具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的燃料电池系统的安全预警方法及装置，首先将参照附图描述根据本发明实施例提出的燃料电池系统的安全预警方法。

图1是本发明一个实施例的燃料电池系统的安全预警方法的流程图。

如图1所示，该燃料电池系统的安全预警方法包括：

在步骤S101中，获取车辆的车辆数据，其中，所述车辆数据包括充电数据和/或运行数据。

在步骤S102中，对车辆数据进行归一化离散小波分解处理，得到充电异常数据和/或运行异常数据。

应当理解的是，离散小波分解可以使用小波函数(wavelet fuction)和尺度函数(scale function)来分别分析高频信号和低频信号，也即高通滤波器和低通滤波器。分解过程如下：

1)将信号通过具有脉冲响应的半带低通滤波器，这一操作会剔除信号中频率低的部分，信号分辨率下降一半。

2)根据奈奎斯特定理进行下采样，间隔一个剔除样本点，信号留下一半样本点，尺度翻倍。(滤波操作不影响信号的尺度)将这一半进行高通滤波。

3)进一步分解，把高通滤波器的结果再次一分为二，进行高通滤波和低通滤波。

作为一种可能实现的方式，在本发明的一个实施例中，对车辆数据进行归一化离散小波分解处理，得到充电异常数据和/或运行异常数据，包括：通过高通滤波器得到车辆数据分解后的高频信号；根据高频信号识别具有早期风险信号的时域特性的突变数据。

具体而言，本申请实施例可以采集对于采集到的实车运行数据，通过离散小波分解进行安全预警与故障诊断。

具体地，本申请实施例可以先把信号进行离散小波分解，这一过程主要是寻找有突变的数据，通过高通滤波器，得到分解后的高频信号，得到早期风险信号的时域特性。

作为另一种可能实现的方式，在本发明的一个实施例中，对车辆数据进行归一化离散小波分解处理，得到充电异常数据和/或运行异常数据，还包括：利用多尺度熵方法对车辆数据进行二次检验，寻找具有渐变特性的数据，并分析具有渐变特性的数据的紊乱程度。

具体而言，如果不能找到突变数据，本申请实施例可以再利用多尺度熵方法进行二次检验，这一过程主要是寻找有渐变的数据，并分析其数据紊乱程度。

为便于理解，下面结合图2进行详细阐述离散小波分解(Normalized discretewavelet decomposition，NDWD)算法。

具体地，离散小波变换的核心：用不同频率的滤波器分析不同频率的信号，主要是高通滤波器和低通滤波器。信号的分辨率：衡量信号承载的信息丰富程度，采样率越高则分辨率越高，反之亦是。DWT用小波函数(wavelet fuction)和尺度函数(scale function)来分别分析高频信号和低频信号，也即高通滤波器和低通滤波器。

DWT分解过程：

(1)将信号x[n]通过具有脉冲响应h[n]的半带低通滤波器，这一操作会剔除信号中频率低于p/2的部分(信号最高频率为p)，信号分辨率下降一半。

()根据奈奎斯特定理进行下采样，间隔一个剔除样本点，信号留下一半样本点，尺度翻倍。(滤波操作不影响信号的尺度)将这一半进行高通滤波。3.这是第一个级的分解，如果要进一步分解，就把高通滤波器的结果再次一分为二，进行高通滤波和低通滤波。

可以看出，分解的级数为不超过信号长度的2的n次幂。和傅里叶变换的区别：保留了频率的时间位置信息。

进一步地，利用离散小波分解算法进行数据处理，包括步骤：

(1)确定输入网络参数：燃料电池系统的参数数据，确定输入网络种类个数及输出网络种类个数；

(2)离散小波变换：将参数数据进行离散小波变换，基本小波种类根据参数数据选择，通过离散小波变换后得到去噪的训练样本；

(3)训练极限学习机神经网络：确定训练样本与测试样本，利用极限学习机，通过随机选取输入权重与隐藏层偏差，计算隐藏层输出矩阵和输出权重，通过进化算法求输出权重的逆过程进行预测输出预测结果。

其中，在极限学习机中加入进化算法，包括步骤：首先把随机选取输入权重与隐藏层偏差作为初代种群；再计算种群中每个个体的适应度；进行适应度评价，适应度满足停止标准的输出其相对应的个体作为预测结果输出，若不满足则进行下一个体的适应度评价；最终输出优化完成的所有预测结果。

在不满足则进行下一个体的适应度评价的过程中，对个体的适应度进行变异、交叉和选择，将适应度中的优质个体将保留到下一代。将进化算法通过优化随机选取的输入权重和隐藏层偏差这两个参数，对初代种群进行变异、交叉和选择过程，适应度更好的个体将会保留到下一代。同时通过离散小波变换，能更好地获取数据特征信息，更好地建立极限学习机神经网络，从而进一步提升预测精度和预测时间。

在步骤S103中，判断充电异常数据是否满足风险条件，和/或判断运行异常数据是否满足预警条件。

进一步地，在本发明的一个实施例中，风险条件包括第一安全阈值，预警条件包括第二安全阈值和第三安全阈值，其中，第三安全阈值大于第二安全阈值。

进一步地，在本发明的一个实施例中，预警条件即为确定其数据紊乱性达到多级阈值。

在步骤S104中，在满足风险条件时，判定车辆存在风险，控制车辆停止充电的同时进行充电风险提示，和/或，在满足预警条件时，生成风险提示信息和/或安全信息，并发送风险提示信息和/或安全信息值预设终端。

具体而言，对于充电数据，如果任何一个单体电池的充电数据的绝对值大于等于0.015，则判定燃料电池系统在充放电过程存在异常，停止充电并联系人员检查电池；否则，燃料电池系统处于安全状态，车辆可以正常行驶。

对于运行数据，如果任何一个单体电池的运行数据大于等于0.8，则进行一级报警，燃料电池系统有发生热失控的高风险，立即停车、下车，并打电话等待救援；如果任何一个单体电池的运行数据大于等于0.6，小于0.8，则进行二级报警，燃料电池系统有发生热失控的潜在风险，行驶到安全地方停车，并打电话联系人员检查电池；如果所有单体电池的运行数据小于0.6，则燃料电池系统处于安全状态，车辆可以正常行驶。

进一步地，在本发明的一个实施例中，还包括：根据充电异常数据和/或运行异常数据与对应的风险条件和预警条件之间的差值生成对应的提醒方式，其中，提醒方式包括提醒动作的强度和提醒信号的颜色标识。

例如，可以通过LED(light-emitting diode，发光二极管)的颜色实现不同条件的提醒，正常情况LED正常绿色，二级预警LED呈黄色，一级预警LED呈红色。需要说明的是，车辆行驶状态下的异常风险系数A_D(即运行异常数据)可以通过下述公式得到：

行驶状态异常风险系数：

A_D＝DWD_{d_nor}-DWD_{d_ave}；

其中，DWDd为行驶状态单体电压的离散小波值，DWD_{d_min}为单体电压的离散小波最小值；DWD_{d_max}为单体电压的离散小波最大值；DWD_{d_nor}为归一化之后单体电压的离散小波最小值；DWD_{d_ave}为单体电压的离散小波平均值；A_D为车辆行驶状态下的异常风险系数。

车辆充电状态下的异常风险系数A_C(即充电异常数据)可以通过下述公式得到：

A_C＝DWD_c-DWD_{c_ave}；

其中，DWD_c为单体电压的离散小波值，DWD_{c_ave}为单体电压的离散小波平均值。

为使得本领域技术人员进一步了解本申请实施例的燃料电池系统的安全预警方法，下面结合具体实施例进行详细说明。

如图3所示，本申请实施例的燃料电池系统的安全预警方法所涉及的预警系统主要包括：燃料电池系统、电池管理系统和多级预警系统。其中，燃料电池系统包括：燃料电池1……n；电池管理系统包括：采集模块、均衡模块和主控模块，多级预警系统包括：LED指示灯(绿、黄、红)和蜂鸣器；采集模块包括：电压传感器、电流传感器和温度传感器。

进一步地，如图4所示，图4为本申请一个具体实施例的燃料电池系统的安全预警方法的流程图。

由图4可知，本申请实施例可以通过实时获取车辆数据，将车辆数据划分为充电数据与运行数据(行驶及静置时产生的数据即为运行数据，充电时产生的数据即为充电数据)，通过归一化离散小波分解方法分别对充电数据和运行数据进行处理，得到充电异常数据和运行异常数据；将充电异常数据与第一预设阈值进行比较，判断燃料电池系统是否存在风险；将运行异常数据与第二预设阈值、第三预设阈值进行比较，生成对应的风险提示信息或安全信息。其中，任意单体：任何一个电池满足条件即可；所有单体：所有电池都要满足条件。

根据本发明实施例提出的燃料电池系统的安全预警方法，基于改进多尺度熵方法对早期风险信号进行多尺度筛选和放大提取，归一化离散小波分解方法对早期风险信号进行精确识别和定位，实现了早期风险信号的在线识别和精准定位，并且实现面向实车燃料电池系统的多级风险预警。

其次参照附图描述根据本发明实施例提出的燃料电池系统的安全预警装置。

图5是本发明实施例的燃料电池系统的安全预警装置的方框示意图。

如图5所示，该燃料电池系统的安全预警装置10包括：获取模块100、处理模块200、判断模块300和控制模块400。

其中，获取模块100用于获取车辆的车辆数据，其中，车辆数据包括充电数据和/或运行数据；处理模块200用于对车辆数据进行归一化离散小波分解处理，得到充电异常数据和/或运行异常数据；判断模块300用于判断充电异常数据是否满足风险条件，和/或判断运行异常数据是否满足预警条件；控制模块400用于在满足风险条件时，判定车辆存在风险，控制车辆停止充电的同时进行充电风险提示，和/或，在满足预警条件时，生成风险提示信息和/或安全信息，并发送风险提示信息和/或安全信息值预设终端。

进一步地，在本发明的一个实施例中，处理模块200具体用于：通过高通滤波器得到车辆数据分解后的高频信号；根据高频信号识别具有早期风险信号的时域特性的突变数据。

进一步地，在本发明的一个实施例中，处理模块200还用于：利用多尺度熵方法对车辆数据进行二次检验，寻找具有渐变特性的数据，并分析具有渐变特性的数据的紊乱程度。

进一步地，在本发明的一个实施例中，还包括：生成模块，用于根据充电异常数据和/或运行异常数据与对应的风险条件和预警条件之间的差值生成对应的提醒方式，其中，提醒方式包括提醒动作的强度和提醒信号的颜色标识。

进一步地，在本发明的一个实施例中，风险条件包括第一安全阈值，预警条件包括第二安全阈值和第三安全阈值，其中，第三安全阈值大于第二安全阈值。

需要说明的是，前述对燃料电池系统的安全预警方法实施例的解释说明也适用于该实施例的燃料电池系统的安全预警装置，此处不再赘述。

根据本发明实施例提出的燃料电池系统的安全预警装置，基于改进多尺度熵方法对早期风险信号进行多尺度筛选和放大提取，归一化离散小波分解方法对早期风险信号进行精确识别和定位，实现了早期风险信号的在线识别和精准定位，并且实现面向实车燃料电池系统的多级风险预警。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。