电动汽车与充电设备充电安全预警研究综述

高 辉，彭成薇，李炜卓，李奕杰，陈良亮

（1.南京邮电大学自动化学院、人工智能学院，江苏省 南京市 210023；2.南京邮电大学现代邮政学院，江苏省 南京市 210023；3.国电南瑞科技股份有限公司，江苏省 南京市 211106）

0 引言

随着国家“双碳”目标持续推进，新能源汽车保有量持续增长，充电设备投运规模日益扩大。据统计，2023 年中国新能源汽车保有量为2 041 万辆，同比增长率为55.8%。截至2023 年12 月，全国充电基础设施累计数量为859.6 万台，同比增加65%。其中，2023 年充电基础设施增量为338.6 万台，同比上升30.6%。近两年充电设施增速逐渐放缓，充电基础设施安全维护的重要性日益显著。

不同于传统燃油汽车，电动汽车的充电过程存在安全隐患、易自燃、运维效率低等问题［1］。充电桩作为电动汽车与电网的连接点，其可靠运行直接影响电动汽车的高效使用和电网安全［2-3］。为保障电动汽车安全充电和用户体验，充电时电动汽车和充电设备安全预警的研究工作具有重要意义。

在电动汽车电池充电安全预警方面，针对电池热失控问题，部分学者从物理模型的角度，基于电动汽车动力电池的物理特性和工作原理［4-5］进行安全监测。另一些学者利用充电数据，提出了基于传统机器学习与深度学习的电动汽车电池充电安全预警方法［6-9］，可以有效地解决物理建模较为困难的问题。此外，针对电池失效数据库获取难和电池特征提取映射难的问题，文献［10］提出基于数据驱动的安全包络算法用于保证电池组的安全性；文献［11］提出了锂离子电池健康评估框架，通过在线测量电池相关参数来估计电池的健康状况。在充电设备安全预警方面，针对充电桩虚警率过高、故障不能复现以及故障诊断时间过长等问题，一部分学者从数学模型的角度，提出了基于马尔可夫模型［12］和曼哈顿距离法［13］的充电桩健康状态评估方法。另一部分学者基于数据驱动方法，提出云平台远程控制与监控维护系统［14］，用于实时获取充电数据和故障设备的信息，采用残差网络和门控循环单元（gated recurrent unit，GRU）算法［15］，对充电桩充电模块电路中多维度故障信号进行融合诊断。

文献［16］综述了动态运行条件下电池的健康状态监测和预测技术；文献［17］对电动汽车充电站的系统架构和国际标准进行了综述；文献［18］总结展望了太阳能动力电池电动汽车充电站的发展现状；文献［19］系统梳理了电动汽车动力电池系统故障诊断方法的研究现状。然而，上述相关综述缺少对充电安全预警方法的整体梳理。

本文首先对充电安全影响因素进行了详细梳理，系统地分析了各种可能影响充电安全的因素；然后，对现有的充电安全预警方法成熟度进行了全面总结与深入探讨；接下来，总结了预警模型精度与预警误差等方面的评估指标，为评价预警模型的有效性提供了依据；其次，基于真实充电订单数据与工单数据对现有模型进行了系统的评估与对比分析。从实际数据出发，对比了不同预警模型的性能差异。最后，本文对电动汽车与充电设备充电安全预警的后续研究工作进行了展望，为未来相关研究方向提出建议。

1 充电安全影响因素

电动汽车充电安全问题涉及方面广，影响因素复杂并且相互作用，往往会对人身、汽车和周边环境造成损害［20］。研究分析电动汽车充电安全影响因素以防止危险事故发生是充电安全运维的基础。为此，本文将从电动汽车和充电设备两方面进行安全影响因素的归纳总结，并提出了相应的保护措施，其中，本文所探讨的充电设备主要指直流充电桩和交流充电桩两类，电动汽车与充电设备充电过程安全分析流程如图1 所示。

图1 电动汽车与充电设备充电过程安全分析Fig.1 Safety analysis on charging process of electric vehicles and charging equipment

首先，从电动汽车和充电设备两方面分析充电安全的影响因素。电动汽车充电安全影响因素主要包括动力电池过热、电池管理系统（battery management system，BMS）失效、充电环境和车网互动因素等；充电设备安全影响因素主要包括通信安全隐患、充电设备外壳绝缘、环境和其他因素等。通过安全影响因素分析，需要制定相关法规引导并调整标准协议，规范充电市场和充电相关标准；同时，也为制造商维护电动汽车、运营商管理充电设备以及用户的规范使用提供支撑。基于以上相关工作制定更合理的评价指标，以提高充电故障预警的有效性，从而保障电动汽车充电安全。

1.1 电动汽车充电安全影响因素

1.1.1 动力电池相关因素

电动汽车动力电池过热是引起电动汽车充电自燃的重要原因［7］。电池充电过程中的高功率输入、过充电、内部短路和电池本身缺陷［21］可能导致过热，从而可能导致电解液降解效应、隔膜失效等问题，引发短路、内部燃烧甚至爆炸，造成严重的安全事故。文献［22］提出设计防高温隔膜、采用更安全的正负极材料、提高电解液的稳定性可以有效提高动力电池单体的安全性。

1.1.2 BMS 通信失效

BMS 负责监测和控制电池的状态，包括温度、电压、电流等参数［23］。一个高效可靠的BMS 是确保电池在充电过程中安全运行的关键。充电设备在充电过程中与BMS 实时通信，根据其指令调整充电桩输出电压和电流。充电结束时，BMS 发出指令终止充电。若通信中断，充电桩继续输出，可能导致电池过充，引发安全事故［24］。因此，通过引入冗余通信机制、时序监控机制、自动断电保护机制并定期维护、同时采取远程监控与报警等措施，可以有效解决BMS 通信失效的问题，提高充电过程的安全性和可靠性。

1.1.3 充电环境因素

电动汽车充电的安全性不仅与电池内部反应有关，也在一定程度上受充电时环境的影响［25］。恶劣的环境条件，如极端温度、高湿度等，可能导致电池过热或过冷，影响电池的性能和寿命。另外，充电过程中的静电和电磁干扰也可能干扰电池内部反应，进而影响电池的安全性。因此，在充电过程中，必须对周围环境进行实时监测，及时发现异常情况，以预防潜在的安全事故。

1.1.4 车网互动因素

车网互动是指电动汽车、充换电基础设施与电网之间信息与能量的交互过程［26-27］。由于电动汽车用户充电行为的随机性，电网高峰时间集中的大功率电动汽车充电会改变电网的负荷特性，产生欠压、台变过载等安全问题［28］。另外，电动汽车在充放电过程中产生的谐波、冲击电流和无功功率会增加电网损耗，降低线路末端节点电压，从而导致电能质量下降。此外，当电力系统负荷分配三相不平衡时，增加输电线路线损，加剧变压器的附加损耗，从而导致电压振荡或频率不稳定、供电中断等问题［29］。因此，大功率充电设备接入导致的配电网负荷特性改变、电能质量下降和系统三相不平衡问题，同样也会影响电动汽车的充电安全。

1.2 充电设备安全影响因素

1.2.1 充电设备通信安全隐患

为了保障充放电系统的安全性，需要采用通信协议来约束充放电设施和BMS 之间的行为［30］。国家标准规定，在整个充电过程阶段中，充电设备和BMS 如果在规定的时间内没有收到对方报文或没有收到正确报文，即判定为通信超时［31-32］。

通信安全方面存在的安全隐患主要分为自然因素与人为因素［33］。自然因素主要涉及通信协议失效等技术性问题，由于通信条件差、硬件故障或数据传输错误而导致通信中断或异常。人为因素是指攻击者通过外部访问接口渗透到连接关键控制单元的充电桩控制器局域网（CAN）总线，通过CAN 总线发送恶意攻击报文，中断充电过程，篡改充电计费数据，窃取并泄露用户信息等［34］。

1.2.2 充电设备绝缘因素

研究表明，充电设备的绝缘老化故障和通信故障占比较高，而本身的机械故障占比较低［24］。充电设备绝缘性受外壳防护能力、电气间隙与爬电距离、介电强度、绝缘电阻、接触电流以及冲击耐压等多个因素影响。其中，外壳绝缘性能直接决定着充电电流是否能够安全地流经充电设备，保护使用者免受触电和电击的风险。同时，合格的外壳绝缘材料和结构可以阻隔潮湿、灰尘和其他外界因素对充电设备内部电路的侵入，保证设备的正常运行和持久耐用性［35］。

1.2.3 充电过程环境因素

不同天气和应用环境之间存在着显著的差异，温度、湿度等参数的变化都可能影响充电设备绝缘材料的性能［30］。例如，大温差将导致绝缘材料内部形成裂纹，降低其绝缘性能；高湿度环境下，外壳表面的水珠可能导致漏电事故的发生。为了确保充放电设备的安全性能，GB/T 18487.1 标准中要求其具备一些安全防护特性，如防潮湿、防霉变、防烟雾等［36］。在充电设备的建设中，运营商应该综合考虑温度、湿度、化学物质、电力、机械应力和灰尘等环境因素对充电设备的影响，合理地选择位置，以确保充电设备的稳定运行［37］。

1.2.4 其他因素

充电枪的使用年限和设备老化程度也对充电设备的性能有很大影响［12］。充电设备的维护和检修情况、机械化水平和故障率也会影响充电过程的安全性［6］。除此之外，提供明确的使用说明和安全标识、对用户进行安全教育至关重要，可避免错误操作和事故发生。

1.3 充电安全影响因素体系构建

车-桩-网互联的一体化控制是解决纯电动汽车充电问题和提高使用便利性的关键［38］。因此，构建充电安全影响因素体系对提高充电安全体系评价效果、保障车辆充电安全、促进电动汽车发展起到有效支撑作用。

充电过程中的故障主要集中在非车载充电机和车辆接口两处［39］。电池故障会影响电堆的正常运行（烧坏电堆的电力电子保护装置）；充电桩故障会影响充电安全和当地电网的稳定性（电压冲击、电压超限、电能质量下降等）［40］；区域电网出现故障的概率较小，如果出现故障，将直接影响充电桩（过压、过流、谐波等），使电动汽车无法正常充电［41］。若电网出现出力波动、负荷波动和结构变化等因素导致部分电动汽车无法进行安全充电时，可以基于车网互动过程的系统动力学模型来进行仿真，以此提升电网的能效平衡与安全运行水平［42］。此外，可以引入动力电池健康度来优化电动汽车的充放电策略［43］和车网互动策略［44］，缓解无序充放电所引起的电能质量下降问题，从而减少充电过程中对电网和充电设备的不良影响，保证车网互动中的用能安全。

因此，充电安全影响因素体系包括电网侧、充电设备侧、电动汽车侧和平台监控系统的安全问题。电网侧的充电安全问题主要在于对电网稳定运行的不利影响，包括:负荷限制、峰谷限制、电能质量限制、谐振风险、继电保护动作和防孤岛保护功能缺失等［29，45-46］；充电设备侧的安全问题主要涉及漏电、故障、不兼容、启动失败和异常防护措施不到位等；电动汽车侧的安全问题主要是电池和BMS 存在缺陷；平台监控系统的安全问题主要包括恶意网络攻击、窃电风险等［47］。

然而，当前以树状形式构建的充电安全影响因素体系存在局限性，各影响因素之间缺乏关联性，如果这些关联性被忽略，那么预警系统可能无法准确地捕捉到潜在的安全风险。因此，需要对充电安全影响因素进行系统化分析，包括对不同因素之间的潜在关联性进行深入研究，建议以安全影响因素体系森林或者共享子因素的方式来进行构建，有利于安全因素之间关联的深度挖掘，有助于安全预警模型进行快速定位并提供可解释的监测分析。

2 充电过程安全预警方法研究

图2 展示了充电安全预警方法的分类图。目前提出的充电安全预警方法主要可分为基于物理模型的方法与基于数据驱动的方法［48］。

图2 充电安全预警方法分类图Fig.2 Classification diagram of charging safety early warning methods

物理模型基于电池热失控机理和多种传感器监测信号来搭建，主要采用内短路检测和析锂检测等手段来监测电池内部的温度、电流和电压等参数变化。同时，物理模型也可以根据电池在充电过程中发生的析锂特征判断内部电路短路风险，并借助相关传感器监测电池的形变、气体浓度和声音等信号，以此来提前发现电池充电中的异常情况。基于数据驱动的预警模型主要分为传统机器学习方法和深度学习方法。传统机器学习方法包括反向传播（back propagation，BP）算法、小波神经网络（wavelet neural network，WNN）和层次分析法（analytic hierarchy process，AHP）等，它能够对已有的充电数据进行模型学习，以此完成充电安全预警的任务。深度学习方法包括长短期记忆（long short-term memory，LSTM）网络、GRU 和自适应深度信念网络（adaptive deep belief network，ADBN）等，它利用深层次的网络参数来拟合海量的充电数据，从而达成充电安全预警的目标。近年来，关于电动汽车充电安全性能的研究主要基于电池本身的热失控机理，基于大数据分析的研究仍处于起步阶段［49］。

本文将以充电安全影响因素为基础，从电动汽车动力电池和充电设备两方面分析总结现有的安全预警方法。

2.1 充电安全预警关键技术

2.1.1 传感信号监测电池热失控

关于电池热失控的预警，主要是通过电池出现热失控的临界条件对电池进行监控和预警［50］。电池在出现热失控的过程中，其电压、电流、内阻、内部压力、温度等都会出现明显的变化［51］，电池正负极将达到析氢、析氧电位，释放含有氢气和氧气的混合特征气体。

1）温度监测:采用温感探测器及时监测电池的温度变化对温度进行监控，当温度异常升高超过临界温度时，发出预警信号［52］。

2）内阻监测:通常情况下，当电池工作在正常温度范围内时，电池的内阻随着温度升高而降低，但是当超过正常工作范围甚至发生热失控时，电池的内阻会有明显的上升［53］。因此，通过监测电池的内部电阻变化，特别是当内阻明显增大时，可能表明电池发生故障。

3）电压监测:电池热失控过程也会导致电压发生异常变化，最终降至0 V。监测电池的电压变化，可以发现电池性能下降或异常情况。

4）内部压力监测:电池热失控过程中生成的气体和烟雾，引起内部压力变化和鼓包现象。因此，可以通过监测电池内部气体生成导致的压力变化，预警热失控情况［54］。

5）特征气体与烟雾监测:监测电池出现热失控时产生的特征气体与烟雾，例如CO、H2、HF 和各种烃类等气体［55］，可及时发现电池异常情况。

2.1.2 传统机器学习方法

1）BP 算法:通过不断地调整神经网络中的连接权重，使得网络能够逐渐学习到输入数据的特征，并能够做出更准确的预测。该算法能够在充电安全预警模型训练、特征提取、预测优化和实时系统优化等方面发挥作用，帮助神经网络更好地理解充电过程中的复杂数据，从而提高安全预警系统的性能和准确性。

2）WNN:结合小波分析和人工神经网络模型，将小波变换多尺度分析与神经网络的非线性逼近相结合，通过对充电过程数据的时频特征提取和异常检测，实现对充电故障的及时监测和预警。

3）AHP:将决策问题拆分成不同层次的准则和方案，然后通过两两比较得出各因素之间的重要性权重，最终得出最佳的决策选择。充电安全预警涉及多个影响因素和决策准则，例如，将是否进行安全预警的总体目标作为目标层；将影响充电安全的各种因素作为准则层，如电池状态、充电设备状态、环境条件等；将针对不同预警情况的应对措施或预警级别作为备选方案层。

2.1.3 深度学习的方法

1）LSTM 网络:充电过程中的电流、电压、温度等数据是时间序列数据，LSTM 网络改善了传统递归神经网络在处理长序列数据时容易出现梯度消失或梯度爆炸的问题。LSTM 网络内部的记忆单元由1 个单元状态和3 个门控制器（输入门、遗忘门和输出门）组成，这些门能够控制信息的流动，使得网络能够选择性地记住或忘记过去的信息，从而更好地处理长序列数据［56］。

2）GRU:通过引入更新门和重置门2 个门控制器，使得网络具有更强的记忆能力，弥补了递归神经网络的不足。其中，更新门决定了历史信息对当前状态的影响程度，重置门控制了历史信息和当前输入之间的融合程度，两者决定是否更新记忆状态和当前时间步的隐藏状态，然后，根据当前输入计算新的隐藏状态。

3）ADBN:ADBN 训练过程包含预训练和微调两个阶段。以充电电压的预测为例:在预训练阶段，ADBN 接收充电需求电压、充电需求电流、实际充电电流和温度等信息，通过受限玻尔兹曼机逐层进行特征提取，实现对输入数据高层特征的提取和训练网络的连接权值更新。在预训练完成后，通过BP算法进行微调，将预测的充电电压作为输入，输出实际的充电电压。同时，在模型训练的过程中动态地调整学习率和超参数。这种自适应学习的机制使得ADBN 在处理不同类型的数据和问题时具有更好的鲁棒性和泛化能力。

2.2 电动汽车电池充电安全预警研究方法

2.2.1 基于物理建模的方法

电池热失控中的相应特征反应研究为电动汽车安全充电预警提供了重要的技术支持。基于物理模型的方法就是利用电动汽车动力电池的物理特性和工作原理，建立电池等效电路模型和电化学模型等，通过对其中一种或几种特征参数及特征气体的监测对电池热失控进行预警［57］。例如，文献［4］通过对电动汽车电池充放电或运行时电池产生的氢气浓度参数进行采集、分析、显示和存储，提出了一种基于LabVIEW 的虚拟检测系统，实现了氢气浓度超限的实时预警功能。文献［58］利用蒙特卡洛法模拟配电网故障，引入电动汽车电池容量的变化和负荷削减模型，对车网互动中配电网故障时的可靠性进行了评估，以此实现电动汽车电池充电安全预警。文献［59］利用电池内部阻抗幅值和相位的变化来监测电池内部温度，从而提出了一种基于阻抗相位快速监测法的锂离子电池热失控预警方法，为电池安全性能提供了一种新的监测手段。此外，文献［5］提出了一种基于建立传感器模型的故障诊断方案，用于检测和隔离串联锂离子电池组的电流或电压传感器的故障，为电动汽车电池组的故障诊断提供了新思路。基于此，文献［60］通过建立电池模型，对比电池模型模拟的充电响应信息与实际充电状态信息，判断充电过程的安全性，为电动汽车充电系统的安全性能提供了一种新的评估方法。2023 年，中国学者提出了一种可植入电池内部的多模态集成光纤原位监测技术，实现了对商业化锂电池热失控全过程的精准分析与提早预警，为快速切断电池热失控带来的链式反应提供了有力的预警手段［61］。

2.2.2 基于传统机器学习的方法

文献［6］利用遗传WNN 训练原理和多尺度多分辨特点，开发了一种识别电动汽车充电过程电池故障引起安全事故的安全预警系统，能够预测电池故障引起的着火、漏电等安全事故。基于此，文献［7］利用BP 神经网络成功预测并识别出充电故障的原因为BMS 程序休眠导致充电无法终止。文献［49］以电动汽车实时充电报文数据为研究对象，提出了一种基于改进的广义BP-AHP 的评估方法。通过计算电动汽车充电消息数据的特征隶属度，建立基于压缩因子的改进广义BP 神经网络来评估锂离子电池的充电安全性。针对电动汽车安全预警系统数据信息量高并发、广分布的特点，文献［62］引入了云计算技术，通过存储和分析历史运行数据，结合新数据和历史数据进行预警分析和检修预判。为解决参数辨识困难和扩展能力差的问题，文献［44］采用神经网络、聚类和粒子群优化算法（particle swarm optimization，PSO）等方法，基于充电数据，从电池的充电曲线中提取出与电池健康状态相关的特征来预测动力电池的健康度。文献［63］提出了一种基于信号分解和二维特征聚类的电池早期故障诊断方法。该方法引入辛几何模态分解得到表征电池状态的分量，建立了基于归一化扩展平均电压和动态时间规整距离的相似度特征，从静态分量和充电段中提取信号。这种方法可以减少故障检测过程中所需阈值的数量。

2.2.3 基于深度学习的方法

文献［9］提出了一种改进GRU 的直流充电桩故障预测模型。该方法通过采用变分自编码器数据增强技术扩充故障样本数据，从而改善了数据样本采集量少的问题。在此基础上，基于GRU 网络模型实现了电池的故障预测，利用PSO 对网络参数进行优化。此外，还引入了支持向量机（support vector machine，SVM）模型来改善分类函数，最终形成了综合PSO-GRU-SVM 的故障诊断模型。文献［7］针对电动汽车充电过程中的自燃问题，将卷积-LSTM网络模型迁移到电动汽车安全预警领域，通过卷积-LSTM 网络提取电动汽车充电数据的深层特征，用滑动窗口法消除错误传输数据的影响，用残差分析法设置合理的预警阈值，并对该方法进行了充分训练。文献［64］针对锂离子电池热失控问题，提出了一种基于改进灰狼优化算法与BP 算法的电动汽车充电安全预警模型。

2.3 充电设备安全预警研究方法

2.3.1 基于数学建模的方法

电动汽车电池系统是一个强非线性、有时滞、复杂的系统，并且充电设备参数复杂且不同参数间耦合，导致物理建模很难进行［19］。文献［12］针对国内充电桩在使用过程中存在虚警率过高、故障不能复现以及故障诊断时间过长的问题，提出了一种车联网环境下基于马尔可夫模型的充电桩健康状态综合评估与预测方法。文献［13］提出了一种充电设施故障概率模型，分析了充电设施的变压器组件、整流柜组件、充电桩组件、枪线组件、串联模块和整流模块的相关概率参数，对不同站进行重要度等级划分，并实时评估各充电站的可靠性以合理分配运维时间和资源。文献［65-66］针对电动车充电网络整体运行效能的稳定性，提出了一种基于组合广义时间序列的自回归（autoregression，AR）模型用于充电桩运行异常预测。

2.3.2 基于数据驱动的方法

针对常规BP 神经网络预警精度不高的问题，文献［67］利用电动汽车充电历史数据构建正常充电过程的ADBN 模型，提出了一种基于ADBN 的电动汽车充电过程故障预警方法。文献［68］研究了基于自适应增强算法（adaptive boosting，AdaBoost）-梯度提升决策树（gradient boosting decision tree，GBDT）的自训练算法对3 种充电桩风险状态的判别能力，结果表明所提方法对长期评估充电桩风险状态有效，并且优于其他传统算法。针对充电桩开路故障信号多维度的特点，文献［15］利用直流充电桩充电模块电路中前级整流器输入电流和后级DC/DC 变换器的变压器电流作为特征信号。通过张量重构、残差网络和GRU 进行自动特征提取，对前后级信号特征进行融合诊断。此方法避免了传统深度学习算法使用的图像化输入或一维输入，无须人为选定故障特征参数，充分发挥了深度神经网络的并行诊断性能。

2.4 安全预警方法成熟度分析

根据系统文献调查法［69］，在对初始检索结果应用纳入标准（例如，只考虑期刊、会议论文）和排除标准（例如，删除重复文章，只考虑问题有完整解决方案的版本）后，选择2014 年至2023 年共45 篇文献进行综述分析电动汽车充电安全预警问题，并评估在充电过程中对于不同风险因素的预警方案研究成熟度，如表1 所示。表中使用3 种图标来定性地表示所提出解决方案的成熟度，并列出对应的代表文献。

表1 充电安全预警方法研究成熟度Table 1 Research maturity of charging safety early warning methods

根据表1 的统计分析结果得出以下结论。

1）动力电池充电安全预警物理模型研究方面:在过热和综合健康状态两方面的研究工作上，由于早期关于锂离子电池的相关研究较多，该类研究工作已经相对成熟，主要采用电化学和电池建模的方法。相比之下，关于BMS 通信异常、电压电流功率异常和绝缘环境异常等其他综合方面的研究仍有较大提升空间。

2）动力电池充电安全预警数据驱动研究方面:在过热、电压电流功率异常、综合健康状态等因素的研究工作上，由于场景的数据较多，该类研究工作已经相对成熟，主要采用基于BP 和LSTM 的改进算法。相对而言，在围绕通信异常与绝缘环境异常等因素的研究上，由于标注数据较少，仍缺少重要的研究工作来弥补现有的应用场景。

3）充电设备充电安全预警数学模型研究方面:在过热和综合健康状态等因素的研究工作上，主要采用的算法有马尔可夫过程算法、概率模型和时间序列算法，但这些算法无法预测故障位置及主要原因。在通信异常，电压、电流、功率异常和绝缘环境异常方面的预警研究则需要考虑多个变量之间的关系，对于基于数学建模的算法和模型的设计有更高的要求，仍需要进一步深入研究。

4）充电设备充电安全预警数据驱动研究方面:在过热、通信异常、电压电流功率异常和综合健康状态等因素的研究工作上，主要采用基于模糊神经网络、GRU 和传统机器学习相结合的改进算法。虽然充电设备的充电数据较多，但是存在数据获取难、故障提取难和评估标准不统一等问题，该方面仍有较大研究空间。相对而言，在绝缘环境异常等因素的研究上缺少量化评估数据，需要进一步开展相关研究以填补现有应用场景的不足。

3 充电过程安全预警方法评估

3.1 评估指标

性能测量对于评估和分析任何模型算法的有效性都至关重要［72-73］。通过对测量电压、测量电流、输出电流、最大/最小单体电池温度等参数的实时监测，安全预警保护模型的指标主要包括:需求电压超过最大允许电压、需求电流超过最大允许电流、充电过流、电池组过压、充电机输出电压超差、充电机输出电流超差、电池单体过压、电池过热、充电时电池荷电状态（state of charge，SOC）超出范围、电池不平衡、电池温升异常、充电SOC 不变等［74-75］。

目前，电动汽车充电安全相关研究大多是针对电动汽车动力电池的健康评估［76］或充电设备的安全状态评估［40］。文献［6］提出了4 个一级安全预警指标，分别为环境安全、设备安全、管理安全和监管安全，其下包括17 个二级安全预警指标，分别为温度、湿度、质量达标度、保养合格率、故障率等。根据不同的阶段特点和指标选取原则，文献［77］提出了设备利用率、负荷曲线改善度和市场占有率等构成的指标集合用于评价充电设施建设方案。针对电池一致性评估，文献［78］提出放电终止电压的评估指标，并且相比于标准差作为评估指标的筛选效果更好，数据处理更为简单、快速。

然而，上述指标存在以下两个问题:首先，它们仅适用于电池时间流的实时检测与判断，对充电桩故障诊断的分类预测任务模型并不适用。其次，上述指标是针对特定场景设置的，例如，电动汽车动力电池健康评估、充电设备安全状态评估、充电设施建设方案评价、电池一致性评估等。这些指标主要根据电动汽车充电安全相关的需求和特点设计，旨在提供有效的评估和监测手段，以确保充电过程中的安全性和可靠性，并不适用于充电桩故障诊断模型的评估。

因此，本节主要介绍在预警模型准确性评价和预警结果误差评价两方面更具普适性的相关评估指标。

1）预警模型准确性评价

均方根误差（root mean square error，RMSE）用来衡量预测值与实际观测值之间的差异，有

式中:RMSE为RMSE 值；n为样本数据的个数；yi为充电特征数据实际测量值；y^i为对应充电特征数据预测值。

平均绝对百分比误差（mean absolute percentage error，MAPE）用来评估预测值与实际值之间的相对误差:

式中:MAPE为MAPE 值。

决定系数R²用来衡量模型对观测数据的拟合程度［7］:

2）预警结果误差评价

采用准确率（A）、精确率（P）、召回率（R）和F1值（F1）4 个分类指标对预警结果进行误差评价［72］。

式中:TP为被识别为充电故障的故障数据集的数量；TN为被正确地识别为充电故障的数据集的数量；FP为被错误预测为正常充电数据的样本数量；FN为被错误预测为故障数据的样本数量。

3.2 数据集

本文整理的充电安全预警数据集及评价指标如表2 所示。其中，数据集以充电桩充电数据为主，评价指标主要采用RMSE、MAPE、R²，电池容量、充电功率、插入充电状态、插入/拔出时间和SOC 等属性特征对于充电过程中的安全预警任务至关重要［79］。

表2 充电安全预警数据集及对应评价指标Table 2 Charging safety early warning dataset and corresponding evaluation indices

4 充电过程安全预警方法对比

4.1 案例分析

由于目前缺少基于物理/数学建模的预警方法有效的真实数据，本文仅对现有基于数据驱动的方法进行了整体评估与对比。本文选取某市充电站的充电桩的充电数据，采用的开发环境为PyCharm。基于数据驱动方法的充电设备安全预警流程如图3所示。

图3 充电设备安全预警流程图Fig.3 Flow chart of safety early warning for charging equipment

充电异常结束可能预示着充电桩出现故障，本文首先考虑了每个充电订单的结束原因。另外，订单数量变化也反映充电桩状态变化，当异常订单增多、正常订单减少和总订单减少时，表示充电桩可能出现故障。根据以上分类标准，本文选取正常订单、故障订单、无效订单和总订单数量作为特征，总共选取166 个特征因素作为特征向量的影响因素。为了训练具有典型性的模型，选取了109 组具有典型故障的充电桩和正常充电桩的充电数据，构建数据集并进行了归一化处理。本文规定其中70% 的数据用于训练组，30% 的数据用于测试组。

4.2 结果对比

使用上文的评估指标对传统机器学习算法，例如，近邻算法、线性支持向量机（linear support vector machine，Linear SVM）算法、径向基函数支持向量机（radial basis function-support vector machine，RBF-SVM）算法、高斯过程算法、决策树算法（decision tree，DT）、随机森林算法（random forest，RF）和AdaBoost 算法，以及深度学习算法（包括神经网络算法、GRU 和LSTM 算法），基于数学模型的算法，例如，朴素贝叶斯（Naive Bayes）算法、二次判别分析（quadratic discriminant analysis，QDA）算法进行了评估，结果如表3 所示。

表3 各模型的预测评估结果Table 3 Prediction and evaluation results of each model

评估结果显示，高斯过程算法在准确度和精确度方面取得最佳。高斯过程算法使用径向基函数内核计算样本之间的相似度矩阵，然后，训练样本标签来学习分类决策边界，适用于处理小样本数据和噪声数据，能够有效地识别充电过程中的安全隐患。

基于神经网络模型的算法召回率最佳，表示模型能够较好地捕捉并预测出危险充电情况，能够识别出更多的正样本，包括那些真实存在但可能较为隐蔽或不明显的目标。此外，准确率也比较好，但在精确度方面相比偏低，表示在某些情况下存在安全的充电过程被错误地判定为故障的风险。

相对而言，GRU 和LSTM 的表现一般，虽然深度学习通过多层神经网络进行特征提取和组合，复杂特征提取能力强［81-82］，但分析认为由于所使用的数据集规模有限，深度学习模型可能存在过拟合的风险，在未知数据上的泛化能力可能较差。另外，在预警时间方面，文献［83］提出融合计算法对于经典算法工具有较好的改进效果，可以借鉴参考。未来的研究可以考虑增加更多样本和多样化的数据集，优化特征选择和工程的方法，结合传统机器学习算法和深度学习算法，构建组合模型［84-86］，综合利用它们的优势来提高预警的准确性和精确度。

5 研究展望

随着人工智能技术和大数据应用的持续进步，电动汽车与充电设备充电安全预警研究领域也迎来许多新的机遇，改进的方向主要集中在以下3 个方面。

1）基于多模态数据共享及标准化研究。充电过程数据耦合复杂，如何将不同类型的数据进行有效整合和融合［85-86］。例如，电池SOC、充电过程电流和电压数据、温度、压力等多种传感器获取的信息，利用不同特征之间的互补性，弥补单一特征识别的不足，对同一信号的两种不同特征表达进行融合，来进行全面的诊断和分析，以提高预警系统的综合性能是未来的研究重点。此外，当前电动汽车和充电设备的数据采集和处理存在标准不一致的问题，导致不同厂商、不同系统之间难以进行有效的数据共享。未来的研究可以致力于建立统一的数据标准通过“数据可用不可见”的隐私保护方式［87］，提升数据共享和合作水平，以促进研究者之间的合作和数据的互通，确保安全预警的有效性和普适性。

2）基于预训练模型的故障预测研究。当前充电安全预警模型主要存在训练时间过长并且训练精度不高的问题。2017 年推出的Transformer 模型［88］表明，预训练模型对通用人工智能领域产生了巨大的影响。现有的预训练模型大多是继承于自然语言处理领域的相关技术，考虑在充电安全故障诊断领域引入预训练模型，在已有挖掘代码特征的基础上，结合预训练范式来进一步提升模型性能［89］，或许能够有效提高模型的训练精度。在实际应用中，还需要考虑数据传输延迟问题。因此，有必要研发高精度的传感器和监测系统，实时监测电动汽车、充电设备和电网的状态，以便及时检测异常情况并采取安全保护措施，根据车辆特性和电网负荷情况进行动态调整，提高充电效率和安全性。

3）基于信息安全的安全监管体系构建研究。目前，充电桩的运营管理系统开发已经相对较多，使用也相对成熟，但仍存在充电桩数据不完善和信息管理缺乏规范等问题。充电数据存储了大量的用户交易信息及个人隐私相关信息，随着数据泄露事件的增加，确保用户数据的安全和合法使用尤为重要。可以采用区块链技术用于实时监测和分析安全事件，支撑智能充电设备信息“能量流”向区块链“数据中心节点流”转化［90］。同时，确保用户有权对交易后的个人数据进行加密控制和使用，各个数据中心节点之间使用共识机制对加密数据进行去中心化的同步存储。未来研究需关注健全的信息安全监管体系构建，开发全面的信息安全风险评估和管理方法，识别潜在的漏洞和风险，并采取相应的防护和控制措施应对信息安全风险，保障充电桩、配电站、运维机构、检定机构和监管部门等多边主体利益［91］，为用户提供更好的服务。

6 结语

随着电动汽车及相关充电设施的普及，充电过程的安全问题备受社会关注。本文聚焦电动汽车与充电设备充电安全领域，总结并分析了现有的充电过程安全预警方法。详细梳理了充电安全影响因素，为现有方法的改进提供启示。评估了预警模型的准确性和误差，通过真实充电数据案例评估并对比现有的模型表现，找出其改进潜力。未来研究需优化预警模型，结合多模态数据共享、预训练模型和区块链等技术提高预警的准确性与实时性；加强网络安全漏洞研究，设计健壮防护机制；推动设备标准化，确保符合高安全要求；加强用户教育与安全充电意识。研究将为电动汽车充电安全提供可靠保障，助推电动汽车产业可持续发展。