- 頭條青島科大學者提出電動汽車充電狀態監測與多級安全預報警的新方法2022-08-30 作者：高德欣、鄭曉雨 等 | 來源：《電工技術學報》 | 點擊率：導語針對電動汽車充電過程自燃的問題，青島科技大學自動化與電子工程學院、青島科技大學信息科學技術學院的研究人員高德欣、鄭曉雨、王義、楊清，在2022年第9期《電工技術學報》上撰文，提出一種基于CNN-BiLSTM模型的電動汽車充電狀態監測與多級安全預報警方法。
全球范圍內，生態環境和能源危機問題日漸突出，較傳統燃油汽車，電動汽車在節約石油資源、降低碳排放方面具有巨大優勢，受到各國政府和汽車企業的重視。但是電動汽車在充電過程中，可能會發生自燃事故，阻礙電動汽車行業的發展。
研究發現，電池過溫是引起電動汽車充電自燃的重要原因。因此，構建電動汽車充電過程的溫度預警模型，對電動汽車電池的溫度進行實時監測和安全預警，能夠保障充電安全，有利于電動汽車行業的可持續發展。
目前，關于電動汽車充電過程安全預警和故障診斷的研究剛剛起步，成果較少。針對這個問題，可以借鑒在其他行業應用的如卷積神經網絡（Convolutional Neural Networks, CNN）、長短記憶網絡（Long Short Memory Networks, LSMN）和雙向長短記憶網絡（Bi-directional LSTM, BiLSTM）等深度學習方法進行研究。
理論上組合模型通過將多種模型融合，利用不同模型的優勢，對研究對象進行預測，能夠更好地滿足預測的實際需要，且預測精度優于單一模型。有學者組合CNN模型與LSTM模型，對短期負荷進行預測，該模型同時具備了CNN模型與LSTM模型的優點，有效降低了預測誤差；有學者選取真實的鋰離子電池數據集，組合CNN模型與BiLSTM模型，對鋰離子電池剩余壽命進行預測，實驗證明該模型具有比單一模型更高的預測精度。
針對電動汽車充電過程自燃的問題，青島科技大學自動化與電子工程學院、青島科技大學信息科學技術學院的研究人員高德欣、鄭曉雨、王義、楊清，在2022年第9期《電工技術學報》上撰文，提出一種基于CNN-BiLSTM模型的電動汽車充電狀態監測與多級安全預報警方法。
圖1 電動汽車充電多級安全預報警系統
圖2 電動汽車充電多級安全預報警流程
研究人員指出，該方法融合CNN模型和BiLSTM模型構建預測電動汽車充電數據的模型，克服了傳統LSTM模型只考慮單一歷史因素的缺點，提高了模型的預測精度。將該模型與CNN模型、LSTM模型、BiLSTM模型、CNN-LSTM模型進行對比，驗證模型性能。在此基礎上，他們將預測數據通過滑動窗口，消除數據傳輸過程中錯誤充電數據對殘差變化的影響，設定合理的預報警閾值，實時監測電動汽車充電狀態。
研究人員表示，試驗結果表明該方法可以對電動汽車充電過程進行實時監測，能夠及時發現故障并發出預報警信號，采取相應保護措施，減小電動汽車充電過程中的燒車風險，保障電動汽車充電安全。
本文編自2022年第9期《電工技術學報》，論文標題為“電動汽車充電狀態監測與多級安全預報警方法”。本課題得到了國家自然科學基金、山東省自然科學基金、山東省重點研發計劃（公益類）、山東省高等學校科學技術計劃和山東省研究生導師指導能力提升項目的支持。
