CN105247379B - 用于不间断电源电池监测和数据分析的系统和方法 - Google Patents

Abstract

公开了一种系统和方法，其用于分析采集的原始数据点值的集合，并确定这些值中的哪个值或哪些值是错误的数据值。在该方法的一个实现方式中，检查这些值中的特定值以确定该特定值是否为异常值，并且如果该特定值为异常值，则将该特定值从数据集合中去除。对这些值中的、在时间上在这些值中的给定值之前的点处获得的至少两个其他值进行检查。可以对上述至少两个其他值分配权重，并且这些权重被用于帮助生成预测数据点值。将预测数据点值与这些值中的给定值进行比较，以确定这些值中的给定值是否为错误的值。以这样的方式，可以检查集合中的每个数据点值的完整性。

Description

用于不间断电源电池监测和数据分析的系统和方法

相关申请的交叉引用

本申请是要求于2013年5月3日提交的美国临时申请No.61/819,317的权益的PCT国际申请。上述申请的全部公开内容通过引用合并在本文中。

技术领域

本公开内容涉及电池监测系统和方法，并且更特别地涉及用于下述的电池监测系统和方法：从被监测的不间断电源(UPS)采集数据，并且对数据进行分析和筛选以产生甚至更准确地表示UPS的性能的数据集合，以便甚至更有效地预测UPS中所使用的电池的将来系统操作和/或剩余使用寿命(RUL)。

背景技术

在本章节中的陈述仅提供与本公开内容相关的背景信息，并且不会构成现有技术。

许多大型工业系统使用电池备份系统，这些电池备份系统使机器能够在主电源紧急丧失期间操作通过并且返回安全状态。通常由监测电池特性的第三方公司来安装并维护这些备份系统。数据中心中的不间断电源(UPS)系统的许多近来的安装包括从电池连续不断地采集数据的永久安装的或者固定的仪器(传感器)。由于现今数据中心通常可以使用几十个或更多个UPS，其中每个UPS具有多个独立的电池单元，因此，当全天候监测这样的大型系统时，会生成需要被分析的、非常大量的性能数据。

至少三个重要的挑战围绕从被用于监测UPS的电池的现今传感器采集的数据：(1)通过将噪声与作为对真正的电池状况的诊断的有效数据区分开来而验证数据的质量，(2)改进对数据错误类型的识别，使得可以快速地做出恰当的诊断并且可以实施必须的干预，以及(3)识别并辨认有效数据中的模式，以关于电池的系统操作和剩余使用寿命(RUL)进行预测。准确的RUL预测应当通过在电池实际失效之前允许干预来提高系统正常运行时间。还可以通过从对电池的周期性检查改变成更加紧密地遵从可靠性澡盆曲线(reliabilitybathtub curve)的检查循环来实现显著的成本节约。

当对从UPS采集的数据进行分析时，数据噪声可能是由于多种事件而产生的。例如，人工干预(例如替换电池或板)可能导致一定程度的数据噪声被生成。阻碍适当数据流的网络故障或者仪器问题(例如松散的线、低劣的传感器、失效的多路复用器、断开的电池突耳(battery lug)、改变的校准值等)在许多情况下也将会导致数据噪声。这些事件可以在数据流中创建特性模式。目前，人类必须尝试解释数据并且努力识别并报告特定异常。作为结果，必须的干预可能因此被延迟直到事件发生之后很久。对数据的自动清洗和分类将使得能够更快确定问题的根本原因(例如，是电池还是仪器？)，并且可以预期上述自动清洗和分类提供在其上建立预测的RUL模型的干净的数据集。

设计出了用于估计电池系统的健康、充电状态和RUL的许多系统。然而，这样的现今的系统通常未被设计成适应连续的电池测量的大型数据集，例如由于在现今的数据中心中使用的USP电池备份系统的自动监测而产生的大型数据集。目前，通常通过电池专家的团队按常规进度表以及响应于警报来手动地执行对来自数据中心电池备份系统的输入的传感器数据的检查。这使得在由个人执行时，对来自电池监测系统的原始传感器数据的“清洗”具有挑战性并且经常花费大量时间。

在分析原始采集的传感器数据时的一些现有尝试涉及了使用众所周知的最小二乘线性回归方法作为曲线拟合的形式。正如许多曲线拟合算法一样，最小二乘线性回归方法的目的是为了找到接近所采集的数据的所有样本点而通过的最优线。对于最小二乘算法，可以就针对每个点的误差(即，从每个点到拟合线的Y距离)而言来定义“接近”。最小二乘线性回归方法设法使这些误差的平方之和最小化。然而，最小二乘线性回归方法的一个显著的缺点在于，所有误差被均等地加权。结果，一个点中的误差刚好与任何其他点中的误差一样严重。另一缺点在于，在最小二乘线性回归曲线拟合中会考虑甚至根据通过用户的某种干预(即，断开电池线缆，或者暂时扰乱电池线缆连接)而创建的数据点，实际上这样的数据点并不指示电池串的任何真正的性能降级。现今的曲线拟合算法还考虑了异常数据点值。这些因素会累积地显著降低根据传统的最小二乘线性回归曲线拟合而得到的电池健康分析的质量和可靠性。

发明内容

一方面，本公开内容涉及一种用于使用处理/分析系统对在一段时间内采集的原始数据进行分析以验证所采集的原始数据的质量的方法。该方法可以包括在一段时间内采集原始数据点值。可以使用处理/分析系统来识别并去除原始数据点值中的被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值。针对原始数据点值中的特定剩余原始数据点值中的每个原始数据点值，处理/分析系统可以对原始数据点值中的时间上在原始数据点值中的被检查的给定原始数据点值之前的点处获得的至少两个其他原始数据点值进行检查。处理/分析系统可以使用原始数据点值中的所述至少两个其他原始数据点值来确定与原始数据点值中的被检查的所述给定原始数据点值相关的预测数据点值，以及将预测数据点值与原始数据点值中的被检查的所述给定原始数据点值进行比较。根据上述比较，处理/分析系统可以用于确定原始数据点值中的被检查的所述给定原始数据点值是否为有效数据点值。

另一方面，本公开内容涉及一种用于使用处理/分析系统对在一段时间内采集的与电池测量值相关的原始数据进行分析以验证所采集的原始数据的质量的方法。该方法包括：使用处理/分析系统在一段时间内采集原始数据点值。处理/分析系统还可以用于通过识别并去除原始数据点值中的被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值来执行数据清洗操作。处理/分析系统可以用于通过以下来执行数据压缩操作：检查原始数据点值中的时间上彼此相邻地获得的连续对，以及每当给定对的两个原始数据点值相同时，丢弃被检查的所述对中的一个原始数据点值，从而来形成原始数据点值的压缩集。根据原始数据点值的连续对的压缩集，针对每个连续对的原始数据点值中的每个原始数据点值，处理/分析系统可以检查原始数据点值中的时间上在所考虑中的一对的原始数据点值中的给定原始数据点值之前获得的多个原始数据点值；给原始数据点值中的时间上在之前获得的所述多个原始数据点值中的每个原始数据点值分配权重以创建加权数据点值。处理/分析系统可以使用加权数据点值来生成与所考虑中的原始数据点值相关联的预测数据点值。系统还可以用于在预测数据点值与所考虑中的原始数据点值之间执行比较以确定相对于所考虑中的原始数据点值的误差。

再一方面，本公开内容涉及一种用于对在一段时间内采集的原始数据进行分析以验证所采集的原始数据的质量并且根据进一步考虑除去将被确定为错误的数据点值的数据点值的系统。该系统可以包括处理系统，所述处理系统被配置成运行算法并且能够操作以在一段时间内采集原始数据点值。可以使用下述数据库，所述数据库与处理器通信并且被配置成存储所采集的原始数据点值。处理/分析系统还可以被配置成识别并去除原始数据点值中的被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值。处理/分析系统还可以用于针对原始数据点值中的特定其余原始数据点值中的每个原始数据点值，对原始数据点值中的时间上在原始数据点值中的被检查的给定原始数据点值之前的点处获得的至少两个其他原始数据点值进行检查。可以使用原始数据点值中的所述至少两个其他原始数据点值结合算法来确定与原始数据点值中的被检查的所述给定原始数据点值相关的预测数据点值。处理系统可以使用预测数据点值与原始数据点值中的被检查的给定原始数据点值来确定原始数据点值中的被检查的所述给定原始数据点值是否为错误的数据点值。

附图说明

本文所描述的附图仅为了说明的目的而不意在以任何方式限制本公开内容的范围。

图1是根据依据本公开内容的UPS监测系统的一个示例的一个系统的上层框图；

图2是示出可以由图1的系统实现的各种操作的上层流程图。

图3是可以与图1的系统一起使用、以清洗并分析由图1中示出的监测装备采集的电阻数据值的预后健康监测(“PHM”)算法的示例；

图4a和图4b至图9是指示在绘制针对所采集的数据值中的每个数据值的误差值之前可以以图形的形式如何呈现所采集的数据值的图；以及

图10至图13是示出了相对于数据点值所关联的误差值而绘制的数据点值的输出图，并且其中误差值被用于指示高异常数据点值或低异常数据点值以及在测量的电瓶(jar)电阻值中的不连续性；

具体实施方式

下述描述本质上仅是示例性的而不意在限制本公开内容、应用或用途。应当理解的是，贯穿附图，对应的附图标记指示相似或对应的部件和特征。

参照图1，示出了用于对多个不间断电源(UPS)中的每个不间断电源中的多个电池串的性能数据进行监测和分析的系统10的一个示例。系统10可以包括处理/分析系统12(在下文简称为“处理系统12”)，处理/分析系统12包括接收通过监测子系统14获得的测量电池电阻值的硬件部件和软件部件两者。监测子系统14可以是传感器，或者用于采集需要被分析的原始电池电阻测量数据的任何其他设备/子系统。合适的电池监测和诊断系统可从佛罗里达的庞帕诺比奇的Albercorp公司的产品号BDS40和BDS256获得。

可以将获得的测量电池电阻值存储在数据库16或者任何其他合适的存储器部件中。处理系统12还可以与用于显示测量电池电阻值的终端18通信。终端18非限制性地可以包括PC、膝上型计算机、平板计算机或者可能甚至智能电话中的一部分。

每个UPS通常包括至少一个电池串。电池串可以包括不同数量的“电瓶”，其中，多个电池单元组成单个电瓶。然而，本系统10不限于电池串的任何一个配置。电池串中的电瓶串联连接，这意味着串两端的压降是给定串的电瓶两端的各个压降之和。单个电瓶的故障会使整个串降级。因此，重要的是能够采集来自电池串的电池电阻值并对其进行分析，以能够预测故障何时可能发生，使得可以采取合适的动作以避免危及UPS的完整性。然而，现今的监测/分析系统不能够仅从查看原始采集的数据以下述方式对所采集的原始电池电阻数据进行分析，以建议电池串的潜在地即将发生的故障：与可能类似地出现的其他事件(即，暂时断开电瓶、连接松散等)相比，给用户清楚地指示潜在的问题何时可能发生。本公开内容的系统10和方法通过使用用于对采集的电池电阻值进行分析的方法部分地获得了该能力。

使用系统10，在尝试对采集的原始数据点值执行误差分析之前，可以执行多个操作以“清洗”(即，筛选)并且压缩所采集的原始数据点值。误差分析可以包括独特的方法，该独特的方法用于在对每个实际的数据点值的可能误差进行预测之前，对实际数据点值的压缩集进行加权。参照图2，流程图100呈现了在压缩并且分析原始数据点值时可以通过处理系统12执行的多个上层操作。在操作102处，通过监测子系统14采集原始电池电阻值(即，原始数据点值)。对于该示例，将假设正考虑来自UPS 1的单个电池串的原始数据点值。在操作103处，分析数据点值，以识别并且去除作为极端异常值的值。这可以通过在3x盒/晶须极端异常值测试(3xbox/whisker extreme outlier test)中测试数据来完成。这包括一次比较所有采集的数据点值。第二四分位数(Q2)指示所有值的中值。第一四分位数(Q1)指示最低值与Q2之间的中值。第三四分位数(Q3)指示最高值与Q2之间的中值。四分位数范围(IQR)是Q3至Q1。最相关的数据会出现在IQR中，而极端异常值会是大于Q3+3*IQR或小于Q1-3*IQR的那些数据。然后，标记极端异常值。

在操作104处，对在时间上相邻的数据点值执行一系列比较，以除去相同的值并且创建压缩的数据点集合。该压缩的数据点集合是用于进一步分析的数据点的集合。这可以表现出被分析的数据点值的总数量显著降低，而不会危及分析的结果的准确度。

在操作106处，可以对压缩的数据点集合中的每个数据点值执行加权分析。将在以下段落中更加详细描述的该操作可以被用于给在时间上先于所考虑中的特定数据点值的数据点值分配不同的权重，并且这些数据点值被用于预测所考虑中的数据点值是有效数据点还是错误的数据点(例如，高异常值或低异常值)。

在操作108处，在加权最小二乘算法中使用在操作106处生成的加权数据点值来针对压缩的数据点值集合中的数据点值中的每个数据点值生成预测数据点值。然后，在操作110处，可以将每个数据点值连同以合适的格式(例如逗号分隔值(CSV)格式)的附加字段一起存储在数据库16中。附加字段可以具有指示与特定数据点相关联的预测数据点值和该数据点的实际电阻值之间的差的词语或值，例如，“好”或者仅仅数字误差值。在操作112处，可以将数据点值的压缩集连同指示针对每个数据点值的误差的幅度的点一起绘制在图上。

图3中示出了用于执行以上结合图2所描述的操作中的某些操作的预后健康监测(“PHM”)算法200。将理解的是，PHM算法200可以在处理系统12上或者任何其他合适的处理器或者控制器上运行，只要其能够将其结果传送至终端18即可。对于PHM算法200，以下可以适用：

输入：S，原始数据集，其具有N个实例和F个特征(在该示例中仅寻址了单个特征，即电池电阻)(字段)，从0开始索引；

X，将作为自变量的字段(例如，读取日期)的索引；

Y，将作为因变量的字段(例如，电瓶电阻值)的索引；

A，将在建立WLS(加权最小二乘)模型时用于创建权重的寿命参数；

E，将用于确定误差是否足够显著到值得注意的误差参数；

输出：S’，包含来自S的所有N个实例和F个特征、但是还包含附加字段Y’的数据集，该附加字段Y’将包含表示针对给定实例的字段Y中的误差的数字值或者词语“好”。

PHM算法200具有下述基本前提：对于响应变量(即，被测量的电瓶电阻，“Y”)，在时间上任何给定的点处，变化率应当是局部线性的，即使总函数是非线性的也是如此。因此，可以基于原始测量的(即，实际的)数据点值来建立线性模型，该线性模型可以用于预测下一点数据点值或者换言之下一数据点值应当是什么。为了确保模型仅集中于局部线性度，优选地在建立模型时不均匀地使用在先的数据点值点，而是对它们指数地加权。因此，紧相邻的数据点值具有最高的加权，而较远的点(即，时间上比所考虑中的点早得多的数据点值)被加权为将近零。然后，基于加权最小二乘(WLS)算法的模型使用这些权重来使加权的模型误差最小化。一旦模型被建立，则将每个预测数据点值与其所关联的实际数据点值进行比较，并且如果这个差超过预先定义的阈值，则认为被检查的点是错误的。针对数据的每个实例(即，每个单独的实际的原始数据点值)重复该整个序列的操作(包括建立模型)，以找到针对实际的原始数据点值的整个压缩集(即“数据集”)的误差。

通过算法200执行的分析可以包括：在确定计算的回归线的总误差之前，将每个误差值与该所关联的数据点值的权重相乘。这在下述情况下是有用的：不同的数据点值具有不同量的不确定性，或者这些点相对于它们离关注的某点有多远是独特的。PHM算法200采用原始(未压缩的)数据集、以及参数A和E与字段X和Y的索引。应当注意，贯穿PHM算法200，对数据集的第一索引(例如，S[i][j]中的i)指“第i”实例(零索引的)，而第二索引指“第j”特征(字段，也是零索引的)。假设X值和Y值是进入数据集的合适的索引。PHM算法200的行1至行9关注于在执行主误差检测算法之前执行的数据清洗操作(图2中的操作104)。首先，基于X字段来对实例进行分类，然后，检查每对相邻实例。每个实例会被理解为表示单个实际的数据点值。如果不同，则将第二实例保留在数据集中。如果相同，则不保留第二实例；即，仅将在时间上较早的第一实例保留在数据集中。在任一事件中，然后，考虑下一对实例(即，实际的数据点值)。然而，如果下一对的两个实例在每个特征上都相同，则不使用该相同对的第二实例。因此，PHM算法200的行6和行7具以下效果：确保没有相邻对的实例完全相同。重要的是，注意仅去除了完全相同的实例；例如，如果X值相同但是Y值不同，则保留实例(即使在同一天的具有不同读数的两个实例就其本身而言是误差时也是如此)。检查相邻对的实例并且仅保存每对中的一个或另一个实例的前述操作可以被视为数据“清洗”或压缩操作，用以创建数据点值的压缩集，本文中也被简称为“数据集”。

继续参照图3，跟随以上数据清洗/压缩处理，PHM算法200的行10至行26进行操作以针对被检查的数据集中的每个实例有效地建立单独的模型。应当注意，对于最初的两个实例，仅可以产生值n/a(不可应用)，这是因为WLS算法需要至少两个点来建立模型，并且因为仅包括在被检查的点之前的那些点，所以仅可以从第三点开始建立这样的模型。随着PHM算法200前进通过主循环(行13至行26)，划分出在被检查的点之前发现的第一组点(行14至行16)，然后，算法200检查被检查的点之前的最近的点是否比被检查的点早大于预定时间间隔(行18)。如果是这种情况，则定义被称为“WeightFactor(权重因子)”的变量，该变量是该值比预定时间量长多少。例如，考虑将预定时间间隔设置为一个月(即，2628000秒)。如果在最近的实际的数据点值与被检查的实际的数据点值之间存在2.5个月跨度，则WeightFactor会是2.5减去1(结果是1.5个月，以秒为单位)，即减去2628000(算法200的行19)。然而，如果最近的点距被检查的点一个月或更短，则将WeightFactor设置为0(算法200的行21)，因此WeightFactor对算法200没有影响。

在确定WeightFactor的操作之后，找出针对在被检查的数据点值之前的每个数据点值的权重。针对数据点值的权重是基于它们距关注的点的距离、“A”(寿命参数)和WeightFactor(PHM算法200的行22至行23)。WeightFactor的效果在于将距被检查的点最近的点缩减到被检查的点之前仅一个月，并且还将时间上在被检查的点之前的所有其他点向前滑动相同的量。注意，这仅在紧之前的数据点是在被检查的点之前至少一个月的情况下进行。因为这仅影响权重(而不影响实际的基本数据)，所以这些变化将仅影响被用于当前检查的数据点的权重，而不影响将来的数据点(其将在算法200的循环进入另一循环时使用行18再次被测试)。

最终，PHM算法200包括使用划分的数据点、计算的权重以及要被用作X字段和Y字段的索引来建立WLS模型(行24)。在行25和26中，该模型用于预测被检查的实例的幅值(即，电阻的值)，并且该预测值与实际值之间的差被存储在数据库16(图1)的“误差”阵列中。

一旦计算出误差，则所有剩下的事就是针对超过E(误差)阈值的误差来使用数字值将误差相加至数据集中。行27至34通过以下来执行该操作：首先将所有现有的字段复制在新S’数据集中，然后添加“好”或数字误差值。该最终数据集S’是算法200将会返回的数据集，其包含有关误差的所有信息。

图4a和图4b呈现出相当典型的情况，其中，电阻数据分解成三个清楚的数据值时间序列：一个标记为400a，该时间序列以略超过5000mΩ开始并缓慢升高；一个标记为400b，该时间序列精确地以将近5000mΩ开始并且保持相对平稳；以及最后一个标记为400c，该时间序列以远低于5000mΩ开始并且也未示出显著的移动。清洗后数据值序列400a’、400b’及400c’显示重复的值大部分被去除。这说明上文描述的数据清洗特征可以辅助去除共享许多类似的基本特性的数据集之间的差。

图5a和图5b中呈现出的组合也示出了数据清洗的几乎相同的效果。在图5a中，示出了数据500a的一个明显体制。在图5b中，示出了被清洗后的图5a的数据体制，并且将其标记为500b。

图6a和图6b分别示出了未经清洗的数据流600a和经清洗的数据流600b。这示出了具有类似模式的相对恒定的数据源。

图7至图9说明数据点异常值的问题。图7a示出了具有极高异常值702和704以及一个高异常值706的示例。图8示出了具有极低异常值802和804的数据流800a，极低异常值802和804分别落入其时间序列的开始和中间。图9的数据流900在两个方向均具有显著的异常值问题。注意，图9中重复的值可以呈现针对传感器数据的自动分析的挑战。这是因为频繁的重复值可能错误地导致算法相信信号比其真实的情况更稳定。异常值尤其是高异常值会使人对传感器数据的解释模糊，这是因为当最高观察值使重要值显得低时，图(例如规模达到最大观察值的图)通常辅助最小。从而，通过去除这些高异常值和低异常值，可被视为经筛选的数据集的、作为结果得到的数据可以被更容易地解释以发现真正的模式。

注意，在例如具有图7a和图7b中所示的数据流的一些情况下，去除异常值也会除去一些有用的值。特定地，对于朝向第一数据流700a尾端的许多值存在上述情况，这些值在图7a中呈现为稳定地逐步向上而不创建真正的异常值。将经清洗的数据流示出为在图7b中的数据流700b。这是去除数据值实例的固有的风险。然而，从业者可以将丢失的数据适当地加回，或者使用丢失的数据来帮助选择更好的阈值以供将来分析。

从图4至图9整体可以看出，处理后，保留了数据的重要特性。更具体地，保留了值如何随时间变化的通常模式(光滑地以及不连续跳跃地随时间变化)，但是可能导致误导性的结果的错误的值(例如重复的值以及极高或极低的值)已被标记。这会使得经处理的数据更容易通过人以及利用自动化的系统来解释。

参照图10至图12，呈现出了示出相对于压缩的数据集的每个实际数据点值的误差值的输出图。最初参照图10，将看出输出图会呈现出非常清楚的模式，该模式会揭示何时噪声和跳跃标志出伴随给定电瓶发生的重要事件。在图10中，例如，呈现出了表示三个时期的三个不同的数据流1000a、1000b及1000c。误差阈值1002、1004、1006及1008对应于值100mΩ、200mΩ、300mΩ及500mΩ。初始数据流1000a示出了以下预期行为：电瓶电阻缓慢升高之后，升高速率突然增大，之后是电瓶替换事件1000d。后面的两个数据流1000b和1000c未示出骤然升高，但是这两个数据流之间的电瓶替换事件1000e是清楚的。误差值1000f和1000g强调下述情况：存在仅两个升高到高于阈值200mΩ的数据值实例，尤其是标志新时期开始的那些实例。这说明了提出的PHM算法200可以如何自主地检测电瓶替换事件而无需人工干预。

作为有趣的对比，图11中示出的输出图1100说明当数据点值中不存在显著变化时PHM算法200如何起作用。由于相同的值的每次运行发生变化，所以可以看见少数几个跳跃，但是并非在先前数据中看到的幅值变化。PHM算法200不报告引人注目的变化；尽管一些误差点记录在阈值200mΩ与300mΩ之间，但是都不超过300mΩ。这提供了重要的控制，从而示出PHM算法在其遇到少数跳跃时不产生误报(false positive)。

图12说明PHM算法200的另一益处，即检测不常用的数据值异常值的能力。图12中示出的数据集具有两个区域1200a和1200b，这两个区域具有错误的值：在跨越2006的最后四分之一的区域1200a期间，一个区域包含具有零电阻的实例。另一区域1200b朝向2009的第一半部包含极高异常数据值。在两种情况下误差值(示出为倒置的三角形)突出这些问题。当零值实例的跨越开始时，显著升高的误差值1202指示之前预期类似于之前所看到的范围的电阻值，而非零。并且当低电阻范围结束时，其由误差值1204指示。如误差值1206所标注的那样，高异常值的范围开始，并且高异常值的结束由误差值1208标注。注意，在两种情况下，由标志为错误的实例(即，误差值1204和1208)来表示错误值跨越的结束以及返回至更常见的范围。这是因为PHM算法200并不明确地了解适当数据值先前的样子，但是其能够识别数据值何时显著地变化(即，以可疑地高或低的程度)。额外的人工干预可以用于识别电池是否从好变坏或者从坏变好。

图13中呈现出的数据值示出了在单个文件中可以如何检测到噪声和电阻值跳跃。在2006时间框架的后部分中发现了三个错误的实例(电阻值为0)，并且标注该时期开始的大误差值1302是明显的，同时另一大误差值1304标注该时期结束。还可以看出，尽管注意到了2007中间的轻微跳跃(标记为1306的误差值)，但是其不升高到高于误差阈值500。但是从第一数据值时期1300a至第二数据值时期1300b的过渡被一串错误的值打断。误差标记(即，倒置的三角形1308、1310及1312)标注这些实例。误差标记1308、1310及1312标记具有异常低的电阻的数据点值，其无误地标志出针对给定电瓶发生的显著事件。

整体地，系统10及其PHM算法200说明了可以如何以自动方式来检测到电瓶的电阻值的变化，以及系统10可以如何对噪声具有抵抗能力以及能够检测噪声的极端示例。此外，发现了阈值500mΩ是用于在真正的跳跃与和误报对照的误差之间进行区分的通常适当的值。并且尽管发现了误差值低于500mΩ的一些临界的跳跃，但是所有重要的实例的值都在该量以上。这些特性使系统10和PHM算法200良好地适于识别大型监测设施中的不常见的行为，这是因为可以为人工操作员标记噪声实例，而无需首先手工处理所有数据。

尽管描述了各种实施方式，但是本领域技术人员将认识到在不偏离本公开内容的情况下可以做出的各修改或变型。示例示出了各种实施方式并且并非意在限制本公开内容。因此，说明书和权利要求书应当被不受限制地解释，仅在视乎相关现有技术而言必要的情况下才进行这样的限制。

Claims (20)

1.一种用于使用处理/分析系统对在一段时间内采集的原始数据进行分析、以验证所采集的原始数据的完整性的方法，所述方法包括：

在一段时间内采集多个原始数据点值；

使用所述处理/分析系统进行下述操作：

识别并去除所述多个原始数据点值中的、被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值；以及

针对所述多个原始数据点值中的剩余原始数据点值中的每个原始数据点值：

对所述剩余原始数据点值中的、在时间上在所述剩余原始数据点值中正被检查的给定原始数据点值之前的点处获得的至少两个其他原始数据点值进行检查，并且根据所述剩余原始数据点值中的至少两个其他原始数据点值的时间顺序而给所述至少两个其他原始数据点值中的每个原始数据点值分配不同的权重，以产生两个在时间上相邻的加权数据点值；

使用所述两个在时间上相邻的加权数据点值来确定与所述剩余原始数据点值中正被检查的给定原始数据点值相关的预测数据点值；

将所述预测数据点值与所述剩余原始数据点值中正被检查的给定原始数据点值进行比较；

根据所述比较来确定所述剩余原始数据点值中正被检查的给定原始数据点值是否为有效的数据点值。

2.根据权利要求1所述的方法，其中，所述权重对于最接近所述剩余原始数据点值中的所述给定原始数据点值的原始数据点值较大。

3.根据权利要求2所述的方法，其中，所述加权数据点值被用在由所述处理/分析系统执行的算法中以生成所述预测数据点值。

4.根据权利要求3所述的方法，其中，所述算法包括加权最小二乘算法。

5.根据权利要求1所述的方法，其中，所述剩余原始数据点值中的所述每个原始数据点值与下述信息一起存储在数据库中：该信息指示该原始数据点值的、相对于该原始数据点值所关联的所述预测数据点值的准确度。

6.根据权利要求1所述的方法，还包括：在所述一段时间内采集的原始数据点值中，检查两个在时间上最接近的原始数据点值；以及确定所述两个在时间上最接近的原始数据点值是否相同，并且如果所述两个在时间上最接近的原始数据点值相同，则丢弃所述两个在时间上最接近的原始数据点值中之一。

7.根据权利要求6所述的方法，还包括通过以下来减小原始数据点值的集合：检查在所述一段时间内采集的所述原始数据点值中的连续的相邻对；以及针对原始数据点值的每个所述相邻对，确定所考虑中的相邻对的原始数据点值是否相同，并且当所考虑中的相邻对的原始数据点值被确定为相同时，则丢弃该对中的两个原始数据点值中之一。

8.根据权利要求7所述的方法，还包括：当所考虑中的相邻对的原始数据点值被确定为相同时，则丢弃该对中的、在时间上最接近所述原始数据点值中的所述给定原始数据点值的原始数据点值。

9.根据权利要求1所述的方法，其中，所述剩余原始数据点值中的每个所述原始数据点值连同对该原始数据点值相对于其所关联的所述预测数据点值的误差的指示一起被绘制在图中。

10.一种用于使用处理/分析系统对在一段时间内采集的与电池测量值相关的原始数据进行分析、以验证所采集的原始数据的质量的方法，所述方法包括：

在一段时间内采集原始数据点值；

使用所述处理/分析系统进行下述操作：

通过识别并去除所述原始数据点值中的、被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值，来执行数据清洗操作；

通过下述方式来针对通过所述数据清洗操作获得的原始数据点值执行数据压缩操作，从而形成原始数据点值的压缩集：检查在时间上彼此相邻地获得的原始数据点值的连续对，以及每当给定对的两个原始数据点值相同时，则丢弃正被检查的对中的一个原始数据点值；

根据原始数据点值的所述压缩集，针对所述压缩集的原始数据点值中的每个原始数据点值：

检查所述压缩集的原始数据点值中的、在时间上在所述压缩集的原始数据点值中所考虑中的给定原始数据点值之前获得的多个原始数据点值；

给在时间上在之前获得的所述多个原始数据点值中的每个原始数据点值分配权重以创建加权数据点值；

使用所述加权数据点值来生成与所考虑中的原始数据点值相关联的预测数据点值；以及

在所述预测数据点值与所考虑中的原始数据点值之间执行比较，以确定相对于所考虑中的原始数据点值的误差。

11.根据权利要求10所述的方法，如果所述误差超过预定阈值，则确定所考虑中的原始数据点值是错误的数据点值。

12.根据权利要求10所述的方法，其中，每当给定对的两个原始数据点值相同时则丢弃正被检查的对中的一个原始数据点值的操作包括：丢弃在时间上比被检查的对中的另一原始数据点值更早的一个所述原始数据点值。

13.根据权利要求10所述的方法，其中，给在时间上在之前获得的所述多个原始数据点值中的每个原始数据点值分配权重以创建加权数据点值的操作包括：给所述多个原始数据点值中在时间上较接近所考虑中的原始数据点值的原始数据点值分配较高的权重。

14.根据权利要求13所述的方法，还包括：基于所述多个原始数据点值中的每个原始数据点值在时间上相对于所考虑中的原始数据点值早的程度，给所述多个原始数据点值中的每个所述原始数据点值分配权重，使得与所述多个原始数据点值中在时间上较晚获取的原始数据点值相比，所述多个原始数据点值中在时间上较早的原始数据点值分配有较高的权重。

15.根据权利要求14所述的方法，其中，将所述多个原始数据点值中的每个所述原始数据点值相对于表示固定时间段的固定时间阈值进行评估，并且分配给所述多个原始数据点值中的每个所述原始数据点值的权重是基于所述固定时间阈值与以下时间之间的差：该时间是所述多个原始数据点值中的每个所述原始数据点值超过所述固定时间阈值的时间。

16.根据权利要求10所述的方法，其中，使用所述加权数据点值来生成与所考虑中的原始数据点值相关联的预测数据点值包括：使用加权最小二乘算法来生成每个所述预测数据点值。

17.根据权利要求10所述的方法，还包括：将所考虑中的原始数据点值与该原始数据点值所对应的所述预测数据点值一起绘制，以视觉上说明该原始数据点值与该预测数据点值之间的误差。

18.一种用于对在一段时间内采集的原始数据进行分析、以验证所采集的原始数据的质量并根据进一步考虑除去将被确定为错误的数据点值的数据点值的系统，所述系统包括：

处理系统，被配置成运行算法，并且能够操作以在一段时间内采集原始数据点值；

数据库，其与所述处理系统通信，并且被配置成存储所采集的原始数据点值；

所述处理系统还被配置成：

识别并去除所采集的原始数据点值中的、被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值；

针对所采集的原始数据点值中的剩余原始数据点值中的每个原始数据点值，对所述剩余原始数据点值中在时间上在所述剩余原始数据点值中正被检查的给定原始数据点值之前的点处获得的至少两个其他原始数据点值进行检查，并且给所述至少两个其他原始数据点值中的每个原始数据点值分配不同的权重以创建加权数据点值；

使用所述加权数据点值结合所述算法来确定与所述剩余原始数据点值中正被检查的给定原始数据点值有关的预测数据点值；以及

使用所述预测数据点值和所述剩余原始数据点值中正被检查的给定原始数据点值来确定所述剩余原始数据点值中正被检查的给定原始数据点值是否为错误的数据点值。

19.根据权利要求18所述的系统，其中，所述处理系统还被配置成给所述剩余原始数据点值中的所述至少两个其他原始数据点值分配权重，所述权重基于所述剩余原始数据点值中的所述至少两个其他原始数据点值中的每一个在时间上接近所述剩余原始数据点值中正被检查的给定原始数据点值的程度而被分配，并且所分配的所述权重对于两个原始数据点值的、在时间上较接近所述剩余原始数据点值中的所述给定原始数据点值的原始数据点值较大。

20.根据权利要求19所述的系统，其中，所述处理系统使用所述算法来分配所述权重，使得与所述剩余原始数据点值中在时间上离所述剩余原始数据点值中的所述给定原始数据点值最远的原始数据点值相比，所述剩余原始数据点值中在时间上最接近所述剩余原始数据点值中的所述给定原始数据点值的原始数据点值被分配较高的权重。