CN117595464B - 一种电池充电器充电检测控制方法及系统 - Google Patents
一种电池充电器充电检测控制方法及系统 Download PDFInfo
- Publication number
- CN117595464B CN117595464B CN202410071008.0A CN202410071008A CN117595464B CN 117595464 B CN117595464 B CN 117595464B CN 202410071008 A CN202410071008 A CN 202410071008A CN 117595464 B CN117595464 B CN 117595464B
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- degree
- value
- points
- 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 70
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims description 77
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
- H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种电池充电器充电检测控制方法及系统,包括:采集电池充电器的温度数据和电量数据;得到样本空间;对样本空间内的数据点进行聚类得到若干类簇和若干噪声点;根据类簇中数据点在温度数据和电量数据中对应的数值,得到数据点的异常程度,根据数据点的异常程度得到类簇的初始异常程度,得到类簇的最终异常程度;得到若干异常类簇;根据异常类簇中数据点对应的温度值和累计电量值对电池充电器进行控制。本发明减少对电池充电状态检测的误判,提高充电过程的检测智能性,实现对电池充电器充电的智能控制。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种电池充电器充电检测控制方法及系统。
背景技术
电池的充电过程,特别是高容量、高电压的电池,存在潜在的安全风险,如果充电器的输出电流或电压超过了电池能够承受的范围,可能导致电池过热、爆炸甚至火灾等危险。通过充电检测可以监测充电器的输出参数,确保其在安全范围内工作,避免发生安全事故。
传统如过流保护、过压保护、过温保护等固定阈值手段进行充电器控制状态识别手段对充电过程中的监测指标变化状态感知情况不足,简单阈值手段并不能及时识别出充电过程的即将产生异常情况或是快速趋近异常情况,导致触发阈值保护时,充电过程已经产生了异常情况,造成充电器以及电池的损伤。
发明内容
为解决上述问题,本发明提供一种电池充电器充电检测控制方法及系统。
本发明的一种电池充电器充电检测控制方法及系统采用如下技术方案:
本发明一个实施例提供了一种电池充电器充电检测控制方法,该方法包括以下步骤:
采集电池充电器的温度数据和电量数据,所述温度数据包含若干温度值,所述电量数据包含若干累计电量值;根据温度数据和电量数据得到样本空间;
对样本空间内的数据点进行聚类得到若干类簇和若干噪声点;根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度;
根据类簇中数据点的异常程度得到每个类簇的初始异常程度;根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度;
根据每个类簇的最终异常程度得到若干异常类簇;根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子;根据充电状态判断因子对电池充电器进行控制。
进一步地,所述根据温度数据和电量数据得到样本空间,包括的具体步骤如下:
将累计电量值作为横轴,将温度值作为纵轴构建二维直角坐标系,将温度数据和电量数据处于同一时间的累计电量值和温度值在二维直角坐标系确定的数据点进行标记,将包括若干标记的数据点的二维直角坐标系记为样本空间。
进一步地,所述根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度,包括的具体步骤如下:
将温度数据中最后一个温度值和电量数据中最后一个累计电量值对应数据点所在的类簇,记为当前类簇;
式中,为当前类簇中第/>个数据点在第/>种数据的数值,/>为当前类簇中第/>个数据点在第/>种数据的数值,/>为第/>种数据中所有数值的标准差,/>为防止分母为0的超参数,/>为当前类簇中数据点的总个数,/>为当前类簇中数据类型的总个数,/>为以自然常数为底的指数函数,/>为当前类簇中第/>个数据点的异常程度。
进一步地,所述根据类簇中数据点的异常程度得到每个类簇的初始异常程度,包括的具体步骤如下:
式中,为当前类簇通过PCA主成分分析得到的最大主方向的模长,/>为当前类簇通过PCA主成分分析得到的最小主方向的模长;/>为当前类簇中第/>个数据点的异常程度,/>为当前类簇中第/>个数据点的异常程度,/>为取绝对值,/>为当前类簇中数据点的总个数,/>为当前类簇中数据类型的总个数,/>为当前类簇的初始异常程度。
进一步地,所述根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度,包括的具体步骤如下:
式中,为当前类簇的初始异常程度,/>为所有类簇的初始异常程度的最小值,/>为所有类簇的初始异常程度的最大值,/>为第/>个噪声点与当前类簇中心点之间的欧式距离,/>为所有噪声点之间欧式距离的均值,/>为所有噪声点之间欧式距离的标准差,/>为噪声点的总数量,/>为当前类簇的最终异常程度。
进一步地,所述根据每个类簇的最终异常程度得到若干异常类簇,包括的具体步骤如下:
将每个类簇的最终异常程度输入到sigmoid函数中,输出的结果作为每个类簇的异常程度,将当前类簇的异常程度记为,预设一个第一阈值,记为/>,若/>,当前类簇是异常类簇,若/>,当前类簇不是异常类簇。
进一步地,所述根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子,包括的具体步骤如下:
式中,为预设的最大温度阈值,/>为预设的最大电量阈值,/>为函数,/>为所有异常类簇的异常程度的均值,/>为所有异常类簇中所有数据点对应温度值的均值,/>为所有异常类簇中所有数据点对应累计电量值的均值,/>为充电状态判断因子。
进一步地,所述对样本空间内的数据点进行聚类得到若干类簇和若干噪声点,包括的具体步骤如下:
对样本空间内所有的数据点进行DBSCAN聚类,距离度量为样本空间中数据点之间的欧式距离,得到若干类簇和若干噪声点。
进一步地,所述采集电池充电器的温度数据和电量数据,包括的具体步骤如下:
利用温度传感器每隔TH1秒输出一个电池充电器的温度值,将电池充电器最近TH2个小时内所有的温度值构成的时序序列,记为电池充电器的温度数据;利用电流传感器每隔TH1秒输出一个电池充电器的电流值,对于任意一个电流值,根据该电流值及之前采集到的电流值,结合已经采集的时长,通过积分获取该电流值对应时刻的累计电量值;将电池充电器最近TH2个小时内所有的累计电量值构成的时序序列,记为电池充电器的电量数据,TH1为预设的一个第一数值,TH2为预设的一个第二数值。
本发明还提出了一种电池充电器充电检测控制系统,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,以实现前述所述方法的步骤。
本发明的技术方案的有益效果是:本发明在采集到电池充电器的温度数据和电量数据后,通过将温度数据和电量数据进行转换得到样本空间,便于后续异常类簇的判断,从而提高对电池充电器的准确控制,通过对样本空间内的数据点进行聚类,得到每个类簇的初始异常程度,进而根据初始异常程度、噪声点之间的距离、噪声点距离类簇中心点之间的距离,得到每个类簇的最终异常程度,通过对最终异常程度进行分析,减少对电池充电状态检测的误判,提高充电过程的检测智能性,最终通过充电状态判断因子对电池充电器进行控制,实现对电池充电器充电的智能控制。
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为本发明一个实施例所提供的一种电池充电器充电检测控制方法的步骤流程图。
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电池充电器充电检测控制方法及系统,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,一个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电池充电器充电检测控制方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电池充电器充电检测控制方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集电池充电器的温度数据和电量数据;根据温度数据和电量数据得到样本空间。
需要说明的是,本实施例通过历史充电监测数据在类簇过程中出现的局部数据密度极大值对类簇产生的引导特点综合类簇形态分布特征对当前充电监测数据进行异常识别,并根据异常数据进行充电过程调控,在开始分析之前首先需要采集数据。
具体的,采集电池充电器的温度数据和电量数据,具体如下:
利用温度传感器每隔TH1秒输出一个电池充电器的温度值,将电池充电器最近TH2个小时内所有的温度值构成的时序序列,记为电池充电器的温度数据;利用电流传感器每隔TH1秒输出一个电池充电器的电流值,对于任意一个电流值,根据该电流值及之前采集到的电流值,结合已经采集的时长,通过积分获取该电流值对应时刻的累计电量值,将电池充电器最近TH2个小时内所有的累计电量值构成的时序序列,记为电池充电器的电量数据,TH1为预设的一个第一数值,TH2为预设的一个第二数值,本实施例以TH1=0.5,TH2=1进行叙述。需要说明的是,累计电量值为电池充电器的各个时刻的电流值与电池充电器工作时长的乘积,具体为现有方法,本实施例不再赘述。
需要说明的是,电池充电实时电压、实时电流波动范围极其有限,且充电器通常设置有保护电路,电压、电流阈值设置的较为严格,避免电压突变导致电池损坏,所以通过偏向电池状态感知的温度、电量数据进行聚类能够更准确的感知电池充电过程中的状态。
进一步地,根据温度数据和电量数据得到样本空间,具体如下:
将累计电量值作为横轴,将温度值作为纵轴构建二维直角坐标系,将温度数据和电量数据处于同一时间的累计电量值和温度值在二维直角坐标系确定的数据点进行标记,将包括若干标记的数据点的二维直角坐标系记为样本空间。
至此,得到样本空间。
步骤S002、对样本空间内的数据点进行聚类得到若干类簇和若干噪声点;根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度。
需要说明的是,通过样本空间中产生的数据导向特征进行分析,由于DBSCAN算法会将周围分布相似的数据进行类簇,因此当样本空间中数据点距离紧密时产生的局部密度极大值情况仍旧符合DBSCAN的聚类条件,因此局部密度极大值情况使算法不能够及时停止类簇行为,导致类簇中混入其他与待分析类簇数据分布不相似的数据。而类簇又代表着相似的电池反馈数据,因此通过类簇中数据点局部的分布差异能够判断待分析类簇中是否由于局部密度极大值产生了类簇中数据点的偏离情况,从而筛分出异常类簇,进行后续的异常情况识别。进而针对单个类簇中的数据导向情况进行分析,数据点之间的数值差异说明了充电过程中监测情况的差异,因此通过类簇中位置相近的数据点之间的差异分布特点进行识别,进而综合类簇内数据点分布差异所造成的类簇内部的差异强度特征进行异常类簇的筛分。
具体的,对样本空间内的数据点进行聚类得到若干类簇和若干噪声点,具体如下:
对样本空间内所有的数据点进行DBSCAN聚类,距离度量为样本空间中数据点之间的欧式距离,得到若干类簇和若干噪声点。需要说明的是,对样本空间内所有的数据点进行DBSCAN聚类,得到若干类簇和若干噪声点为DBSCAN聚类算法的现有方法,本实施例不再赘述,其中噪声点为聚类过程中密度异常导致不属于任意一个类簇的数据点。
进一步地,根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度,具体如下:
将温度数据中最后一个温度值和电量数据中最后一个累计电量值对应数据点所在的类簇,记为当前类簇。
式中,为当前类簇中第/>个数据点在第/>种数据的数值,/>为当前类簇中第/>个数据点在第/>种数据的数值,其中第/>个数据点不同于第/>个数据点,/>为第/>种数据中所有数值的标准差,/>为防止分母为0的超参数,本实施例以/>进行叙述,/>为当前类簇中数据点的总个数,/>为当前类簇中数据类型的总个数,本实施例中/>,即温度数据和电量数据两种数据类型;/>为以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系,U为模型的输入,实施者可根据具体实施情况设置反比例函数,/>为当前类簇中第/>个数据点的异常程度。
需要说明的是,表示第/>个数据点与其他数据点的在同种数据类型的差异情况,当该式越大说明第/>个数据点与其他数据点之间的数据差异情况更加不明显,即数据点之间的分布情况更加稳定,说明类簇中其他数据点数值相对本数据来说差异更小,说明第/>个数据点在当前类簇中与其他数据点的数值分布更加相似;通过/>进行映射,并通过遍历第/>个数据点与类簇中其他全部数据点的情况,进而再通过数据类型的遍历得到第/>个数据点与其他数据点在多个数据类型上的数值分布情况差异判断,得到数据点的异常评价,即数据点的异常程度,其反映数据点在某一个时刻对应的温度值和累计电量值的异常情况。
至此,得到每个类簇中每个数据点的异常程度。
步骤S003、根据类簇中数据点的异常程度得到每个类簇的初始异常程度;根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度。
需要说明的是,针对类簇中分布情况进行分析,类簇中数据点相距较近同时数据点之间异常程度的差异越小,说明当前类簇中数据点分布紧密的同时数据点差异情况更加微弱。根据当前类簇中数据点距离相近的数据点的异常程度相近,当前类簇中数据点距离较远的数据点的异常程度差异情况较大的特性,为了更准确地判断当前类簇的异常情况,计算出每一个数据的异常程度后,再计算出各个数据类型的之间的综合差异情况,即进行各个数据类型中任意两点的异常程度差异通过与类簇内部平均异常程度的差异,得到当前类簇的初始异常评价。
具体的,根据类簇中数据点的异常程度得到每个类簇的初始异常程度,具体如下:
式中,为当前类簇通过PCA主成分分析得到的最大主方向的模长,/>为当前类簇通过PCA主成分分析得到的最小主方向的模长;需要说明的是,当前类簇通过PCA主成分分析得到的最大主方向和最小主方向为PCA算法的现有方法,本实施例不再赘述;/>为当前类簇中第/>个数据点的异常程度,/>为当前类簇中第/>个数据点的异常程度,/>为取绝对值,/>为当前类簇中数据点的总个数,/>为当前类簇中数据类型的总个数,/>为当前类簇的初始异常程度。
需要说明的是,表示当前类簇中最大、最小主方向模长比值,比值越大说明当前类簇中数据点分布越存在明显的趋向特征,即说明数据点分布越可能产生局部密度极大值从而导致类簇形态特征展现出的分布趋向更加明显的情况,说明当前类簇产生的缺陷情况更加明显;/>表示当前类簇中各个数据点之间的异常程度在样本空间数据类型上的分布情况,该式越大,说明数据点之间形成的异常程度差异越大,体现为类簇中数据点数值差异大的同时,分布均匀性也较低,同样也体现当前类簇中产生有局部密度极大值造成的缺陷情况可能性较大,即初始异常程度越大。
至此,得到每个类簇的异常程度。
步骤S004、根据每个类簇的最终异常程度得到若干异常类簇;根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子;根据充电状态判断因子对电池充电器进行控制。
需要说明的是,针对样本空间中类簇分布进行分析,由于DBSCAN算法能够将局部密度相似的数据点聚为一个类簇,同时会将密度异常的数据点记为异常点,因此通过各个类簇的初始异常评价综合类簇附近噪声点的离群情况计算类簇的最终异常评价。
具体的,根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度,具体如下:
式中,为当前类簇的初始异常程度,/>为所有类簇的初始异常程度的最小值,/>为所有类簇的初始异常程度的最大值,/>为第/>个噪声点与当前类簇中心点之间的欧式距离,/>为所有噪声点之间的欧式距离的均值,/>为所有噪声点之间欧式距离的标准差,/>为噪声点的总数量,/>为当前类簇的最终异常程度。
需要说明的是,表示当前类簇的初始异常程度的线性归一化值,本式越大说明当前类簇的初始异常程度在聚类结果中更加显著,说明当前类簇的形态质量更低,应当被选取为异常类簇;/>表示当前类簇中噪声点相对类簇中心点的聚集情况,本式越大说明聚类结果中噪声点与当前类簇的位置更加接近,因此说明噪声点代表的充电器异常充电状态相对当前类簇更近,体现了当前类簇中数据点的充电监测数据与异常充电状态数据更加相似,同样说明当前类簇中的数据点代表的异常状态的异常程度更加严重。
进一步地,根据每个类簇的最终异常程度得到若干异常类簇,具体如下:
将每个类簇的最终异常程度输入到sigmoid函数中,输出的结果作为每个类簇的异常程度,将当前类簇的异常程度记为,预设一个第一阈值,记为/>,若/>,当前类簇是异常类簇,若/>,当前类簇不是异常类簇。
进一步地,根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子,具体如下:
式中,为预设的最大温度阈值,/>为预设的最大电量阈值,本实施例以,/>3000进行叙述,/>为/>函数,用于将归一化到/>范围内,/>为所有异常类簇的异常程度的均值,/>为所有异常类簇中所有数据点对应温度值的均值,/>为所有异常类簇中所有数据点对应累计电量值的均值,/>为充电状态判断因子。
进一步地,根据充电状态判断因子对电池充电器进行控制,具体如下:
当时,当前时刻的充电状态为电池温度过高,电量值过大,降低充电器的输出电流、输出电压或暂停充电,待电池冷却后再继续充电。
当时,当前充电状态为电池温度过低,电量值过小,增加充电器的输出电流、输出电压,以加快充电速度,直至将电池电量充满停止。
通过以上步骤,完成一种电池充电器充电检测控制方法。
本发明的另一个实施例提供了一种电池充电器充电检测控制系统,所述系统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时,执行以下操作:
采集电池充电器的温度数据和电量数据,所述温度数据包含若干温度值,所述电量数据包含若干累计电量值;根据温度数据和电量数据得到样本空间;对样本空间内的数据点进行聚类得到若干类簇和若干噪声点;根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度;根据类簇中数据点的异常程度得到每个类簇的初始异常程度;根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度;根据每个类簇的最终异常程度得到若干异常类簇;根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子;根据充电状态判断因子对电池充电器进行控制。
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,凡在本发明的原则之内,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 (6)
1.一种电池充电器充电检测控制方法,其特征在于,该方法包括以下步骤:
采集电池充电器的温度数据和电量数据,所述温度数据包含若干温度值,所述电量数据包含若干累计电量值;根据温度数据和电量数据得到样本空间;
对样本空间内的数据点进行聚类得到若干类簇和若干噪声点;根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度;
根据类簇中数据点的异常程度得到每个类簇的初始异常程度;根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度;
根据每个类簇的最终异常程度得到若干异常类簇;根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子;根据充电状态判断因子对电池充电器进行控制;
所述根据类簇中数据点在温度数据和电量数据中对应的数值,得到每个类簇中每个数据点的异常程度,包括的具体步骤如下:
将温度数据中最后一个温度值和电量数据中最后一个累计电量值对应数据点所在的类簇,记为当前类簇;
式中,为当前类簇中第/>个数据点在第/>种数据的数值,/>为当前类簇中第/>个数据点在第/>种数据的数值,/>为第/>种数据中所有数值的标准差,/>为防止分母为0的超参数,/>为当前类簇中数据点的总个数,/>为当前类簇中数据类型的总个数,/>为以自然常数为底的指数函数,/>为当前类簇中第/>个数据点的异常程度;
所述根据类簇中数据点的异常程度得到每个类簇的初始异常程度,包括的具体步骤如下:
式中,为当前类簇通过PCA主成分分析得到的最大主方向的模长,/>为当前类簇通过PCA主成分分析得到的最小主方向的模长;/>为当前类簇中第/>个数据点的异常程度,/>为当前类簇中第/>个数据点的异常程度,/>为取绝对值,/>为当前类簇中数据点的总个数,/>为当前类簇中数据类型的总个数,/>为当前类簇的初始异常程度;
所述根据噪声点之间的距离、噪声点距离类簇中心点之间的距离及类簇的初始异常程度,得到每个类簇的最终异常程度,包括的具体步骤如下:
式中,为当前类簇的初始异常程度,/>为所有类簇的初始异常程度的最小值,为所有类簇的初始异常程度的最大值,/>为第/>个噪声点与当前类簇中心点之间的欧式距离,/>为所有噪声点之间欧式距离的均值,/>为所有噪声点之间欧式距离的标准差,/>为噪声点的总数量,/>为当前类簇的最终异常程度;
所述根据异常类簇中数据点对应的温度值和累计电量值得到充电状态判断因子,包括的具体步骤如下:
式中,为预设的最大温度阈值,/>为预设的最大电量阈值,/>为函数,/>为所有异常类簇的异常程度的均值,/>为所有异常类簇中所有数据点对应温度值的均值,/>为所有异常类簇中所有数据点对应累计电量值的均值,/>为充电状态判断因子。
2.根据权利要求1所述一种电池充电器充电检测控制方法,其特征在于,所述根据温度数据和电量数据得到样本空间,包括的具体步骤如下:
将累计电量值作为横轴,将温度值作为纵轴构建二维直角坐标系,将温度数据和电量数据处于同一时间的累计电量值和温度值在二维直角坐标系确定的数据点进行标记,将包括若干标记的数据点的二维直角坐标系记为样本空间。
3.根据权利要求1所述一种电池充电器充电检测控制方法,其特征在于,所述根据每个类簇的最终异常程度得到若干异常类簇,包括的具体步骤如下:
将每个类簇的最终异常程度输入到sigmoid函数中,输出的结果作为每个类簇的异常程度,将当前类簇的异常程度记为,预设一个第一阈值,记为/>,若/>,当前类簇是异常类簇,若/>,当前类簇不是异常类簇。
4.根据权利要求1所述一种电池充电器充电检测控制方法,其特征在于,所述对样本空间内的数据点进行聚类得到若干类簇和若干噪声点,包括的具体步骤如下:
对样本空间内所有的数据点进行DBSCAN聚类,距离度量为样本空间中数据点之间的欧式距离,得到若干类簇和若干噪声点。
5.根据权利要求1所述一种电池充电器充电检测控制方法,其特征在于,所述采集电池充电器的温度数据和电量数据,包括的具体步骤如下:
利用温度传感器每隔TH1秒输出一个电池充电器的温度值,将电池充电器最近TH2个小时内所有的温度值构成的时序序列,记为电池充电器的温度数据;利用电流传感器每隔TH1秒输出一个电池充电器的电流值,对于任意一个电流值,根据该电流值及之前采集到的电流值,结合已经采集的时长,通过积分获取该电流值对应时刻的累计电量值;将电池充电器最近TH2个小时内所有的累计电量值构成的时序序列,记为电池充电器的电量数据,TH1为预设的一个第一数值,TH2为预设的一个第二数值。
6.一种电池充电器充电检测控制系统,所述系统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,以实现如权利要求1-5任一项所述一种电池充电器充电检测控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410071008.0A CN117595464B (zh) | 2024-01-18 | 2024-01-18 | 一种电池充电器充电检测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410071008.0A CN117595464B (zh) | 2024-01-18 | 2024-01-18 | 一种电池充电器充电检测控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117595464A CN117595464A (zh) | 2024-02-23 |
CN117595464B true CN117595464B (zh) | 2024-04-12 |
Family
ID=89915412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410071008.0A Active CN117595464B (zh) | 2024-01-18 | 2024-01-18 | 一种电池充电器充电检测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117595464B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015059933A (ja) * | 2013-09-20 | 2015-03-30 | 株式会社東芝 | 二次電池の異常診断装置及び異常診断方法 |
WO2017167064A1 (zh) * | 2016-03-30 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种数据管控的方法及系统 |
CN109101661A (zh) * | 2018-09-13 | 2018-12-28 | 东软集团股份有限公司 | 一种数据样本集合中异常点的检测方法和装置 |
CN111929586A (zh) * | 2020-06-22 | 2020-11-13 | 山东信通电子股份有限公司 | 一种无源无线监拍装置的充电状态评估方法及设备 |
CN114114039A (zh) * | 2021-12-06 | 2022-03-01 | 湖北亿纬动力有限公司 | 一种电池系统的单体电芯一致性的评估方法和装置 |
CN114627320A (zh) * | 2020-12-11 | 2022-06-14 | 北京昇科能源科技有限责任公司 | 一种新能源汽车聚类方法及装置 |
CN115344692A (zh) * | 2022-05-16 | 2022-11-15 | 深圳追一科技有限公司 | 聚类方法、装置、计算机设备和存储介质 |
CN115684939A (zh) * | 2022-10-21 | 2023-02-03 | 上海玖行能源科技有限公司 | 基于机器学习的电池充电异常状态监测方法及监测系统 |
WO2023076955A1 (en) * | 2021-10-27 | 2023-05-04 | Milwaukee Electric Tool Corporation | Smart power tool battery charger based on a charging state |
CN116125287A (zh) * | 2023-01-10 | 2023-05-16 | 张舒博 | 电芯异常自放电的识别方法、装置、电子设备及介质 |
CN117318249A (zh) * | 2023-11-23 | 2023-12-29 | 黑龙江省铸睿科技有限公司 | 一种电池充电云监测方法及系统 |
-
2024
- 2024-01-18 CN CN202410071008.0A patent/CN117595464B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015059933A (ja) * | 2013-09-20 | 2015-03-30 | 株式会社東芝 | 二次電池の異常診断装置及び異常診断方法 |
WO2017167064A1 (zh) * | 2016-03-30 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种数据管控的方法及系统 |
CN109101661A (zh) * | 2018-09-13 | 2018-12-28 | 东软集团股份有限公司 | 一种数据样本集合中异常点的检测方法和装置 |
CN111929586A (zh) * | 2020-06-22 | 2020-11-13 | 山东信通电子股份有限公司 | 一种无源无线监拍装置的充电状态评估方法及设备 |
CN114627320A (zh) * | 2020-12-11 | 2022-06-14 | 北京昇科能源科技有限责任公司 | 一种新能源汽车聚类方法及装置 |
WO2023076955A1 (en) * | 2021-10-27 | 2023-05-04 | Milwaukee Electric Tool Corporation | Smart power tool battery charger based on a charging state |
CN114114039A (zh) * | 2021-12-06 | 2022-03-01 | 湖北亿纬动力有限公司 | 一种电池系统的单体电芯一致性的评估方法和装置 |
CN115344692A (zh) * | 2022-05-16 | 2022-11-15 | 深圳追一科技有限公司 | 聚类方法、装置、计算机设备和存储介质 |
CN115684939A (zh) * | 2022-10-21 | 2023-02-03 | 上海玖行能源科技有限公司 | 基于机器学习的电池充电异常状态监测方法及监测系统 |
CN116125287A (zh) * | 2023-01-10 | 2023-05-16 | 张舒博 | 电芯异常自放电的识别方法、装置、电子设备及介质 |
CN117318249A (zh) * | 2023-11-23 | 2023-12-29 | 黑龙江省铸睿科技有限公司 | 一种电池充电云监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于历史数据的车载动力电池系统异常诊断方法研究;李劼峰;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20231015(第10期);第C035-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117595464A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN108020781B (zh) | 一种断路器故障诊断方法 | |
CN116435634B (zh) | 基于蓄电池温度状态监控及管理系统 | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
CN113030763A (zh) | 一种车用动力电池一致性差异的潜在风险诊断系统 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN117007979A (zh) | 基于数据驱动的电源输出掉电异常预警方法 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN117235557B (zh) | 基于大数据分析的电气设备故障快速诊断方法 | |
CN116404186B (zh) | 一种功率型锂锰电池生产系统 | |
CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN117148045A (zh) | 配电网运行状态的故障研判管理系统 | |
CN111044845A (zh) | 基于Apriori算法的配电网事故识别方法及系统 | |
CN117595464B (zh) | 一种电池充电器充电检测控制方法及系统 | |
CN117056813B (zh) | 一种用于智能断路器数据采集的检测方法 | |
CN116400239B (zh) | 一种铁铬液流电池的储能智能监测方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN113076689A (zh) | 一种基于自动编码器的电池状态评估方法 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN111391694A (zh) | 一种充电站运行维护的多层次快速数据监测方法和系统 | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
CN112485690B (zh) | 一种基于振动信号的储能电池健康状态识别方法和系统 | |
CN117034177B (zh) | 一种电力负荷异常数据智能监测方法 | |
CN117341476B (zh) | 一种电池压差故障预警方法及系统 | |
CN116613864B (zh) | 一种蓄电池在线核容巡检方法及装置 |
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 |