CN117783745B - 用于换电柜的数据在线监测方法及*** - Google Patents
用于换电柜的数据在线监测方法及*** Download PDFInfo
- Publication number
- CN117783745B CN117783745B CN202311836916.6A CN202311836916A CN117783745B CN 117783745 B CN117783745 B CN 117783745B CN 202311836916 A CN202311836916 A CN 202311836916A CN 117783745 B CN117783745 B CN 117783745B
- Authority
- CN
- China
- Prior art keywords
- data
- data point
- data points
- reference data
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 22
- 238000005192 partition Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于换电柜的数据在线监测方法及***,包括:采集换电柜电流数据,选择参考数据点的初始窗口长度;获得参考数据点初始窗口的优选程度;获得优选程度的第一修正因子与第二修正因子;根据优选程度与第一修正因子、第二修正因子获得初始窗口的最终优选程度,根据最终优选程度获得最佳窗口长度;根据最佳窗口长度构建箱线图获得异常数据点,根据异常数据点的数量与局部范围数据电流值的变化获得参考数据点的噪声影响程度;根据预设阈值来进行噪声点的去除;从而根据去噪后的数据对换电柜的工作状态进行监测时,能够准确的反映电流数据的变化,使得监测结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于换电柜的数据在线监测方法及***。
背景技术
随着电动车辆的普及,换电柜***变得越来越重要,它可以解决电动车辆的续航里程限制问题,提高电动车的使用便捷性,减少用户对电池维护的需求。换电柜是一种用于电动自行车、电动汽车等电动车辆的电池充电和更换服务的设备。在换电柜***中,用户可以将电池安装在车辆上,然后使用设备中的自动化***将电池充电或更换电池以延长车辆的续航里程。为了确保换电柜***的可靠性、效率和安全性,需要进行数据在线监测。监测数据包括充电状态、电池温度、电池容量、设备状态、用户交互等信息。数据在线监测可以帮助运营商及时发现问题并采取措施来提高***的运行效率和安全性。但是在对数据进行监测时,因为采集的电流数据存在噪声,需要对采集获得的数据进行去噪处理。
在现有技术中,一种常用的去噪方法是通过箱线图检测出噪点,而后进行插值的操作。但在箱线图的构建过程中,固定的箱线图长度(参与构建箱线图的数据集)对于不同的数据分布可能有不同的效果,即去噪效果不一致,有好有坏,进而影响去噪效果。因为采集到的换电柜是时序数据,时序数据在不同的时刻其变化趋势不同,即不同时间位置满足统一箱线图的数据个数不同,因此需要自适应箱线图的长度。
发明内容
为了解决上述问题,本发明一种用于换电柜的数据在线监测方法及***。
本发明的一种用于换电柜的数据在线监测方法采用如下技术方案:
本发明一个实施例提供了一种用于换电柜的数据在线监测方法,该方法包括以下步骤:
采集换电柜电流数据;所述换电柜包含若干个换电柜仓,所述换电柜电流数据包含若干个数据点,所述数据点表示每个换电柜仓在每个时刻下采集的电流值;
将任意一个数据点记为参考数据点,选择参考数据点的初始窗口长度;根据初始窗口内包含的数据变化获得多个分位区间;根据分位区间中数据的一阶差与二阶差获得参考数据点初始窗口的优选程度;根据分位区间的时序分布与数据变化获得优选程度的第一修正因子;根据各换电柜仓的电流值与总电流值的差值获得优选程度的第二修正因子;根据优选程度与第一修正因子、第二修正因子获得参考数据点初始窗口的最终优选程度,根据最终优选程度获得参考数据点最佳窗口长度;
根据最佳窗口长度构建箱线图获得异常数据点,获得参考数据点的局部范围数据,根据异常数据点与局部范围数据电流值的变化获得参考数据点的噪声影响程度;根据噪声影响程度与预设阈值的大小关系来进行噪声点的去除;根据去噪后的数据对换电柜的工作状态进行监测。
进一步的,所述将任意一个数据点记为参考数据点,选择参考数据点的初始窗口长度,包括的具体步骤如下:
以参考数据点为中心,构建一个长度为a的初始窗口,所述初始窗口内包含a个数据点,a为预设整数值。
进一步的,所述根据初始窗口内包含的数据变化获得多个分位区间,包括的具体步骤如下:
将初始窗口内的数据点按照从小到大的顺序进行排序,记为第一数据序列,将第一数据序列平均分为八等分,得到八个分位区间;将最小值到第一八分位之间的区间记为第一分位区间,第一八分位到第二八分位之间的区间记为第二分位区间,依次类推,获得八个分位区间。
进一步的,所述根据分位区间中数据的一阶差与二阶差获得参考数据点初始窗口的优选程度,包括的具体步骤如下:
分别获取八个分位区间所有数据点的电流值的均值,将每一个分位区间电流值的所述均值从大到小进行排列,获得第二序列,然后获得第二序列的中位数;
获取每个分位区间中数据点的一阶差与二阶差,所述一阶差为第二个分位区间每个数据点的电流值的均值减去第一个分位区间每个数据点的电流值的均值表示第一个一阶差;第三个分位区间每个数据点的电流值的均值减去第二个分位区间每个数据点的电流值的均值表示第二个一阶差;所述二阶差为第二个一阶差减去第一个一阶差表示第一个二阶差;第三个一阶差减去第二个一阶差表示第二个二阶差;参考数据点初始窗口的优选程度的计算公式如下:
式中,γt表示第t个参考数据点对应初始窗口的优选程度,γ1表示小于中位数一侧包含的分位区间的优选程度,γ2表示大于中位数一侧包含的分位区间的优选程度,表示小于中位数一侧的第i个分位区间的一阶差,/>表示小于中位数一侧的第i个分位区间的二阶差,/>则表示小于中位数一侧的第i个分位区间中相邻电流数据点对应时间的平均间隔,/>表示大于中位数一侧的第j个分位区间的一阶差,/>表示大于中位数一侧的第j个分位区间的二阶差,/>则表示大于中位数一侧的第j个分位区间中相邻电流数据点对应时间的平均间隔,y表示小于中位数一侧包含的分位区间的个数,exp()表示以自然常数为底的指数函数。
进一步的,所述根据分位区间的时序分布与数据变化获得优选程度的第一修正因子,包括的具体步骤如下:
式中,δ1表示参考数据点初始窗口优选程度的第一修正因子,表示第i分位区间中相邻电流数据点对应时间的平均间隔,/>表示第i分位区间中剔除了两个最大的相邻电流数据点对应时间间隔的平均间隔。
进一步的,所述根据各换电柜仓的电流值与总电流值的差值获得优选程度的第二修正因子,包括的具体步骤如下:
式中,δ2表示参考数据点初始窗口优选程度的第二修正因子,Ii表示窗口内第i个数据点对应时刻的总电流,Ii1表示第i个数据点对应时刻正在运行的第1个换电柜仓的电流值,
Ii2表示第i个数据点对应时刻正在运行的第2个换电柜仓的电流值,Iim则表示第i个数据点对应时刻正在运行的第m个换电柜仓的电流值,N表示窗口长度,所述总电流表示对应时刻下所有换电柜仓的电流值的和,m表示换电柜仓的个数。
进一步的,所述根据优选程度与第一修正因子、第二修正因子获得参考数据点初始窗口的最终优选程度,根据最终优选程度获得参考数据点最佳窗口长度,包括的具体步骤如下:
γ′t=γt×δ1×δ2
式中,γ′t表示第t个参考数据点初始窗口的最终优选程度,γt表示第t个参考数据点初始窗口的优选程度,δ1表示参考数据点初始窗口优选程度的第一修正因子,δ2表示参考数据点初始窗口优选程度的第二修正因子;
然后以步长为8,迭代增加初始窗口的长度,当初始窗口大于100时迭代停止,获得每一次迭代窗口的最终优选程度,当最终优选程度取得最大值时对应的窗口长度为第t个参考数据点的最佳窗口长度。
进一步的,所述根据最佳窗口长度构建箱线图获得异常数据点,获得参考数据点的局部范围数据,根据异常数据点与局部范围数据电流值的变化获得参考数据点的噪声影响程度,包括的具体步骤如下:
根据确定的最佳窗口长度,获得参考数据点的箱线图,选择箱线图中处于上下界外的数据点个数记为Mt,取以参考数据点为中心,左右两侧各两个数据点,共5个数据点组成参考数据点的局部范围,然后计算参考数据点的噪声影响程度;
式中,σt表示在电流数据中的第t个参考数据点的噪声影响程度,It表示第t个参考数据点的电流大小,表示第t个参考数据点局部范围内所有数据点的平均电流值,norm表示线性归一化函数。
进一步的,所述根据噪声影响程度与预设阈值的大小关系来进行噪声点的去除,根据去噪后的数据对换电柜的工作状态进行监测,包括的具体步骤如下:
对于每个换电柜电流数据中每个数据点的噪声影响程度,当噪声影响程度大于预设阈值T时,则将该点进行去除,然后通过拉格朗日插值算法对去除的数据点进行插值处理,获得完整的去噪数据;
当换电柜仓的电流值大于预设阈值G时,表示该时刻的电流为异常电流,通过报警***进行报警。
一种用于换电柜的数据在线监测***,所述***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,计算机程序以实现所述的一种用于换电柜的数据在线监测方法。
本发明的技术方案的有益效果是:能够通过迭代数据点窗口长度,并分析初始窗口中不同分位数据的分布情况得到窗口的优选程度,从而得到最佳窗口长度即箱线图长度。这种自适应确定箱线图长度的方法相较于传统箱线图固定箱线图长度的方法,能够根据数据的实际分布,将异常值显示的更加突出,有利于后续噪声影响程度的计算,进而使得去噪效果更好。能够通过剔除各个分位中的部分点计算优选程度的第一修正因子,以及通过换电柜单仓电流和总电流之间的关系作为优选程度的第二修正因子,通过两个修正因子对优选程度做出修正,从而得到更加准确、可信的窗口长度,进而使得噪声影响程度的计算更加准确,提高***的效率。
附图说明
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种用于换电柜的数据在线监测方法的步骤流程图;
图2为八分位示例图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于换电柜的数据在线监测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于换电柜的数据在线监测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于换电柜的数据在线监测方法的步骤流程图,该方法包括以下步骤:
S001.采集换电柜的电流数据;
本发明的主要目的是为了对换电柜的电流数据进行监测,因此首先需要采集获得换电柜的电流数据。换电柜通常有12仓、10仓、8仓等不同规模,本实施例以8仓换电柜为例,使用电流传感器采集每个仓的电流大小以及换电柜的总电流大小,数据采集频率为50HZ,采集时间为1小时,然后获得每个仓的电流数据,以及换电柜的总电流数据,所述每个仓的电流数据中包含若干个数据点。然后对获得的电流数据分别进行去噪处理。
S002.通过迭代数据点的窗口长度,计算窗口的优选程度;
需要说明的是,因为箱线图算法对数据的分布极为敏感,对于不同数据分布特征的数据,在通过箱线图进行异常检时的效果是完全不同,进而对于每种电流数据噪声影响程度的计算的准确性也会有偏差,影响去噪效果。因此本实施例通过对监测电流数据进行分析,通过预设迭代数据点的窗口长度,根据窗口内数据的变化进行分析,来获得每个数据点初始窗口的优选程度,进而根据优选程度来获得最佳窗口尺寸,从而实现窗口长度的自适应,然后根据自适应窗口来获得每个数据点是噪声点的可能程度。其具体过程如下:
a.确定电流数据点的窗口长度和窗口优选程度;
需要说明的是,在通过箱线图算法进行异常数据检测时,因为在对较小的窗口(窗口内包含的数据点小于20个)进行箱线图的构建时,该箱线图只能提供有关数据分布和离群值情况的初步估计,它的统计稳定性较差;而较大的窗口(窗口内包含的数据点超过100个),由于数据量过大,箱线图可能无法提供足够的数据分布细节。因此较好的窗口长度为包含20到100个数据点之间;因此本实施例设置初始窗口长度为a,取a=24(8的整数倍,包含24个数据点),窗口的选取规则为:以任意数据点为中心,将任意数据点记为参考数据点,选择参考数据点的左右两侧数据点作为该数据点的初始窗口所包含的数据,其中参考数据点右侧包含的数据点比左侧多一个数据点,如:窗口长度为24时,参考数据点左侧有11个数据点,右侧为12个数据点;特殊的,当参考数据点的左侧或右侧不够十一个数据点时,则以该数据点的上一个或下一个数据点为中心再重新选择初始窗口。然后根据窗口的数据变化来计算当前窗口的优选程度。
进一步的,因为当前窗口的优选程度表示的是以参考数据点为中心的优选程度,因此在进行迭代过程中,每迭代一次,都是计算的以参考数据点为中心的优选程度,当窗口内包含的数据点的数量大于等于100时,即停止迭代,获得参考数据点对应的不同窗口长度的优选程度。然后在以参考数据点的下一个数据点为中心进行迭代计算,获得参考数据点的下一个数据点对应的不同窗口长度的优选程度,然后依次进行计算,获得每一个数据点对应的不同窗口长度的优选程度。
以参考数据点为中心,设置迭代步长为8个数据点,即在当前窗口的基础上,左右两侧各增加四个数据点。然后计算每次迭代过程中的窗口优选程度,具体实施方法如下:
具体的,箱线图构建的好坏,主要依赖于窗口内数据的分布特征,即越偏离中位数位置的数据点的个数越少越好,这样的数据分布特征可以更加直观的识别数据的离群值,从而进行更准确进行异常检测。因此取参考数据点的窗口数据,即包含24个数据点的窗口,将初始窗口内的数据点按照从小到大的顺序进行排序,记为第一数据序列,然后将第一数据序列平均分为八等分,得到八个分位区间,每个分位区间包含三个数据点,然后通过分析分位区间内以及分位区间之间的数据变化关系,得到优选程度。
如图2所示,为八分位示例图。为了便于叙述,以下将最小值到第一八分位之间的区间记为第一分位区间,第一八分位到第二八分位之间的区间记为第二分位区间,依次类推,获得八个分位区间。
进一步的,首先获得八个分位区间的中位数,因为每个分位区间中数据点个数相同,因此越偏离中位数位置的数据点个数越少,对应在八个分位区间中越靠近中位数的分位区间其数据的跨度越小,跨度即分位区间对应的长度;同时,在每个分位区间中,如果数据点之间在时序上越连续,则该区间内数据属于正常数据的可能性越高,此为分位区间内的关系。故可用分位区间之间跨度变化的规律性和各个分位区间中数据点在时序的连续性表征窗口的优选程度。
具体的,因为中位数两侧的分位区间变化呈现相反的过程,因此本实施例以小于中位数的一侧(即最小值到中位数的部分)为例计算该侧的优选程度。那么对于小于中位数的一侧,从第一分位区间到第四分位区间其跨度应该是单调递减的,并且越是呈现指数级单调递减,则分位区间跨度变化的规律性越强。本实施例案采用一阶差的平均值表征跨度的递减关系,平均值越大则递减关系越明显,用二阶差的平均值表征跨度递减的指数级关系,平均值越大则指数级关系越明显。则优选程度的计算公式如下:
式中,γt表示第t个参考数据点对应初始窗口的优选程度,γ1表示小于中位数一侧包含的分位区间的优选程度,表示小于中位数一侧的第i个分位区间的一阶差,/>表示小于中位数一侧的第i个分位区间的二阶差,/>则表示小于中位数一侧的第i个分位区间中相邻电流数据点对应时间的平均间隔,y表示小于中位数一侧包含的分位区间的个数,exp()表示以自然常数为底的指数函数。
具体的,表示第i个分位区间的一阶差,计算方法如:/>其中,Li表示第i个分位区间的电流值的均值,Li+1表示第i+1个分位区间的电流值的均值,/>则表示一阶差的平均值;/>表示第i个分位区间的二阶差,计算方法如:/>式中,表示第i+1个分位区间电流值均值的一阶差,/>则表示二阶差的平均值。/>表示第i个分位区间中相邻电流数据点对应时间的平均间隔,计算方法如:/>式中,tj表示第个数据点对应的时间点,tj+1表示第j+1个数据点对应的时间点,n表示第i个分位区间中数据点的数量。
同理,获得大于中位数据一侧的优选程度:
式中,γ2表示大于中位数据一侧包含的分位区间的优选程度,表示大于中位数一侧的第j个分位区间的一阶差,/>表示大于中位数一侧的第j个分位区间的二阶差,/>则表示大于中位数一侧的第j个分位区间中相邻电流数据点对应时间的平均间隔。
然后根据上述获得的小于中位数一侧包含的分位区间的优选程度γ1与大于中位数据一侧包含的分位区间的优选程度γ2得到第t个参考数据点初始窗口的优选程度
b.计算优选程度的第一修正因子;
需要说明的是,在计算窗口内数据的优选程度是是通过每个分位区间中的数据分布特征计算的,但如果对于某个分位区间中有过于偏离整体聚集趋势的点时就会导致优选程度的计算出现偏差,本实施例通过剔除所有分位区间中,相邻两个数据点差值最大的时间间隔,然后计算每个分位区间的平均时间间隔,通过剔除前后平均时间间隔的差值大小来表示窗口优选程度的可信度,如果差值越小,则说明上述优选程度的计算越可信,则其修正因子越大,修正因子的计算公式如下:
式中,δ1表示参考数据点初始窗口优选程度的第一修正因子,表示第i分位区间中相邻电流数据点对应时间的平均间隔,/>表示第i分位区间中剔除了两个最大的相邻电流数据点对应时间间隔的平均间隔。
c.计算窗口优选程度的第二修正因子;
需要说明的是,根据电流守恒定理,各个运行仓的电流相加总和与总监测电流的大小应近似相等,因此可利用同一时间范围内各仓电流与总电流之间的差值关系表征电流数据的可信度,从而作为窗口优选程度的第二修正因子。如果差值越大则表示当前时刻受到噪声影响的可能性高,则需要对监测数据点进行较大的修正,第二修正因子计算公式如下:
式中,δ2表示参考数据点初始窗口优选程度的第二修正因子,Ii表示窗口内第i个数据点对应时刻的总电流,Ii1表示第i个数据点对应时刻正在运行的第1个换电柜仓的电流值,Ii2表示第i个数据点对应时刻正在运行的第2个换电柜仓的电流值,Iim则表示第i个数据点对应时刻正在运行的第m个换电柜仓的电流值,Iim则表示了第i个数据点对应时刻正在运行的第m个仓的电流值,m表示换电柜仓的个数,N表示窗口长度,|Ii-(Ii1+Ii2+…+Iim)|则表示了总电流和各个仓电流的差值大小。
进一步的,根据第一修正因子与第二修正因子得到参考数据点初始窗口的最终优选程度,其计算公式如下:γt′=γt×δ1×δ2,式中,γt′表示参考数据点t初始窗口的最终优选程度。然后按照预设迭代步长对参考数据点进行迭代,获得每一次迭代窗口的最终优选程度,当最终优选程度取得最大值时对应的窗口长度,表示为该参考数据点的最佳窗口长度。然后获得每一个数据点的最佳窗口长度。
S003.获得最佳的窗口长度,并进行噪声影响程度的计算;
需要说明的是,对于任意一个数据点,在确定后最佳窗口长度后,便可根据窗口内的数据点进行箱线图的构建。如果该数据点在其窗口范围内的监测的异常点越多,则说明该点受到噪声的影响越大,则其噪声影响程度越大;同时如果该数据点的电流值与其局部范围内数据的平均值差值越大则说明其噪声影响程度越大。取以参考数据点为中心,左右两侧各两个数据点,共5个数据点组成参考数据点的局部范围,然后计算参考数据点的噪声影响程度,其计算公式如下:
式中,σt表示在电流数据中的第t个参考数据点的噪声影响程度,It表示第t个参考数据点的电流大小,表示第t个参考数据点局部范围内所有数据点的平均电流值,Mt表示以第t个参考数据点为中心,最佳窗口范大小所包含的数据点构建的箱线图中处于上下界外的数据点个数,即异常数据点的个数,该技术为现有公知技术,在此不再进行赘述,norm()表示线性归一化函数。
S004.通过噪声影响程度,识别出噪点并进行去噪;
根据获得的每个换电柜电流数据中每个数据点的噪声影响程度,当噪声影响程度大于预设阈值T时,则认为该点为噪点,则将该点进行去除,取T=0.37,该值为经验值,实施者可根据不同的实施环境自行设定。然后通过拉格朗日差值算法对去除的数据点进行插值处理,获得完整的去噪数据。
然后在根据去噪后的数据对换电柜的工作状态进行监测,当换电柜仓的电流值大于预设阈值G=20安培时,表示该时刻的电流为异常电流,通过报警***进行报警。
通过以上步骤,完成了一种用于换电柜的数据在线监测方法。
一种用于换电柜的数据在线监测***,所述***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,计算机程序以实现所述的一种用于换电柜的数据在线监测方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于换电柜的数据在线监测方法,其特征在于,该方法包括以下步骤:
采集换电柜电流数据;所述换电柜包含若干个换电柜仓,所述换电柜电流数据包含若干个数据点,所述数据点表示每个换电柜仓在每个时刻下采集的电流值;
将任意一个数据点记为参考数据点,选择参考数据点的初始窗口长度;根据初始窗口内包含的数据变化获得多个分位区间;根据分位区间中数据的一阶差与二阶差获得参考数据点初始窗口的优选程度;根据分位区间的时序分布与数据变化获得优选程度的第一修正因子;根据各换电柜仓的电流值与总电流值的差值获得优选程度的第二修正因子;根据优选程度与第一修正因子、第二修正因子获得参考数据点初始窗口的最终优选程度,根据最终优选程度获得参考数据点最佳窗口长度;
根据最佳窗口长度构建箱线图获得异常数据点,获得参考数据点的局部范围数据,根据异常数据点与局部范围数据电流值的变化获得参考数据点的噪声影响程度;根据噪声影响程度与预设阈值的大小关系来进行噪声点的去除,根据去噪后的数据对换电柜的工作状态进行监测。
2.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述将任意一个数据点记为参考数据点,选择参考数据点的初始窗口长度,包括的具体步骤如下:
以参考数据点为中心,构建一个长度为a的初始窗口,所述初始窗口内包含a个数据点,a为预设整数值。
3.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据初始窗口内包含的数据变化获得多个分位区间,包括的具体步骤如下:
将初始窗口内的数据点按照从小到大的顺序进行排序,记为第一数据序列,将第一数据序列平均分为八等分,得到八个分位区间;将最小值到第一八分位之间的区间记为第一分位区间,第一八分位到第二八分位之间的区间记为第二分位区间,依次类推,获得八个分位区间。
4.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据分位区间中数据的一阶差与二阶差获得参考数据点初始窗口的优选程度,包括的具体步骤如下:
分别获取八个分位区间所有数据点的电流值的均值,将每一个分位区间电流值的所述均值从大到小进行排列,获得第二序列,然后获得第二序列的中位数;
获取每个分位区间中数据点的一阶差与二阶差,所述一阶差为第二个分位区间每个数据点的电流值的均值减去第一个分位区间每个数据点的电流值的均值表示第一个一阶差;第三个分位区间每个数据点的电流值的均值减去第二个分位区间每个数据点的电流值的均值表示第二个一阶差;所述二阶差为第二个一阶差减去第一个一阶差表示第一个二阶差;第三个一阶差减去第二个一阶差表示第二个二阶差;参考数据点初始窗口的优选程度的计算公式如下:
式中,γt表示第t个参考数据点对应初始窗口的优选程度,γ1表示小于中位数一侧包含的分位区间的优选程度,γ2表示大于中位数一侧包含的分位区间的优选程度,表示小于中位数一侧的第i个分位区间的一阶差,/>表示小于中位数一侧的第i个分位区间的二阶差,/>则表示小于中位数一侧的第i个分位区间中相邻电流数据点对应时间的平均间隔,/>表示大于中位数一侧的第j个分位区间的一阶差,/>表示大于中位数一侧的第j个分位区间的二阶差,/>则表示大于中位数一侧的第j个分位区间中相邻电流数据点对应时间的平均间隔,y表示小于中位数一侧包含的分位区间的个数,exp()表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据分位区间的时序分布与数据变化获得优选程度的第一修正因子,包括的具体步骤如下:
式中,δ1表示参考数据点初始窗口优选程度的第一修正因子,表示第i分位区间中相邻电流数据点对应时间的平均间隔,/>表示第i分位区间中剔除了两个最大的相邻电流数据点对应时间间隔的平均间隔。
6.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据各换电柜仓的电流值与总电流值的差值获得优选程度的第二修正因子,包括的具体步骤如下:
式中,δ2表示参考数据点初始窗口优选程度的第二修正因子,Ii表示窗口内第i个数据点对应时刻的总电流,Ii1表示第i个数据点对应时刻正在运行的第1个换电柜仓的电流值,Ii2表示第i个数据点对应时刻正在运行的第2个换电柜仓的电流值,Iim则表示第i个数据点对应时刻正在运行的第m个换电柜仓的电流值,N表示窗口长度,所述总电流表示对应时刻下所有换电柜仓的电流值的和,m表示换电柜仓的个数。
7.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据优选程度与第一修正因子、第二修正因子获得参考数据点初始窗口的最终优选程度,根据最终优选程度获得参考数据点最佳窗口长度,包括的具体步骤如下:
γt ′=γt×δ1×δ2
式中,γt ′表示第t个参考数据点初始窗口的最终优选程度,γt表示第t个参考数据点初始窗口的优选程度,δ1表示参考数据点初始窗口优选程度的第一修正因子,δ2表示参考数据点初始窗口优选程度的第二修正因子;
然后以步长为8,迭代增加初始窗口的长度,当初始窗口大于100时迭代停止,获得每一次迭代窗口的最终优选程度,当最终优选程度取得最大值时对应的窗口长度为第t个参考数据点的最佳窗口长度。
8.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据最佳窗口长度构建箱线图获得异常数据点,获得参考数据点的局部范围数据,根据异常数据点与局部范围数据电流值的变化获得参考数据点的噪声影响程度,包括的具体步骤如下:
根据确定的最佳窗口长度,获得参考数据点的箱线图,选择箱线图中处于上下界外的数据点个数记为Mt,取以参考数据点为中心,左右两侧各两个数据点,共5个数据点组成参考数据点的局部范围,然后计算参考数据点的噪声影响程度;
式中,σt表示在电流数据中的第t个参考数据点的噪声影响程度,It表示第t个参考数据点的电流大小,表示第t个参考数据点局部范围内所有数据点的平均电流值,norm表示线性归一化函数。
9.根据权利要求1所述的一种用于换电柜的数据在线监测方法,其特征在于,所述根据噪声影响程度与预设阈值的大小关系来进行噪声点的去除,根据去噪后的数据对换电柜的工作状态进行监测,包括的具体步骤如下:
对于每个换电柜电流数据中每个数据点的噪声影响程度,当噪声影响程度大于预设阈值T时,则将该点进行去除,然后通过拉格朗日插值算法对去除的数据点进行插值处理,获得完整的去噪数据;
当换电柜仓的电流值大于预设阈值G时,则该时刻的电流为异常电流,通过报警***进行报警。
10.一种用于换电柜的数据在线监测***,所述***包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,计算机程序以实现如权利要求1-9任一项所述的一种用于换电柜的数据在线监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311836916.6A CN117783745B (zh) | 2023-12-28 | 2023-12-28 | 用于换电柜的数据在线监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311836916.6A CN117783745B (zh) | 2023-12-28 | 2023-12-28 | 用于换电柜的数据在线监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117783745A CN117783745A (zh) | 2024-03-29 |
CN117783745B true CN117783745B (zh) | 2024-06-25 |
Family
ID=90394265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311836916.6A Active CN117783745B (zh) | 2023-12-28 | 2023-12-28 | 用于换电柜的数据在线监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117783745B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992738B (zh) * | 2024-04-03 | 2024-06-11 | 山东兰蝶节能环保科技有限公司 | 一种节电柜电能自动化节电监测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023174002A1 (zh) * | 2022-03-18 | 2023-09-21 | 华为技术有限公司 | 一种***监控方法及装置 |
CN117278643A (zh) * | 2023-11-20 | 2023-12-22 | 杭州广安汽车电器有限公司 | 基于云边协同的车载云标定数据传输*** |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537034B (zh) * | 2014-12-22 | 2017-11-10 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
US11341374B2 (en) * | 2018-05-29 | 2022-05-24 | Microsoft Technology Licensing, Llc | Data anomaly detection |
EP3882922A1 (en) * | 2020-03-21 | 2021-09-22 | Tata Consultancy Services Limited | Discriminating features based sepsis prediction |
CN111928901A (zh) * | 2020-08-19 | 2020-11-13 | 北京兴达智联科技有限公司 | 换电柜预警***及方法 |
CN112232447B (zh) * | 2020-12-14 | 2021-06-04 | 国网江西省电力有限公司电力科学研究院 | 一种电力设备状态监测数据的完整样本集的构建方法 |
CN113934715B (zh) * | 2021-09-25 | 2024-03-01 | 西北工业大学 | 一种基于改进非局部均值的推进剂制备质量数据去噪方法 |
CN115145900A (zh) * | 2022-06-30 | 2022-10-04 | 南京林业大学 | 一种电动汽车动力电池大数据清洗方法 |
CN115347640A (zh) * | 2022-08-19 | 2022-11-15 | 深圳供电局有限公司 | 一种动力电池充电时异常识别预警方法、***及换电站 |
CN115078892B (zh) * | 2022-08-19 | 2022-11-01 | 深圳天川电气技术有限公司 | 一种单机大传动变频器状态远程监测*** |
CN115238753B (zh) * | 2022-09-21 | 2022-12-06 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
CN116046187B (zh) * | 2023-04-03 | 2023-06-23 | 探长信息技术(苏州)有限公司 | 一种用于通信柜的温度异常远程监测*** |
-
2023
- 2023-12-28 CN CN202311836916.6A patent/CN117783745B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023174002A1 (zh) * | 2022-03-18 | 2023-09-21 | 华为技术有限公司 | 一种***监控方法及装置 |
CN117278643A (zh) * | 2023-11-20 | 2023-12-22 | 杭州广安汽车电器有限公司 | 基于云边协同的车载云标定数据传输*** |
Also Published As
Publication number | Publication date |
---|---|
CN117783745A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及*** | |
CN112433907A (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
Cai et al. | An estimation model for state of health of lithium-ion batteries using energy-based features | |
US20220170995A1 (en) | Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN117220441A (zh) | 基于全景监控下的信息监测智能预警方法 | |
CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及*** | |
Namdari et al. | An entropy-based approach for modeling lithium-ion battery capacity fade | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN115754743A (zh) | 一种电池电压不一致识别方法、装置、设备及介质 | |
CN116992311B (zh) | 基于机器学习的储能电源状态分析方法 | |
CN114770607A (zh) | 一种基于大数据的机器人健康监控方法及*** | |
CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
Wang et al. | Large-scale field data-based battery aging prediction driven by statistical features and machine learning | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
CN117572241A (zh) | 一种基于扩展多维时间序列的锂电池故障分析方法 | |
CN116842464A (zh) | 一种电池***soc估计方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |