CN115848176B 基于a-lstm算法的電動汽車充電預(yù)警方法及系統(tǒng) （中國電力科學(xué)研究院有限公司）

基于A-LSTM算法的電動汽車充電預(yù)警方法本發(fā)明公開了基于A_LSTM算法的電動汽車充電預(yù)警方法及系統(tǒng)，屬于安全預(yù)警的技術(shù)領(lǐng)合相關(guān)國家充電安全規(guī)范與電動汽車歷史充電數(shù)據(jù)預(yù)測模型與預(yù)警閾值應(yīng)用到電動汽車實時2S400：針對所述數(shù)據(jù)擬合模型的輸出采取誤差相關(guān)S500：建立動態(tài)閾值模型確定并優(yōu)化預(yù)警閾值，體電池最高/最低/平均電壓、整車車載電池組充電允許最高/最低電壓/電流/溫度的參數(shù)3Ix所述S500建立動態(tài)閾值模型的具體的計算e4i的值用以更新閾值。9.一種利用權(quán)利要求1_8任一項所述的基于A_LSTM算法的電動汽車充電預(yù)警方法的基池組單體電池最高電壓與單體電池最高溫度分別作為模型的輸出構(gòu)建基于LSTM算法的數(shù)處理模塊，與所述構(gòu)建模塊連接，用于針對所述數(shù)據(jù)擬合模型的預(yù)警模塊，與所述處理模塊以及所述更新模塊連接，用于構(gòu)建電56[0005]有鑒于此，本發(fā)明提供了一種基于A_LSTM算法的電動汽[0011]S400：針對LSTM網(wǎng)絡(luò)的輸出采取誤差相關(guān)線性分析法進(jìn)行自適應(yīng)優(yōu)化，構(gòu)建A_7[0021]優(yōu)選的，步驟S300中的涉及的A-LSTM(LongShortTermMem其具體計算公式為：長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)(LongShortTermMemory,LSTM)是在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetwork，RNN)的基礎(chǔ)上為了解決梯度消失和爆炸等問題而8[0051]式中e是原始誤差數(shù)據(jù)；ej是經(jīng)過濾波的數(shù)據(jù)；ui是第i個時序數(shù)據(jù)9[0076]參見附圖1所示，本發(fā)明實施例公開了一種基于A_LSTM算法的電動汽車充電預(yù)警體電池最高電壓與單體電池最高溫度分別作為模型的輸出構(gòu)建基于LSTM算法的數(shù)據(jù)擬合[0086]具體的，參見附圖2所示，S300構(gòu)建的基于LSTM算法的數(shù)據(jù)擬合深度學(xué)習(xí)網(wǎng)絡(luò)模算公式為：長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)(LongShortTermMemory,LSTM)是在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetwork，RNN)的基礎(chǔ)上為了解決梯度消失和爆炸等問題而設(shè)計的一[0107]S400：針對LSTM網(wǎng)絡(luò)的輸出采取誤差相關(guān)線性分析法進(jìn)行自適應(yīng)優(yōu)化，構(gòu)建A_[0119]式中e是原始誤差數(shù)據(jù)；ej是經(jīng)過濾波的數(shù)據(jù)；ui是第i個時序數(shù)據(jù)電時間等數(shù)據(jù)以判斷車輛的充電初始狀態(tài)，依車輛信息輸入充電預(yù)測數(shù)據(jù)與充電預(yù)警閾池組單體電池最高電壓與單體電池最高溫度分別作為模型的輸出構(gòu)建基于LSTM算法的數(shù)充電歷史數(shù)據(jù)進(jìn)行算法建模，實現(xiàn)對電動汽車正常充電狀態(tài)的擬合以預(yù)測車輛的充電數(shù)[0138]對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或