基于多元状态估计算法的电动汽车充电安全预警技术研究

摘 要：随着电动汽车快充技术的迅速发展，充电安全问题日益凸显，实时监控充电过程的车辆状态，进行车辆故障提前预警成为行业关注的焦点。本文基于多元状态估计算法，首先进行了车辆充电过程的工况划分和充电安全特征提取，然后针对不同工况分别搭建了多元状态估计算法的电池充电安全边界模型，最后采用标准差方法确定充电异常预警阈值，实现电动汽车充电过程的安全监控和异常预警。经过验证，上述方法的电动汽车预警准确度为93.75%，可用于不同品牌电动汽车充电过程的安全预警监控。

关键词：充电安全 电动汽车 多元状态估计算法 标准差法

随着新能源汽车保有量的增加，电动汽车自燃事故发生频率快速上升，电动汽车使用安全问题成为企业和用户关注的重点。而电池快充技术的发展增加了电动汽车充电过程的安全风险，给电池安全性带来了新的挑战。研究电动汽车充电安全监控技术，对提升电动汽车使用安全性，保证充电过程车桩安全具有重要意义。

电动汽车充电安全预警模型主要包括电池机理模型和数据驱动模型。电池机理模型依靠车辆BMS或充电桩采集的充电数据，搭建电池异常诊断模型，如压差异常扩大、温升速率异常等，实现充电故障监控。数据驱动模型，通过深度挖掘充电数据的隐藏特征，使用机器学习或AI模型搭建电池异常诊断模型，借助大数据优势解决电池安全监控问题。尹丽琼等[1]介绍了基于信息熵的统计学方法，评估电池组的不一致性，实现电池故障诊断的技术。袁丹等[2]通过改进决策树算法，建立了电动汽车充电安全运行监控模型，采用Informer算法，建立了充电安全短期预警模型。李亚伦等[3]从机理分析、状态感知和运行控制三个层面研究车用锂离子动力电池的安全特性与快充控制，扩展了电动汽车动力电池的充电安全裕度，实现动力电池的安全快充。Zhang H[4]采用电池电压数据，使用四分位归一化和Kullback-Leibler散度方法提取异常电池和电池组状态，可成功识别欠压、老化、内短路、热失控等故障。Ao G等[5]分析了电池过充条件下的充电电流、电压等数据，通过电池箱内的泄露气体量来进行热失控事故的三级预警。

当前电池充电安全预警技术，仅依靠电池机理模型难以覆盖无数据异常表征的故障情况，而已有数据驱动模型大多需要大量数据用于前期模型训练，给模型应用带来一定难度，上述因素均导致电动汽车充电安全预警准确度难以提升。针对上述问题，本文基于电动汽车充电数据提出一种基于多元状态估计算法的充电安全预警技术，该技术需要少量数据即可完成模型训练，同时通过无监督学习的方法弥补了仅仅依靠电池机理监控充电异常的不足，本方案可自动化训练完成市场车辆的充电安全实时监控及预警。

1 多元状态估计原理

多元状态估计技术[6]是一种非线性的多元状态诊断技术，通过搭建系统正常工作时的安全边界模型，计算系统某时刻实际观测状态与安全边界状态的估计向量，分析估计向量和观测向量的相似性或残差，进行系统异常监控。该技术目前在机械设备、电子产品等故障诊断等方面有成功的应用。

1.1 过程记忆矩阵构建

对于给定系统或监控设备，假设其工作状态由n个相互关联的变量表示，将某一时刻i的这n个变量记为观测向量，即

X（i）＝[x1 x2 ...xn]T

多元状态估计模型训练首先要构建记忆矩阵D，该矩阵由系统不同运行时刻的m个历史观测向量组成，即

过程记忆矩阵中的每一列表示系统的一个正常工作状态，通过合理构建的过程记忆矩阵中的m个历史观测向量所张成的子空间能够代表系统正常运行的整个动态过程，该矩阵的构造过程实质为对系统正常运行特性的学习和记忆过程。

1.2 估计向量计算

多元状态估计模型的输入为某一时刻系统的新观测向量Xobs，模型的输出为对该输入向量的估计向量Xest。对任何一个输入观测向量Xobs，多元状态估计模型生成一个m维的权值向量为

W=[w1 w2 … wm]T

使得

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

即多元状态模型的估计输出为过程记忆矩阵中m个历史观测向量的线性组合。

权重向量W通过最小化观测向量和估计向量的残差获得，即最小化下述残差平方和：

S（w）=（Xobs-Xest）T · （Xobs-Xest）=（Xobs-DW）T · （Xobs-DW） （2）

将S（w）对权重向量中每个变量求偏导并赋值0，求得

W=（DT · D）-1 · （DT · Xobs） （3）

故估计向量为

Xest=D · （DT · D）-1 · （DT · Xobs） （4）

1.3 相似度计算

该模型基于欧氏距离dist_norm和余弦dist_cos距离定义一种相似度sim计算方法，来衡量观测向量和估计向量的偏离程度。相似度计算过程如下。

首先分别计算欧式距离dist_norm和余弦dist_cos距离，

（5）

（6）

然后将欧式距离平移变换至[0，1]区间，

dist_cos=0.5 · dist_cos+0.5 （7）

最后计算相似度

（8）

观测向量和估计向量距离距离越近，相似度值越大。

2 基于多元状态估计算法的充电安全预警技术

2.1 数据处理

本文基于市场上某款新能源纯电车型2023年全年数据完成模型训练和测试，样本总数200，电池数据采集周期10s。数据处理首先筛选出电池充电数据，并将充电数据按照恒流慢充、恒流快充和电流跳变3种工况切分，然后对每种工况数据段单独进行充电安全特征提取，最后对提取的特征进行最大最小归一化清洗。将清洗后数据作为多元状态估计模型的输入，进行后续充电安全预警模型的训练和测试。

2.1.1 充电数据工况划分

目前电动汽车大多采用阶段恒流充电策略，考虑到快充、慢充和电流跳变过程的单体电压变化规律存在差异，为提升模型精度，将充电数据切分成恒流慢充、恒流快充和电流跳变3种工况，分别搭建恒流慢充安全边界模型、恒流快充安全边界模型和电流跳变安全边界模型。根据充电状态和电流字段切分数据，恒流过程要求前后连续两帧电流数据的差值不超过1A，电流跳变要求前后两帧电流数据的差值高于20A。

2.1.2 输入特征提取

基于BMS采集的单体电压、探针温度、电池包电流、SOC等字段，进行多元状态估计模型的输入特征提取。恒流过程关注电池电压不一致性及电压变化情况，电流跳变过程关注电池内阻状态，基于上述原则，恒流过程提取了9维特征，电流跳变过程提取了4维特征，特征详情如表1所示。

2.1.3 数据归一化

为避免量纲不一致干扰模型效果，采用最小最大归一化方法清洗提取的特征数据，将全部特征转化到[0，1]区间。归一化公式如下。

其中，x为某一特征的原始数据，xmin为该特征全部数据集的最小值，xmax为该特征全部数据集的最大值。

2.2 多元状态估计模型训练

基于多元状态估计算法，分别训练恒流慢充安全边界模型、恒流快充安全边界模型和电流跳变安全边界模型。模型训练主要是完成过程记忆矩阵的构建，记忆矩阵的构建目标是从训练样本中找到m个观测向量，使其能覆盖电池的全部正常工作状态。已知归一化后每个输入特征均位于[0，1]范围，为全面覆盖每维特征的每个正常工作状态，针对每维特征对[0，1]区间的数据按照步长0.01取值，从训练集中查找符合条件的观测向量加入到过程记忆矩阵D中，遍历完全部输入特征即完成过程记忆矩阵的构建。

图1为构建过程记忆矩阵的操作流程图，其中i表示归一化后特征的索引，共n维；j表示训练集中观测向量的索引，共L个观测向量；k表示构造过程记忆矩阵的迭代次数，该模型设置为100次；x（i，j）表示第i个特征第j个观测向量的元素值；α此处取0.003。

本文基于120辆正常车数据进行3种工况下过程记忆矩阵的构建，最终获得恒流慢充安全边界模型过程记忆矩阵的维度为（9，461），恒流快充安全边界模型过程记忆矩阵的维度为（9，457），电流跳变安全边界模型过程记忆矩阵的维度为（4，157）。

2.3 电池充电安全预警实车验证

基于训练的安全边界模型进行电池充电安全预警，首先对测试车辆数据进行工况划分、特征提取和归一化处理；然后将归一化后特征构成的观测向量带入训练好的安全边界模型中，根据公式（4）计算得到测试车辆每个报文时刻的估计向量；最后根据公式（5-8）计算测试车辆每个报文时刻的相似度。相似度越低，表示测试车辆的状态与正常车辆状态偏离程度越高，故障风险越高。

基于一定数量正常车的相似度计算结果，采用标准差法确定充电异常的相似度预警阈值。标准差法首先计算全部相似度的均值和标准差σ，然后根据均值和标准差确定相似度的预警阈值T。计算公式如下。

其中，α为阈值系数，根据模型结果可设置为6。

因存在过程记忆矩阵D对车辆正常充电过程某个区域的覆盖能力较弱的现象，所以相似度序列可能会出现一些孤立的相似度较低的点。为防止充电安全预警模型误报，本文采用滑动窗口对原始相似度结果进行均值平滑，窗口设置为1分钟。平滑后数据超过预警阈值T后触发异常预警。

本文基于50辆正常车的相似度结果确定相似度预警阈值T，最终得到恒流慢充工况T1=0.79，恒流快充工况T2=0.75，电流跳变工况T3=0.68。图2为一辆故障车的测试结果，图中蓝实线表示车辆各时刻观测数据的相似度，橙色线表示各工况的预警阈值T，其中恒流慢充和恒流快充工况出现连续多帧数据低于预警阈值，触发充电异常预警。图3 为一辆正常车的测试结果，该车各时刻的相似度均在安全工作范围内。采用80辆验证模型效果，经测试验证，2辆故障车发生漏报、3辆正常车发生误报，整体预警准确度为93.75%。

3 结论

本文深入研究了基于多元状态估计算法的电动汽车充电安全预警技术。首先进行了电池充电数据处理，包括充电工况划分、充电安全相关特征挖掘、特征归一化处理。然后采用多元状态估计模型搭建了电池充电安全边界模型，使用相似度指标量化电池异常程度，采用标准差法自动更新故障预警阈值。通过实车验证，该模型预警准确度较高，适用于电动汽车充电安全实时监控及故障预警，具有极高的工程应用价值。

基金项目：规模化电动汽车与电网互动关键技术研究与示范应用（二期）（项目编号：090000KK52222138）。

参考文献：

[1]尹丽琼，韦安定，韦财金.大数据下电动汽车动力电池故障诊断技术现状与发展趋势[J].时代汽车，2023（13）：154-156.

[2]袁单.基于数据驱动的电动汽车充电安全预警方法研究[D].吉林：东北电力大学，2024.

[3]李亚伦.高比能量锂离子动力电池快充安全边界分析、感知与调控[D].北京：清华大学，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]齐云龙，唐作兴，王晓立，等.动态多元状态估计算法在火力发电设备智能预警中的应用[J].能源研究与信息，2023，39（04）：232-236.