[發明專利]一種基于云平臺實現動力電池故障診斷的充電樁系統

有效

• 申請號: 202010329482.0
• 申請日: 2020-04-23
• 公開（公告）號: CN111516548B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 曲杰;甘偉
• 申請（專利權）人: 華南理工大學
• 主分類號: B60L53/68
• 分類號: B60L53/68;B60L58/10;B60L53/31;G01R31/3835
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;陳偉斌

1.一種基于云平臺實現動力電池故障診斷的充電樁系統，其特征在于，包括：

充電樁，所述充電樁包括主控板、3/4/5G模塊、無線Wi-Fi模塊、充電槍、電壓測量儀，所述3/4/5G模塊、無線Wi-Fi模塊、電壓測量儀分別與主控板連接，所述主控板包括開關控制模塊，所述開關控制模塊與充電槍相連；

云平臺，包括用戶數據接收模塊、信號降噪模塊、特征參數提取模塊、曲線相似程度計算模塊、故障診斷模塊，所述用戶數據接收模塊用于接收充電樁傳送來的動力電池數據，所述信號降噪模塊用于對所述動力電池數據進行降噪處理，所述特征參數提取模塊用于提取降噪后的動力電池數據中的特征參數，所述曲線相似程度計算模塊用于計算當前充電循環特征參數曲線與基準特征參數曲線的曲線相似程度，故障診斷模塊用以判斷曲線相似程度是否達到故障閾值；

充電樁實時獲取動力電池在充電過程中的動力電池數據；

將所得的動力電池數據通過3/4/5G模塊或無線Wi-Fi模塊傳至云平臺的信號降噪模塊，得到降噪后的動力電池數據；

將所得降噪后的動力電池數據輸入云平臺中的特征參數提取模塊，得到特征參數曲線；

將所得的特征參數曲線輸入曲線相似程度計算模塊，得到該充電循環特征參數曲線相似程度；

將所得的充電循環特征參數曲線相似程度輸入云平臺中的故障診斷模塊，判斷是否發生故障；

若發生故障，將故障信息發送給用戶APP并將故障數據及對應故障信息發送給新能源汽車國家監測與管理中心，同時將信息反饋給充電樁，停止充電；

信號降噪模塊的降噪處理包括如下：

使用連續小波變換將所得動力電池數據從時間序列s(t)轉換為時間-頻率域，即連續小波變換系數，所得時間-頻率域為：

其中α表示連續小波分析尺度，τ表示連續小波分析時間轉移窗口大小，t表示時間，*表示復共軛，s,ψ_α,τ表示輸入的時序信號s和分析函數即母波ψ_α,τ的內積，表示連續小波變換中的分析函數，即母波；

將所得時間-頻率域劃分為高能量低頻率部分與高能量高頻率兩個部分，所述兩個部分劃分方法為：

其中，W_s(α,τ)為所得時間-頻率域，n_a為尺度的數量，CF為使用所有連續小波分析尺度α計算連續小波變換系數的疊加振幅，由CF系數得到連續小波變換系數沿尺度軸的分布，因為低頻特征的存在使得所得分布存在兩個不同的峰值，通過設定最優閾值劃分兩個不同的峰值，由此得到高能量低頻率部分與高能量高頻率部分；

將上述得到的高頻率部分與低頻率部分分別使用同步壓縮連續小波變換進行同步壓縮，得到即時頻率，即同步壓縮連續小波變換系數，所述即時頻率為：

i表示復數,δ表示的偏導；

對于低頻率部分經過同步壓縮得到的即時頻率和高頻率部分經過同步壓縮得到的即時頻率，采用不同的方法進行降噪，具體如下：

對于低頻率部分，引入軟間隔篩選特征，過濾噪聲，所述軟間隔為：

λ為所設閾值，表示篩選后的特征，ω_s表示連續小波變換系數；

對于高頻率部分，計算前信號段的疊加振幅CF，使用硬間隔篩選高頻部分的特征，過濾主要噪聲，所述硬間隔為：

其中，λ_n為所設閾值，M_max＝mean(max|T_n|),T_n和T_r分別為計算CF后得到的兩個峰值對應的窄頻段的同步壓縮連續小波變換系數；

將降噪后的高頻率部分的同步壓縮連續小波變換系數和低頻率部分的同步壓縮連續小波變換系數組合呈降噪后的時間-頻率域，再逆變為時序信號；

降噪后的時序信號再次通過連續小波變換轉換，得到連續小波變換系數，使用CT閾值再次進行后降噪處理，所述CT閾值為：

其中λ為所設閾值，0γλ，0≤α≤1；γ為截斷值，當連續小波變換系數小于截斷值則設為0，為篩選后的特征，sgn(W_s)表示若連續小波變換系數為正，則輸出為1，否則輸出-1，W_s表示連續小波變換系數；

所述信號降噪模塊輸出上述后降噪得到的連續小波變換系數；

特征參數提取模塊，得到特征參數曲線，具體包括：

通過信號降噪模塊輸出的連續小波變換系數的多尺度包絡疊加計算參數DF，所述DF為：

式中，n是尺度的數量，E(α,τ)為連續小波變換系數的包絡函數，計算公式為這里是連續小波變換系數的希爾伯特轉變結果；

使用上述得到的DF計算運行能量比例ER₁，所述運行能量比例ER₁為：

其中，L是在時間轉移窗口大小為τ前后的能量收集窗口的長度值；

使用上述得到的ER₁計算表征鋰離子電池內部不同頻率化學反應的特征參數ER₂，所述ER₂為：

ER₂(τ)＝ER₁(τ)|DF(α)|

特征提取模型輸出上述特征參數ER₂；

曲線相似程度計算模塊具體包括：使用動態時間歸整將特征參數提取模塊所得的特征參數曲線與電壓基準特征參數曲線進行對比，得到電壓特征曲線相似程度；所述電壓基準特征參數曲線，指第一次充電循環的電壓特征參數曲線；

故障診斷模塊判斷充電循環中特征參數提取模塊得到的電壓特征曲線與電壓基準特征參數曲線的電壓特征曲線相似程度是否達到斷路故障閾值，若達到閾值，判定發生斷路故障；若未達到，則判斷電循環中特征參數提取模塊得到的電壓特征曲線與電壓基準特征參數曲線的相似程度是否達到短路故障閾值，若達到閾值，判定發生短路故障，若未達到，結束判斷；

所述的故障診斷模塊具體包括：

通過云平臺中歷史故障數據設定故障閾值：

對于歷史數據中發生短路故障的動力電池，通過動態時間歸整計算電池發生短路故障時充電循環的電壓特征參數曲線與該電池電壓基準特征參數曲線的相似程度，設定所得相似程度為短路故障閾值；

對于歷史數據中發生斷路故障的動力電池，通過動態時間歸整計算電池發生斷路故障時充電循環的電壓特征參數曲線與該電池電壓基準特征參數曲線的相似程度，設定所得相似程度為斷路故障閾值；

當電池充電循環電壓數據在輸入信號降噪模塊和特征參數提取模塊后得到的特征參數曲線與電壓基準特征參數曲線的相似程度達到短路閾值時，確定發生短路故障；

當電池充電循環電壓數據在輸入信號降噪模塊和特征參數提取模塊后得到的特征參數曲線與電壓基準特征參數曲線的相似程度達到斷路閾值時，確定發生斷路故障。

2.根據權利要求1所述的基于云平臺實現動力電池故障診斷的充電樁系統，其特征在于，充電樁實時獲取動力電池在充電過程中的動力電池數據，具體是通過電壓測量儀以一定的頻率測量動力電池在充電過程中的電壓變化。