[发明专利]一种数据清洗和预测方法及电动汽车移动充电宝系统

说明书

技术领域

本发明涉及移动电源，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。

背景技术

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。

发明内容

针对现有技术中存在的缺陷或不足，本发明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，本发明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，x_i为待归一化处理的数据；x_min和x_max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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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a_h、平移因子b_h、网络的连接权重w_hi和w_jh；

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：

ψ_H(t)为Haar小波基函数；ψ_Mex(t)为Mexico小波基函数；ψ_Mor(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x_i、相应的期望输出为和神经网络的预测输出为y_j，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：

a_h表示第h个隐含层节点的平移系数；

b_h表示第h个隐含层节点的平移系数；