[发明专利]一种电池模组压差非正常特征识别方法及系统

说明书

本发明提出一种电池模组压差非正常特征识别方法及系统，包括：信号处理器对动力电池模组的电压差信号设定采样周期为T，紧接着开始实时采样和量化得到压差数据信号v(t)；对压差数据信号v(t)采用经验模态分解得到各阶IMF模态分量；对压差数据信号v(t)的第一个IMF模态分量采用希尔伯特‑黄变换得到瞬时频率图和瞬时幅值图；利用希尔伯特‑黄变换图中的幅值变化、突变点、瞬时频率趋势等特征信息对电压差差非正常信号进行检测和识别。本发明用于针对动力电池组的监测非线性、非平稳信号并且进行处理，从希尔伯特‑黄变换图谱中可以清晰辨识出信号的不同特征，实现了从海量电压差扰动信号中自动提取并正确分类电池组压差数据检测分析问题。

技术领域

本发明涉及电池模组监控分析技术领域，具体涉及一种电池模组压差非正常特征识别方法及系统。

背景技术

近些年电动汽车的应用日益广泛，伴随着电池管理系统的要求越来越高，对于电池模组数据的监控和预测判别要更具指导性。与此同时，电池模组中单体电池不一致的问题会给电池的长期稳定使用带来很大的风险。例如：当电池组压差过大时，总是充不满电的单体会出现容量衰减，这就减少电池组的使用寿命，增加电能损耗，严重时可能导致失火等严重事故。

针对电池模组监控电压差信号分类判断排除干扰等问题，国内外公司均对此进行了深入细致的研究工作，提出了众多提取特征信息的方法，如：傅里叶变换法、小波变换法、加窗傅里叶变换、S变换等，取得了一些效果的同时也存在一定不足之处。例如：

基于傅里叶变换及其一系列改进的分析方法，存在一定的频谱泄漏现象和栅栏效应，只能分析平稳信号，对暂态和突变扰动信号往往采用加窗算法对其进行修正，然而窗函数的选取需要利用信号特点，窗函数选取的不适当可能会造成信号失真；

基于小波变换的分析方法，在电能质量扰动处理方面得到较为广泛的应用，然而其极易受信号噪声影响，不适应对时域变化为主的扰动信号；

S变换是一种新型的时频域分析方法，近年来在电力信号特征信息提取方面取得长足发展，然而其算法结构复杂，分析长信号时对系统硬件要求高。

发明内容

本发明提出的一种基于经验模态分解的电压差非正常特征识别方法及系统，为实现从海量电压差扰动信号中自动提取并正确分类电能质量检测分析。

为实现上述目的，本发明采用了以下技术方案：

一种电池模组压差非正常特征识别方法，包括以下步骤：

步骤A：信号处理器对电池模组监控电压差信号设定采样周期为T，并进行实时采样和量化得到压差数据信号v(t)，其中t＝1、2、3…m，所述m根据实际设备采样率设定，所述采样周期单位为s，所述电压差信号单位为V；

步骤B：对压差数据信号v(t)采用经验模态分解得到各阶IMF模态分量；

步骤C：对压差数据信号v(t)的第一个IMF模态分量采用希尔伯特-黄变换得到瞬时频率图和瞬时幅值图。

进一步的，在步骤C后面设有步骤D，其中：

步骤D：利用希尔伯特-黄变换图中的突变点、幅值变化、瞬时频率走势特征信息对电压差非正常信号进行检测和识别。

进一步的技术方案：所述步骤B：对压差数据信号v(t)采用经验模态分解得到各阶IMF模态分量的具体步骤为：

STEP1：第1次筛选：对压差数据信号v(t)所有局部极大值点和所有局部极小值点用三次样条函数进行插值，并拟合上、下包络线；

STEP2：求取上、下包络线的平均值曲线M₁(t)，则压差数据信号V(t)与M₁(t)之差即为P₁(t)，所述P₁(t)＝V(t)-M₁(t)；