中国储能网讯：4月24-26日，由中国化学与物理电源行业协会储能应用分会主办的第九届中国国际储能大会在浙江省杭州市洲际酒店召开。在4月25日下午的“电动汽车与电网互联”专场，武汉理工大学自动化学院副教授黄亮在会上分享了主题报告《车联网及大数据应用》，以下为演讲实录：
黄亮：很高兴在这里跟大家来交流。我的演讲题目是车联网及大数据应用。首先给大家介绍一下我本人所做的一些工作，我本人所做的工作主要涉及到三大块内容，网络接入服务，平台建设服务，还有数据挖掘的服务。 我们所能承担的项目包括：企业设备级的远程接入、云平台的建设，还有建设这个数据中心和监控中心，第四个就是这个数据挖掘研究。这是我们工作的最终可视化展示，包括这个监控中心、WEB端、APP端，还有数据挖掘的页面。
给大家重点介绍一下车联网业务，主要工作对我们来说就是一个数据的采集、数据的存储、以及最后数据的计算和管理。
首先是数据采集这一块，我们研发一系列的数据采集与移动终端，包括这个无线的收发模块，用于充电桩到车用TBOX。给大家看一下我们目前的接入解决方案，这是一个典型的燃料电池汽车动力系统的远程接入，燃料电池动力系统包括燃料电池发电系统、DC/DC、电机、锂电池及管理系统等，它们与整车控制器通过这个动力总成CAN总线来通信。我们的数据采集与移动终端监控这个动力总成CAN总线信息，再把它通过4G发送到云平台去。这一块来说涉及到两个协议的问题，一个是动力总成CAN协议的问题，还有终端与云平台之间协议问题。目前终端与云平台之间协议是基于国标，但是国标主要针对电动汽车，协议里只含有少量的燃料电池的数据，我们目前在国标的基础上把它的格式做了一些扩展，专用于燃料电池汽车。
这是我们所搭建的云平台的架构，具体通过四个关键技术解决高并发、高可用、大数据计算等问题。通过消息中间件技术解决高并发数据入库瓶颈，通过非关系型数据库解决数据存储瓶颈，通过微服务架构解决数据的查询瓶颈，通过Hadoop核心组件HDFS和spark来提升它的一个大数据的计算能力这是我们目前所使用的这种架构。我们在佛山是燃料电池汽车联合国开发署一个示范城市的项目，我们在去年获得国家重大专项的支持，在佛山建立这样一个燃料电池汽车的综合监管平台，合作单位包括佛汽集团、佛广公交集团、上汽大通，我们把他们的这个车辆接入到这个平台，还有瑞晖加氢站的数据。
这是它的一些界面，包括车辆的管理，包括这个车辆的实时监控，车辆历史轨迹查询，还有整车的实时数据，包括燃料发动机所有数据的监控。拿到这个数据以后，进行一些数据统计还有数据分析，为了这个平台的稳定运行呢，我们还为这个监管云平台建立这样一套运维系统，包括对这个服务器的实时情况的实时监控以及报警，包括对服务器资源的预警，对应用状态的监控，以及每一台服务器它的资源的监控还有历史查询。
我们也开发了一些桩联网的产品，充电桩实际上是一个系统集成，左边就是典型的充电装的控制的架构，包括充电模块、绝缘检测模块、电量计费模块、IC刷卡、触摸屏等等，充电桩的系统来说最重要的就是这个主控制器。我们把这个无线终端通过串口与主控制器相连，就可以对充电桩进行远程控制，每一台充电桩就是一个独立的无线收发基站。因为我们当时是为设备生产商开发这个平台，同时有一些充电桩运营商，也需要这个平台，所以在开发平台时建立了两个数据中心，一个是设备商的数据中心，一个是运营商的数据中心。对于充电桩的生产商来说，可以看到旗下所有的充电桩的信息，监控所有的数据，故障信息，但是设备生产商看不到运营商的业务数据。对于运营商来说，可以只能看到自己旗下充电桩的信息，以及自己的这个运营的一些信息。这是我们的数据中心的平台，我们一些WEB端的展示，包括APP的展示，主要解决就是充电的导航，充电的状态监控，以及充电计费。这是我们当时开发的充电桩监控大屏。
我们今年在做一个什么项目呢？就是和中科院一起合作，建立地方的“新能源汽车大数据人工智能研究中心”，我们现在已经把燃料电池汽车接入到云平台上来了，加氢站的接入我们现在正在做的，对加氢站进行远程监控。未来会把当地在公共领域运营的充电桩的数据、以及纯电动汽车的数据全部归入到这个佛山市的新能源汽车数据中心来，这样不管是什么样的新能源汽车，不管加氢站还是充电站，我们都会采集到这个数据中心。
我们的客户主要就是一个是政府监管部门，还有这个设备的生产商以及运营商，比如说公交集团，汽车运输集团，还有一些个人用户。我们所做的主要工作是对采集的数据进行统计和分析，包括挖掘。
对于新能源汽车数据统计来说，主要有一个是用户的出行特征，第二个就是用户的充电加氢特征，可以得到充电加氢的热力图，这两块对于政府来说，包括运营商来说是非常关心的，对于充电站与加氢站的规划有非常大的帮助。第三个就是车辆的运行特征，包括动力系统等所有设备的参数统计，对于设备生产商来说，对优化他们的控制，优化他们的产品非常有用处的。
对于数据分析两说，我这里主要举例司机的驾驶行为分析，还有还有故障诊断。
对于司机驾驶行为分析来说，我们是通过数据分析对司机做一个行为的画像，或者行为的建模，然后分成一个类，比如说分成激进型还是一般型，还是温和型。我们通过这个类别的划分，对司机行为进行一个评价。这一块其实有很多的车联网企业在做，他们主要和这个保险公司一起在合作。我们在做这一块业务的时候，当地政府非常关心这一块，对公共交通领域安全特别关心，希望我们把司机的驾驶行为能做预判和报警。目前司机驾驶行为的分析主要是聚类分析，首先要拿到司机的驾驶行为的数据样本，来提取它的特征参数，然后通过聚类的方法，把司机行为进行一个分类。因为聚类算法在服务器里面的运算比较耗时的，现在用一些新的手段，用人工神经网络来替代这个聚类算法做这个分类器，输入实时数据，分类器可以对司机的行为进行一个分析。这是我们目前实际正在做的司机驾驶行为分析流程，我们首先是从这个数据库里面提取一些它的特征参数，最后做一些改进型的聚类算法研究，把司机进行一个分类，然后通过运算的样本来训练神经网络来替代这个聚类算法，最后部署在平台上面，实时得到这个司机的行为评价。
再就是利用车联网进行一个故障诊断，对设备生产商来说是非常感兴趣的。目前故障诊断的算法主要是分类算法，我们刚刚的司机驾驶行为分析主要用的是聚类方法，对这个故障诊断来说主要就是分类算法。常用的故障诊断分类算法包括支持向量机、贝叶斯算法、神经网络、决策树算法。我们现在用的是随机森林与专家系统相结合的这样一个算法。
比如说燃料电池发动机故障诊断系统，首先这是一个燃料电池发动机的特征参数检测方案，我们通过动力总成CAN总线可以拿到这些数据，对它的发动机进行一个远程数据采集，建立燃料电池发动机监测特征参数指标表，包括压力数据，不管是氢气压力还是空气压力，电流数据，功率数据。所有的在云平台上面应用的这些智能算法的前提是必须要拿到数据样本，所以我们还要建立一个燃料电池发动机故障代码表。对燃料电池发动机来说，我们分为ABCD四大级别故障，A级别是故障最为严重的，必须马上处理的，D是比较正常的。什么情况下会出现这种故障也需要拿到这些样本。
我们所做的这个远程诊断系统分为两级诊断，第一级诊断还是传统的，跟现在所有的设备的故障诊断一样，全部是这种阈值报警，现在市场上所有的设备都是通过底层的控制器对它的传感器进行一个阈值的报警。我们做的第二级诊断是把智能算法部署在云平台上面，主要针对那些信号没有超过阈值，但是它实际是有故障的，这一块你的底层控制器没有办法做判断，我们通过远程服务器，通过一些智能算法来对它进行一个诊断找到故障，这是二级诊断。这种二级诊断架构和算法我们申报了一个发明专利。算法这块我们主要用的是随机森林还有这个专家系统相结合的方法。我们怎么去做这个二级诊断，首先也是要拿到样本的，要拿到数据，拿到大量的数据以后基于一些算法来构造决策树，再通过构造非常多的决策树来构造随机森林，每个决策树都可以诊断出一个故障出来，最后我们通过一个众数投票的机制，来决定这个最终诊断是什么样的故障。
我们把随机森林和专家系统结合起来，具体怎么结合呢？首先对于专家系统来说，最重要是一个推理机，随机森林与专家系统的结合，主要靠建立规则表来实现。随机森林里每个决策树代表着一个知识库里面的故障规则表，把它作为故障规则表放在推理机里面。所以在整个的二级诊断过程当中，会经过非常多的决策树的诊断，最后通过众数投票诊断出这个到底是有故障还是没有故障。这个算法还有一个创新的地方就是，这个专家系统的知识库，它可以靠自我学习来完善。
最后还有一个研究，就是氢电匹配的研究。燃料电池汽车是混合动力，既有氢燃料也有锂电池，所以到底加多少氢，充多少电，它关系到时间成本，因为我们知道充电时间是非常长的而加氢时间非常短，还有经济成本，目前加氢的成本要比时间成本要高，最后还有续驶里程等，我们可以用一些多目标优化的算法，对氢电匹配做这方面的研究，好，谢谢大家！
