基于多元狀態估計算法的電動汽車充電安全預警技術研究

摘 要：隨著電動汽車快充技術的迅速發展，充電安全問題日益凸顯，實時監控充電過程的車輛狀態，進行車輛故障提前預警成為行業關注的焦點。本文基于多元狀態估計算法，首先進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估計算法的電池充電安全邊界模型，最后采用標準差方法確定充電異常預警閾值，實現電動汽車充電過程的安全監控和異常預警。經過驗證，上述方法的電動汽車預警準確度為93.75%，可用于不同品牌電動汽車充電過程的安全預警監控。

關鍵詞：充電安全 電動汽車 多元狀態估計算法 標準差法

隨著新能源汽車保有量的增加，電動汽車自燃事故發生頻率快速上升，電動汽車使用安全問題成為企業和用戶關注的重點。而電池快充技術的發展增加了電動汽車充電過程的安全風險，給電池安全性帶來了新的挑戰。研究電動汽車充電安全監控技術，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警模型主要包括電池機理模型和數據驅動模型。電池機理模型依靠車輛BMS或充電樁采集的充電數據，搭建電池異常診斷模型，如壓差異常擴大、溫升速率異常等，實現充電故障監控。數據驅動模型，通過深度挖掘充電數據的隱藏特征，使用機器學習或AI模型搭建電池異常診斷模型，借助大數據優勢解決電池安全監控問題。尹麗瓊等[1]介紹了基于信息熵的統計學方法，評估電池組的不一致性，實現電池故障診斷的技術。袁丹等[2]通過改進決策樹算法，建立了電動汽車充電安全運行監控模型，采用Informer算法，建立了充電安全短期預警模型。李亞倫等[3]從機理分析、狀態感知和運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，擴展了電動汽車動力電池的充電安全裕度，實現動力電池的安全快充。Zhang H[4]采用電池電壓數據，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，可成功識別欠壓、老化、內短路、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、電壓等數據，通過電池箱內的泄露氣體量來進行熱失控事故的三級預警。

當前電池充電安全預警技術，僅依靠電池機理模型難以覆蓋無數據異常表征的故障情況，而已有數據驅動模型大多需要大量數據用于前期模型訓練，給模型應用帶來一定難度，上述因素均導致電動汽車充電安全預警準確度難以提升。針對上述問題，本文基于電動汽車充電數據提出一種基于多元狀態估計算法的充電安全預警技術，該技術需要少量數據即可完成模型訓練，同時通過無監督學習的方法彌補了僅僅依靠電池機理監控充電異常的不足，本方案可自動化訓練完成市場車輛的充電安全實時監控及預警。

1 多元狀態估計原理

多元狀態估計技術[6]是一種非線性的多元狀態診斷技術，通過搭建系統正常工作時的安全邊界模型，計算系統某時刻實際觀測狀態與安全邊界狀態的估計向量，分析估計向量和觀測向量的相似性或殘差，進行系統異常監控。該技術目前在機械設備、電子產品等故障診斷等方面有成功的應用。

1.1 過程記憶矩陣構建

對于給定系統或監控設備，假設其工作狀態由n個相互關聯的變量表示，將某一時刻i的這n個變量記為觀測向量，即

X（i）＝[x1 x2 ...xn]T

多元狀態估計模型訓練首先要構建記憶矩陣D，該矩陣由系統不同運行時刻的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的一個正常工作狀態，通過合理構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正常運行的整個動態過程，該矩陣的構造過程實質為對系統正常運行特性的學習和記憶過程。

1.2 估計向量計算

多元狀態估計模型的輸入為某一時刻系統的新觀測向量Xobs，模型的輸出為對該輸入向量的估計向量Xest。對任何一個輸入觀測向量Xobs，多元狀態估計模型生成一個m維的權值向量為

W=[w1 w2 … wm]T

使得

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

即多元狀態模型的估計輸出為過程記憶矩陣中m個歷史觀測向量的線性組合。

權重向量W通過最小化觀測向量和估計向量的殘差獲得，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）對權重向量中每個變量求偏導并賦值0，求得

W=（DT · D）-1 · （DT · Xobs） （3）

故估計向量為

Xest=D · （DT · D）-1 · （DT · Xobs） （4）

1.3 相似度計算

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計算方法，來衡量觀測向量和估計向量的偏離程度。相似度計算過程如下。

首先分別計算歐式距離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]區間，

dist_cos=0.5 · dist_cos+0.5 （7）

最后計算相似度

（8）

觀測向量和估計向量距離距離越近，相似度值越大。

2 基于多元狀態估計算法的充電安全預警技術

2.1 數據處理

本文基于市場上某款新能源純電車型2023年全年數據完成模型訓練和測試，樣本總數200，電池數據采集周期10s。數據處理首先篩選出電池充電數據，并將充電數據按照恒流慢充、恒流快充和電流跳變3種工況切分，然后對每種工況數據段單獨進行充電安全特征提取，最后對提取的特征進行最大最小歸一化清洗。將清洗后數據作為多元狀態估計模型的輸入，進行后續充電安全預警模型的訓練和測試。

2.1.1 充電數據工況劃分

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律存在差異，為提升模型精度，將充電數據切分成恒流慢充、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。根據充電狀態和電流字段切分數據，恒流過程要求前后連續兩幀電流數據的差值不超過1A，電流跳變要求前后兩幀電流數據的差值高于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，進行多元狀態估計模型的輸入特征提取。恒流過程關注電池電壓不一致性及電壓變化情況，電流跳變過程關注電池內阻狀態，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 數據歸一化

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據，將全部特征轉化到[0，1]區間。歸一化公式如下。

其中，x為某一特征的原始數據，xmin為該特征全部數據集的最小值，xmax為該特征全部數據集的最大值。

2.2 多元狀態估計模型訓練

基于多元狀態估計算法，分別訓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。模型訓練主要是完成過程記憶矩陣的構建，記憶矩陣的構建目標是從訓練樣本中找到m個觀測向量，使其能覆蓋電池的全部正常工作狀態。已知歸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，針對每維特征對[0，1]區間的數據按照步長0.01取值，從訓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建。

圖1為構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表示訓練集中觀測向量的索引，共L個觀測向量；k表示構造過程記憶矩陣的迭代次數，該模型設置為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輛正常車數據進行3種工況下過程記憶矩陣的構建，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 電池充電安全預警實車驗證

基于訓練的安全邊界模型進行電池充電安全預警，首先對測試車輛數據進行工況劃分、特征提取和歸一化處理；然后將歸一化后特征構成的觀測向量帶入訓練好的安全邊界模型中，根據公式（4）計算得到測試車輛每個報文時刻的估計向量；最后根據公式（5-8）計算測試車輛每個報文時刻的相似度。相似度越低，表示測試車輛的狀態與正常車輛狀態偏離程度越高，故障風險越高。

基于一定數量正常車的相似度計算結果，采用標準差法確定充電異常的相似度預警閾值。標準差法首先計算全部相似度的均值和標準差σ，然后根據均值和標準差確定相似度的預警閾值T。計算公式如下。

其中，α為閾值系數，根據模型結果可設置為6。

因存在過程記憶矩陣D對車輛正常充電過程某個區域的覆蓋能力較弱的現象，所以相似度序列可能會出現一些孤立的相似度較低的點。為防止充電安全預警模型誤報，本文采用滑動窗口對原始相似度結果進行均值平滑，窗口設置為1分鐘。平滑后數據超過預警閾值T后觸發異常預警。

本文基于50輛正常車的相似度結果確定相似度預警閾值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果，圖中藍實線表示車輛各時刻觀測數據的相似度，橙色線表示各工況的預警閾值T，其中恒流慢充和恒流快充工況出現連續多幀數據低于預警閾值，觸發充電異常預警。圖3 為一輛正常車的測試結果，該車各時刻的相似度均在安全工作范圍內。采用80輛驗證模型效果，經測試驗證，2輛故障車發生漏報、3輛正常車發生誤報，整體預警準確度為93.75%。

3 結論

本文深入研究了基于多元狀態估計算法的電動汽車充電安全預警技術。首先進行了電池充電數據處理，包括充電工況劃分、充電安全相關特征挖掘、特征歸一化處理。然后采用多元狀態估計模型搭建了電池充電安全邊界模型，使用相似度指標量化電池異常程度，采用標準差法自動更新故障預警閾值。通過實車驗證，該模型預警準確度較高，適用于電動汽車充電安全實時監控及故障預警，具有極高的工程應用價值。

基金項目：規模化電動汽車與電網互動關鍵技術研究與示范應用（二期）（項目編號：090000KK52222138）。

參考文獻：

[1]尹麗瓊，韋安定，韋財金.大數據下電動汽車動力電池故障診斷技術現狀與發展趨勢[J].時代汽車，2023（13）：154-156.

[2]袁單.基于數據驅動的電動汽車充電安全預警方法研究[D].吉林：東北電力大學，2024.

[3]李亞倫.高比能量鋰離子動力電池快充安全邊界分析、感知與調控[D].北京：清華大學，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 ，Fang 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.動態多元狀態估計算法在火力發電設備智能預警中的應用[J].能源研究與信息，2023，39（04）：232-236.