濕、防霉變、防煙霧等［36］。在充電設備的建設中，運營商應該綜合考慮溫度、濕度、化學物質、電力、機械應力和灰塵等環(huán)境因素對充電設備的影響，合理地選擇位置，以確保充電設備的穩(wěn)定運行［37］。

1.2.4 其他因素

充電槍的使用年限和設備老化程度也對充電設備的性能有很大影響［12］。充電設備的維護和檢修情況、機械化水平和故障率也會影響充電過程的安全性［6］。除此之外，提供明確的使用說明和安全標識、對用戶進行安全教育至關重要，可避免錯誤操作和事故發(fā)生。

1.3 充電安全影響因素體系構建

車-樁-網互聯(lián)的一體化控制是解決純電動汽車充電問題和提高使用便利性的關鍵［38］。因此，構建充電安全影響因素體系對提高充電安全體系評價效果、保障車輛充電安全、促進電動汽車發(fā)展起到有效支撐作用。

充電過程中的故障主要集中在非車載充電機和車輛接口兩處［39］。電池故障會影響電堆的正常運行（燒壞電堆的電力電子保護裝置）；充電樁故障會影響充電安全和當?shù)仉娋W的穩(wěn)定性（電壓沖擊、電壓超限、電能質量下降等）［40］；區(qū)域電網出現(xiàn)故障的概率較小，如果出現(xiàn)故障，將直接影響充電樁（過壓、過流、諧波等），使電動汽車無法正常充電［41］。若電網出現(xiàn)出力波動、負荷波動和結構變化等因素導致部分電動汽車無法進行安全充電時，可以基于車網互動過程的系統(tǒng)動力學模型來進行仿真，以此提升電網的能效平衡與安全運行水平［42］。此外，可以引入動力電池健康度來優(yōu)化電動汽車的充放電策略［43］和車網互動策略［44］，緩解無序充放電所引起的電能質量下降問題，從而減少充電過程中對電網和充電設備的不良影響，保證車網互動中的用能安全。

因此，充電安全影響因素體系包括電網側、充電設備側、電動汽車側和平臺監(jiān)控系統(tǒng)的安全問題。電網側的充電安全問題主要在于對電網穩(wěn)定運行的不利影響，包括:負荷限制、峰谷限制、電能質量限制、諧振風險、繼電保護動作和防孤島保護功能缺失等［29，45-46］；充電設備側的安全問題主要涉及漏電、故障、不兼容、啟動失敗和異常防護措施不到位等；電動汽車側的安全問題主要是電池和BMS 存在缺陷；平臺監(jiān)控系統(tǒng)的安全問題主要包括惡意網絡攻擊、竊電風險等［47］。

然而，當前以樹狀形式構建的充電安全影響因素體系存在局限性，各影響因素之間缺乏關聯(lián)性，如果這些關聯(lián)性被忽略，那么預警系統(tǒng)可能無法準確地捕捉到潛在的安全風險。因此，需要對充電安全影響因素進行系統(tǒng)化分析，包括對不同因素之間的潛在關聯(lián)性進行深入研究，建議以安全影響因素體系森林或者共享子因素的方式來進行構建，有利于安全因素之間關聯(lián)的深度挖掘，有助于安全預警模型進行快速定位并提供可解釋的監(jiān)測分析。

2 充電過程安全預警方法研究

圖2 展示了充電安全預警方法的分類圖。目前提出的充電安全預警方法主要可分為基于物理模型的方法與基于數(shù)據(jù)驅動的方法［48］。

圖2 充電安全預警方法分類圖Fig.2 Classification diagram of charging safety early warning methods

物理模型基于電池熱失控機理和多種傳感器監(jiān)測信號來搭建，主要采用內短路檢測和析鋰檢測等手段來監(jiān)測電池內部的溫度、電流和電壓等參數(shù)變化。同時，物理模型也可以根據(jù)電池在充電過程中發(fā)生的析鋰特征判斷內部電路短路風險，并借助相關傳感器監(jiān)測電池的形變、氣體濃度和聲音等信號，以此來提前發(fā)現(xiàn)電池充電中的異常情況?；跀?shù)據(jù)驅動的預警模型主要分為傳統(tǒng)機器學習方法和深度學習方法。傳統(tǒng)機器學習方法包括反向傳播（back propagation，BP）算法、小波神經網絡（wavelet neural network，WNN）和層次分析法（analytic hierarchy process，AHP）等，它能夠對已有的充電數(shù)據(jù)進行模型學習，以此完成充電安全預警的任務。深度學習方法包括長短期記憶（long short-term memory，LSTM）網絡、GRU 和自適應深度信念網絡（adaptive deep belief network，ADBN）等，它利用深層次的網絡參數(shù)來擬合海量的充電數(shù)據(jù)，從而達成充電安全預警的目標。近年來，關于電動汽車充電安全性能的研究主要基于電池本身的熱失控機理，基于大數(shù)據(jù)分析的研究仍處于起步階段［49］。

本文將以充電安全影響因素為基礎，從電動汽車動力電池和充電設備兩方面分析總結現(xiàn)有的安全預警方法。

2.1 充電安全預警關鍵技術

2.1.1 傳感信號監(jiān)測電池熱失控

關于電池熱失控的預警，主要是通過電池出現(xiàn)熱失控的臨界條件對電池進行監(jiān)控和預警［50］。電池在出現(xiàn)熱失控的過程中，其電壓、電流、內阻、內部壓力、溫度等都會出現(xiàn)明顯的變化［51］，電池正負極將達到析氫、析氧電位，釋放含有氫氣和氧氣的混合特征氣體。

1）溫度監(jiān)測:采用溫感探測器及時監(jiān)測電池的溫度變化對溫度進行監(jiān)控，當溫度異常升高超過臨界溫度時，發(fā)出預警信號［52］。

2）內阻監(jiān)測:通常情況下，當電池工作在正常溫度范圍內時，電池的內阻隨著溫度升高而降低，但是當超過正常工作范圍甚至發(fā)生熱失控時，電池的內阻會有明顯的上升［53］。因此，通過監(jiān)測電池的內部電阻變化，特別是當內阻明顯增大時，可能表明電池發(fā)生故障。

3）電壓監(jiān)測:電池熱失控過程也會導致電壓發(fā)生異常變化，最終降至0 V。監(jiān)測電池的電壓變化，可以發(fā)現(xiàn)電池性能下降或異常情況。

4）內部壓力監(jiān)測:電池熱失控過程中生成的氣體和煙霧，引起內部壓力變化和鼓包現(xiàn)象。因此，可以通過監(jiān)測電池內部氣體生成導致的壓力變化，預警熱失控情況［54］。

5）特征氣體與煙霧監(jiān)測:監(jiān)測電池出現(xiàn)熱失控時產生的特征氣體與煙霧，例如CO、H2、HF 和各種烴類等氣體［55］，可及時發(fā)現(xiàn)電池異常情況。

2.1.2 傳統(tǒng)機器學習方法

1）BP 算法:通過不斷地調整神經網絡中的連接權重，使得網絡能夠逐漸學習到輸入數(shù)據(jù)的特征，并能夠做出更準確的預測。該算法能夠在充電安全預警模型訓練、特征提取、預測優(yōu)化和實時系統(tǒng)優(yōu)化等方面發(fā)揮作用，幫助神經網絡更好地理解充電過程中的復雜數(shù)據(jù)，從而提高安全預警系統(tǒng)的性能和準確性。

2）WNN:結合小波分析和人工神經網絡模型，將小波變換多尺度分析與神經網絡的非線性逼近相結合，通過對充電過程數(shù)據(jù)的時頻特征提取和異常檢測，實現(xiàn)對充電故障的及時監(jiān)測和預警。

3）AHP:將決策問題拆分成不同層次的準則和方案，然后通過兩兩比較得出各因素之間的重要性權重，最終得出最佳的決策選擇。充電安全預警涉及多個影響因素和決策準則，例如，將是否進行安全預警的總體目標作為目標層；將影響充電安全的各種因素作為準則層，如電池狀態(tài)、充電設備狀態(tài)、環(huán)境條件等；將針對不同預警情況的應對措施或預警級別作為備選方案層。

2.1.3 深度學習的方法

1）LSTM 網絡:充電過程中的電流、電壓、溫度等數(shù)據(jù)是時間序列數(shù)據(jù)，LSTM 網絡改善了傳統(tǒng)遞歸神經網絡在處理長序列數(shù)據(jù)時容易出現(xiàn)梯度消失或梯度爆炸的問題。LSTM 網絡內部的記憶單元由1 個單元狀態(tài)和3 個門控制器（輸入門、遺忘門和輸出門）組成，這些門能夠控制信息的流動，使得網絡能夠選擇性地記住或忘記過去的信息，從而更好地處理長序列數(shù)據(jù)［56］。

2）GRU:通過引入更新門和重置門2 個門控制器，使得網絡具有更強的記憶能力，彌補了遞歸神經網絡的不足。其中，更新門決定了歷史信息對當前狀態(tài)的影響程度，重置門控制了歷史信息和當前輸入之間的融合程度，兩者決定是否更新記憶狀態(tài)和當前時間步的隱藏狀態(tài)，然后，根據(jù)當前輸入計算新的隱藏狀態(tài)。

3）ADBN:ADBN 訓練過程包含預訓練和微調兩個階段。以充電電壓的預測為例:在預訓練階段，ADBN 接收充電需求電壓、充電需求電流、實際充電電流和溫度等信息，通過受限玻爾茲曼機逐層進行特征提取，實現(xiàn)對輸入數(shù)據(jù)高層特征的提取和訓練網絡的連接權值更新。在預訓練完成后，通過BP算法進行微調，將預測的充電電壓作為輸入，輸出實際的充電電壓。同時，在模型訓練的過程中動態(tài)地調整學習率和超參數(shù)。這種自適應學習的機制使得ADBN 在處理不同類型的數(shù)據(jù)和問題時具有更好的魯棒性和泛化能力。

2.2 電動汽車電池充電安全預警研究方法

2.2.1 基于物理建模的方法

電池熱失控中的相應特征反應研究為電動汽車安全充電預警提供了重要的技術支持。基于物理模型的方法就是利用電動汽車動力電池的物理特性和工作原理，建立電池等效電路模型和電化學模型等，通過對其中一種或幾種特征參數(shù)及特征氣體的監(jiān)測對電池熱失控進行預警［57］。例如，文獻［4］通過對電動汽車電池充放電或運行時電池產生的氫氣濃度參數(shù)進行采集、分析、顯示和存儲，提出了一種基于LabVIEW 的虛擬檢測系統(tǒng)，實現(xiàn)了氫氣濃度超限的實時預警功能。文獻［58］利用蒙特卡洛法模擬配電網故障，引入電動汽車電池容量的變化和負荷削減模型，對車網互動中配電網故障時的可靠性進行了評估，以此實現(xiàn)電動汽車電池充電安全預警。文獻［59］利用電池內部阻抗幅值和相位的變化來監(jiān)測電池內部溫度，從而提出了一種基于阻抗相位快速監(jiān)測法的鋰離子電池熱失控預警方法，為電池安全性能提供了一種新的監(jiān)測手段。此外，文獻［5］提出了一種基于建立傳感器模型的故障診斷方案，用于檢測和隔離串聯(lián)鋰離子電池組的電流或電壓傳感器的故障，為電動汽車電池組的故障診斷提供了新思路?；诖?，文獻［60］通過建立電池模型，對比電池模型模擬的充電響應信息與實際充電狀態(tài)信息，判斷充電過程的安全性，為電動汽車充電系統(tǒng)的安全性能提供了一種新的評估方法。2023 年，中國學者提出了一種可植入電池內部的多模態(tài)集成光纖原位監(jiān)測技術，實現(xiàn)了對商業(yè)化鋰電池熱失控全過程的精準分析與提早預警，為快速切斷電池熱失控帶來的鏈式反應提供了有力的預警手段［61］。

2.2.2 基于傳統(tǒng)機器學習的方法

文獻［6］利用遺傳WNN 訓練原理和多尺度多分辨特點，開發(fā)了一種識別電動汽車充電過程電池故障引起安全事故的安全預警系統(tǒng)，能夠預測電池故障引起的著火、漏電等安全事故?；诖?，文獻［7］利用BP 神經網絡成功預測并識別出充電故障的原因為BMS 程序休眠導致充電無法終止。文獻［49］以電動汽車實時充電報文數(shù)據(jù)為研究對象，提出了一種基于改進的廣義BP-AHP 的評估方法。通過計算電動汽車充電消息數(shù)據(jù)的特征隸屬度，建立基于壓縮因子的改進廣義BP 神經網絡來評估鋰離子電池的充電安全性。針對電動汽車安全預警系統(tǒng)數(shù)據(jù)信息量高并發(fā)、廣分布的特點，文獻［62］引入了云計算技術，通過存儲和分析歷史運行數(shù)據(jù)，結合新數(shù)據(jù)和歷史數(shù)據(jù)進行預警分析和檢修預判。為解決參數(shù)辨識困難和擴展能力差的問題，文獻［44］采用神經網絡、聚類和粒子群優(yōu)化算法（particle swarm optimization，PSO）等方法，基于充電數(shù)據(jù)，從電池的充電曲線中提取出與電池健康狀態(tài)相關的特征來預測動力電池的健康度。文獻［63］提出了一種基于信號分解和二維特征聚類的電池早期故障診斷方法。該方法引入辛幾何模態(tài)分解得到表征電池狀態(tài)的分量，建立了基于歸一化擴展平均電壓和動態(tài)時間規(guī)整距離的相似度特征，從靜態(tài)分量和充電段中提取信號。這種方法可以減少故障檢測過程中所需閾值的數(shù)量。

2.2.3 基于深度學習的方法

文獻［9］提出了一種改進GRU 的直流充電樁故障預測模型。該方法通過采用變分自編碼器數(shù)據(jù)增強技術擴充故障樣本數(shù)據(jù)，從而改善了數(shù)據(jù)樣本采集量少的問題。在此基礎上，基于GRU 網絡模型實現(xiàn)了電池的故障預測，利用PSO 對網絡參數(shù)進行優(yōu)化。此外，還引入了支持向量機（support vector machine，SVM）模型來改善分類函數(shù)，最終形成了綜合PSO-GRU-SVM 的故障診斷模型。文獻［7］針對電動汽車充電過程中的自燃問題，將卷積-LSTM網絡模型遷移到電動汽車安全預警領域，通過卷積-LSTM 網絡提取電動汽車充電數(shù)據(jù)的深層特征，用滑動窗口法消除錯誤傳輸數(shù)據(jù)的影響，用殘差分析法設置合理的預警閾值，并對該方法進行了充分訓練。文獻［64］針對鋰離子電池熱失控問題，提出了一種基于改進灰狼優(yōu)化算法與BP 算法的電動汽車充電安全預警模型。

2.3 充電設備安全預警研究方法

2.3.1 基于數(shù)學建模的方法

電動汽車電池系統(tǒng)是一個強非線性、有時滯、復雜的系統(tǒng)，并且充電設備參數(shù)復雜且不同參數(shù)間耦合，導致物理建模很難進行［19］。文獻［12］針對國內充電樁在使用過程中存在虛警率過高、故障不能復現(xiàn)以及故障診斷時間過長的問題，提出了一種車聯(lián)網環(huán)境下基于馬爾可夫模型的充電樁健康狀態(tài)綜合評估與預測方法。文獻［13］提出了一種充電設施故障概率模型，分析了充電設施的變壓器組件、整流柜組件、充電樁組件、槍線組件、串聯(lián)模塊和整流模塊的相關概率參數(shù)，對不同站進行重要度等級劃分，并實時評估各充電站的可靠性以合理分配運維時間和資源。文獻［65-66］針對電動車充電網絡整體運行效能的穩(wěn)定性，提出了一種基于組合廣義時間序列的自回歸（autoregression，AR）模型用于充電樁運行異常預測。

2.3.2 基于數(shù)據(jù)驅動的方法

針對常規(guī)BP 神經網絡預警精度不高的問題，文獻［67］利用電動汽車充電歷史數(shù)據(jù)構建正常充電過程的ADBN 模型，提出了一種基于ADBN 的電動汽車充電過程故障預警方法。文獻［68］研究了基于自適應增強算法（adaptive boosting，AdaBoost）-梯度提升決策樹（gradient boosting decision tree，GBDT）的自訓練算法對3 種充電樁風險狀態(tài)的判別能力，結果表明所提方法對長期評估充電樁風險狀態(tài)有效，并且優(yōu)于其他傳統(tǒng)算法。針對充電樁開路故障信號多維度的特點，文獻［15］利用直流充電樁充電模塊電路中前級整流器輸入電流和后級DC/DC 變換器的變壓器電流作為特征信號。通過張量重構、殘差網絡和GRU 進行自動特征提取，對前后級信號特征進行融合診斷。此方法避免了傳統(tǒng)深度學習算法使用的圖像化輸入或一維輸入，無須人為選定故障特征參數(shù)，充分發(fā)揮了深度神經網絡的并行診斷性能。

2.4 安全預警方法成熟度分析

根據(jù)系統(tǒng)文獻調查法［69］，在對初始檢索結果應用納入標準（例如，只考慮期刊、會議論文）和排除標準（例如，刪除重復文章，只考慮問題有完整解決方案的版本）后，選擇2014 年至2023 年共45 篇文獻進行綜述分析電動汽車充電安全預警問題，并評估在充電過程中對于不同風險因素的預警方案研究成熟度，如表1 所示。表中使用3 種圖標來定性地表示所提出解決方案的成熟度，并列出對應的代表文獻。

表1 充電安全預警方法研究成熟度Table 1 Research maturity of charging safety early warning methods

根據(jù)表1 的統(tǒng)計分析結果得出以下結論。

1）動力電池充電安全預警物理模型研究方面:在過熱和綜合健康狀態(tài)兩方面的研究工作上，由于早期關于鋰離子電池的相關研究較多，該類研究工作已經相對成熟，主要采用電化學和電池建模的方法。相比之下，關于BMS 通信異常、電壓電流功率異常和絕緣環(huán)境異常等其他綜合方面的研究仍有較大提升空間。

2）動力電池充電安全預警數(shù)據(jù)驅動研究方面:在過熱、電壓電流功率異常、綜合健康狀態(tài)等因素的研究工作上，由于場景的數(shù)據(jù)較多，該類研究工作已經相對成熟，主要采用基于BP 和LSTM 的改進算法。相對而言，在圍繞通信異常與絕緣環(huán)境異常等因素的研究上，由于標注數(shù)據(jù)較少，仍缺少重要的研究工作來彌補現(xiàn)有的應用場景。

3）充電設備充電安全預警數(shù)學模型研究方面:在過熱和綜合健康狀態(tài)等因素的研究工作上，主要采用的算法有馬爾可夫過程算法、概率模型和時間序列算法，但這些算法無法預測故障位置及主要原因。在通信異常，電壓、電流、功率異常和絕緣環(huán)境異常方面的預警研究則需要考慮多個變量之間的關系，對于基于數(shù)學建模的算法和模型的設計有更高的要求，仍需要進一步深入研究。

4）充電設備充電安全預警數(shù)據(jù)驅動研究方面:在過熱、通信異常、電壓電流功率異常和綜合健康狀態(tài)等因素的研究工作上，主要采用基于模糊神經網絡、GRU 和傳統(tǒng)機器學習相結合的改進算法。雖然充電設備的充電數(shù)據(jù)較多，但是存在數(shù)據(jù)獲取難、故障提取難和評估標準不統(tǒng)一等問題，該方面仍有較大研究空間。相對而言，在絕緣環(huán)境異常等因素的研究上缺少量化評估數(shù)據(jù)，需要進一步開展相關研究以填補現(xiàn)有應用場景的不足。

3 充電過程安全預警方法評估

3.1 評估指標

性能測量對于評估和分析任何模型算法的有效性都至關重要［72-73］。通過對測量電壓、測量電流、輸出電流、最大/最小單體電池溫度等參數(shù)的實時監(jiān)測，安全預警保護模型的指標主要包括:需求電壓超過最大允許電壓、需求電流超過最大允許電流、充電過流、電池組過壓、充電機輸出電壓超差、充電機輸出電流超差、電池單體過壓、電池過熱、充電時電池荷電狀態(tài)（state of charge，SOC）超出范圍、電池不平衡、電池溫升異常、充電SOC 不變等［74-75］。

目前，電動汽車充電安全相關研究大多是針對電動汽車動力電池的健康評估［76］或充電設備的安全狀態(tài)評估［40］。文獻［6］提出了4 個一級安全預警指標，分別為環(huán)境安全、設備安全、管理安全和監(jiān)管安全，其下包括17 個二級安全預警指標，分別為溫度、濕度、質量達標度、保養(yǎng)合格率、故障率等。根據(jù)不同的階段特點和指標選取原則，文獻［77］提出了設備利用率、負荷曲線改善度和市場占有率等構成的指標集合用于評價充電設施建設方案。針對電池一致性評估，文獻［78］提出放電終止電壓的評估指標，并且相比于標準差作為評估指標的篩選效果更好，數(shù)據(jù)處理更為簡單、快速。

然而，上述指標存在以下兩個問題:首先，它們僅適用于電池時間流的實時檢測與判斷，對充電樁故障診斷的分類預測任務模型并不適用。其次，上述指標是針對特定場景設置的，例如，電動汽車動力電池健康評估、充電設備安全狀態(tài)評估、充電設施建設方案評價、電池一致性評估等。這些指標主要根據(jù)電動汽車充電安全相關的需求和特點設計，旨在提供有效的評估和監(jiān)測手段，以確保充電過程中的安全性和可靠性，并不適用于充電樁故障診斷模型的評估。

因此，本節(jié)主要介紹在預警模型準確性評價和預警結果誤差評價兩方面更具普適性的相關評估指標。

1）預警模型準確性評價

均方根誤差（root mean square error，RMSE）用來衡量預測值與實際觀測值之間的差異，有

式中:RMSE為RMSE 值；n為樣本數(shù)據(jù)的個數(shù)；yi為充電特征數(shù)據(jù)實際測量值；y^i為對應充電特征數(shù)據(jù)預測值。

平均絕對百分比誤差（mean absolute percentage error，MAPE）用來評估預測值與實際值之間的相對誤差:

式中:MAPE為MAPE 值。

決定系數(shù)R2用來衡量模型對觀測數(shù)據(jù)的擬合程度［7］:

2）預警結果誤差評價

采用準確率（A）、精確率（P）、召回率（R）和F1值（F1）4 個分類指標對預警結果進行誤差評價［72］。

式中:TP為被識別為充電故障的故障數(shù)據(jù)集的數(shù)量；TN為被正確地識別為充電故障的數(shù)據(jù)集的數(shù)量；FP為被錯誤預測為正常充電數(shù)據(jù)的樣本數(shù)量；FN為被錯誤預測為故障數(shù)據(jù)的樣本數(shù)量。

3.2 數(shù)據(jù)集

本文整理的充電安全預警數(shù)據(jù)集及評價指標如表2 所示。其中，數(shù)據(jù)集以充電樁充電數(shù)據(jù)為主，評價指標主要采用RMSE、MAPE、R2，電池容量、充電功率、插入充電狀態(tài)、插入/拔出時間和SOC 等屬性特征對于充電過程中的安全預警任務至關重要［79］。

表2 充電安全預警數(shù)據(jù)集及對應評價指標Table 2 Charging safety early warning dataset and corresponding evaluation indices

4 充電過程安全預警方法對比

4.1 案例分析

由于目前缺少基于物理/數(shù)學建模的預警方法有效的真實數(shù)據(jù)，本文僅對現(xiàn)有基于數(shù)據(jù)驅動的方法進行了整體評估與對比。本文選取某市充電站的充電樁的充電數(shù)據(jù)，采用的開發(fā)環(huán)境為PyCharm?；跀?shù)據(jù)驅動方法的充電設備安全預警流程如圖3所示。

圖3 充電設備安全預警流程圖Fig.3 Flow chart of safety early warning for charging equipment

充電異常結束可能預示著充電樁出現(xiàn)故障，本文首先考慮了每個充電訂單的結束原因。另外，訂單數(shù)量變化也反映充電樁狀態(tài)變化，當異常訂單增多、正常訂單減少和總訂單減少時，表示充電樁可能出現(xiàn)故障。根據(jù)以上分類標準，本文選取正常訂單、故障訂單、無效訂單和總訂單數(shù)量作為特征，總共選取166 個特征因素作為特征向量的影響因素。為了訓練具有典型性的模型，選取了109 組具有典型故障的充電樁和正常充電樁的充電數(shù)據(jù)，構建數(shù)據(jù)集并進行了歸一化處理。本文規(guī)定其中70% 的數(shù)據(jù)用于訓練組，30% 的數(shù)據(jù)用于測試組。

4.2 結果對比

使用上文的評估指標對傳統(tǒng)機器學習算法，例如，近鄰算法、線性支持向量機（linear support vector machine，Linear SVM）算法、徑向基函數(shù)支持向量機（radial basis function-support vector machine，RBF-SVM）算法、高斯過程算法、決策樹算法（decision tree，DT）、隨機森林算法（random forest，RF）和AdaBoost 算法，以及深度學習算法（包括神經網絡算法、GRU 和LSTM 算法），基于數(shù)學模型的算法，例如，樸素貝葉斯（Naive Bayes）算法、二次判別分析（quadratic discriminant analysis，QDA）算法進行了評估，結果如表3 所示。

表3 各模型的預測評估結果Table 3 Prediction and evaluation results of each model

評估結果顯示，高斯過程算法在準確度和精確度方面取得最佳。高斯過程算法使用徑向基函數(shù)內核計算樣本之間的相似度矩陣，然后，訓練樣本標簽來學習分類決策邊界，適用于處理小樣本數(shù)據(jù)和噪聲數(shù)據(jù)，能夠有效地識別充電過程中的安全隱患。

基于神經網絡模型的算法召回率最佳，表示模型能夠較好地捕捉并預測出危險充電情況，能夠識別出更多的正樣本，包括那些真實存在但可能較為隱蔽或不明顯的目標。此外，準確率也比較好，但在精確度方面相比偏低，表示在某些情況下存在安全的充電過程被錯誤地判定為故障的風險。

相對而言，GRU 和LSTM 的表現(xiàn)一般，雖然深度學習通過多層神經網絡進行特征提取和組合，復雜特征提取能力強［81-82］，但分析認為由于所使用的數(shù)據(jù)集規(guī)模有限，深度學習模型可能存在過擬合的風險，在未知數(shù)據(jù)上的泛化能力可能較差。另外，在預警時間方面，文獻［83］提出融合計算法對于經典算法工具有較好的改進效果，可以借鑒參考。未來的研究可以考慮增加更多樣本和多樣化的數(shù)據(jù)集，優(yōu)化特征選擇和工程的方法，結合傳統(tǒng)機器學習算法和深度學習算法，構建組合模型［84-86］，綜合利用它們的優(yōu)勢來提高預警的準確性和精確度。

5 研究展望

隨著人工智能技術和大數(shù)據(jù)應用的持續(xù)進步，電動汽車與充電設備充電安全預警研究領域也迎來許多新的機遇，改進的方向主要集中在以下3 個方面。

1）基于多模態(tài)數(shù)據(jù)共享及標準化研究。充電過程數(shù)據(jù)耦合復雜，如何將不同類型的數(shù)據(jù)進行有效整合和融合［85-86］。例如，電池SOC、充電過程電流和電壓數(shù)據(jù)、溫度、壓力等多種傳感器獲取的信息，利用不同特征之間的互補性，彌補單一特征識別的不足，對同一信號的兩種不同特征表達進行融合，來進行全面的診斷和分析，以提高預警系統(tǒng)的綜合性能是未來的研究重點。此外，當前電動汽車和充電設備的數(shù)據(jù)采集和處理存在標準不一致的問題，導致不同廠商、不同系統(tǒng)之間難以進行有效的數(shù)據(jù)共享。未來的研究可以致力于建立統(tǒng)一的數(shù)據(jù)標準通過“數(shù)據(jù)可用不可見”的隱私保護方式［87］，提升數(shù)據(jù)共享和合作水平，以促進研究者之間的合作和數(shù)據(jù)的互通，確保安全預警的有效性和普適性。

2）基于預訓練模型的故障預測研究。當前充電安全預警模型主要存在訓練時間過長并且訓練精度不高的問題。2017 年推出的Transformer 模型［88］表明，預訓練模型對通用人工智能領域產生了巨大的影響?，F(xiàn)有的預訓練模型大多是繼承于自然語言處理領域的相關技術，考慮在充電安全故障診斷領域引入預訓練模型，在已有挖掘代碼特征的基礎上，結合預訓練范式來進一步提升模型性能［89］，或許能夠有效提高模型的訓練精度。在實際應用中，還需要考慮數(shù)據(jù)傳輸延遲問題。因此，有必要研發(fā)高精度的傳感器和監(jiān)測系統(tǒng)，實時監(jiān)測電動汽車、充電設備和電網的狀態(tài)，以便及時檢測異常情況并采取安全保護措施，根據(jù)車輛特性和電網負荷情況進行動態(tài)調整，提高充電效率和安全性。

3）基于信息安全的安全監(jiān)管體系構建研究。目前，充電樁的運營管理系統(tǒng)開發(fā)已經相對較多，使用也相對成熟，但仍存在充電樁數(shù)據(jù)不完善和信息管理缺乏規(guī)范等問題。充電數(shù)據(jù)存儲了大量的用戶交易信息及個人隱私相關信息，隨著數(shù)據(jù)泄露事件的增加，確保用戶數(shù)據(jù)的安全和合法使用尤為重要。可以采用區(qū)塊鏈技術用于實時監(jiān)測和分析安全事件，支撐智能充電設備信息“能量流”向區(qū)塊鏈“數(shù)據(jù)中心節(jié)點流”轉化［90］。同時，確保用戶有權對交易后的個人數(shù)據(jù)進行加密控制和使用，各個數(shù)據(jù)中心節(jié)點之間使用共識機制對加密數(shù)據(jù)進行去中心化的同步存儲。未來研究需關注健全的信息安全監(jiān)管體系構建，開發(fā)全面的信息安全風險評估和管理方法，識別潛在的漏洞和風險，并采取相應的防護和控制措施應對信息安全風險，保障充電樁、配電站、運維機構、檢定機構和監(jiān)管部門等多邊主體利益［91］，為用戶提供更好的服務。

6 結語

隨著電動汽車及相關充電設施的普及，充電過程的安全問題備受社會關注。本文聚焦電動汽車與充電設備充電安全領域，總結并分析了現(xiàn)有的充電過程安全預警方法。詳細梳理了充電安全影響因素，為現(xiàn)有方法的改進提供啟示。評估了預警模型的準確性和誤差，通過真實充電數(shù)據(jù)案例評估并對比現(xiàn)有的模型表現(xiàn)，找出其改進潛力。未來研究需優(yōu)化預警模型，結合多模態(tài)數(shù)據(jù)共享、預訓練模型和區(qū)塊鏈等技術提高預警的準確性與實時性；加強網絡安全漏洞研究，設計健壯防護機制；推動設備標準化，確保符合高安全要求；加強用戶教育與安全充電意識。研究將為電動汽車充電安全提供可靠保障，助推電動汽車產業(yè)可持續(xù)發(fā)展。