一种动力电池在线安全预警方法、系统及换电站与流程

1.本发明涉及换电站内电池安全预警技术领域，特别提出了一种动力电池在线安全预警方法、系统及换电站。


背景技术：

2.随着新能源汽车的快速发展，汽车保有量快速增长，人们对于汽车电池安全性和可靠性也更加关注。同时，网络安全、数据安全等新问题的出现，使新能源汽车安全的内涵与外延也在发生变化。
3.现在常见的安全预警策略，计算量过大，难以实现实时的在线监测，甚至易导致预警不及时。同时，考虑到换电站内电池充电过程监测数据量大，由采集系统问题造成的数据异常或环境及系统本身的高频干扰易造成预警误报。


技术实现要素：

4.本发明所要解决的技术问题在于，提供一种动力电池在线安全预警方法、系统及换电站，可以低成本，且快速有效地识别出动力电池的异常情况。
5.为解决上述技术问题，作为本发明的一方面，提供一种动力电池在线安全预警方法，其至少包括如下步骤：
6.步骤s10，采集换电站内车辆动力电池充电过程中的电压数据；
7.步骤s11，对所采集的电压数据进行数据清洗处理，去除存在缺失或异常的电压数据；
8.步骤s12，基于经验模态分解(emd)去掉经过数据清洗后的电压数据的高频部分；
9.步骤s13，设定滑动窗口的大小和滑动步长大小；
10.步骤s14，计算充电过程中电压数据在当前滑动窗口内振幅、方差、峭度因子数值；
11.步骤s15，将计算出来的当前滑动窗口内振幅、方差、峭度因子数值与预设定的阈值进行比较；
12.步骤s16，如果比较结果为至少一数值超出预设定的阈值，则进行预警处理；否则，将滑动窗口向前移动一个滑动步长，流程转至步骤s14，继续进行计算比较判断，直至完成动力电池充电过程。
13.优选地，所述步骤s11进一步包括：
14.针对采集到的电压数据中某一数据缺失，选择删除该时间点所有监测状态数据；
15.针对采集到的零的数据，删除该时间点对应的所有监测状态数据。
16.优选地，所述步骤s12进一步包括：
17.基于经验模态分解(emd)，将经过数据清洗后的电压数据分解为多个含有单一频率成分的固有模态函数，保留固有模态函数其中低频部分，过滤掉高频影响，从而获得充电过程中电压的趋势线。
18.优选地，在所述步骤s14中，所述振幅为窗口内数据最大值与最小值的差值，方差
用于衡量数据在均值两侧的波动程度，峭度因子用于衡量数据的平缓程度。
19.优选地，进一步包括：
20.采集固定数量个同种型号健康的动力电池监测数据，针对充电状态下的电压数据，计算监测数据所有滑动窗口内振幅、方差、峭度因子三种统计学量的数值；
21.将上述三种统计学量计算值的最大值与最小值，规定为该型号电池在此安全预警模型中的阈值；
22.其中，其中健康电池的评价指标为自该电池采集数据时间点起至少半年之内不会发生各类相关故障。
23.相应地，本发明的另一方面，还提供一种动力电池在线安全预警系统，其至少包括：
24.采集单元，用于采集换电站内车辆动力电池充电过程中的电压数据；
25.清洗处理单元，用于对所采集的电压数据进行数据清洗处理，去除存在缺失或异常的电压数据；
26.去噪处理单元，用于基于经验模态分解(emd)去掉经过数据清洗后的电压数据的高频部分；
27.窗口参数设定单元，用于设定滑动窗口的大小和滑动步长大小；
28.数值计算单元，用于计算充电过程中电压数据在当前滑动窗口内振幅、方差、峭度因子数值；
29.比较单元，用于将计算出来的当前滑动窗口内振幅、方差、峭度因子数值与预设定的阈值进行比较；
30.预警处理单元，用于在所述比较单元的比较结果为至少一数值超出预设定的阈值，则进行预警处理；否则，将滑动窗口向前移动一个滑动步长，继续进行计算比较判断，直至完成动力电池充电过程。
31.优选地，所述清洗处理单元进一步包括：
32.缺失数据处理单元，用于针对采集到的电压数据中某一数据缺失，选择删除该时间点所有监测状态数据；
33.异常数据处理单元，用于针对采集到的零的数据，删除该时间点对应的所有监测状态数据。
34.优选地，所述去噪处理单元进一步用于：
35.基于经验模态分解(emd)，将经过数据清洗后的电压数据分解为多个含有单一频率成分的固有模态函数，保留固有模态函数其中低频部分，过滤掉高频影响，从而获得充电过程中电压的趋势线。
36.优选地，进一步包括：
37.阈值获取单元，用于采集固定数量个同种型号健康的动力电池监测数据，针对充电状态下的电压数据，计算监测数据所有滑动窗口内振幅、方差、峭度因子三统计学量的数值；将上述三种统计学量计算值的最大值与最小值，规定为该型号电池在此安全预警模型中的阈值；
38.其中，其中健康电池的评价指标为自该电池采集数据时间点起至少半年之内不会发生各类相关故障。
39.相应地，本发明的再一方面，还提供一种换电站，其包括动力电池充电设备以及前述的动力电池在线安全预警系统。
40.实施本发明实施例，具有如下的有益效果：
41.本发明提供一种动力电池在线安全预警方法、系统及换电站。通过对充电工况下动力电池电压数据的处理选用emd分解方法，避免了小波变换中需要预设小波基函数，同时降低采集系统中高频信号的影响，提高方法预警准确性。
42.通过选用滑动窗口进行处理数据，因此计算量小，可以有效实现动力电池的在线监测，避免了部分预警模型大数据同时处理难以做到实时监测的难题。
43.通过基于统计学指标振幅、方差以及峭度因子等来识别滑动窗口内的突变情况，可以很灵敏有效地快速识别出动力电池充电状态下，电压数据的突变情况，从而实现动力电池的安全预警。本发明具有易于实现、准确率高且成本低的优点。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
45.图1为本发明提供的一种动力电池在线安全预警方法的一个实施例的主流程示意图；
46.图2为本发明提供的一种动力电池在线安全预警系统的一个实施例的结构示意图；
47.图3为图2中清洗处理单元的结构示意图。
具体实施方式
48.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
49.如图1所示，示出了本发明提供的一种动力电池在线安全预警方法的一个实施例的主流程示意图。在本实施例中，所述方法至少包括如下步骤：
50.步骤s10，采集换电站内车辆动力电池充电过程中的电压数据；
51.步骤s11，对所采集的电压数据进行数据清洗处理，去除存在缺失或异常的电压数据；
52.在一个具体的例子中，所述步骤s11进一步包括：
53.针对采集到的电压数据中某一数据缺失，选择删除该时间点所有监测状态数据；
54.针对采集到的零的数据，删除该时间点对应的所有监测状态数据。
55.步骤s12，基于经验模态分解(empirical mode decomposition，emd)去掉经过数据清洗后的电压数据的高频部分；
56.在一个具体的例子中，所述步骤s12进一步包括：
57.基于经验模态分解(emd)，将经过数据清洗后的电压数据分解为多个含有单一频率成分的固有模态函数，保留固有模态函数其中低频部分，过滤掉高频影响，从而获得充电
过程中电压的趋势线，便于提高后续预警的准确性。
58.可以理解的是，经验模态分解(emd)是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。
59.步骤s13，设定滑动窗口的大小和滑动步长大小；可以理解的是，通过设置滑动窗口，利用该滑动窗口对充电状态下的动力电池电压分析处理，便于减小分析处理的数据量，从而有效进行在线监测。
60.步骤s14，计算充电过程中电压数据在当前滑动窗口内振幅、方差、峭度因子数值；
61.在一个具体的例子中，在所述步骤s14中，所述振幅为窗口内数据最大值与最小值的差值，方差用于衡量数据在均值两侧的波动程度，峭度因子用于衡量数据的平缓程度。
62.更具体地，在具体的例子中，可以采用下述的方式来计算上述三个数值：
63.将窗口中电压数据中最大值与最小值相减，获得振幅xa：xa＝x
max-x
min
64.采用下式计算获得方差：
[0065][0066]
其中，xi表示第i个电压值；表示数据的均值，n为数据的总数量；
[0067][0068]
峭度因子f表示波形平缓程度的，用于描述变量的分布，其计算公式如下：
[0069][0070]
其中，β表示峭度，表示均方根，具体表达式如下：
[0071][0072]
步骤s15，将计算出来的当前滑动窗口内振幅、方差、峭度因子数值与预设定的阈值进行比较；
[0073]
步骤s16，如果比较结果为至少一数值超出预设定的阈值，则认为数据发生异常，进行预警处理；否则，认为当前动力电池未发生异常，将滑动窗口向前移动一个滑动步长，流程转至步骤s14，继续进行计算比较判断，直至完成动力电池充电过程。可以理解的是，在一些例子中，也可以在其中至少两个数值超出预设定的阈值时才进行预警处理。
[0074]
可以理解的是，在本发明中，需要预先设备三个数值对应的阈值，具体地，进一步包括：
[0075]
采集固定数量(如100)个同种型号健康的动力电池监测数据，针对充电状态下的电压数据，计算监测数据所有滑动窗口内振幅、方差、峭度因子三种统计学量的数值；
[0076]
将上述三种统计学量计算值的最大值与最小值，规定为该型号电池在此安全预警模型中的阈值；
[0077]
其中，其中健康电池的评价指标为自该电池采集数据时间点起至少半年之内不会
发生各类相关故障。
[0078]
可以理解的是，利用本发明提供的方法，选用振幅、方差以及峭度因子这三个统计学变量作为是否进行预警的评价指标，可以快速识别动力电池充电状态下，电压数据的突变情况，从而实现动力电池的安全预警。
[0079]
如图2所示，示出了本发明提供的一种动力电池在线安全预警系统的一个实施例的结构示意图。一并结合图3所示，在本实施例中，所述动力电池在线安全预警系统1至少包括：
[0080]
采集单元10，用于采集换电站内车辆动力电池充电过程中的电压数据；
[0081]
清洗处理单元11，用于对所采集的电压数据进行数据清洗处理，去除存在缺失或异常的电压数据；
[0082]
去噪处理单元12，用于基于经验模态分解(emd)去掉经过数据清洗后的电压数据的高频部分；
[0083]
窗口参数设定单元13，用于设定滑动窗口的大小和滑动步长大小；
[0084]
数值计算单元14，用于计算充电过程中电压数据在当前滑动窗口内振幅、方差、峭度因子数值；
[0085]
比较单元5，用于将计算出来的当前滑动窗口内振幅、方差、峭度因子数值与预设定的阈值进行比较；
[0086]
预警处理单元16，用于在所述比较单元的比较结果为至少一数值超出预设定的阈值，则进行预警处理；否则，将滑动窗口向前移动一个滑动步长，继续进行计算比较判断，直至完成动力电池充电过程。
[0087]
以及阈值获取单元17，用于采集固定数量个同种型号健康的动力电池监测数据，针对充电状态下的电压数据，计算监测数据所有滑动窗口内振幅、方差、峭度因子三统计学量的数值；将上述三种统计学量计算值的最大值与最小值，规定为该型号电池在此安全预警模型中的阈值；
[0088]
其中，其中健康电池的评价指标为自该电池采集数据时间点起至少半年之内不会发生各类相关故障。
[0089]
在一个具体的例子中，所述清洗处理单元11进一步包括：
[0090]
缺失数据处理单元110，用于针对采集到的电压数据中某一数据缺失，选择删除该时间点所有监测状态数据；
[0091]
异常数据处理单元111，用于针对采集到的零的数据，删除该时间点对应的所有监测状态数据。
[0092]
在一个具体的例子中，所述去噪处理单元12进一步用于：
[0093]
基于经验模态分解(emd)，将经过数据清洗后的电压数据分解为多个含有单一频率成分的固有模态函数，保留固有模态函数其中低频部分，过滤掉高频影响，从而获得充电过程中电压的趋势线。
[0094]
更多的细节，可以参考并结合前述对图1的描述，在此不进行赘述。
[0095]
相应地，本发明的再一方面，还提供了一种换电站，其包括动力电池充电设备以及前述图2和图3描述的动力电池在线安全预警系统。更多细节可以参考并结合前述对图1至图3的描述，在此不进行赘述。
[0096]
实施本发明实施例，具有如下的有益效果：
[0097]
本发明提供一种动力电池在线安全预警方法、系统及换电站。通过对充电工况下动力电池电压数据的处理选用emd分解方法，避免了小波变换中需要预设小波基函数，同时降低采集系统中高频信号的影响，提高方法预警准确性。
[0098]
通过选用滑动窗口进行处理数据，因此计算量小，可以有效实现动力电池的在线监测，避免了部分预警模型大数据同时处理难以做到实时监测的难题。
[0099]
通过基于统计学指标振幅、方差以及峭度因子等来识别滑动窗口内的突变情况，可以很灵敏有效地快速识别出动力电池充电状态下，电压数据的突变情况，从而实现动力电池的安全预警。本发明具有易于实现、准确率高且成本低的优点。
[0100]
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0101]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0102]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。