一种数据清洗和预测方法及电动汽车移动充电宝系统技术方案

本发明专利技术涉及一种数据清洗和预测方法，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；S4.对单体电池的SOC值进行预测；还涉及一种电动汽车移动充电系统，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。本发明专利技术通过所述智能监控管理模块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洗，并通过小波神经网络与组合预测方法对清洗后异常数据的数据空位的值以及单体电池的SOC值进行准确预测，确保了系统的可靠性和稳定性。

A method of data cleaning and prediction and a mobile charging system for electric vehicles

The invention relates to a data cleaning and prediction method, which comprises the following steps: S1. of the data in the database cluster analysis did not belong to any kind of data for the abnormal data, namely the data cleaning; S2. to remove the abnormal data; through S3. wavelet neural network and combined forecasting method for abnormal data cleaning data after the vacancy of the prediction of single battery S4. fill; SOC value prediction; also relates to a mobile electric vehicle charging system, including battery module, discharge module, charging module, display screen, which is characterized in that also includes insulation monitoring module, data acquisition module and intelligent monitoring management module array. The abnormal data of the single battery charge and discharge process of the invention of the data acquisition array through the intelligent monitoring management module in cleaning, and through the wavelet neural network and combination forecasting method for abnormal data cleaning data after the vacancy value and single cell SOC were predicted accurately, ensure the reliability of the system and stability.

【技术实现步骤摘要】
一种数据清洗和预测方法及电动汽车移动充电宝系统
本专利技术涉及移动电源，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。
技术介绍
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。
技术实现思路
针对现有技术中存在的缺陷或不足，本专利技术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，本专利技术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。作为本专利技术的进一步改进，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。作为本专利技术的进一步改进，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。作为本专利技术的进一步改进，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。作为本专利技术的进一步改进，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。作为本专利技术的进一步改进，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。作为本专利技术的进一步改进，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，停止本文档来自技高网...

【技术保护点】
一种数据清洗和预测方法，智能监控管理系统模块在充放电过程中对数据库中的数据进行清洗和预测，其特征在于，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；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；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：

【技术特征摘要】
1.一种数据清洗和预测方法，智能监控管理系统模块在充放电过程中对数据库中的数据进行清洗和预测，其特征在于，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；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；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。2.根据权利要求1所述的数据清洗和预测方法，其特征在于，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。3.根据权利要求2所述的数据清洗和预测方法，其特征在于，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。4.根据权利要求3所...

【专利技术属性】
技术研发人员：潘海锋，陈亚欢，
申请(专利权)人：深圳市菊水皇家科技有限公司，
类型：发明
国别省市：广东,44