注意：该项目只展示部分功能

1 开发环境

发语言：python
采用技术：Spark、Hadoop、Django、Vue、Echarts等技术框架
数据库：MySQL
开发环境：PyCharm

2 系统设计

新能源汽车产业迅猛发展背后，充电安全事故与电池热失控问题日益凸显，传统运维模式依赖人工巡检与单一阈值报警，难以应对海量充电设备产生的多维度、高并发数据流，无法实现风险的早期感知与精准预测。依托Python生态体系与Spark/Hadoop分布式计算框架，整合Vue前端与ECharts可视化技术，构建覆盖全链路充电过程的大数据安全分析平台，可破解多元异构数据实时处理与深度价值挖掘的难题，满足行业对智能化预警的迫切需求。

该系统的建设能够主动识别电池热失控前兆特征，将安全防控从被动响应转向主动预测，有效降低火灾事故发生率与经济损失；通过量化评估充电器性能与电池健康状态，指导用户优化充电行为并延长资产使用寿命；同时形成的数据资产可为充电设施布局优化、保险精算、行业标准制定提供决策支撑，推动新能源产业向精细化、安全化方向升级。

系统涵盖九大核心模块：实时监测大屏模块实现风险指标一屏统览；热失控预警分析模块提供概率分布、高风险单元TOP10排序与时段规律挖掘；电池健康管理模块聚焦SOH差异分析与充电功率关联影响；充电安全监测模块评估充电器性能并量化充电时长风险；温度异常分析模块覆盖温度分布统计、快速温升预警及梯度异常检测；环境因子分析模块监测湿度、振动、压力等多物理场安全风险；BMS状态演化模块追踪系统状态迁移与异常统计；时间序列趋势模块预测风险累积效应与演化路径；设备运行分析模块量化充电器效率与利用率。

3 系统展示

3.1 大屏页面

ScreenShot_2025-11-26_150813_707.png

ScreenShot_2025-11-26_150826_831.png

3.2 分析页面

ScreenShot_2025-11-26_150839_581.png

ScreenShot_2025-11-26_150847_925.png

ScreenShot_2025-11-26_150902_243.png

ScreenShot_2025-11-26_150915_897.png

ScreenShot_2025-11-26_150929_104.png

ScreenShot_2025-11-26_150937_285.png

ScreenShot_2025-11-26_150945_287.png

ScreenShot_2025-11-26_150959_093.png

5 部分功能代码

# 定义特征工程函数：计算衍生指标和风险因子
def extract_risk_features(df):
    """
    提取核心风险特征，包括：
    - 温度梯度：反映温升速率，超过3.5℃/min为极高风险
    - 内阻增长率：识别电池老化程度
    - 电压波动率：检测电化学稳定性
    """
    # 按电池单元分区，获取最近5分钟窗口数据计算梯度
    window_spec = Window.partitionBy("cell_id").orderBy("timestamp").rangeBetween(-300, 0)
    
    # 计算温度梯度（每分钟温升），识别快速温升场景
    df = df.withColumn("temp_gradient", 
                      (col("temperature") - lag("temperature", 1).over(window_spec)) / 
                      (unix_timestamp("timestamp") - unix_timestamp(lag("timestamp", 1).over(window_spec))) * 60)
    
    # 计算内阻异常得分，基准值5mΩ为正常阈值
    df = df.withColumn("resistance_anomaly", 
                      when(col("internal_resistance") > 15, 3.0)
                      .when(col("internal_resistance") > 10, 2.0)
                      .when(col("internal_resistance") > 5, 1.0)
                      .otherwise(0.0))
    
    # 计算电压变异系数，评估电芯一致性
    df = df.withColumn("voltage_variance", 
                      stddev("voltage").over(window_spec) / avg("voltage").over(window_spec))
    
    # 计算多物理场耦合风险因子
    df = df.withColumn("env_risk_score", 
                      col("ambient_temp") * 0.3 + col("vibration") * 0.4 + col("humidity") * 0.3)
    
    return df

# 执行特征提取
featured_df = extract_risk_features(raw_df)

# 组装特征向量，对应模型训练时的特征顺序
feature_cols = ["temperature", "internal_resistance", "temp_gradient", 
                "resistance_anomaly", "voltage_variance", "env_risk_score", "soc"]
assembler = VectorAssembler(inputCols=feature_cols, outputCol="feature_vector")
assembled_df = assembler.transform(featured_df)

# 应用标准化模型，消除特征量纲差异
scaled_df = scaler_model.transform(assembled_df)

# 使用随机森林模型预测热失控概率
# predictions包含原始预测和概率分布，probability[1]为热失控概率
predictions_df = rf_model.transform(scaled_df)

# 定义风险等级映射函数，匹配大屏展示的等级划分标准
def map_risk_level(probability):
    """根据概率映射风险等级：>0.7极高风险，>0.5高风险，>0.3中风险，≤0.3低风险"""
    return when(col(probability) > 0.7, "极高风险") \
           .when(col(probability) > 0.5, "高风险") \
           .when(col(probability) > 0.3, "中风险") \
           .otherwise("低风险")

# 生成最终预警结果，包含风险等级、关键指标和推荐处置措施
result_df = predictions_df \
    .withColumn("thermal_runaway_prob", col("probability")[1]) \
    .withColumn("risk_level", map_risk_level("thermal_runaway_prob")) \
    .withColumn("warning_msg", 
                concat(lit("单元"), col("cell_id"), 
                       lit("热失控概率"), round(col("thermal_runaway_prob") * 100, 2), lit("%"),
                       when(col("temp_gradient") > 3.5, lit("，快速温升预警"))
                       .when(col("internal_resistance") > 10, lit("，内阻异常预警"))
                       .otherwise(lit("")))) \
    .select("cell_id", "charger_id", "timestamp", "thermal_runaway_prob", "risk_level", 
            "temperature", "internal_resistance", "temp_gradient", "warning_msg")

源码项目、定制开发、文档报告、PPT、代码答疑
希望和大家多多交流

大数据毕设实战项目-基于Hadoop+Spark的新能源充电安全大数据分析与热失控预警系统