CN109116243A - 一种动力电池的异常检测方法和装置 - Google Patents
一种动力电池的异常检测方法和装置 Download PDFInfo
- Publication number
- CN109116243A CN109116243A CN201810712626.3A CN201810712626A CN109116243A CN 109116243 A CN109116243 A CN 109116243A CN 201810712626 A CN201810712626 A CN 201810712626A CN 109116243 A CN109116243 A CN 109116243A
- Authority
- CN
- China
- Prior art keywords
- time series
- data
- sequence
- low frequency
- original time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
Abstract
本发明实施例提供了一种动力电池的异常检测方法和装置,所述方法包括:获取所述动力电池的历史数据;采用所述历史数据生成原始时间序列;对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;对所述高频噪音时间序列进行异常检测,得到局部异常数据;基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。本发明实施例排除了整体趋势的影响,对局部非极值数据进行更有效的异常数据检测。
Description
技术领域
本发明涉及蓄电池技术领域,特别是涉及一种动力电池的异常检测方法和一种动力电池的异常检测装置。
背景技术
所谓异常数据,是指动力电池在使用过程中,不符合预期行为模式的数据。而异常数据诊断,是指寻找出动力电池数据中的异常数据。
异常数据出现的频率与动力电池老化程度,寿命,以及安全性能紧密相关,因此异常数据诊断一直是数据分析及动力电池分析中的重要部分。通过异常数据诊断,一方面可以对电池SOH(Section Of Health,电池健康度)进行判断,另一方面也可以对有使用危险的动力电池进行排查,以避免一部分电池故障。
现有的异常诊断方法以排查极值(最大/最小值)为主,在使用过程中,对局部异常值的诊断效果往往不明显,而动力电池电压数据大多数处于中间状态,以传统方法往往难以对这种数据进行有效的异常诊断。
发明内容
鉴于上述问题,本发明实施例提出了一种动力电池的异常检测方法和相应的一种动力电池的异常检测装置。
为了解决上述问题,本发明实施例公开了一种动力电池的异常检测方法,包括:
获取所述动力电池的历史数据;
采用所述历史数据生成原始时间序列;
对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;
对所述高频噪音时间序列进行异常检测,得到局部异常数据;
基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;
将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。
优选的,所述基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据的步骤包括:
提取所述低频平滑时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
对所述极值时间序列进行异常检测,得到极值异常数据;
或,
提取所述原始时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
对所述极值时间序列进行异常诊断,得到极值异常数据。
优选的,所述对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列的步骤包括:
采用低通滤波器对所述原始时间序列进行滤波,得到低频平滑时间序列;
将所述原始时间序列减去所述低频平滑时间序列,得到高频噪音时间序列。
优选的,异常数据通过如下方式生成:
对时间序列进行异常检测,得到一个或多个异常点;
将所述一个或多个异常点在所述原始时间序列中进行标记,得到一个或多个标记点;
获取所述一个或多个标点对应的数据,作为一个或多个异常数据。
优选的,所述异常检测的方法包括GESD、2σ准则、3σ准则。
相应的,本发明实施例公开了一种动力电池的异常检测装置,包括:
获取模块,用于获取所述动力电池的历史数据;
生成模块,用于采用所述历史数据生成原始时间序列;
滤波模块,用于对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;
检测模块,用于对所述高频噪音时间序列进行异常检测,得到局部异常数据;基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;
确定模块,用于将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。
优选的,所述检测模块包括:
第一提取子模块,用于提取所述低频平滑时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
第一检测子模块,用于对所述极值时间序列进行异常检测,得到极值异常数据;
第二提取子模块,用于提取所述原始时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
第二检测子模块,用于对所述极值时间序列进行异常诊断,得到极值异常数据。
优选的,所述滤波模块包括:
低频序列子模块,用于采用低通滤波器对所述原始时间序列进行滤波,得到低频平滑时间序列;
高频序列子模块,用于将所述原始时间序列减去所述低频平滑时间序列,得到高频噪音时间序列。
优选的,还包括异常数据生成模块,所述异常数据生成模块包括:
异常点检测子模块,用于对时间序列进行异常检测,得到一个或多个异常点;
标记子模块,用于将所述一个或多个异常点在所述原始时间序列中进行标记,得到一个或多个标记点;
异常数据获取子模块,用于获取所述一个或多个标点对应的数据,作为一个或多个异常数据。
优选的,所述异常检测的方法包括GESD、2σ准则、3σ准则。
本发明实施例包括以下优点:
在本发明实施例中,首先获取所述动力电池的历史数据,然后,采用所述历史数据生成原始时间序列,并对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列,其次,对所述高频噪音时间序列进行异常检测,得到局部异常数据,再基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据,最后,将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。这样,通过低通滤波的方法,将原始时间序列数据的高频噪音时间序列与低频平滑时间序列数据分开,再分别针对高频噪音时间序列和低频平滑时间序列进行异常数据诊断,从而排除了整体趋势的影响,对局部非极值数据进行更有效的异常数据检测。
附图说明
图1是本发明的一种动力电池的异常检测方法实施例的步骤流程图;
图2是本发明的一种动力电池的异常检测装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明的一种动力电池的异常检测方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取所述动力电池的历史数据;
在本发明实施例中,历史数据可以包括动力电池在服役期间的电压、电流、温度、荷电状态、健康状态、功率状态、告警信息、容量、内阻、压差等数据。在实际应用中,历史数据可以通过电池管理系统来采集,采集到的数据可以存储于本地的数据库中,作为动力电池的历史数据;也可以将采集到的数据上传到服务器,存储在服务器的数据库中,作为动力电池的历史数据。采集数据、存储数据的过程、方式可以根据实际需求进行设置,本发明实施例对此不作限制。
而历史数据则直接从数据库中获取即可,不管是本地的数据库还是服务器中的数据库。
需要说明的是,所谓的“历史数据”是针对检测的时间节点而言的,因为这些数据是在检测的时间节点之前采集到的,所以称之为“历史数据”,数据的采集其实都是实时采集的。
另外,本发明实施例除了可以对已经退役的动力电池进行检测之外,也可以对正在服役的动力电池进行检测。
步骤102,采用所述历史数据生成原始时间序列;
在本发明实施例中,可以采用所有的历史数据生成原始时间序列,也可以从历史数据中截取一部分数据生成原始时间序列。具体的,历史数据对应有时间结点,比如,某条历史数据为“2018年6月21日/15:32/温度36℃”,其中的“2018年6月21日/15:32”就是时间结点,如果是截取一部分数据,那么按照时间结点来截取就行了。
步骤103,对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;
在本发明一种优选实施例中,所述对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列的步骤包括:
采用低通滤波器对所述原始时间序列进行滤波,得到低频平滑时间序列;
将所述原始时间序列减去所述低频平滑时间序列,得到高频低频平滑时间序列。
具体而言,可以使用Lowess(locally weighted scatterplot smoothing,局部加权回归散点平滑法)对原始时间序列进行平滑处理,从而达到低通滤波的目的,得到一组滤波后的时间序列,即低频平滑时间序列,然后使用原始时间序列减去低频平滑时间序列,就可以得到高频噪音时间序列。
当然,在实际应用中,除了使用Lowess之外,还可以使用其它的低通滤波器对原始时间序列进行滤波,本发明实施例对此不作限制。
步骤104,对所述高频噪音时间序列进行异常检测,得到局部异常数据;
对分离后的高频噪音时间序列进行异常检测,寻找异常点,并将诊断得到的异常点在对应原始时间序列中进行标记。
在本发明一种优选实施例中,异常数据通过如下方式生成:
对时间序列进行异常检测,得到一个或多个异常点;
将所述一个或多个异常点在所述原始时间序列中进行标记,得到一个或多个标记点;
获取所述一个或多个标点对应的数据,作为一个或多个异常数据。
具体而言,可以采用GESD、2σ准则、3σ准则等方法对时间序列进行检测,得到一个或多个异常点,然后将所有的异常点在原始时间序列中标记出来,得到一个或多个标识点,获取原始时间序列中,所有标识点对应的数据,从而得到了动力电池所有的异常数据。
需要说明的是,如果是对高频噪音时间序列进行异常检测,那么得到的就是局部异常数据;如果是对低频平滑时间序列,或原始噪音时间序列进行异常检测,那么得到的就是极值异常数据。但是不管是对高频噪音时间序列、低频平滑时间序列,还是对原始噪音时间序列进行异常检测,都是在原始时间序列中进行标记,并获取标记点对应的数据作为异常数据。
步骤105,基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;
极值异常数据除了可以基于分离出来的低频平滑时间序列获取,也可以基于原始时间序列获取。
在本发明一种优选实施例中,所述基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据的步骤包括:
提取所述低频平滑时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
对所述极值时间序列进行异常检测,得到极值异常数据;
或,
提取所述原始时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
对所述极值时间序列进行异常诊断,得到极值异常数据。
具体而言,如果是对低频平滑时间序列进行异常检测,那么先对绝对值超过低频平滑时间序列均值+/-N倍(比如两倍)方差的极值单独提取出来,然后采用3σ准则等方式对筛选出来的极大/极小值进行异常检测,从而得到极值异常数据;如果是对原始时间序列进行异常检测,那么先对绝对值超过整体原始时间序列均值+/-N倍(比如两倍)方差的极值单独提取出来,再使用3σ准则等方法对提取出来的极值进行异常检测,并将检测得到的异常点在对应原始时间序列中进行标记,从而得到极值异常数据。
步骤106,将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。
异常检测得到的局部异常数据和极值异常数据合起来,就是动力电池整体的异常数据了。
在本发明实施例中,首先获取所述动力电池的历史数据,然后,采用所述历史数据生成原始时间序列,并对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列,其次,对所述高频噪音时间序列进行异常检测,得到局部异常数据,再基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据,最后,将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。这样,通过低通滤波的方法,将原始时间序列数据的高频噪音时间序列与低频平滑时间序列平滑数据分开,再分别针对高频噪音时间序列和低频平滑时间序列进行异常数据诊断,从而排除了整体趋势的影响,对局部非极值数据进行更有效的异常数据检测。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图2,示出了本发明的一种动力电池的异常检测装置实施例的结构框图,具体可以包括如下模块:
获取模块201,用于获取所述动力电池的历史数据;
生成模块202,用于采用所述历史数据生成原始时间序列;
滤波模块203,用于对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;
检测模块204,用于对所述高频噪音时间序列进行异常检测,得到局部异常数据;基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;
确定模块205,用于将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。
在本发明一种优选实施例中,所述检测模块包括:
第一提取子模块,用于提取所述低频平滑时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
第一检测子模块,用于对所述极值时间序列进行异常检测,得到极值异常数据;
第二提取子模块,用于提取所述原始时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
第二检测子模块,用于对所述极值时间序列进行异常诊断,得到极值异常数据。
在本发明一种优选实施例中,所述滤波模块包括:
低频序列子模块,用于采用低通滤波器对所述原始时间序列进行滤波,得到低频平滑时间序列;
高频序列子模块,用于将所述原始时间序列减去所述低频平滑时间序列,得到高频噪音时间序列。
在本发明一种优选实施例中,还包括异常数据生成模块,所述异常数据生成模块包括:
异常点检测子模块,用于对时间序列进行异常检测,得到一个或多个异常点;
标记子模块,用于将所述一个或多个异常点在所述原始时间序列中进行标记,得到一个或多个标记点;
异常数据获取子模块,用于获取所述一个或多个标点对应的数据,作为一个或多个异常数据。
在本发明一种优选实施例中,所述异常检测的方法包括GESD、2σ准则、3σ准则。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种动力电池的异常检测方法和一种动力电池的异常检测装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种动力电池的异常检测方法,其特征在于,包括:
获取所述动力电池的历史数据;
采用所述历史数据生成原始时间序列;
对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;
对所述高频噪音时间序列进行异常检测,得到局部异常数据;
基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;
将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据的步骤包括:
提取所述低频平滑时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
对所述极值时间序列进行异常检测,得到极值异常数据;
或,
提取所述原始时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
对所述极值时间序列进行异常诊断,得到极值异常数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列的步骤包括:
采用低通滤波器对所述原始时间序列进行滤波,得到低频平滑时间序列;
将所述原始时间序列减去所述低频平滑时间序列,得到高频噪音时间序列。
4.根据权利要求1或2或3所述的方法,其特征在于,异常数据通过如下方式生成:
对时间序列进行异常检测,得到一个或多个异常点;
将所述一个或多个异常点在所述原始时间序列中进行标记,得到一个或多个标记点;
获取所述一个或多个标点对应的数据,作为一个或多个异常数据。
5.根据权利要求1或2或3所述的方法,其特征在于,所述异常检测的方法包括GESD、2σ准则、3σ准则。
6.一种动力电池的异常检测装置,其特征在于,包括:
获取模块,用于获取所述动力电池的历史数据;
生成模块,用于采用所述历史数据生成原始时间序列;
滤波模块,用于对所述原始时间序列进行滤波,得到高频噪音时间序列和低频平滑时间序列;
检测模块,用于对所述高频噪音时间序列进行异常检测,得到局部异常数据;基于所述低频平滑时间序列,或所述原始时间序列,得到极值异常数据;
确定模块,用于将所述局部异常数据和所述极值异常数据作为所述动力电池的最终异常数据。
7.根据权利要求6所述的装置,其特征在于,所述检测模块包括:
第一提取子模块,用于提取所述低频平滑时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
第一检测子模块,用于对所述极值时间序列进行异常检测,得到极值异常数据;
第二提取子模块,用于提取所述原始时间序列中绝对值大于均值+/-N倍方差的极值,得到极值时间序列;其中,N为正整数;
第二检测子模块,用于对所述极值时间序列进行异常诊断,得到极值异常数据。
8.根据权利要求6所述的装置,其特征在于,所述滤波模块包括:
低频序列子模块,用于采用低通滤波器对所述原始时间序列进行滤波,得到低频平滑时间序列;
高频序列子模块,用于将所述原始时间序列减去所述低频平滑时间序列,得到高频噪音时间序列。
9.根据权利要求6或7或8所述的装置,其特征在于,还包括异常数据生成模块,所述异常数据生成模块包括:
异常点检测子模块,用于对时间序列进行异常检测,得到一个或多个异常点;
标记子模块,用于将所述一个或多个异常点在所述原始时间序列中进行标记,得到一个或多个标记点;
异常数据获取子模块,用于获取所述一个或多个标点对应的数据,作为一个或多个异常数据。
10.根据权利要求6或7或8所述的装置,其特征在于,所述异常检测的方法包括GESD、2σ准则、3σ准则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810712626.3A CN109116243B (zh) | 2018-06-29 | 2018-06-29 | 一种动力电池的异常检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810712626.3A CN109116243B (zh) | 2018-06-29 | 2018-06-29 | 一种动力电池的异常检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116243A true CN109116243A (zh) | 2019-01-01 |
CN109116243B CN109116243B (zh) | 2021-03-02 |
Family
ID=64823096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810712626.3A Active CN109116243B (zh) | 2018-06-29 | 2018-06-29 | 一种动力电池的异常检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116243B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275570A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 |
CN112731156A (zh) * | 2020-12-10 | 2021-04-30 | 中国西安卫星测控中心 | 卫星蓄电池电流数据异常参数移除方法及装置 |
CN113283632A (zh) * | 2021-04-13 | 2021-08-20 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | 中国移动通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
US20160371137A1 (en) * | 2015-06-22 | 2016-12-22 | Hitachi Power Solutions Co., Ltd. | Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same |
CN106295683A (zh) * | 2016-08-01 | 2017-01-04 | 上海理工大学 | 一种基于尖锐度的时间序列数据的离群点检测方法 |
CN107341444A (zh) * | 2017-06-07 | 2017-11-10 | 北京星网锐捷网络技术有限公司 | 数据异常预警方法及装置 |
-
2018
- 2018-06-29 CN CN201810712626.3A patent/CN109116243B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | 中国移动通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
US20160371137A1 (en) * | 2015-06-22 | 2016-12-22 | Hitachi Power Solutions Co., Ltd. | Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same |
CN106295683A (zh) * | 2016-08-01 | 2017-01-04 | 上海理工大学 | 一种基于尖锐度的时间序列数据的离群点检测方法 |
CN107341444A (zh) * | 2017-06-07 | 2017-11-10 | 北京星网锐捷网络技术有限公司 | 数据异常预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
戴曾: "马尔科夫模型改进的时间序列预测算法研究", 《计算机与现代化》 * |
杜爱明: "Hilbert-Huang变换中的一种端点处理方法", 《地震研究》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275570A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 |
CN112731156A (zh) * | 2020-12-10 | 2021-04-30 | 中国西安卫星测控中心 | 卫星蓄电池电流数据异常参数移除方法及装置 |
CN112731156B (zh) * | 2020-12-10 | 2023-07-25 | 中国西安卫星测控中心 | 卫星蓄电池电流数据异常参数移除方法及装置 |
CN113283632A (zh) * | 2021-04-13 | 2021-08-20 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
CN113283632B (zh) * | 2021-04-13 | 2024-02-27 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
CN115561658B (zh) * | 2022-11-30 | 2023-02-28 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109116243B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116243A (zh) | 一种动力电池的异常检测方法和装置 | |
Hao et al. | Discrimination of multiple PD sources using wavelet decomposition and principal component analysis | |
CN109143094A (zh) | 一种动力电池的异常数据检测方法和装置 | |
Georgoulas et al. | Principal Component Analysis of the start-up transient and Hidden Markov Modeling for broken rotor bar fault diagnosis in asynchronous machines | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
US9746504B2 (en) | Fault detection device, fault detection method, and program | |
EP2963553A1 (en) | System analysis device and system analysis method | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
US20080244326A1 (en) | Prognosis of faults in electronic circuits | |
US20190146036A1 (en) | Rotor diagnostic apparatus, rotor diagnostic method, and rotor diagnostic program | |
CN112101666A (zh) | 一种故障预测方法、装置、可读存储介质和计算机设备 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
JP2020511217A5 (zh) | ||
CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
US9378082B1 (en) | Diagnosis of storage system component issues via data analytics | |
CN117031294A (zh) | 一种电池多故障检测方法、装置及存储介质 | |
CN114083987B (zh) | 电池监测参数的修正方法、装置和计算机设备 | |
CN111858244A (zh) | 一种硬盘的监控方法、系统、设备以及介质 | |
CN109063260B (zh) | 一种动力电池的老化趋势判断方法和装置 | |
CN115343579A (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN112102837B (zh) | 家电设备及家电设备的拾音检测方法、装置 | |
CN113608956A (zh) | 一种硬盘功耗的测试方法、系统及相关装置 | |
Irgat et al. | Comparative Evaluation of Machine Learning Methods for the Detection of the Eccentricity Faults of Induction Motors by Using Vibration Signals | |
US11113360B2 (en) | Plant abnormality prediction system and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |