一种电动汽车充电安全预警模型设计方法

钱立军，赵明宇，张卫国

（1.国网江苏省电力公司，江苏南京 210024；2.南瑞集团公司（国网电力科学研究院），江苏南京 211106；3.国电南瑞科技股份有限公司，江苏南京 211106）

一种电动汽车充电安全预警模型设计方法

钱立军1，赵明宇2，3，张卫国2，3

（1.国网江苏省电力公司，江苏南京 210024；2.南瑞集团公司（国网电力科学研究院），江苏南京 211106；3.国电南瑞科技股份有限公司，江苏南京 211106）

针对电动汽车充电安全事故，为了提高电动汽车充电安全预警能力，通过分析电动汽车充电安全影响因素，研究安全预警指标选取途径和方法，制定安全预警评价指标体系，研究安全指标权重评价方法。利用遗传小波神经网络训练原理及多尺度多分辨特点，通过划分5个安全预警等级，设计了一种电动汽车充电安全预警模型。通过对某充电站安全数据安全预警仿真分析，验证了该安全预警模型的可行性和正确性。

电动汽车；安全充电预警；指标评价体系；遗传小波

电动汽车作为新能源汽车的主要发展方向之一，越来越受到人们的重视[1-2]。随着电动汽车保有量不断增加，充电可靠性与安全性问题成为国外学者和工业界关注的焦点[3-4]。在我国充电设施种类不一、服务商性质不同等现状下，如何实现电动汽车基础充电设施互联互通及保证一体化充电安全预警，是当前亟需解决的问题之一[5-6]。

国外针对充电人员、汽车电池和充电设备的安全问题[7-8]，已经制定了如过压、过流、绝缘、漏电、短路等基本安全保护相关标准，并在此基础上进行进一步研究，如德国某公司对充电设备直流漏电保护、充电电缆自检等技术开展了研究[7]，美国某公司对充电过程中设备过热保护和控制技术也开展了研究[8]。但是，近年来充电安全事故仍时有发生，如何进一步提高充电设备的安全性，仍是世界各国研究和关注的焦点。针对车用动力电池，国内外学者开展了许多研究[9-14]，德国某研究中心对极端条件下锂电池安全问题的研究成果表明，锂枝晶是造成电池充电热失控的主要原因[9]；美国某国家实验室通过建立三维电池电热模型研究锂电池在滥用条件下的热安全问题[10]；日本某公司通过添加阻燃剂提高了大容量锂电池的热稳定性进而保证了电池的安全使用，并已应用在36 kW·h的锂电池系统中[11]。国外研究主要聚焦于从产热方面提高动力电池安全性的方法，并处于领先水平，但尚未开展电池充电安全系统化研究工作[12-14]。

对于电动汽车充电过程中所涉及到的着火、漏电等安全事故，为了提高电动汽车充电过程安全预警能力，本文设计了一种电动汽车安全充电预警模型，实现了对电动汽车充电安全预警。本文通过分析电动汽车充电安全影响因素，研究安全预警指标选取途径和方法，制定安全预警评价指标体系，研究安全指标权重评价方法；利用遗传小波神经网络训练原理及多尺度多分辨特点，通过划分5个安全预警等级，设计一种电动汽车充电安全预警模型；通过对某充电站安全数据安全预警仿真分析，验证了该安全预警模型的可行性和正确性。

1 安全预警指标体系

1.1 必要性和原则

1.1.1 必要性

安全预警指标体系的建立是电动汽车充电过程中对危险因素进行预警的关键[15-16]，通过建立安全预警模型判断事故规模和概率，及早给出判断和决策，降低充电安全事故发生概率。

1.1.2 原则

电动汽车互联互通充电是一个大电流、大功率过程，这个过程需要考虑多种安全因素，为了保证安全预警模型具有实用价值，需在满足实际安全需求的基础上，选取对充电安全具有决定性作用的安全预警指标。

1.2 安全预警指标选取途径和方法

1.2.1 指标获取途径

1）通过对已有安全事故分析，提炼可量化且在充电过程中期关键作用的因素作为安全预警指标主体。

2）颁布的电动汽车安全充电相关国际、国家、行业及企业标准和规范。

3）充电过程中的安全统计、安全管理及标准化文件等技术材料。

4）充电现场安全预警调研分析。

1.2.2 指标选取方法

1）指标选取时尽量选取能够表征突出特征量，且定量化和定性和相结合。

2）外部安全预警指标和内部安全预警指标相结合。

3）指标纵向区分和横向区分相结合。

4）指标个性和共性相结合。

1.3 指标体系构建

该电动汽车充电安全指标体系选择4个一级安全预警指标和17个二级安全预警指标，评价指标体系如图1所示。

图1 安全预警指标体系Fig.1 Security pre-warning index system

这些指标基本涵盖电动汽车充电过程中环境、设备、管理、监管等方面，能够代表电动汽车安全充电主要影响因素和主要特征。

2 指标权重及安全预警层次分析

2.1 指标权重确定

在图1安全预警指标体系中，把U1、U2、U3、U4称为一级指标，对于一级指标采用模糊层次分析法确定权重关系。

2.1.1 一级权重推导过程

建立基于专家Ek对安全预警模型一级安全预警指标进行两两比较，k表示专家个数，得比较矩阵：

式中：rij=Ni/Nj，i、j为一级安全预警指标编号。

采用方根法进行一级安全预警指标权重计算，步骤如下。

1）分别计算矩阵各行元素积：

式中：w=（1，2，3，4）是专家Ek判断矩阵行的序号。

2）计算ckw中4次方根并得出新的向量：

有Vk=[vk1，vk2，vk3，vk4]。

3）对向量Vk进行归一化处理：

有Fk=[fk1，fk2，fk3，fk4]为专家Ek对于一级安全预警指标权重判断向量。

4）一级安全预警指标权重计算公式为

2.1.2 二级权重推导过程

二级安全预警指标数量较大，采用专家评分进行判断相对复杂，本文采用熵权法将二级指标信息进行赋权，具体运算步骤如下。

1）原始指标值归一化处理[17-18]：

式中：xij为第i个一级安全预警指标的第j个二级原始指标值。

2）指标信息熵计算方法：

熵值越大的指标差异越大，作用越大，信息熵可衡量该指标信息强度值的大小，可通过信息强度值确定指标在模型中的权，信息熵值越大说明该指标在其所属的一级安全预警指标的重点权重值越大。

3）基于信息熵的二级权重值计算：

2.2 安全预警层次分析

安全预警等级是危险严重度的度量标准，以预警界限为基准，通过确定单个预警指标的等级来判断其对应的安全影响因素或模型的运行状态。本文将安全预警状态分为5个等级，等级间用4个值表示，分别为L、M、H、S，如表1所示。

表1 充电安全预警准则表Tab.1 Security pre-warning criteria for charging

单指标预警规则参考电动汽车充电所涉及的国家、行业、企业等标准以及相应的企业安全技术档案等制定，见表2。

表2 电动汽车充电二级指标监测规则Tab.2 Monitoring rules of EV charging secondary indicators

表2为后续算例中给出的数据分析提供评判依据。

3 基于遗传小波神经网络的安全预警模型

3.1 遗传小波神经网络

小波神经网络在数据压缩时，具有多尺度、多分辨特点，可以微观处理信号，且还具有良好的滤噪效果，小波神经网络的模型结构如图2所示[19-21]。

针对信息的正向传递函数，基于隐含层第i个神经元和输出层第k个神经元的输出为

图2 小波遗传神经网络架构Fig.2 Genetic wavelet neural network architecture

式中：a和b分别代表隐含层的输入和输出，误差函数为

如果误差信号超过期望值，则神经网络将进入反向传播过程。

该小波神经网络的隐含层输出计算公式为

3.2 安全预警指标量化处理

对于指标集N={U1，U2，U3，U4}，称为一级指标，如果专家Ej给出的属性值和自信度的数对（Mij，ξij），则所有专家对需要量化的预警指标给出的属性值和自信度可以形成一个数值序列：

则评价指标的量化值可通过下式技术获得：

如果专家无法给定预警指标数值，只能给定一个范围（Hi，Li），则预警指标的量化值可通过如下式获得：

对于一级指标采用模糊层次分析法确定权重关系。

3.3 安全预警模型运行过程

本文构建的基于小波神经网络的电动汽车充电安全预警模型运行流程如图3所示。

图3 安全预警模块运行流程Fig.3 Running processes for security pre-warning module

首先获取安全评价指标，通过阈值对比判断该指标所属危险隶属度，并通过五级安全预警模型做出警度判断。若模型处于危险状态，则发布安全预警信息；若模型处于正常状态，则忽略，实现数据流出。

4 算例分析

电动汽车充电过程安全预警预期输出结果及实际输出范围如表3所示。

表3 充电安全预警准则表Tab.3 Security pre-warning criteria for charging

本文选择南京某电动汽车充电站为对象，获取2015年4月、8月及2016年1月3个月的安全数据，进行安全预警模型验证，表4给出了该3个月所对应17个二级安全预警指标值。表4最后一列为经过指标评价后得出的基于信息熵的二级权重值计算结果。

遗传小波神经网络训练过程中，以表1评判规定为依据进行安全预警指标评定。全部预警指标值输入预警模型得出该电动汽车充电站安全预警结果，如表5所示。

表5中安全评价结果显示，该充电站整体安全效果较好，但是充电过程中环境温度和湿度对充电安全起到自关重要的作用，设备的机械化水平和故障率也是影响安全充电的主要因素，另外监管安全需要稍加完善。

表4 权重值计算结果Tab.4 Security pre-warning criteria for charging

表5 充电安全预警准结果Tab.5 Security pre-warning criteria for charging

5 结语

分析了电动汽车充电安全影响因素，研究了安全预警指标选取途径和方法，制定了安全预警评价指标体系，研究了安全指标权重评价方法。本文所设计的一种电动汽车安全充电预警模型，实现了对电动汽车充电安全预警，降低了电动汽车充电过程中发生着火、漏电等安全事故的可能，提高了电动汽车充电过程安全预警能力。

[1]王斐，李正烁，叶萌，等.电动汽车充电对电网的影响及其优化调度研究述评[J].南方电网技术，2016，10（6）:70-81.WANG Fei，LI Zhengshuo，YE Meng，et al.Review on research of impact of electric vehicles charging on power grids and its optimal dispatch[J].Southern Power System Technology，2016，10（6）:70-81（in Chinese）.

[2]刘大龙.基于PID控制的电动汽车充电系统智能断电设计[J].电力与能源，2016，37（1）:70-74.LIU Dalong.Intellgent power-off design for electric vehicle charging syst m based on pid control[J].Power& Energy，2016，37（1）:70-74（in Chinese）.

[3]王鸿，高虹亮，邓长征，等.冲击大电流试验系统的设计[J].电瓷避雷器，2014（3）:48-52.WANG Hong，GAO Hongliang，DENG Changzheng，et al.Design of impulse high current testing system[J].Insulators and Surge Arresters，2014（3）:48-52（in Chinese）.

[4]窦晓军.电动汽车充电负荷预测模型及对城市负荷影响研究[J].电网与清洁能源，2016，32（2）:103-108.DOU Xiaojun.Study on forecasting model of electric vehicle charging load and its impacts on the urban load[J].Power System and Clean Energy，2016，32（2）:103-108（in Chinese）.

[5]马玲玲，杨军，付聪，等.电动汽车充放电对电网影响研究综述[J].电力系统保护与控制，2014，41（3）:140-148.MA Lingling，YANG Jun，FU Cong，et al.Review on impact of electric car charging and discharging on power grid[J].Power System Protection and Control，2014，41（3）:140-148（in Chinese）.

[6]TANG W W，WU Y M，QIN J.Comparative study on electric vehicle charging standards at home and abroad[C]// Advanced Materials Research，2013（608）：1553-1559.

[7]YILMAZ M，KREIN P T.Review of battery charger topologies，charging power levels，and infrastructure for plug-in electric and hybrid vehicles[J].Power Electronics，IEEE，2012，92（11）：50-59.

[8]MEIKE FLEISCHHAMMER，THOMAS WALDMANN，GUNTHER BISLE，et al.Interaction of cyclic ageing at high-rate and low temperatures and safety in lithium-ion batteries[J].Journal of Power Sources，2015（274）：432-439.

[9]PANNALA J A，TURNER S，ALLU W R，et al.Multiscale modeling and characterization for performance and safetyoflithium-ion batteries[J].JournalofApplied Physics，2015，118（7）：072017.

[10]TOMONOBU TSUJIKAWA，KAHOU YABUTA，MASAYASU ARAKAWA，etal.Safetyoflarge-capacity lithium-ion battery and evaluation of battery system for telecommunications[J].Journal of Power Sources，2013（244）：11-16.

[11]魏琦.大规模电动汽车应用对城市电网负荷特性影响研究[J].华北电力大学学报，2014（6）:55-60.WEI Qi.A study of massive simulation vehicle effect oncharacteristics of city electricity network load[J].Journal of North China Electric Power University，2014（6）:55-60（in Chinese）.

[12]杜春林，李和明，张丽霞.动力蓄电池组中的PWM变流器及控制研究[J].电力科学与工程，2009，25（2）:1-5.DU Chunlin，LI Heming，ZHANG Lixia.Research on PWM converter and its control in power accumulator battery testing system for electric vehicles[J].Electric Power Science and Engineering，2009，25（2）:1-5（in Chinese）.

[13]花盛，潘晓明，阚建飞，等.基于锂电池组的变电站直流系统接线方式及其运行[J].江苏电机工程，2013，32（4）:28-31（in Chinese）.HUA Sheng，PAN Xiaoming，GAN Jianfei，et al.The connection mode and operation of DC power system based on li-ion batteriesin transformer substation[J].Jiangsu Electrical Engineering，2013，32（4）:28-31（in Chinese）.

[14]毛安家，杨浩.基于负荷变化趋势的继发性故障预警及调整[J].电力系统保护与控制，2013，41（21）:98-103.MAO Anjia，YANG Hao.Early warning and corrective control of secondary failure based on load tendency[J].Power System Protection and Control，2013，41（21）:98-103（in Chinese）.

[15]王栋，王婵，颜佳.一体化信息安全监测预警和调度指挥平台架构研究[J].电力信息与通信技术，2014，12（11）:115-120.WANG Dong，WANG Chan，YAN Jia.Research on the overall architectureofintegrative information security monitoring warning and dispatching command platform[J].Electric Power Information and Communication Technology，2014，12（11）:115-120（in Chinese）.

[16]熊金石，秦洪涛，李建华，等.基于信息熵的安全风险评估指标权重确定方法[J].系统科学学报，2013，21（2）:82-85.XIONG Jinshi，QIN Hongtao，LI Jianhua，et al.The systematic study of the regional scientific and technological talent reserve[J].Chinese Journal of Systems Science，2013，21（2）:82-85（in Chinese）.

[17]卢验锋，郜幔幔，钟红梅，等.考虑数据聚类特性的电能质量分级预警阈值设置方法[J].电力电容器与无功补偿，2016，37（3）:88-94.LU Yanfeng，GAO Manman，ZHONG Hongmei，et al.graded early warning threshold setting method of power quality considering the data clustering features[J].Power Capacitor&Reactive Power Compensation，2016，37（3）: 88-94（in Chinese）.

[18]王玉龙，崔玉，李鹏，等.基于小波分析改进的神经网络模型电力系统负荷预测[J].电网与清洁能源，2015，31（2）:16-21.WANG Yulong，CUI Yu，LI Peng，et al.Load forecasting of power system based on wavelet analysis improved neural network model[J].Power System and Clean Energy，2015，31（2）:16-21（in Chinese）.

[19]李德峰.基于小波特征的配电网线路运行工况识别[J].电网与清洁能源，2014，30（10）:54-70.LI Defeng.Recognition of distribution network transmission line operating conditions based on wavelet characteristics[J].Power System and Clean Energy，2014，30（10）:54-70（in Chinese）.

[20]李建科，王金全，马涛，等.基于BP神经网络的并联型有源电力滤波器直流侧电压PID控制设计[J].电网与清洁能源，2012，28（6）:66-69.LI Jianke，WANG Jinquan，MA Tao，et al.Design of DC voltage with pid control of shunt active power filter based on bp neural network[J].Power System and Clean Energy，2012，28（6）:66-69（in Chinese）.

[21]胡传胜，周玲，程蒙，等.含电动汽车和分布式电源的配电网动态重构[J].陕西电力，2015，43（4）：1-4.HU Chuansheng，ZHOU Ling，CHENG Meng，et al.Dynamic optimization of distributed network reconfiguration considering electric vehicle and distributed generation[J].Shaaxi Electric Power，2015，43（4）：1-4（in Chinese）.

（编辑 董小兵）

A Method to Design the Security Early Warning Model of EV Charging

QIAN Lijun1，ZHAO Mingyu2，3，ZHANG Weiguo2，3
（1.State Grid Jiangsu Electrical Power Company，Nanjing 210024，Jiangsu，China；2.NARI Group Corporation（State Grid Electrical Power Research Institute)，Nanjing 211106，Jiangsu，China；3.NARI Technology Development Limited Company，Nanjing 211106，Jiangsu，China）

Since the charging accident of electric vehicles is one of the major concern of the industry，to improve the ability of charging security warning of electric vehicle battery and reduce the accidents，factors that influence the safety of electric vehicle charging are analyzed，and approaches and methods to select the safety early warning index are proposed，which helps to establish the security early warning evaluation index system as suggested in the paper.In addition，a model of electric vehicle charging security early warning，which classifies five levels security early warning，is designed drawing upon genetic wavelet neural network training principles and based on multi-scale multi-resolution characteristics.A simulation analysis on early warning system based on a charging station safety data verifies the accuracy and feasibility of the proposed early warning model of electric vehicle charging.

electric vehicle；charging security warning；index evaluation system；genetic wavelet

2016-07-24。

钱立军（1977—），男，硕士，高级工程师，主要研究方向为电能计量、用电信息采集，电动汽车充换电建设运营、智能用电和网荷互动等；

赵明宇（1976—），男，硕士，高级工程师，主要研究方向为电动汽车充换电技术、电动汽车与智能电网协调控制等；

张卫国（1980—），男，硕士，高级工程师，主要从事电动汽车充电设施开发工作。

国家重点研发计划新能源汽车重点专项（2016YF B0101800）。

Project Supported by the Special Fund for New Energy Vehicles of National Key Research and Development Program（2016YFB0101800）.

1674-3814（2016）12-0114-06

TM73

A