基于多元狀態(tài)估計(jì)算法的電動汽車充電安全預(yù)警技術(shù)研究

摘 要：隨著電動汽車快充技術(shù)的迅速發(fā)展，充電安全問題日益凸顯，實(shí)時(shí)監(jiān)控充電過程的車輛狀態(tài)，進(jìn)行車輛故障提前預(yù)警成為行業(yè)關(guān)注的焦點(diǎn)。本文基于多元狀態(tài)估計(jì)算法，首先進(jìn)行了車輛充電過程的工況劃分和充電安全特征提取，然后針對不同工況分別搭建了多元狀態(tài)估計(jì)算法的電池充電安全邊界模型，最后采用標(biāo)準(zhǔn)差方法確定充電異常預(yù)警閾值，實(shí)現(xiàn)電動汽車充電過程的安全監(jiān)控和異常預(yù)警。經(jīng)過驗(yàn)證，上述方法的電動汽車預(yù)警準(zhǔn)確度為93.75%，可用于不同品牌電動汽車充電過程的安全預(yù)警監(jiān)控。

關(guān)鍵詞：充電安全 電動汽車 多元狀態(tài)估計(jì)算法 標(biāo)準(zhǔn)差法

隨著新能源汽車保有量的增加，電動汽車自燃事故發(fā)生頻率快速上升，電動汽車使用安全問題成為企業(yè)和用戶關(guān)注的重點(diǎn)。而電池快充技術(shù)的發(fā)展增加了電動汽車充電過程的安全風(fēng)險(xiǎn)，給電池安全性帶來了新的挑戰(zhàn)。研究電動汽車充電安全監(jiān)控技術(shù)，對提升電動汽車使用安全性，保證充電過程車樁安全具有重要意義。

電動汽車充電安全預(yù)警模型主要包括電池機(jī)理模型和數(shù)據(jù)驅(qū)動模型。電池機(jī)理模型依靠車輛BMS或充電樁采集的充電數(shù)據(jù)，搭建電池異常診斷模型，如壓差異常擴(kuò)大、溫升速率異常等，實(shí)現(xiàn)充電故障監(jiān)控。數(shù)據(jù)驅(qū)動模型，通過深度挖掘充電數(shù)據(jù)的隱藏特征，使用機(jī)器學(xué)習(xí)或AI模型搭建電池異常診斷模型，借助大數(shù)據(jù)優(yōu)勢解決電池安全監(jiān)控問題。尹麗瓊等[1]介紹了基于信息熵的統(tǒng)計(jì)學(xué)方法，評估電池組的不一致性，實(shí)現(xiàn)電池故障診斷的技術(shù)。袁丹等[2]通過改進(jìn)決策樹算法，建立了電動汽車充電安全運(yùn)行監(jiān)控模型，采用Informer算法，建立了充電安全短期預(yù)警模型。李亞倫等[3]從機(jī)理分析、狀態(tài)感知和運(yùn)行控制三個層面研究車用鋰離子動力電池的安全特性與快充控制，擴(kuò)展了電動汽車動力電池的充電安全裕度，實(shí)現(xiàn)動力電池的安全快充。Zhang H[4]采用電池電壓數(shù)據(jù)，使用四分位歸一化和Kullback-Leibler散度方法提取異常電池和電池組狀態(tài)，可成功識別欠壓、老化、內(nèi)短路、熱失控等故障。Ao G等[5]分析了電池過充條件下的充電電流、電壓等數(shù)據(jù)，通過電池箱內(nèi)的泄露氣體量來進(jìn)行熱失控事故的三級預(yù)警。

當(dāng)前電池充電安全預(yù)警技術(shù)，僅依靠電池機(jī)理模型難以覆蓋無數(shù)據(jù)異常表征的故障情況，而已有數(shù)據(jù)驅(qū)動模型大多需要大量數(shù)據(jù)用于前期模型訓(xùn)練，給模型應(yīng)用帶來一定難度，上述因素均導(dǎo)致電動汽車充電安全預(yù)警準(zhǔn)確度難以提升。針對上述問題，本文基于電動汽車充電數(shù)據(jù)提出一種基于多元狀態(tài)估計(jì)算法的充電安全預(yù)警技術(shù)，該技術(shù)需要少量數(shù)據(jù)即可完成模型訓(xùn)練，同時(shí)通過無監(jiān)督學(xué)習(xí)的方法彌補(bǔ)了僅僅依靠電池機(jī)理監(jiān)控充電異常的不足，本方案可自動化訓(xùn)練完成市場車輛的充電安全實(shí)時(shí)監(jiān)控及預(yù)警。

1 多元狀態(tài)估計(jì)原理

多元狀態(tài)估計(jì)技術(shù)[6]是一種非線性的多元狀態(tài)診斷技術(shù)，通過搭建系統(tǒng)正常工作時(shí)的安全邊界模型，計(jì)算系統(tǒng)某時(shí)刻實(shí)際觀測狀態(tài)與安全邊界狀態(tài)的估計(jì)向量，分析估計(jì)向量和觀測向量的相似性或殘差，進(jìn)行系統(tǒng)異常監(jiān)控。該技術(shù)目前在機(jī)械設(shè)備、電子產(chǎn)品等故障診斷等方面有成功的應(yīng)用。

1.1 過程記憶矩陣構(gòu)建

對于給定系統(tǒng)或監(jiān)控設(shè)備，假設(shè)其工作狀態(tài)由n個相互關(guān)聯(lián)的變量表示，將某一時(shí)刻i的這n個變量記為觀測向量，即

X（i）＝[x1 x2 ...xn]T

多元狀態(tài)估計(jì)模型訓(xùn)練首先要構(gòu)建記憶矩陣D，該矩陣由系統(tǒng)不同運(yùn)行時(shí)刻的m個歷史觀測向量組成，即

過程記憶矩陣中的每一列表示系統(tǒng)的一個正常工作狀態(tài)，通過合理構(gòu)建的過程記憶矩陣中的m個歷史觀測向量所張成的子空間能夠代表系統(tǒng)正常運(yùn)行的整個動態(tài)過程，該矩陣的構(gòu)造過程實(shí)質(zhì)為對系統(tǒng)正常運(yùn)行特性的學(xué)習(xí)和記憶過程。

1.2 估計(jì)向量計(jì)算

多元狀態(tài)估計(jì)模型的輸入為某一時(shí)刻系統(tǒng)的新觀測向量Xobs，模型的輸出為對該輸入向量的估計(jì)向量Xest。對任何一個輸入觀測向量Xobs，多元狀態(tài)估計(jì)模型生成一個m維的權(quán)值向量為

W=[w1 w2 … wm]T

使得

Xest=D · W=w1 · X（1）+w2 · X（2）+…+wm·X（m） （1）

即多元狀態(tài)模型的估計(jì)輸出為過程記憶矩陣中m個歷史觀測向量的線性組合。

權(quán)重向量W通過最小化觀測向量和估計(jì)向量的殘差獲得，即最小化下述殘差平方和：

S（w）=（Xobs-Xest）T · （Xobs-Xest）=（Xobs-DW）T · （Xobs-DW） （2）

將S（w）對權(quán)重向量中每個變量求偏導(dǎo)并賦值0，求得

W=（DT · D）-1 · （DT · Xobs） （3）

故估計(jì)向量為

Xest=D · （DT · D）-1 · （DT · Xobs） （4）

1.3 相似度計(jì)算

該模型基于歐氏距離dist_norm和余弦dist_cos距離定義一種相似度sim計(jì)算方法，來衡量觀測向量和估計(jì)向量的偏離程度。相似度計(jì)算過程如下。

首先分別計(jì)算歐式距離dist_norm和余弦dist_cos距離，

（5）

（6）

然后將歐式距離平移變換至[0，1]區(qū)間，

dist_cos=0.5 · dist_cos+0.5 （7）

最后計(jì)算相似度

（8）

觀測向量和估計(jì)向量距離距離越近，相似度值越大。

2 基于多元狀態(tài)估計(jì)算法的充電安全預(yù)警技術(shù)

2.1 數(shù)據(jù)處理

本文基于市場上某款新能源純電車型2023年全年數(shù)據(jù)完成模型訓(xùn)練和測試，樣本總數(shù)200，電池?cái)?shù)據(jù)采集周期10s。數(shù)據(jù)處理首先篩選出電池充電數(shù)據(jù)，并將充電數(shù)據(jù)按照恒流慢充、恒流快充和電流跳變3種工況切分，然后對每種工況數(shù)據(jù)段單獨(dú)進(jìn)行充電安全特征提取，最后對提取的特征進(jìn)行最大最小歸一化清洗。將清洗后數(shù)據(jù)作為多元狀態(tài)估計(jì)模型的輸入，進(jìn)行后續(xù)充電安全預(yù)警模型的訓(xùn)練和測試。

2.1.1 充電數(shù)據(jù)工況劃分

目前電動汽車大多采用階段恒流充電策略，考慮到快充、慢充和電流跳變過程的單體電壓變化規(guī)律存在差異，為提升模型精度，將充電數(shù)據(jù)切分成恒流慢充、恒流快充和電流跳變3種工況，分別搭建恒流慢充安全邊界模型、恒流快充安全邊界模型和電流跳變安全邊界模型。根據(jù)充電狀態(tài)和電流字段切分?jǐn)?shù)據(jù)，恒流過程要求前后連續(xù)兩幀電流數(shù)據(jù)的差值不超過1A，電流跳變要求前后兩幀電流數(shù)據(jù)的差值高于20A。

2.1.2 輸入特征提取

基于BMS采集的單體電壓、探針溫度、電池包電流、SOC等字段，進(jìn)行多元狀態(tài)估計(jì)模型的輸入特征提取。恒流過程關(guān)注電池電壓不一致性及電壓變化情況，電流跳變過程關(guān)注電池內(nèi)阻狀態(tài)，基于上述原則，恒流過程提取了9維特征，電流跳變過程提取了4維特征，特征詳情如表1所示。

2.1.3 數(shù)據(jù)歸一化

為避免量綱不一致干擾模型效果，采用最小最大歸一化方法清洗提取的特征數(shù)據(jù)，將全部特征轉(zhuǎn)化到[0，1]區(qū)間。歸一化公式如下。

其中，x為某一特征的原始數(shù)據(jù)，xmin為該特征全部數(shù)據(jù)集的最小值，xmax為該特征全部數(shù)據(jù)集的最大值。

2.2 多元狀態(tài)估計(jì)模型訓(xùn)練

基于多元狀態(tài)估計(jì)算法，分別訓(xùn)練恒流慢充安全邊界模型、恒流快充安全邊界模型和電流跳變安全邊界模型。模型訓(xùn)練主要是完成過程記憶矩陣的構(gòu)建，記憶矩陣的構(gòu)建目標(biāo)是從訓(xùn)練樣本中找到m個觀測向量，使其能覆蓋電池的全部正常工作狀態(tài)。已知?dú)w一化后每個輸入特征均位于[0，1]范圍，為全面覆蓋每維特征的每個正常工作狀態(tài)，針對每維特征對[0，1]區(qū)間的數(shù)據(jù)按照步長0.01取值，從訓(xùn)練集中查找符合條件的觀測向量加入到過程記憶矩陣D中，遍歷完全部輸入特征即完成過程記憶矩陣的構(gòu)建。

圖1為構(gòu)建過程記憶矩陣的操作流程圖，其中i表示歸一化后特征的索引，共n維；j表示訓(xùn)練集中觀測向量的索引，共L個觀測向量；k表示構(gòu)造過程記憶矩陣的迭代次數(shù)，該模型設(shè)置為100次；x（i，j）表示第i個特征第j個觀測向量的元素值；α此處取0.003。

本文基于120輛正常車數(shù)據(jù)進(jìn)行3種工況下過程記憶矩陣的構(gòu)建，最終獲得恒流慢充安全邊界模型過程記憶矩陣的維度為（9，461），恒流快充安全邊界模型過程記憶矩陣的維度為（9，457），電流跳變安全邊界模型過程記憶矩陣的維度為（4，157）。

2.3 電池充電安全預(yù)警實(shí)車驗(yàn)證

基于訓(xùn)練的安全邊界模型進(jìn)行電池充電安全預(yù)警，首先對測試車輛數(shù)據(jù)進(jìn)行工況劃分、特征提取和歸一化處理；然后將歸一化后特征構(gòu)成的觀測向量帶入訓(xùn)練好的安全邊界模型中，根據(jù)公式（4）計(jì)算得到測試車輛每個報(bào)文時(shí)刻的估計(jì)向量；最后根據(jù)公式（5-8）計(jì)算測試車輛每個報(bào)文時(shí)刻的相似度。相似度越低，表示測試車輛的狀態(tài)與正常車輛狀態(tài)偏離程度越高，故障風(fēng)險(xiǎn)越高。

基于一定數(shù)量正常車的相似度計(jì)算結(jié)果，采用標(biāo)準(zhǔn)差法確定充電異常的相似度預(yù)警閾值。標(biāo)準(zhǔn)差法首先計(jì)算全部相似度的均值和標(biāo)準(zhǔn)差σ，然后根據(jù)均值和標(biāo)準(zhǔn)差確定相似度的預(yù)警閾值T。計(jì)算公式如下。

其中，α為閾值系數(shù)，根據(jù)模型結(jié)果可設(shè)置為6。

因存在過程記憶矩陣D對車輛正常充電過程某個區(qū)域的覆蓋能力較弱的現(xiàn)象，所以相似度序列可能會出現(xiàn)一些孤立的相似度較低的點(diǎn)。為防止充電安全預(yù)警模型誤報(bào)，本文采用滑動窗口對原始相似度結(jié)果進(jìn)行均值平滑，窗口設(shè)置為1分鐘。平滑后數(shù)據(jù)超過預(yù)警閾值T后觸發(fā)異常預(yù)警。

本文基于50輛正常車的相似度結(jié)果確定相似度預(yù)警閾值T，最終得到恒流慢充工況T1=0.79，恒流快充工況T2=0.75，電流跳變工況T3=0.68。圖2為一輛故障車的測試結(jié)果，圖中藍(lán)實(shí)線表示車輛各時(shí)刻觀測數(shù)據(jù)的相似度，橙色線表示各工況的預(yù)警閾值T，其中恒流慢充和恒流快充工況出現(xiàn)連續(xù)多幀數(shù)據(jù)低于預(yù)警閾值，觸發(fā)充電異常預(yù)警。圖3 為一輛正常車的測試結(jié)果，該車各時(shí)刻的相似度均在安全工作范圍內(nèi)。采用80輛驗(yàn)證模型效果，經(jīng)測試驗(yàn)證，2輛故障車發(fā)生漏報(bào)、3輛正常車發(fā)生誤報(bào)，整體預(yù)警準(zhǔn)確度為93.75%。

3 結(jié)論

本文深入研究了基于多元狀態(tài)估計(jì)算法的電動汽車充電安全預(yù)警技術(shù)。首先進(jìn)行了電池充電數(shù)據(jù)處理，包括充電工況劃分、充電安全相關(guān)特征挖掘、特征歸一化處理。然后采用多元狀態(tài)估計(jì)模型搭建了電池充電安全邊界模型，使用相似度指標(biāo)量化電池異常程度，采用標(biāo)準(zhǔn)差法自動更新故障預(yù)警閾值。通過實(shí)車驗(yàn)證，該模型預(yù)警準(zhǔn)確度較高，適用于電動汽車充電安全實(shí)時(shí)監(jiān)控及故障預(yù)警，具有極高的工程應(yīng)用價(jià)值。

基金項(xiàng)目：規(guī)?；妱悠嚺c電網(wǎng)互動關(guān)鍵技術(shù)研究與示范應(yīng)用（二期）（項(xiàng)目編號：090000KK52222138）。

參考文獻(xiàn)：

[1]尹麗瓊，韋安定，韋財(cái)金.大數(shù)據(jù)下電動汽車動力電池故障診斷技術(shù)現(xiàn)狀與發(fā)展趨勢[J].時(shí)代汽車，2023（13）：154-156.

[2]袁單.基于數(shù)據(jù)驅(qū)動的電動汽車充電安全預(yù)警方法研究[D].吉林：東北電力大學(xué)，2024.

[3]李亞倫.高比能量鋰離子動力電池快充安全邊界分析、感知與調(diào)控[D].北京：清華大學(xué)，2021.

[4]Zhang H ，Hong J ，Li K ， et al.A fast data analysis method for abnormity detecting of lithium-ion batteries in electric vehicles[J].Journal of Energy Storage，2024，84（PA）：110855.

[5]Ao G ，Wenhui D ，F(xiàn)ang X ， et al.Study on Thermal Runaway Behavior of Lithium Ion Battery under Overcharge Using Numerical Detecting Method[J].Journal of Physics： Conference Series，2022，2195（1）.

[6]齊云龍，唐作興，王曉立，等.動態(tài)多元狀態(tài)估計(jì)算法在火力發(fā)電設(shè)備智能預(yù)警中的應(yīng)用[J].能源研究與信息，2023，39（04）：232-236.