一种数据清洗和预测方法及电动汽车移动充电宝系统与流程

本发明涉及移动电源，尤其涉及一种数据清洗和预测方法及电动汽车移动充电宝系统。

背景技术：

随着电动汽车技术的发展，绿色环保的观念深入人心，电动汽车受到越来越多消费者的关注。然而电动汽车充电技术的落后与充电设施建设的不完善，使得电动汽车的续航里程一直都是个很大的问题，并且成为制约电动汽车发展的主要因素。目前大多数电动汽车充电的基础设施，主要是固定式的且不能灵活移动。在电动汽车的实际使用过程中，由于疏忽或设备故障，有时会出现行驶途中的电动汽车因为电能耗尽而不能及时行驶到充电站的情况。所以，研制出一种安全稳定，性能良好的电动汽车移动充电宝，成为电动汽车发展和推广的亟待解决的技术问题。

且现有技术中，因大多通过小波基函数的神经网络模型进行移动充电宝soc值的预测，但是预测过程中可能会有一些异常数据干扰预测，例如数据采集阵列采集的单体电池在充放电过程中的电压、电流、温度和阻值数据存在错误、不一致的异常数据，使得系统的数据分析的结果不准确，无法准确预测移动充电宝剩余电量的多少，导致移动充电宝系统在充放电的过程中不能做出正确的相应，从而导致误判。

技术实现要素：

针对现有技术中存在的缺陷或不足，本发明所要解决的技术问题是：提供一种能够解决现有技术中因突发状况或故障电动汽车电池电量用尽电车不能行驶到目的地的技术问题的电动汽车移动充电宝系统，以及提供一种能够解决现有技术中移动充电宝充放电过程中异常数据问题以及剩余电量预测不准确的技术问题的移动充电宝异常数据清除和数据预测的方法。

为了实现上述目的，本发明采取的技术方案为提供一种数据清除和预测方法，包括步骤：

s1.对数据库中的数据进行聚类分析，得到没有归为任何类的数据为异常数据，即待清洗数据；

s2.删除异常数据；

s3.通过小波神经网络和组合预测方法对异常数据清洗后的数据空位进行预测填补；

还包括步骤s4.对单体电池的soc值进行预测；

具体的，所述步骤s3还包括以下步骤：

s3.1.通过归一化公式：

对异常数据清洗后的数据进行归一化处理，式中，xi为待归一化处理的数据；xmin和xmax分别为数据样本中的最小值和最大值；为归一化处理后的数据；

s3.2.分别通过若干种小波基函数的神经网络模型对归一化处理后的数据进行预测学习，并得到一预测学习结果；

s3.3.对预测学习结果进行线性加权组合，得到最终的预测结果；

s3.4.对最终的预测结果进行反归一化变换，并将反归一化变换后的数据补入数据空位中。

作为本发明的进一步改进，步骤s3.2中，所述小波基函数的神经网络模型为haar小波基函数的神经网络模型、mexico小波基函数的神经网络模型及morlet小波基函数的神经网络模型。

作为本发明的进一步改进，所述小波基函数的神经网络模型包括输入层、输出层及隐含层；其中步骤s3.2还包括步骤：

s3.2.1.初始化小波基函数的神经网络模型参数：将随机产生在[-1,1]区间上均匀分布的随机数作为网络的伸缩因子ah、平移因子bh、网络的连接权重whi和wjh；

s3.2.2.选取小波基函数：

haar小波基函数：

mexico小波基函数：

morlet小波基函数：

其中：

ψh(t)为haar小波基函数；ψmex(t)为mexico小波基函数；ψmor(t)为morlet小波基函数。

s3.2.3：计算预测值和预测偏差：

输入的学习样本数据记为xi、相应的期望输出为和神经网络的预测输出为yj，小波基函数的神经网络模型隐含层的总输出公式为：

小波基函数的神经网络模型第j个节点输出为：

预测偏差为e为：

其中：

ah表示第h个隐含层节点的平移系数；

bh表示第h个隐含层节点的平移系数；

whi表示连接隐含层节点h和输入层节点i的连接权值；

wjh表示连接隐含层节点h和输出层节点j的连接权值；

xh为隐含层第h个节点的输出；ψ代表小波基函数；k代表输入样本的个数；xi代表第i个输入；

yj代表输出层第j个节点的输出；h代表隐含层输出的数量；

s3.2.4.调整小波基函数的神经网络模型的参数值：

根据预测偏差e对网络参数ah、bh、whi和wjh调整过程中加入了动量项，计算公式如下：

其中，

式中，t+1代表预测学习过程中的当前时刻；η为学习率；c动量系数；

s3.2.5.当小波基函数的神经网络模型的预测偏差小于设定值或者达到最大训练步数，则停止训练。

作为本发明的进一步改进，步骤s3.3还包括步骤：

s3.3.1.确定线性加权组合预测模型：

若haar小波基函数的神经网络模型的预测序列为xh(n)，相对应的mexico小波神经网络的预测序列为xmex(n)、morlet小波神经网络的预测序列为xmor(n)，则线性加权组合预测模型为：

s3.3.2.确定最佳权重系数：

组合预测误差为：

式中，e(n)为组合预测误差；为步骤s3.3.1的组合预测值；x(n)为实际值；s(n)为线性加权组合预测误差的平方和；所以组合加权预测误差为：

则：

式中，

wn＝[wh,wmex,wmor]^t(21)

an＝[x(n)-xh(n),x(n)-xmex(n),x(n)-xmor(n)]^t[x(n)-xh(n),x(n)-xmex(n),x(n)-xmor(n)](22)

所以，公式(18)的组合预测误差的平方和s(n)即为：

当组合预测误差的平方和s(n)达到最小值时获得最优权值；

通过公式：

计算最优权值，式中，r＝(1,1,1)^t为3维向量；

最后再通过公式：

得出最佳权重系数。

作为本发明的进一步改进，所述步骤s1中，通过基于dbscan聚类算法对数据库中数据进行聚类分析。

作为本发明的进一步改进，所述soc值预测方法：通过步骤s3基于小波神经网络和组合预测方法，来预测soc值的小波神经网络在训练神经网络的输入层：由数据采集阵列采集且通过步骤s1-步骤s3中数据清洗和预测方法处理的单体电池的温度数据和电压数据，以及单体电池的已放电量，并将之存入数据库中；存储在数据库中的soc值为输出层。

还提供一种电动汽车移动充电宝系统，包括电池模组、放电模块、充电模块、显示屏，其特征在于，还包括绝缘监测模块、数据采集阵列模块以及智能监控管理模块；所述电池模组分别与所述放电模块、充电模块、绝缘监测模块及数据采集阵列相连；所述智能监控管理模块与所述数据采集阵列及所述显示屏连接；

所述绝缘监测模块分别与所述电池模组的正极及负极电气连接，还与机壳电气连接；具体的，所述绝缘监测模块与所述电池模组的总正极及总负极电气连接。

所述智能监控管理模块包括电池管理单元、嵌入式数据库处理单元及pwm信号控制单元；所述电池管理单元与所述数据采集阵列连接，所述数据采集阵列：用于采集电池模组中单个电芯的电压数据、温度数据、绝缘检测状态数据以及充放电数据，并将采集的数据存入嵌入式数据库中；

所述智能监控管理模块：用于对电动汽车移动充电宝系统的充放电过程进行监视和控制、电池模组电池状态的监视与电池均衡，同时还通过嵌入式大数据分析对电动汽车移动充电宝系统的续充时间预测、故障诊断、报警以及输出电能质量评估。

作为本发明的进一步改进，所述绝缘监测模块：用于检查电动汽车移动充电宝系统是否存在正负极母线绝缘同时下降的情况，若绝缘下降时，则第一时间通讯给所述智能监控管理模块，所述智能监控管理模块控制充放电继电器关断，停止充放电。

作为本发明的进一步改进，所述充电模块为ac-dc充电模块：用于将外部市电转换为直流电，并将直流电存储在所述电池模组中。

作为本发明的进一步改进，所述放电模块包括dc-dc放电模块及逆变dc-ac放电模块；所述dc-dc放电模块：用于将所述电池模组中的能量转换为电动汽车充电的直流电；所述逆变dc-ac放电模块：用于将所述电池模组中的能量逆变为针对交流充电汽车的交流电。

本发明的有益效果是：本发明通过电动汽车移动充电宝系统的各个模块的协同作用下，利用所述的数据清洗和预测方法对数据采集阵列采集的充放电过程中单体电池的异常数据进行清理和数据空位的预测，剔除单体电池充放电过程中电压数据、电流数据、组织数据的异常数据并通过小波神经网络与组合预测方法对异常数据清洗后的数据空位值以及soc值进行准确预测，使系统在充放电的过程中做出正确的响应，确保了系统的可靠性和稳定性，使得电动汽车移动充电宝具有实际的应用价值。

附图说明

图1是本发明提供的系统框图；

图2是本发明提供的流程图；

图3是本发明提供的对异常数据进行清洗和预测的算法流程图；

图4是本发明提供的小波神经网络预测学习算法流程图；

图5是图2中步骤为s3的详细步骤流程图。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

实施例1，如图1所示，本发明提供一种电动汽车移动充电宝系统，包括电池模组、放电模块、充电模块、显示屏，其特征在于，还包括绝缘监测模块、数据采集阵列模块以及智能监控管理模块；所述电池模组分别与所述放电模块、充电模块、绝缘监测模块及数据采集阵列相连；所述智能监控管理模块与所述数据采集阵列及所述显示屏连接；所述绝缘监测模块分别与所述电池模组的正极及负极电气连接，还与机壳电气连接；所述智能监控管理模块包括电池管理单元、嵌入式数据库处理单元及pwm信号控制单元；所述电池管理单元与所述数据采集阵列连接；所述数据采集阵列：用于采集电池模组中单个电芯的电压数据、温度数据、绝缘检测状态数据以及充放电数据；所述智能监控管理模块：用于对电动汽车移动充电宝系统的充放电过程进行监视和控制、电池模组电池状态的监视与电池均衡，同时还通过嵌入式大数据分析对电动汽车移动充电宝系统的续充时间预测、故障诊断、报警以及输出电能质量评估。

其中，所述电池模组是移动充电宝系统的核心组成部分，为移动充电宝系统的电能存储装置，同时对所述的移动充电宝系统提供辅助电源；用于存储经市电转换而来的直流电能；在移动充电宝给电动汽车充电时，所述电池模组中存储的直流电对电动汽车进行充电。一般设计为4kw-7kw的电池容量，本发明中以单并120串的磷酸铁锂电池组成的电池模组为例。

优选的，所述充电模块为ac-dc充电模块：用于将外部市电转换为直流电，并将直流电存储在所述电池模组中；其中，ac-dc充电模块前级加入emi滤波电感和电容，ac-dc模块采用apfc电路并结合pwm整流技术，将接入的单相220v交流电通过apfc转换器转换成直流母线电，实现给电池模组的充电过程。该技术有利于提高功率因数，改善电流谐波，从而在整体上提高移动充电宝系统的效率。所述充电模块的设计对于充电时间、能量转换效率和电池效能的发挥具有非常重要的作用。

优选的，所述的dc-dc放电模块，主要实现将电池模组中的能量转换为给电动汽车充电的直流电。能够更快的给电动汽车充电，并针对直流充电汽车配置直流升降压模块。所述dc-dc放电模块，采用buck-boost拓扑结构，能够根据电动汽车的充电电压需求降压或者升压，实现给电动汽车宽电压直流充电。

所述的逆变dc-ac放电模块，主要实现将电池模组中的能量逆变为针对交流充电汽车的交流电。逆变dc-ac模块采用全桥逆变电路将电池的直流电转换为220v交流电，并通过非晶材料制作的小体积工频变压器隔离输出交流电，提高系统的安全性的同时，给交流电动汽车充电。

其工作原理为：

在给所述电池模组充电的过程中，按下显示屏上的充电按钮时，市电给移动充电宝充电，通过ac-dc转换器将市电220v交流转换成适合给电池模组充电的母线电压水平的直流电。在给电池模组充电的过程中动态地获取嵌入式数据库中的soc值来实时监控单体电池soc数据，对电量较低的单体电池进行优先充电，再对电量相对较高的单体电池进行充电，从而降低充电宝在充电过程中电池模组单体电池间的电压差异，提高电池模组中单体电池的一致性。

放电过程为：按下显示屏上的放电按钮时，移动充电宝对电动汽车进行充电，通过电降压或升压式(buck/boost)的电压转换方式将电池模组中存储的直流转换成电动汽车宽电压范围对电动汽车进行充电，此时电池模组中的soc值高的单体电池优先进行放电，从而降低了移动充电宝在放电过程中电池模组的单体电池间的电压差异。

本发明中采用均衡充放电方式能抑制充放电过程中电池箱单体电池之间端电压的不一致的现象，从而可以延长电池的使用寿命。

所述绝缘监测模块分别与所述的电池模组总正极(b+)、总负极(b-)和机壳(pe)电气相连；所述绝缘监测模块监测电池模组的正极和负极对机壳的绝缘阻值来判断所述电池模块中的单体电池的绝缘状态。所述绝缘监测模块：用于监测所述电池模组的总正极和总负极对机壳的绝缘阻值来判断电池模组中母线的绝缘状态；所述绝缘监测模块还利用平衡电阻法向移动充电宝系统的总正极对地和总负极对地定时投入平衡电阻，检查移动充电宝系统是否存在正负极母线绝缘同时下降的情况，如果绝缘下降时，第一时间通讯给所述智能监控管理模块，控制充放电继电器关断，停止充放电，确保系统的安全性。

所述数据采集传感阵列模块与所述智能监控管理模块中的电池管理系统单元相连，两者之间通过can总线进行通讯，所述数据采集传感阵列模块主要用来采集电池模组中单个电芯的电压和温度数据、绝缘监测状态数据、充放电数据等，并将采集的数据存入嵌入式数据库中。

优选的，所述显示屏通过485通讯接口与智能监控管理模块连接，且所述显示屏：用于显示所述电池模组中单体电池的电压、温度参数、电池模组的soc和充放电电流，以及控制充放电的按钮。

具体的，所述显示屏，在充放电过程中实时显示所述电池箱中单体电池的电压、电流、温度等参数，当电压、电流、温度或是绝缘阻值超出设定的阈值时，说明系统存在故障，并立即控制停止充放电过程，并显示相应的报警信息。

重要的是，所述智能监控管理模块：用于在充放电过程中对嵌入式数据库中的数据进行大数据分析，数据分析包括：大数据在线清洗、单体电池的续充时间预测以及故障监测、报警；所述智能监控管理模块通过can总线与所述的数据采集传感阵列模块进行通信；所述智能监控管理模块包括电池管理单元、嵌入式数据库处理单元和pwm信号控制单元，实现对移动充电宝充放电过程监视和控制、电池模组电池状态的监视与电池均衡，同时通过嵌入式大数据分析，实现对系统的续充时间预测、故障诊断和报警以及输出电能质量评估等功能。

实施例2，如图2-4所示，基于上述实施例，本发明还提供一种数据清洗和预测方法，其中，异常数据的清洗：通过采集的充放电过程中单体电池的电压、电流、温度和阻值数据存在错误的、不一致的异常数据，因而需要对嵌入式大数据库的异常数据进行清洗，才能通过更加正确的数据分析系统的性能，从而保证移动充电宝系统在充放电过程中做出正确的响应。该数据清洗和预测方法，包括以下步骤：

s1.对数据库中的数据进行聚类分析，得到没有归为任何类的数据为异常数据，即待清洗数据；具体的，步骤s1中，通过基于dbscan聚类算法对数据库中数据进行聚类分析。

s2.删除异常数据；

s3.通过小波神经网络和组合预测方法对异常数据清洗后的数据空位进行预测填补；

具体的，所述步骤s3还包括以下步骤：

为了提高网络训练的拟合和收敛速度，训练网络样本数据需要归一化处理：

s3.1.通过归一化公式：

对异常数据清洗后的数据进行归一化处理，式中，xi为待归一化处理的数据；xmin和xmax分别为数据样本中的最小值和最大值；为归一化处理后的数据；

小波神经网中采用小波基函数来代替传统神经网络隐含层节点的传递函数。小波神经网络训练过程中样本数据包括：神经网模型中输入层和输出层，若是预测填补的数据为电压类数据，输入层的数据为输出层为电压数据。

s3.2.分别通过若干种小波基函数的神经网络模型对归一化处理后的数据进行预测学习，并得到一预测学习结果；步骤s3.2中，所述小波基函数的神经网络模型为haar小波基函数的神经网络模型、mexico小波基函数的神经网络模型及morlet小波基函数的神经网络模型。

所述步骤s3.2还包括以下步骤：

s3.2.1.初始化小波基函数的神经网络模型参数：将随机产生在[-1,1]区间上均匀分布的随机数作为网络的伸缩因子ah、平移因子bh、网络的连接权重whi和wjh；

s3.2.2.选取小波基函数：

haar小波基函数：

mexico小波基函数：

morlet小波基函数：

其中：

ψh(t)为haar小波基函数；ψmex(t)为mexico小波基函数；ψmor(t)为morlet小波基函数。

s3.2.3：计算预测值和预测偏差：

输入的学习样本数据记为xi、相应的期望输出为和神经网络的预测输出为yj，小波基函数的神经网络模型隐含层的总输出公式为：

小波基函数的神经网络模型第j个节点输出为：

预测偏差为e为：

其中：

ah表示第h个隐含层节点的平移系数；

bh表示第h个隐含层节点的平移系数；

whi表示连接隐含层节点h和输入层节点i的连接权值；

wjh表示连接隐含层节点h和输出层节点j的连接权值；

xh为隐含层第h个节点的输出；ψ代表小波基函数；k代表输入样本的个数；xi代表第i个输入；

yj代表输出层第j个节点的输出；h代表隐含层输出的数量；

s3.2.4.调整小波基函数的神经网络模型的参数值：

根据预测偏差e对网络参数ah、bh、whi和wjh调整过程中加入了动量项，计算公式如下：

其中，

式中，t+1代表预测学习过程中的当前时刻；η为学习率；c动量系数；

s3.2.5.当小波基函数的神经网络模型的预测偏差小于设定值或者达到最大训练步数，则停止训练。

s3.3.对预测学习结果进行线性加权组合，得到最终的预测结果；所述步骤s3.3的具体步骤如下：

s3.3.1.确定线性加权组合预测模型：

若haar小波基函数的神经网络模型的预测序列为xh(n)，相对应的mexico小波神经网络的预测序列为xmex(n)、morlet小波神经网络的预测序列为xmor(n)，则线性加权组合预测模型为：

s3.3.2.确定最佳权重系数：

组合预测误差为：

式中，e(n)为组合预测误差；为步骤s3.3.1的组合预测值；x(n)为实际值；s(n)为线性加权组合预测误差的平方和；所以组合加权预测误差为：

则：

式中，

wn＝[wh,wmex,wmor]^t(21)

an＝[x(n)-xh(n),x(n)-xmex(n),x(n)-xmor(n)]^t[x(n)-xh(n),x(n)-xmex(n),x(n)-xmor(n)](22)

所以，公式(18)的组合预测误差的平方和s(n)即为：

当组合预测误差的平方和s(n)达到最小值时获得最优权值；

通过公式：

计算最优权值，式中，r＝(1,1,1)^t为3维向量；

最后再通过公式：

得出最佳权重系数。

s3.4.对最终的预测结果进行反归一化变换，并将反归一化变换后的数据补入数据空位中。

本发明利用基于聚类分析和小波神经网络方法以及组合预测方式对嵌入式大数据库的异常数据进行清洗和预测，小波神经网络算法中添加了动量项提高算法学习效率从而提升了数据预测的效率，利用线性加权方法组合了haar小波、mexico小波和morlet小波神经网络进行预测结果获得了更加精确的预测值；精确的数据有利于正确地分析系统的性能，从而保证电动汽车移动充电宝系统在充放电过程中作出正确的响应。

其中，所述输入层：由数据采集阵列模块采集的单体电池的温度数据、电压数据以及已放电量，并将之存入数据库中；所述输出层：为存储在数据库中的soc值。

实施例3.基于上述实施例，本发明提供一种数据清洗和预测方法，包括，所述步骤s4中，对单体电池的soc值预测方式与步骤s3中对数据空位值的预测方式相同。

其中，用于预测单体电池的soc值的小波神经网络在训练神经网络时的所述输入层：由数据采集阵列模块采集且通过实施例2中数据清洗和预测方法处理的单体电池的温度数据和电压数据，以及单体电池的已放电量值，并将之存入数据库中；存储在数据库中的soc值为输入层。

本发明还通过数据采集传感阵列、嵌入式数据库、智能监控管理模块(包括大数据在线清洗、单体电池的续充时间预测以及故障监测)协同作用下，利用循环充放的历史数据对充电宝系统进行自身的充电容量感知、寿命预测以及系统故障做出响应；电动汽车移动充电宝系统整体系统通过各个模块的协调控制，确保了系统的可靠性和稳定性，使得电动汽车移动充电宝具有实际的应用价值。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。