CN110163148B - 一种电动汽车直流充电畸变信号自适应识别方法 - Google Patents
一种电动汽车直流充电畸变信号自适应识别方法 Download PDFInfo
- Publication number
- CN110163148B CN110163148B CN201910423161.4A CN201910423161A CN110163148B CN 110163148 B CN110163148 B CN 110163148B CN 201910423161 A CN201910423161 A CN 201910423161A CN 110163148 B CN110163148 B CN 110163148B
- Authority
- CN
- China
- Prior art keywords
- signal
- wavelet packet
- ripple
- charging
- electric
- 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 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000035939 shock Effects 0.000 claims description 5
- 101100377706 Escherichia phage T5 A2.2 gene Proteins 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车直流充电畸变信号自适应识别方法，包括如下步骤：1、获取电动汽车充电的电信号f(t)，并进行等间隔采样，得到离散的电信号f(n)；2、根据电动汽车充电负荷特征，修正小波包变换的分层和阈值参数，对离散电信号f(n)进行小波包分解，获取小波包系数；3、根据分解后的小波包系数判断信号突变时刻，并对骤变信号和非稳态信号进行重构。4、对基波和纹波信号建立卡尔曼滤波矩阵模型，通过遗忘因子的引入、噪声协方差系数和步长的自适应选取来优化分解精度和收敛速度，对电动汽车直流充电信号的基波和各次纹波进行预测识别。该方法能够在电动汽车复杂的充电环境下同时精确检测各类畸变信号，具有较高的正确性与适用性，满足现实应用的需求。
Description
技术领域
本发明属于电动汽车充电技术领域，具体涉及一种充电过程中畸变信号的识别方法。
背景技术
近年来，随着全球能源危机问题日益严重，可替代能源与能源可持续发展问题迫在眉睫，电能以其清洁的可再生能源优势成为众多国家的首选。目前，纯电动汽车已经开始产业化进入市场，配套的电动汽车充电机也大规模生产建设。
电动汽车直流充电机和蓄电池属于大功率非线性设备，导致电动汽车充电负荷含有大量的纹波，体现明显的非线性。尤其是充电站广泛应用的快速充电模式，采用大功率直流充电，密集的大规模集中充电导致瞬时负荷过大，时常出现骤变、非稳态信号，相较于常规交流充电模式，非线性特征更加突出，对于电动汽车充电电能的精确计量、充电故障的准确诊断以及畸变信号的防治产生不利影响。
针对电动汽车直流充电的特殊环境，急需针对充电负荷中存在的纹波、非稳态和骤变信号等畸变信号开展识别方法研究。目前本领域采用的傅里叶算法存在“吉布斯效应”，无法在时域上精确检测骤变和非稳态信号，且在骤变和非稳态信号的影响下，纹波的分解精度也会大幅下降。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种电动汽车直流充电畸变信号自适应识别方法，该方法能够在电动汽车复杂的充电环境下同时精确检测各类畸变信号。
技术方案：本发明采用如下技术方案：
一种电动汽车直流充电畸变信号自适应识别方法，包括如下步骤：
(1)获取电动汽车充电的电信号f(t)，并进行等间隔采样，得到离散的电信号f(n)，采样频率为fs；
(2)对离散电信号f(n)进行小波包分解，获取小波包系数，具体包括如下步骤：
(2.1)小波包分解递推公式为：
其中，
为小波包分解的第j层上第γ个小波包分解系数，j∈[1,m0],γ∈[1,2j-1]，m0为小波包分解层数；h0(2n-z)、g0(2n-z)分别为进行小波包分解时的低通、高通滤波器；z取整数，是对连续小波包变换离散化的参数；
(2.2)对小波包分解系数进行修正，修正函数为：
其中，
和
分别为修正前和修正后的小波包系数，j∈[1,m0]；ε为修正阈值；N∈R为小波包比例系数；
(3)根据分解后的小波包系数判断骤变信号，并对骤变信号和非稳态信号进行重构；
判断直流充电信号中第j层小波包是否出现骤变信号和非稳态信号：
其中σ1为预设的信号突变阈值，△t＝1/fs为信号采样间隔，t0为当前离散序列时刻，T为信号突变判定所需的离散序列间隔。
如果上式成立，第j层小波包有骤变信号和非稳态信号，对骤变信号和非稳态信号进行重构：
其中，
为重构后的小波包系数，H0(n-2z)和G0(n-2z)小波包重构的低通和高通滤波器组，与h0(2n-z)、g0(2n-z)无关；f骤(n)和f非稳态(n)为重构的骤变信号和非稳态信号；j骤，γ骤为骤变信号小波包的层次和所在层次的序号，位于小波包系数的频域最低层，即0Hz层次；j非稳态，γ非稳态非稳态信号小波包的层次和所在层次的序号，位于小波包系数的频域最高层。
还包括根据分解后的小波包系数获取电动汽车直流充电信号的基波和纹波，具体包括如下步骤：
(A1)获取k时刻电动汽车充电的稳态电信号s(k)：
s(k)＝f(k)-f非稳态(k)-f骤(k)
(A2)建立基于变步长自适应卡尔曼滤波算法的矩阵模型识别基波和纹波信号，包括如下步骤：
(A2.1)构建的k时刻系统的状态向量:
x(k)＝[x01,x02,xi1,xi2…,xi1,xi2,…,xm1,xm2]T
其中，基波平行分量x01＝F0(k△t)，正交分量x12＝0；xi1＝Fi(k△t)cosθi，为第i次纹波电信号的平行分量；xi2＝-Fi(k△t)sinθi，为第i次纹波电信号的正交分量；Fi(k△t)第i次纹波随时间变化的幅值，△t＝1/fs为信号采样间隔，θi为充电信号第i次纹波初相位。
(A2.2)建立状态方程和观测方程：
其中W(k)和V(k)分别表示状态方程和观测方程的噪声；A(k)为状态转移矩阵，H(k)为观测矩阵；
(A2.3)进行自适应步长状态更新：
k时刻的步长μ(k)按下式计算，自适应修正(A2.4)的每一次迭代更新的k值：
其中s为遗忘因子，0<s<1；ρ为常数；
是代价函数的瞬时估计值；dk为k时刻数据的弱化系数；tr(·)为矩阵求迹运算，ceil(·)为取最小近似整数函数。
(A2.4)更新系统噪声和量测噪声：
其中q(k)和Q(k)分别为k时刻系统噪声的均值和方差；r(k)和R(k)分别为k时刻量测噪声的均值和方差；e(k)为观察误差；Kg(k)为卡尔曼增益；P(k)为x(k)的方差；x(k|k-1)为通过k-1时刻的数据预测的k时刻系统的状态向量；P(k/k-1)为x(k/k-1)的方差。
(A2.5)计算基波和各次纹波信号的幅值和相位：
其中Fi(k)为k时刻第i次纹波电信号的幅值；θi(k)为k时刻第i次纹波电信号的初相位。
所述步骤(2.1)中小波包分解中采用db40作为小波基函数。
所述步骤(2.1)中小波包分解层数m0的取值为：
其中，f0为各次纹波频率的最大公约数；ceil(·)为取最小近似整数函数。
本发明中，电动汽车充电的电信号f(t)为电压信号或电流信号。
状态转移矩阵A(k)为2(m+1)×2(m+1)的单位矩阵；
观测矩阵H(k)为2(m+1)×2(m+1)的方阵，取值为：
其中，f0为各次纹波频率的最大公约数，i＝0,1,3,5...,19，m＝10。
有益效果：与现有技术相比，本发明公开的电动汽车直流充电畸变信号自适应识别方法可以有效提取出非稳态信号以及骤变信号，相对于传统小波变换精确度更高；在消除前两类畸变信号的影响之后，采用变步长自适应卡尔曼滤波算法对基波和纹波建立相关矩阵模型，通过时变噪声的递推和预测估计器，随输入信号实时修正协方差参数，优化标准卡尔曼滤波算法的自适应性，遗忘因子、可变步长可以增加非稳态环境下信号识别的收敛速度；两种算法的组合应用能够解决现有单一算法难以同时精确检测各类畸变信号的问题，在电动汽车复杂的充电环境下，具有较高的正确性与适用性。
附图说明
图1为本发明公开的电动汽车直流充电畸变信号自适应识别方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种电动汽车直流充电畸变信号自适应识别方法，包括如下步骤：
(1)获取电动汽车充电的电信号f(t)，并进行等间隔采样，得到离散的电信号f(n)，采样频率为fs；
(2)对离散电信号f(n)进行小波包分解，获取小波包系数，具体包括如下步骤：
(2.1)小波包分解递推公式为：
其中，
为小波包分解的第j层上第γ个小波包分解系数，j∈[1,m0],γ∈[1,2j-1]，m0为小波包分解层数；h0(2n-z)、g0(2n-z)分别为进行小波包分解时的低通、高通滤波器；z取整数，是对连续小波包变换离散化的参数；
(2.2)对小波包分解系数进行修正，修正函数为：
其中，
和
分别为修正前和修正后的小波包系数，j∈[1,m0]；ε为修正阈值；N∈R为小波包比例系数，本发明中取1.12，可根据实际情况调整取值；
(3)根据分解后的小波包系数判断骤变信号，并对骤变信号和非稳态信号进行重构；
判断直流充电信号中第j层小波包是否出现骤变信号和非稳态信号：
其中σ1为预设的信号突变阈值，△t＝1/fs为信号采样间隔，t0为当前离散序列时刻，T为信号突变判定所需的离散序列间隔。
如果上式成立，第j层小波包有骤变信号和非稳态信号，对骤变信号和非稳态信号进行重构：
其中，
为重构后的小波包系数，H0(n-2z)和G0(n-2z)小波包重构的低通和高通滤波器组，与h0(2n-z)、g0(2n-z)无关；f骤(n)和f非稳态(n)为重构的骤变信号和非稳态信号；j骤，γ骤为骤变信号小波包的层次和所在层次的序号，位于小波包系数的频域最低层，即0Hz层次；j非稳态，γ非稳态非稳态信号小波包的层次和所在层次的序号，位于小波包系数的频域最高层。
还包括根据分解后的小波包系数获取电动汽车直流充电信号的基波和纹波，具体包括如下步骤：
(A1)获取k时刻电动汽车充电的稳态电信号s(k)：
s(k)＝f(k)-f非稳态(k)-f骤(k)
(A2)建立基于变步长自适应卡尔曼滤波算法的矩阵模型识别基波和纹波信号，包括如下步骤：
(A2.1)构建的k时刻系统的状态向量:
x(k)＝[x01,x02,xi1,xi2…,xi1,xi2,…,xm1,xm2]T
其中，基波平行分量x01＝F0(k△t)，正交分量x12＝0；xi1＝Fi(k△t)cosθi，为第i次纹波电信号的平行分量；xi2＝-Fi(k△t)sinθi，为第i次纹波电信号的正交分量；Fi(k△t)第i次纹波随时间变化的幅值，△t＝1/fs为信号采样间隔，θi为充电信号第i次纹波初相位。
(A2.2)建立状态方程和观测方程：
其中W(k)和V(k)分别表示状态方程和观测方程的噪声；A(k)为状态转移矩阵，H(k)为观测矩阵；
(A2.3)进行自适应步长状态更新：
k时刻的步长μ(k)按下式计算，自适应修正(A2.4)的每一次迭代更新的k值：
其中s为遗忘因子，0<s<1；ρ为常数；
是代价函数的瞬时估计值；dk为k时刻数据的弱化系数；tr(·)为矩阵求迹运算，ceil(·)为取最小近似整数函数。
(A2.4)更新系统噪声和量测噪声：
其中q(k)和Q(k)分别为k时刻系统噪声的均值和方差；r(k)和R(k)分别为k时刻量测噪声的均值和方差；e(k)为观察误差；Kg(k)为卡尔曼增益；P(k)为x(k)的方差；x(k|k-1)为通过k-1时刻的数据预测的k时刻系统的状态向量；P(k/k-1)为x(k/k-1)的方差。
(A2.5)计算基波和各次纹波信号的幅值和相位：
其中Fi(k)为k时刻第i次纹波电信号的幅值；θi(k)为k时刻第i次纹波电信号的初相位。
所述步骤(2.1)中小波包分解中采用db40作为小波基函数。
所述步骤(2.1)中小波包分解层数m0的取值为：
其中，f0为各次纹波频率的最大公约数；ceil(·)为取最小近似整数函数。
本发明中，电动汽车充电的电信号f(t)为电压信号或电流信号。
状态转移矩阵A(k)为2(m+1)×2(m+1)的单位矩阵；
观测矩阵H(k)为2(m+1)×2(m+1)的方阵，取值为：
其中，f0为各次纹波频率的最大公约数，i＝0,1,3,5...,19，m＝10。
Claims (5)
1.一种电动汽车直流充电畸变信号自适应识别方法，其特征在于，包括如下步骤：
(1)获取电动汽车充电的电信号f(t)，并进行等间隔采样，得到离散的电信号f(n)，采样频率为fs；
(2)对离散电信号f(n)进行小波包分解，获取小波包系数，具体包括如下步骤：
(2.1)小波包分解递推公式为：
其中，
为小波包分解的第j层上第γ个小波包分解系数，j∈[1,m0],γ∈[1,2j-1]，m0为小波包分解层数；h0(2n-z)、g0(2n-z)分别为进行小波包分解时的低通、高通滤波器；z取整数，是对连续小波包变换离散化的参数；
(2.2)对小波包分解系数进行修正，修正函数为：
其中，
和
分别为修正前和修正后的小波包系数，j∈[1,m0]；ε为修正阈值；N∈R为小波包比例系数；
(3)根据分解后的小波包系数判断骤变信号，并对骤变信号和非稳态信号进行重构；
判断直流充电信号中第j层小波包是否出现骤变信号和非稳态信号：
其中σ1为预设的信号突变阈值，Δt＝1/fs为信号采样间隔，t0为当前离散序列时刻，T为信号突变判定所需的离散序列间隔；
如果上式成立，第j层小波包有骤变信号和非稳态信号，对骤变信号和非稳态信号进行重构：
其中，
为重构后的小波包系数，H0(n-2z)和G0(n-2z)小波包重构的低通和高通滤波器组，与h0(2n-z)、g0(2n-z)无关；f骤(n)和f非稳态(n)为重构的骤变信号和非稳态信号；j骤，γ骤为骤变信号小波包的层次和所在层次的序号，位于小波包系数的频域最低层，即0Hz层次；j非稳态，γ非稳态为非稳态信号小波包的层次和所在层次的序号，位于小波包系数的频域最高层；
还包括根据分解后的小波包系数获取电动汽车直流充电信号的基波和纹波，具体包括如下步骤：
(A1)获取k时刻电动汽车充电的稳态电信号s(k)：
s(k)＝f(k)-f非稳态(k)-f骤(k)
(A2)建立基于变步长自适应卡尔曼滤波算法的矩阵模型识别基波和纹波信号，包括如下步骤：
(A2.1)构建的k时刻系统的状态向量:
x(k)＝[x01,x02,x11,x12…,xi1,xi2,…,xm1,xm2]T
其中，基波平行分量x01＝F0(kΔt)，正交分量x02＝0；xi1＝Fi(kΔt)cosθi，为第i次纹波电信号的平行分量；xi2＝-Fi(kΔt)sinθi，为第i次纹波电信号的正交分量；Fi(kΔt)第i次纹波随时间变化的幅值，Δt＝1/fs为信号采样间隔，θi为充电信号第i次纹波初相位；
(A2.2)建立状态方程和观测方程：
其中W(k)和V(k)分别表示状态方程和观测方程的噪声；A(k)为状态转移矩阵，H(k)为观测矩阵；
(A2.3)进行自适应步长状态更新：
k时刻的步长μ(k)按下式计算，自适应修正(A2.4)的下一次迭代更新的k值：
其中s为遗忘因子，0<s<1；ρ为常数；J(k)是代价函数的瞬时估计值，
是代价函数的瞬时估计值J(k)对步长μ(k)的梯度；dk为k时刻数据的弱化系数；tr(·)为矩阵求迹运算，ceil(·)为取最小近似整数函数；
(A2.4)更新系统噪声和量测噪声：
其中q(k)和Q(k)分别为k时刻系统噪声的均值和方差；r(k)和R(k)分别为k时刻量测噪声的均值和方差；e(k)为观察误差；Kg(k)为卡尔曼增益；P(k)为x(k)的方差；x(k|k-1)为通过k-1时刻的数据预测的k时刻系统的状态向量；P(k/k-1)为x(k/k-1)的方差；
(A2.5)计算基波和各次纹波信号的幅值和相位：
其中Fi(k)为k时刻第i次纹波电信号的幅值；θi(k)为k时刻第i次纹波电信号的初相位。
2.根据权利要求1所述的电动汽车直流充电畸变信号自适应识别方法，其特征在于，所述步骤(2.1)中小波包分解中采用db40作为小波基函数。
3.根据权利要求1所述的电动汽车直流充电畸变信号自适应识别方法，其特征在于，所述步骤(2.1)中小波包分解层数m0的取值为：
其中，f0为各次纹波频率的最大公约数；ceil(·)为取最小近似整数函数。
4.根据权利要求1所述的电动汽车直流充电畸变信号自适应识别方法，其特征在于，电动汽车充电的电信号f(t)为电压信号或电流信号。
5.根据权利要求1所述的电动汽车直流充电畸变信号自适应识别方法，其特征在于，
状态转移矩阵A(k)为2(m+1)×2(m+1)的单位矩阵；
观测矩阵H(k)为2(m+1)×2(m+1)的方阵，取值为：
其中，f0为各次纹波频率的最大公约数，i＝0,1,3,5...,19，m＝10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910423161.4A CN110163148B (zh) | 2019-05-21 | 2019-05-21 | 一种电动汽车直流充电畸变信号自适应识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910423161.4A CN110163148B (zh) | 2019-05-21 | 2019-05-21 | 一种电动汽车直流充电畸变信号自适应识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163148A CN110163148A (zh) | 2019-08-23 |
| CN110163148B true CN110163148B (zh) | 2021-02-09 |
Family
ID=67631578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910423161.4A Active CN110163148B (zh) | 2019-05-21 | 2019-05-21 | 一种电动汽车直流充电畸变信号自适应识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163148B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695618B (zh) * | 2020-06-01 | 2023-04-07 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
| CN112269058A (zh) * | 2020-10-16 | 2021-01-26 | 国网江苏省电力有限公司无锡供电分公司 | 电动汽车直流充电信号特征提取方法 |
| CN114692676B (zh) * | 2022-03-04 | 2023-06-20 | 华南理工大学 | 一种高频底座力天平复杂畸变信号的修正方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197073A (zh) * | 2018-02-09 | 2018-06-22 | 国网江苏省电力有限公司电力科学研究院 | 一种改进的电动汽车充电电能信号特征分析方法 |
| CN108334822A (zh) * | 2018-01-19 | 2018-07-27 | 东南大学 | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106908663A (zh) * | 2017-03-07 | 2017-06-30 | 国网江苏省电力公司电力科学研究院 | 一种基于小波变换的电动汽车充电谐波辨识方法 |
| US10663298B2 (en) * | 2017-06-25 | 2020-05-26 | Invensense, Inc. | Method and apparatus for characterizing platform motion |
-
2019
- 2019-05-21 CN CN201910423161.4A patent/CN110163148B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334822A (zh) * | 2018-01-19 | 2018-07-27 | 东南大学 | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 |
| CN108197073A (zh) * | 2018-02-09 | 2018-06-22 | 国网江苏省电力有限公司电力科学研究院 | 一种改进的电动汽车充电电能信号特征分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163148A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163148B (zh) | 一种电动汽车直流充电畸变信号自适应识别方法 | |
| CN101291055B (zh) | 一种输电线路故障行波初始波头到达时刻精确标定方法 | |
| CN113219300B (zh) | 一种基于相电流暂态稳态的配电网单相接地故障感知方法 | |
| CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
| CN107102255B (zh) | 单一adc采集通道动态特性测试方法 | |
| CN109633271A (zh) | 基于变分模态分解和维格纳威尔分布的行波时频分析方法 | |
| CN112101457A (zh) | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 | |
| Fan et al. | Transmission line fault location using deep learning techniques | |
| CN103944174A (zh) | 基于互相关函数滤噪算法的低频振荡在线辨识方法 | |
| CN112285570B (zh) | 一种基于衰减记忆滤波器的电动汽车故障诊断方法 | |
| CN116703183A (zh) | 一种新型配电网系统用电负荷评估方法 | |
| CN113032716A (zh) | 基于加窗插值和Prony算法的谐波与间谐波分析方法 | |
| CN106980044A (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
| CN111289796A (zh) | 一种高比例可再生能源电力系统次同步振荡的检测方法 | |
| CN108197073B (zh) | 一种改进的电动汽车充电电能信号特征分析方法 | |
| CN111753699A (zh) | 一种直流充电桩数字计量准确度提升的方法 | |
| CN102901855B (zh) | 一种特高压直流电晕电流信号去噪方法 | |
| CN116609692A (zh) | 一种基于充电机检测的电池健康状态诊断方法及系统 | |
| CN114397581B (zh) | 一种面向直流充电桩充电监测数据的新能源汽车电池soc抗扰评估方法 | |
| CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| Djurovic | Estimation of the sinusoidal signal frequency based on the marginal median DFT | |
| CN108334822B (zh) | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 | |
| CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
| CN105445618A (zh) | 一种小电流接地系统故障选线方法及装置 | |
| Kim et al. | Application of wavelet transform-based discharging/charging voltage signal denoising for advanced data-driven SOC estimator |
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 | ||
| GR01 | Patent grant |