基于自适应深度置信网络的电动汽车充电过程故障预警方法与流程

技术特征：
1.基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，具体包括以下步骤：s1：收集电动汽车充电过程各物理量的历史数据，建立数据集；s2：将数据集划分为正常充电数据集、故障充电数据集，并对其进行预处理；s3：采用nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络；s4：采用灰狼算法确定自适应深度置信网络的网络结构；s5：使用正常充电数据集训练自适应深度置信网络，得到电动汽车的正常充电模型，并使用故障充电数据和皮尔逊系数测试模型的预警性能；s6：将实时充电数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，根据皮尔逊系数大小判断是否出现故障，实现电动汽车充电过程故障预警。2.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s1中选取的电动汽车充电过程各物理量的包括但不局限于整车动力电池额定容量、整车动力电池额定电压、最高允许单体电压、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、最高允许温度、整车动力电池初始soc、整车动力电池初始电压、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、充电电流测量值、整车动力电池最高单体电压、整车动力电池当前soc、整车动力电池单体最高温度等信息。3.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s1中选取的电动汽车充电过程各物理量的历史数据包括正常充电数据和故障充电数据，故障充电数据为电动汽车充电的各种常见故障，包括但不局限于充电电压过高故障、充电电流过高故障、动力电池单体电压过高故障、动力电池温度过高故障、动力电池soc过高故障、整车动力电池电压过高故障等。4.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s2中对正常充电数据集、故障充电数据集进行预处理，其具体操作如下：(1)对数据进行离群点检测，删除数据中的异常数据；(2)采用插补法对数据中的缺失值进行填补；(3)利用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]。5.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s3中的自适应深度置信网络，采用nesterov加速自适应矩估计算法优化深度置信网络的训练过程，nesterov加速自适应矩估计算法的更新规则为：m
t
＝β1m
t
‑1 (1
‑
β1)g
t
v
t
＝β2v
t
‑1 (1
‑
β2)g
t2
式中，θ为深度置信网络的参数，g
t
为深度置信网络训练时的梯度向量，η表示深度置信网络训练的学习率，j(θ
t
)为深度置信网络的误差函数，为j(θ
t
)与深度置信网络参数的偏导数，m
t
、v
t
为深度置信网络训练时梯度的一阶矩(均值)和二阶矩(方差)，代表m
t
和v
t
的偏差校正，用来抵消偏差，β1、β2为m
t
和v
t
指数衰减率，ε为修正参数，用来保证分母非零，t为深度置信网络的迭代次数。6.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程预警方法，其特征在于，所述步骤s4中采用灰狼算法确定自适应深度置信网络的网络结构，所述灰狼算法遵守社会支配等级制度，由α狼、β狼、δ狼和ω狼组成，其中α狼为头狼，β狼服从α狼，δ狼服从α狼和β狼，ω狼服从上述三个社会等级的狼，具体实现步骤为：(1)包围猎物灰狼群根据最优解位置对其进行包围，距离为d＝|cgx
p
(t)
‑
x(t)|x(t 1)＝x
p
(t)
‑
agda＝2agr1‑
ac＝2r2式中，d为灰狼与最优解的位置，x
p
(t)和x(t)为第t次迭代后最优解位置和灰狼群位置，a和c为协同系数因子，其中a在迭代过程中从2线性降到0，r1和r2为[0,1]中的随机值。(2)追捕猎物定义d
α
、d
β
、d
δ
为α狼、β狼、δ狼与其他个体之间的距离，该行为的数学模型为：他个体之间的距离，该行为的数学模型为：他个体之间的距离，该行为的数学模型为：(3)攻击猎物当猎物停止移动时，灰狼通过攻击猎物获得全局最优解。7.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s5中使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，第一个阶段是预训练，采用逐层贪婪算法自下而上的训练每个受限玻尔兹曼
机，实现对数据特征的提取和网络权重的更新；第二个阶段是微调，采用反向传播算法，使用实际充电数据，按照自上而下的顺序对网络参数进行调整优化。上述过程结束之后，使用故障充电数据集和皮尔逊系数测试模型的预警性能。8.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s5中使用故障充电数据集和皮尔逊系数测试预警性能，是将故障充电数据集数据输入正常充电模型中预测输出，计算预测值与故障充电数据集中实际值的皮尔逊系数。当皮尔逊系数超过所设定的期望值时，进行故障预警，计算故障预警数与实际故障数之间的比例，测试模型的预警性能，皮尔逊系数计算公式为：式中，n是预测值与实际测量值的个数，x
i
、y
i
分别是预测值x、实际测量值y对应的i点观测值，与分别是x、y样本平均数。9.根据权利1要求的基于自适应深度置信网络的电动汽车充电过程故障预警方法，其特征在于，所述步骤s6中实现电动汽车充电过程的故障预警，是将电动汽车充电的实时运行数据输入到构建好的正常充电模型当中，得到该模型的预测值，计算模型预测值与电动汽车充电实际值之间的皮尔逊系数。若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。

技术总结
本发明设计一种基于自适应深度置信网络的电动汽车充电过程故障预警方法，首先收集电动汽车充电过程各物理量的历史数据，建立数据集；其次将数据集划分为正常充电数据集和故障充电数据集，并对其进行预处理；然后用Nesterov加速自适应矩估计算法优化深度置信网络的训练过程，构建自适应深度置信网络，并采用灰狼算法确定其网络结构；接着再使用正常充电数据集训练自适应深度置信网络，得到电动汽车正常充电模型，并使用故障充电数据集和皮尔逊系数，测试模型预警性能；最后将实时数据输入正常充电模型中预测输出，计算预测值与实际值的皮尔逊系数，若皮尔逊系数的值超过期望值，则进行故障预警，并切断电动汽车的充电，防止其发生起火事故。止其发生起火事故。


技术研发人员：杨清 高德欣 王义
受保护的技术使用者：青岛科技大学
技术研发日：2021.07.19
技术公布日：2021/10/8