CN109143094A - 一种动力电池的异常数据检测方法和装置 - Google Patents

Abstract

本发明实施例提供了一种动力电池的异常数据检测方法和装置，所述方法包括：获取所述动力电池的历史数据；所述历史数据对应有时间结点；以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；采用所述检测点之后的历史数据生成原始时间序列；以所述检测点为起点，生成预测时间序列；计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；对所述差值时间序列进行异常检测，得到所述动电池的异常数据。本发明实施例可以避开传统方法中对局部与整体异常值难以同时判断的问题；同时进行离线与在线分析，从而快速对异常数据进行诊断分析。

Description

一种动力电池的异常数据检测方法和装置

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数据检测方法和一种动力电池的异常数据检测装置。

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(state 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。针对这个问题，有必要寻找一个既能对极值进行诊断，也能对局部异常进行异常数据诊断的方法。

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数据检测方法和相应的一种动力电池的异常数据检测装置。

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数据检测方法，包括：

获取所述动力电池的历史数据；所述历史数据对应有时间结点；

以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；

采用所述检测点之后的历史数据生成原始时间序列；

以所述检测点为起点，生成预测时间序列；

计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；

对所述差值时间序列进行异常检测，得到所述动电池的异常数据。

优选的，所述以所述检测点为起点，生成预测时间序列的步骤包括：

采用所述目标数据对预置的深度学习模型进行训练，得到训练后的深度学习模型；

采用所述训练后的深度学习模型，以所述检测点为起点，生成预测时间序列。

优选的，对所述差值时间序列进行异常检测，得到所述动电池的异常数据的步骤包括：

对所述差值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、3σ准则。

优选的，深度学习模型包括循环神经网络模型、长短期记忆网络模型。

相应的，本发明实施例公开了一种动力电池的异常数据检测装置，包括：

历史数据获取模块，用于获取所述动力电池的历史数据；所述历史数据对应有时间结点；

目标数据获取模块，用于以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；

原始时间序列生成模块，用于采用所述检测点之后的历史数据生成原始时间序列；

预测时间序列生成模块，用于以所述检测点为起点，生成预测时间序列；

计算模块，用于计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；

检测模块，用于对所述差值时间序列进行异常检测，得到所述动电池的异常数据。

优选的，所述预测时间序列生成模块包括：

训练子模块，用于采用所述目标数据对预置的深度学习模型进行训练，得到训练后的深度学习模型；

生成子模块，用于采用所述训练后的深度学习模型，以所述检测点为起点，生成预测时间序列。

优选的，检测模块包括：

异常点检测子模块，用于对所述差值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、3σ准则。

优选的，深度学习模型包括循环神经网络模型、长短期记忆网络模型。

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；所述历史数据对应有时间结点；然后，以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据，再采用所述检测点之后的历史数据生成原始时间序列，并以所述检测点为起点，生成预测时间序列，最后，计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列，对所述差值时间序列进行异常检测，就可以得到所述动电池的异常数据了。本发明实施例通过深度学习的方法，对时间序列进行拟合预测。将预测值与原始时间序列进行对比，计算拟合误差，若误差过大，则诊断该点为异常数据。实际上是从统计学角度认为电池数据的变化可由前面时段的数据特征所影响，从而找到其中的规律，然后对时间序列变化进行拟合。若预测值与实际值相差过大，则从统计学上可以认为实际值与电池数据变化规律不符合，为异常值。通过这种方法，可以避开传统方法中对局部与整体异常值难以同时判断的问题。并且使用该种方法，可以同时进行离线与在线分析，从而快速对异常数据进行诊断分析。

附图说明

图1是本发明的一种动力电池的异常数据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数据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数据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；所述历史数据对应有时间结点；

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、自放电等数据。其中，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。

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，以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；

具体而言，从历史数据中任选一个时间结点，从该时间结点开始向前获取预设时间步长，比如5个时间步长的历史数据，作为目标数据。

步骤103，采用所述检测点之后的历史数据生成原始时间序列；

确定了检测点之后，就采用检测点之后的历史数据生成原始时间序列。因为检测点之后的历史数据是真实的数据，所以，采用该数据生成的原始时间序列是动力电池的真实时间序列。

需要说明的是，检测点之后的历史数据可以是从检测点开始，到历史数据结束的所有数据，也可以是检测点之后5个时间步长、8个时间步长的数据，即，生成原始时间序列所需的历史数据的数据量可以根据实际需求进行设置，本发明实施例对此不作限制。

步骤104，以所述检测点为起点，生成预测时间序列；

在本发明一种优选实施例中，所述以所述检测点为起点，生成预测时间序列的步骤包括：

采用所述目标数据对预置的深度学习模型进行训练，得到训练后的深度学习模型；

采用所述训练后的深度学习模型，以所述检测点为起点，生成预测时间序列。

具体而言，将获取的目标数据输入预置的深度学习模型进行训练，得到训练后的深度学习模型，其中，深度学习模型可以包括循环神经网络模型、长短期记忆网络模型；然后采用训练后的深度学习模型，从检测点开始，向后模拟动力电池的时间序列，得到预测时间序列。

先采用目标数据对深度学习模型进行训练，是为了让深度学习模型模拟出动力电池在当时的工作环境，然后从检测点开始，模拟出在当时的工作环境下，动力电池应该出现的时间序列，或者可能出现的时间序列，得到预测时间序列。

步骤105，计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；

在得到原始时间序列和预测时间序列后，就可以对二者进行比较了，也就是对模拟出现的时间序列与动力电池真实的时间序列取差值，得到差值时间序列。

步骤106，对所述差值时间序列进行异常检测，得到所述动电池的异常数据。

在本发明一种优选实施例中，对所述差值时间序列进行异常检测，得到所述动电池的异常数据的步骤包括：

对所述差值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、3σ准则对异常数据进行检测，得到一个或多个异常点(因为存在差值时间序列，所以至少会有一个异常点，如果没有异常点，那么也就不会存在差值时间序列了)，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。

在本发明实施例中，首先获取所述动力电池的历史数据；所述历史数据对应有时间结点；然后，以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据，再采用所述检测点之后的历史数据生成原始时间序列，并以所述检测点为起点，生成预测时间序列，最后，计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列，对所述差值时间序列进行异常检测，就可以得到所述动电池的异常数据了。本发明实施例通过深度学习的方法，对时间序列进行拟合预测。将预测值与原始时间序列进行对比，计算拟合误差，若误差过大，则诊断该点为异常数据。实际上是从统计学角度认为电池数据的变化可由前面时段的数据特征所影响，从而找到其中的规律，然后对时间序列变化进行拟合。若预测值与实际值相差过大，则从统计学上可以认为实际值与电池数据变化规律不符合，为异常值。通过这种方法，可以避开传统方法中对局部与整体异常值难以同时判断的问题。并且使用该种方法，可以同时进行离线与在线分析，从而快速对异常数据进行诊断分析。

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数据检测装置实施例的结构框图，具体可以包括如下模块：

历史数据获取模块201，用于获取所述动力电池的历史数据；所述历史数据对应有时间结点；

目标数据获取模块202，用于以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；

原始时间序列生成模块203，用于采用所述检测点之后的历史数据生成原始时间序列；

预测时间序列生成模块204，用于以所述检测点为起点，生成预测时间序列；

计算模块205，用于计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；

检测模块206，用于对所述差值时间序列进行异常检测，得到所述动电池的异常数据。

在本发明一种优选实施例中，所述预测时间序列生成模块包括：

训练子模块，用于采用所述目标数据对预置的深度学习模型进行训练，得到训练后的深度学习模型；

生成子模块，用于采用所述训练后的深度学习模型，以所述检测点为起点，生成预测时间序列。

在本发明一种优选实施例中，检测模块包括：

异常点检测子模块，用于对所述差值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、3σ准则。

在本发明一种优选实施例中，深度学习模型包括循环神经网络模型、长短期记忆网络模型。

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数据检测方法和一种动力电池的异常数据检测装置，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数据检测方法，其特征在于，包括：

获取所述动力电池的历史数据；所述历史数据对应有时间结点；

以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；

采用所述检测点之后的历史数据生成原始时间序列；

以所述检测点为起点，生成预测时间序列；

计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；

对所述差值时间序列进行异常检测，得到所述动电池的异常数据。

2.根据权利要求1所述的方法，其特征在于，所述以所述检测点为起点，生成预测时间序列的步骤包括：

采用所述目标数据对预置的深度学习模型进行训练，得到训练后的深度学习模型；

采用所述训练后的深度学习模型，以所述检测点为起点，生成预测时间序列。

3.根据权利要求1或2所述的方法，其特征在于，对所述差值时间序列进行异常检测，得到所述动电池的异常数据的步骤包括：

对所述差值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。

4.根据权利要求1所述的方法，其特征在于，所述异常检测的方法包括GESD、3σ准则。

5.根据权利要求1或2所述的方法，其特征在于，深度学习模型包括循环神经网络模型、长短期记忆网络模型。

6.一种动力电池的异常数据检测装置，其特征在于，包括：

历史数据获取模块，用于获取所述动力电池的历史数据；所述历史数据对应有时间结点；

目标数据获取模块，用于以所述历史数据中任一历史数据对应的时间结点为检测点，获取所述检测点之前预设时间步长的历史数据作为目标数据；

原始时间序列生成模块，用于采用所述检测点之后的历史数据生成原始时间序列；

预测时间序列生成模块，用于以所述检测点为起点，生成预测时间序列；

计算模块，用于计算所述原始时间序列与所述预测时间序列的差值，得到差值时间序列；

检测模块，用于对所述差值时间序列进行异常检测，得到所述动电池的异常数据。

7.根据权利要求6所述的装置，其特征在于，所述预测时间序列生成模块包括：

训练子模块，用于采用所述目标数据对预置的深度学习模型进行训练，得到训练后的深度学习模型；

生成子模块，用于采用所述训练后的深度学习模型，以所述检测点为起点，生成预测时间序列。

8.根据权利要求6或7所述的装置，其特征在于，检测模块包括：

异常点检测子模块，用于对所述差值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。

9.根据权利要求6所述的装置，其特征在于，所述异常检测的方法包括GESD、3σ准则。

10.根据权利要求6或7所述的装置，其特征在于，深度学习模型包括循环神经网络模型、长短期记忆网络模型。