CN112513883A - 异常检测方法和设备 - Google Patents
异常检测方法和设备 Download PDFInfo
- Publication number
- CN112513883A CN112513883A CN202080004134.4A CN202080004134A CN112513883A CN 112513883 A CN112513883 A CN 112513883A CN 202080004134 A CN202080004134 A CN 202080004134A CN 112513883 A CN112513883 A CN 112513883A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vectors
- data
- battery packs
- state
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- 239000011159 matrix material Substances 0.000 claims abstract description 222
- 230000005856 abnormality Effects 0.000 claims abstract description 97
- 230000002159 abnormal effect Effects 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims description 164
- 238000012545 processing Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 33
- 238000007621 cluster analysis Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000013461 design Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000013480 data collection Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例提供异常检测方法和设备,可以提高电池异常检测的准确性。该方法包括:第一设备获取第一相似度矩阵和第一协方差矩阵,并根据该第一相似度矩阵和第一协方差矩阵确定第一特征矩阵,之后,根据该第一特征矩阵确定第二设备的L个电池组中每个电池组的异常状态,其中,第一相似度矩阵为第二设备的L个电池组的第一组状态数据对应的相似度矩阵,第一协方差矩阵为该L个电池组的第一组状态数据对应的协方差矩阵,L为正整数。
Description
技术领域
本申请涉及电池检测领域,尤其涉及一种异常检测方法和设备。
背景技术
近年来,随着电动汽车的大规模普及应用,由于电池异常导致的汽车自燃事故时有发生,因此,如何在事故发生之前检测到电池的异常以使各方采取相应的处理措施,是避免汽车自燃事故发生的重要手段。
目前,通常运用高斯分布的规律以及3σ置信准则方法对电池数据进行分析,并根据分析结果判断电池是否异常。但是,该方法强烈依赖于电池数据变化符合高斯分布的假设,然而实际中这种假设通常不能满足,从而导致使用该方法检测电池异常的错误率较高。
因此,如何提高电池异常检测的准确性,是目前亟待解决的问题。
发明内容
本申请实施例提供一种异常检测方法和设备,可以提高电池异常检测的准确性。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种异常检测方法及相应的装置。该方案中,第一设备获取第一相似度矩阵和第一协方差矩阵,并根据该第一相似度矩阵和第一协方差矩阵确定第一特征矩阵,之后,根据该第一特征矩阵确定第二设备的L个电池组中每个电池组的异常状态,其中,第一相似度矩阵为第二设备的L个电池组的第一组状态数据对应的相似度矩阵,第一协方差矩阵为该L个电池组的第一组状态数据对应的协方差矩阵,L为正整数。
基于该方案,一方面,由于相似度矩阵可以表示数据的局部特性,协方差矩阵可以表示数据的全局特性,因此,本申请实施例中,根据相似度矩阵和协方差矩阵得到的特征矩阵不仅可以表示数据的全局特性还可以表示数据的局部特性,从而充分利用了数据的空间信息进行异常分析,提高了电池异常检测的准确性;另一方面,通过远程服务的方式即由第一设备进行第二设备电池的异常检测,可以避免在第二设备上进行检测,从而避免了由于第二设备的硬件限制而无法实现异常检测的问题。
在一种可能的设计中,第一设备获取第一相似度矩阵,包括:第一设备获取L个第一向量,对L个第一向量做聚类分析,并根据聚类分析的结果确定第一相似度矩阵,其中,第一向量包括第一组状态数据中的N个状态数据,L个第一向量与L个电池组一一对应,N为正整数。
基于该方案,一方面,基于聚类分析确定相似度矩阵可以使得不同类的第一向量中的状态数据具有更明显的区分度,有利于在后续的分析中能够更好地辨识不同动态的向量,进而提高数据分析的准确度;另一方面,由于L个电池组中每个电池组的状态数据的个数为N,而N的取值可以根据实际情况进行改变,因此可以灵活地利用电池的历史数据进行异常检测,提高检测的灵活性。
在一种可能的设计中,该N个状态数据为进行归一化处理后的数据。基于该方案,可以消除各个状态数据的量纲差别,提升数据分析的准确度。
在一种可能的设计中,当上述聚类分析的结果指示该L个第一向量中的第i个第一向量和第j个第一向量属于同一类时,该第一相似度矩阵中第i行第j列元素的值由该第i个第一向量和该第j个第一向量的距离函数决定,i、j为小于或等于L的正整数。
在一种可能的设计中,上述第i个第一向量和第j个第一向量的距离函数,满足如下第一公式:
其中,Si,j为第一相似度矩阵中第i行第j列的元素,xi为该第i个第一向量,xj为该第j个第一向量,σ为预设值。
在一种可能的设计中,当上述聚类分析的结果指示该L个第一向量中的第i个第一向量和第j个第一向量不属于同一类时,第一相似度矩阵中第i行第j列元素的值为0。
在一种可能的设计中,上述第一相似度矩阵和第一协方差矩阵,满足如下第二公式:
在一种可能的设计中,第一设备根据第一特征矩阵,确定L个电池组中每个电池组的异常状态,包括:第一设备对第一特征矩阵进行主成分分析得到投影矩阵,并根据该投影矩阵确定该L个电池组中每个电池组的异常状态。
在一种可能的设计中,第一设备对第一特征矩阵进行主成分分析得到投影矩阵,包括:第一设备获取该第一特征矩阵的转置矩阵,并对该第一特征矩阵的转置矩阵进行奇异值分解,得到N个奇异值和该N个奇异值中每个奇异值对应的左奇异向量;第一设备根据该N个奇异值中的前K个奇异值对应的左奇异向量,确定该投影矩阵,K为小于或等于N的正整数。
在一种可能的设计中,第一设备根据投影矩阵确定上述L个电池组中每个电池组的异常状态,包括:第一设备根据所述投影矩阵和所述L个第一向量,确定L个第二向量,所述L个第二向量与所述L个第一向量一一对应;所述第一设备根据所述L个第二向量中每个第二向量的T2统计量,确定所述L个电池组中每个电池组的异常状态。
在一种可能的设计中,第一设备根据L个第二向量中每个第二向量的T2统计量,确定该L个电池组中每个电池组的异常状态,包括:若该L个第二向量中的第p个第二向量的T2统计量大于或等于第一阈值,第一设备确定该L个电池组中的第p个电池组的M个状态异常,并更新该第p个电池组的异常状态的个数,p为1至L的正整数,M表示该第p个电池组对应的第一向量包括的N个状态数据的状态类别数。
在一种可能的设计中,该异常检测方法还包括:第一设备根据该第p个电池组的异常状态的总数与预设规则,确定该第p个电池组的异常等级。
在一种可能的设计中,第一组状态数据包括:放电电压数据、放电电流数据、温度数据、或者荷电状态数据。
第二方面,提供了一种异常检测设备用于实现上述各种方法。该异常检测设备可以为上述第一方面中的第一设备,或者包含上述第一设备的装置,或者上述第一设备中包含的装置。所述异常检测设备包括实现上述方法相应的模块、单元、或手段(means),该模块、单元、或means可以通过硬件实现,软件实现,或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或单元。
第三方面,提供了一种异常检测设备,包括:处理器和存储器;该存储器用于存储计算机指令,当该处理器执行该指令时,以使该异常检测设备执行上述任一方面所述的方法。该异常检测设备可以为上述第一方面中的第一设备,或者包含上述第一设备的装置,或者上述第一设备中包含的装置。
第四方面,提供了一种异常检测设备,包括:处理器;所述处理器用于与存储器耦合,并读取存储器中的指令之后,根据所述指令执行如上述任一方面所述的方法。该异常检测设备可以为上述第一方面中的第一设备,或者包含上述第一设备的装置,或者上述第一设备中包含的装置。
第五方面,提供了一种异常检测设备,包括:处理器和接口电路,该接口电路可以为代码/数据读写接口电路,该接口电路用于接收计算机执行指令(计算机执行指令存储在存储器中,可能直接从存储器读取,或可能经过其他器件)并传输至该处理器;该处理器用于运行所述计算机执行指令以执行上述任一方面所述的方法。该异常检测设备可以为上述第一方面中的第一设备,或者包含上述第一设备的装置,或者上述第一设备中包含的装置。
第六方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当该计算机指令在处理器上运行时,使得所述异常检测设备可以执行上述任一方面所述的方法。
第七方面,提供了一种包含指令的计算机程序产品,当其在处理器上运行时,使得所述异常检测设备可以执行上述任一方面所述的方法。
第八方面,提供了一种异常检测设备(例如,该异常检测设备可以是芯片或芯片系统),该异常检测设备包括处理器,用于实现上述任一方面所涉及的功能。在一种可能的设计中,该异常检测设备还包括存储器,该存储器,用于保存必要的程序指令和数据。该异常检测设备是芯片系统时,可以由芯片构成,也可以包含芯片和其他分立器件。
其中,第二方面至第八方面中任一种设计方式所带来的技术效果可参见上述第一方面中不同设计方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种异常检测系统的架构示意图;
图2为本申请实施例提供的一种异常检测方法的流程图;
图3为本申请实施例提供的另一种异常检测方法的流程图;
图4为本申请实施例提供的一种异常检测设备的结构框图;
图5为本申请实施例提供的一种被检测设备的结构框图;
图6为本申请实施例提供的另一种异常检测设备的结构框图;
图7为本申请实施例提供的又一种异常检测设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。其中,在本申请的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。并且,在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
如图1所示,为本申请实施例提供的一种异常检测系统10。该异常检测系统10包括第一设备,所述第一设备用于作为异常检测设备。可选的,该异常检测系统10还可以包括第二设备和终端设备,其中所述第二设备用于作为被检测设备。可选的,该终端设备中安装有用于控制被检测设备的动力电池的应用程序(application program,APP)。
下面将结合图1,对本申请实施例提供的异常检测方法进行展开说明。
需要说明的是,本申请下述实施例中各个网元之间的消息名字或消息中各参数的名字等只是一个示例,具体实现中也可以是其他的名字,本申请实施例对此不作具体限定。
如图2所示,为本申请实施例提供的一种异常检测方法,该异常检测方法包括如下步骤:
S201、第一设备获取第一相似度矩阵和第一协方差矩阵。
其中,第一相似度矩阵为第二设备的L个电池组的第一组状态数据对应的相似度矩阵,第一协方差矩阵为该L个电池组的第一组状态数据对应的协方差矩阵,L为正整数。
可选的,第一设备可以先获取L个电池组的第一组状态数据,再获取该L个电池组的第一组状态数据对应的相似度矩阵和协方差矩阵,即第一相似度矩阵和第一协方差矩阵。下面对第一设备获取L个电池组的第一组状态数据的方法进行说明。
可选的,第二设备可以周期性地采集其L个电池组的状态数据,并将采集的状态数据发送给第一设备。相应的,第一设备接收到来自第二设备的状态数据,对数据进行解析清洗等处理后,根据第一设备的标识按照电池组状态数据的类别分类存储每个电池组的状态数据。
可选的,电池组的状态可以包括以下四种状态中的一种或多种:放电电压状态、放电电流状态、温度状态、荷电状态;相应的,电池组的状态数据可以包括以下一项或多项:电池组的放电电压数据、电池组的放电电流数据、电池组的温度数据、或者电池组的荷电状态(state of charge)数据。
示例性地,以电池组的状态数据为放电电压数据为例,第一设备存储的第二设备的L个电池组的放电电压数据可以如表1所示。
表1
其中,任意两个相邻时刻的间隔可以相同,间隔时长可以为第二设备采集并上报放电电压数据的周期。
可选的,由于第一设备存储有第二设备的L个电池组的状态数据,因此可以从其存储的L个电池组的状态数据中,获取L个电池组的第一组状态数据。其中,该L个电池组的第一组状态数据中包括该L个电池组中每个电池组的N个状态数据,N为正整数,也就是说,该L个电池组的第一组状态数据中包括N*L个数据。一个电池组的该N个状态数据中不同的状态数据的类别可以相同也可以不同,即该N个状态数据中可以包括以下一种或多种类别的状态数据:放电电压数据、放电电流数据、温度数据、或者荷电状态数据,本申请下述实施例中以该L个电池组的第一组状态数据包括一种类别的状态数据(例如放电电压数据)为例进行说明。
示例性地,以该L个电池组的第一组状态数据中包括每个电池组的N个放电电压数据为例,则该L个电池组的第一组状态数据可以包括上述表1中的全部放电电压数据。
可选的,第一设备获取到该L个电池组的第一组状态数据后,可以对该第一组状态数据进行归一化处理,消除各个状态数据的量纲差别提升数据分析的准确度。由此最终该L个电池组的第一组状态数据可以为第二设备上的原始状态数据,也可以是第一设备对该原始状态数据进行归一化处理后的数据。
基于该方案,由于L个电池组中每个电池组的状态数据的个数为N,而N的取值可以根据实际情况进行改变,因此可以灵活地利用电池的历史数据进行异常检测,提高检测的灵活性。
可选的,第一设备获取第一相似度矩阵,可以包括:第一设备获取L个第一向量,第一向量可以为列向量,该第一向量包括上述L个电池组的第一组状态数据中的N个状态数据,该L个第一向量与该L个电池组一一对应。即,一个第一向量对应一个电池组,该电池组对应的第一向量中包括的N个状态数据为该电池组的状态数据。示例性地,以L个电池组的第一组状态数据包括上述表1中的全部放电电压数据为例,则表1中电池组1所在的列中的N个放电电压数据构成电池组1对应的第一向量,同样,电池组2所在的列种的N个放电电压数据构成电池组2对应的第一向量,依次类推。
之后,第一设备对该L个第一向量做聚类分析,并根据聚类分析的结果确定第一相似度矩阵。其中,第一设备对该L个第一向量做聚类分析是为了将该L个第一向量归结为M类,M为正整数,该M类中的每一类包括一个或多个第一向量。
其中,属于同一类的一个或多个第一向量对应的电池组的状态数据在宏观上具有相似的变化特征,比如在一定范围内同时增加或减少,可以表示该多个电池组的动态行为大体一致。从而,基于聚类分析确定相似度矩阵可以使得不同类的第一向量中的状态数据具有更明显的区分度,有利于在后续的分析中能够更好地辨识不同动态的向量,进而提高数据分析的准确度。
可以理解的是,当L个电池组的第一组状态数据为对原始状态数据进行归一化处理后的数据时,第一向量包括第一组状态数据中的N个状态数据,可以包括:第一向量包括对第一组状态数据中的N个状态数据进行归一化处理后的数据。
第一设备根据上述聚类分析的结果确定第一相似度矩阵时,一种可能的实现方式中,当聚类分析的结果指示L个第一向量中的第i个第一向量和L个第一向量中的第j个第一向量属于同一类时,该第一相似度矩阵中第i行第j列元素的值由第i个第一向量和第j个第一向量的距离函数决定,其中,i、j为小于或等于L的正整数,距离函数是度量空间中的用于定义元素之间距离的函数,可以理解为度量空间中满足特定性质的特殊函数。
可选的,上述第i个第一向量和第j个第一向量的距离函数,满足如下第一公式:
其中,Si,j为第一相似度矩阵中第i行第j列的元素,xi为第i个第一向量,xj为第j个第一向量,σ为预设值。
另一种可能的实现方式中,当聚类分析的结果指示该L个第一向量中的第i个第一向量和第j个第一向量不属于同一类时,第一相似度矩阵中的i行第j列元素的值为0。
可选的,第一设备可以根据L个电池组的第一组状态数据计算第一协方差矩阵,本申请实施例对第一协方差矩阵的计算方法不做具体限定。
可以理解的是,第一设备可以在多种情况下执行本申请实施例提供的异常检测方法,示例性地:
在一种可能的实现方式中,第一设备可以周期性地执行本申请实施例提供的异常检测方法,即第一设备周期性地对第二设备的L个电池组的状态进行异常检测。
在另一种可能的实现方式中,第二设备可以向第一设备发送请求消息,该请求消息用于请求第一设备检测第二设备的电池是否异常,可选的,该请求消息中可以包括第二设备的设备标识。相应的,第一设备接收到该请求消息后,对第二设备的L个电池组的状态进行异常检测。
在又一种可能的实现方式中,终端设备可以向第一设备发送请求消息,该请求消息可以是用户触发终端设备发送的。该请求消息用于请求第一设备检测第二设备的电池是否异常,可选的,该请求消息中可以包括第二设备的设备标识和/或用户标识,其中,该用户标识与第二设备存在关联关系,即通过用户标识可以确定第二设备。相应的,第一设备接收到该请求消息后,对第二设备的L个电池组的状态进行异常检测。
S202、第一设备根据第一相似度矩阵和第一协方差矩阵,确定第一特征矩阵。
可选的,第一设备可以通过如下公式二,根据第一相似度矩阵和第一协方差矩阵,确定第一特征矩阵:
其中,为第一特征矩阵,C为第一协方差矩阵,S为第一相似度矩阵,X为L个第一向量组成的矩阵,X的列与L个第一向量一一对应,即一个第一向量作为X的一列,X为N行L列的矩阵,XT为X的转置矩阵,λ∈(0,1)。
其中,第一设备确定第一特征矩阵后,可以根据第一特征矩阵,确定第二设备的L个电池组中每个电池组的异常状态,具体地,其可以包括如下步骤S203-S204:
S203、第一设备对第一特征矩阵进行主成分分析(principal componentsanalysis,PCA)得到投影矩阵。
可选的,第一设备对第一特征矩阵进行主成分分析得到投影矩阵,可以包括:第一设备获取第一特征矩阵的转置矩阵,并对第一特征矩阵的转置矩阵进行奇异值分解,得到N个奇异值和该N个奇异值中每个奇异值对应的左奇异向量;第一设备根据该N个奇异值中的前K个奇异值对应的左奇异向量,确定投影矩阵,K为小于或等于N的正整数。
其中,该N个奇异值中的前K个奇异值占总体奇异值的比重为δ。可选的,δ为预定义的值或者为管理员向第一设备配置的值。
S204、第一设备根据投影矩阵确定L个电池组中每个电池组的异常状态。
可选的,第一设备根据投影矩阵确定L个电池组中每个电池组的异常状态,可以包括:第一设备根据投影矩阵和L个第一向量,确定第二向量,其中,该L个第二向量与该L个第一向量一一对应;第一设备根据L个第二向量中每个第二向量的T2统计量,确定L个电池组中每个电池组的异常状态。
可选的,第一设备根据投影矩阵和L个第一向量,确定第二向量可以包括:第一设备获取该投影矩阵的转置矩阵,并将L个第一向量分别投影到该投影矩阵的转置矩阵,得到L个第二向量。
可选的,将L个第一向量分别投影到该投影矩阵的转置矩阵可以理解为,对该投影矩阵的转置矩阵与L个第一向量分别进行矩阵乘法运算,例如,第二向量、第一向量、投影矩阵的转置矩阵可以满足如下第三公式:
yi=UTxi
其中,yi为L个第二向量中的第i个第二向量,U为投影矩阵,UT为投影矩阵的转置矩阵,xi为L个第一向量中的第i个第一向量。
可选的,第一设备确定L个第二向量后,可以分别计算L个第二向量中每个第二向量的T2统计量。其中,第i个第二向量的T2统计量可以根据如下公式四得到:
其中,Ti 2为L个第二向量中的第i个第二向量的T2统计量,yi为第i个第二向量,为第i个第二向量的转置,由N和矩阵Y决定,矩阵Y为L个第二向量构成矩阵,Y的列与L个第二向量一一对应,即一个第二向量作为Y的一列。可选的,满足如下公式五:
可选的,第一设备根据L个第二向量中每个第二向量的T2统计量,确定所述L个电池组中每个电池组的异常状态,可以包括:
若L个第二向量中的第p个第二向量的T2统计量大于或等于第一阈值,第一设备确定L个电池组中与该第p个第二向量对应的第p个电池组的M个状态异常,并更新第p个电池组的异常状态的个数,p为1至L的正整数,M表示第p个电池组对应的第一向量包括的N个状态数据的状态类别数,M为小于等于4的正整数。示例性地,若第p个电池组对应的第一向量包括的N个状态数据均为该第p个电池组的放电电压数据,则M等于1;或者,若第p个电池组对应的第一向量包括的N个状态数据为该第p个电池组的放电电压数据和放电电流数据,则M等于2。
可选的,上述第一阈值满足如下公式六:
其中,T为第一阈值,F表示F分布,FL,(N-L),α表示服从自由度为L和N-L的F分布的α分位点的值。
可选的,在一轮检测中,第一设备可以多次执行上述步骤S201-S204,确定L个电池组中每个电池组的每个状态是否异常,最终确定出每个电池组的异常状态的总数。示例性地,以第一设备每次执行上述步骤S201-S204时,第p个电池组对应的第一向量包括的N个状态数据均为一类状态数据为例,则第一设备可以执行四次上述步骤S201-S204,例如,第一次执行可以确定第p个电池组的放电电压状态是否异常,若异常,则更新第p个电池组的异常状态的个数,例如将其值加1,若正常,则不更新;第二次执行可以确定第p个电池组的放电电流状态是否异常,依此类推,最终确定其异常状态的总数,假设第一设备确定第p个电池组的放电电压状态、放电电流状态、以及温度异常,荷电状态正常,则第p个电池组的异常状态的总数为3。
基于该方案,一方面,由于相似度矩阵可以表示数据的局部特性,协方差矩阵可以表示数据的全局特性,因此,本申请实施例中,根据相似度矩阵和协方差矩阵得到的特征矩阵不仅可以表示数据的全局特性还可以表示数据的局部特性,从而充分利用了数据的空间信息进行异常分析,提高了电池异常检测的准确性;另一方面,通过远程服务的方式即由第一设备进行第二设备电池的异常检测,可以避免在第二设备上进行检测,从而避免了由于第二设备的硬件限制而无法实现异常检测的问题。
可选的,在本申请实施例的一种实施场景下,如图3所示,该异常检测方法还可以包括如下步骤S205:
S205、第一设备发送第一指示信息。
其中,第一指示信息用于指示L个电池组中每个电池组的异常状态的总数和/或异常状态的类别。
可选的,第一设备确定每个电池组的异常状态的总数后,可以向第二设备、终端设备、第二设备的厂家服务中心、用于辅助第二设备行驶的其他应用服务器(例如导航系统服务器)中的一个或多个发送上述第一指示信息。
基于该方案,由于第一设备向上述与一个或多个设备发送第一指示信息,因此可以使得上述一个或多个设备根据该第一指示信息进行相关处理,进而降低由于电池异常导致的事故发生的概率。
示例性地,第二设备和/或终端设备根据第一指示信息进行的相关处理,例如可以包括:发出告警信号,警示用户第二设备的电池出现异常,以便用户及时处理。
可选的,在本申请实施例的另一种实施场景下,如图3所示,该异常检测方法还可以包括如下步骤S206-S207:
S206、第一设备确定L个电池组中每个电池组的异常等级。
可选的,第一设备可以根据预设规则与每个电池组的异常状态的总数,确定每个电池组的异常等级。
一种可能的实现方式中,该预设规则可以为:若第p个电池组的异常状态的总数为0,则其异常等级为无异常;若第p个电池组的异常状态的总数小于或等于第一数值,则其异常等级为轻微;若第p个电池组的异常状态的总数大于第一数值且小于或等于第二数值,则其异常等级为普通;若第p个电池组的异常状态的总数大于第二数值,则其异常等级为普通。
可选的,上述第一数值和第二数值可以是第一设备根据电池组的状态总数确定的,例如,若电池组的状态总数为4,则第一数值可以为1,第二数值可以为3。
另一种可能的实现方式中,该预设规则还可以是第一设备预先训练好的数学模型,第一设备将每个电池组的异常状态的总数输入该数学模型即可获得每个电池组的异常等级。
S207、第一设备发送第二指示信息。
其中,该第二指示信息用于指示L个电池组中每个电池组的异常等级。
可选的,第一设备确定每个电池组的异常等级后,可以向第二设备、终端设备、第二设备的厂家服务中心、用于辅助第二设备行驶的其他应用服务器(例如导航系统服务器)中的一个或多个发送上述第二指示信息。
基于该方案,由于第一设备向上述与一个或多个设备发送第二指示信息,因此可以使得上述一个或多个设备根据电池组的异常等级进行相关处理,进而降低由于电池异常导致的事故发生的概率。
可以理解的是,图2或图3所示的方法从异常检测设备整体的角度对本申请实施例提供的异常检测方法进行了说明,下面将从异常检测设备内部实现的角度,对本申请实施例提供的异常检测方法进行说明。
首先,对本申请实施例提供的异常检测设备和被检测设备的结构框图进行说明。
可选的,如图4所示,为本申请实施例提供的一种异常检测设备的结构框图,该结构框图可以理解为是对异常检测设备从逻辑功能的角度进行的划分。
其中,异常检测设备从逻辑功能上可以分为三层,下层用于实现数据收集、存储、以及处理等功能,可以包括数据收集模块、数据存储模块和数据处理模块;中间层为上层提供数据分析和基础算法相关服务,可以包括数据分析模块和算法服务模块;上层提供电池异常检测应用,用于实现电池异常检测的功能,可以包括异常检测模块和信息交互模块。其中,各个模块之间可以相互通信(图4中未示出)。
可选的,如图5所示,为本申请实施例提供的一种被检测设备的结构框图,该结构框图可以理解为是对被检测设备从逻辑功能的角度进行的划分。
其中,被检测设备从逻辑功上可以划分为数据采集模块,用于采集该被检测设备的电池组的状态数据;数据上报模块,用于向异常检测设备上报数据采集模块采集的电池组的状态数据;服务请求模块,用于请求异常检测设备对该被检测设备的电池组的状态进行异常检测;显示模块,用于显示信息。其中,各个模块之间可以相互通信(图5中未示出)。
需要说明的是,图4或图5中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
下面,以图4所示的异常检测设备为第一设备,图5所示的被检测设备为第二设备为例,从异常检测设备内部实现的角度,对本申请实施例提供的异常检测方法进行说明,该异常检测方法包括:
S301、第一设备的异常检测模块调用算法服务模块获取第一相似度矩阵和第一协方差矩阵。
可选的,第二设备的数据采集模块可以周期性地采集第二设备的L个电池组的状态数据,并通过第二设备的数据上报模块将其发送给第一设备的数据收集模块。第一设备的数据收集模块接收到该状态数据后,交由第一设备的数据处理模块对数据进行解析清洗等处理后,由第一设备的数据存储模块根据第一设备的标识按照电池组状态数据的类别分类存储每个电池组的状态数据。
之后,异常检测模块可以先调用数据分析模块和数据存储模块获取L个电池组的第一组状态数据;获取第一组状态数据后,异常检测模块可以调用算法服务模块,获取第一相似度矩阵和第一协方差矩阵。其中,第一相似度矩阵和第一协方差矩阵的获取方法可参考上述步骤S201中的相关描述,在此不再赘述。
可以理解的是,第一设备的异常检测模块可以在多种情况下执行本申请实施例提供的异常检测方法,示例性地:
在一种可能的实现方式中,第一设备的异常检测模块可以周期性地执行本申请实施例提供的异常检测方法。
在另一种可能的实现方式中,第二设备的服务请求模块可以向第一设备的信息交互模块发送请求消息,以使第一设备的异常检测模块对第二设备的L个电池组的状态进行异常检测,该请求消息的说明可参考上述步骤S201中的相关描述,在此不再赘述。
在又一种可能的实现方式中,终端设备可以向第一设备的信息交互模块发送请求消息,以使第一设备的异常检测模块对第二设备的L个电池组的状态进行异常检测,该请求消息的说明可参考上述步骤S201中的相关描述,在此不再赘述。
S302、第一设备的异常检测模块调用算法服务模块根据第一相似度矩阵和第一协方差矩阵,确定第一特征矩阵。
其中,第一特征矩阵的确定方法可参考上述步骤S202中的相关描述,在此不再赘述。
S303、第一设备的异常检测模块调用算法服务模块对第一特征矩阵进行主成分分析得到投影矩阵。
其中,对第一特征矩阵进行主成分分析得到投影矩阵的方法可参考上述步骤S203中的相关描述,在此不再赘述。
S304、第一设备的异常检测模块调用算法服务模块确定L个电池组中每个电池组的异常状态。
其中,相关描述可参考上述步骤S204,在此不再赘述。
可选的,在本申请实施例的一种实施场景下,该异常检测方法还可以包括如下步骤S305:
S305、第一设备的信息交互模块发送第一指示信息。
其中,第一指示信息的相关描述可参考上述步骤S205中的相关描述,在此不再赘述。
可选的,若第一设备的信息交互模块向第二设备发送第一指示信息,则第二设备接收到该第一指示信息后,可以通过其显示模块显示第一指示信息的内容,从而可以使得用户根据第一指示信息的内容进行相关处理,降低事故发生的概率。
可选的,在本申请实施例的另一种实施场景下,该异常检测方法还可以包括如下步骤S306-S307:
S306、第一设备的异常检测模块确定L个电池组中每个电池组的异常等级。
S307、第一设备的信息交互模块发送第二指示信息。
其中,步骤S306-S307的相关描述可参考上述步骤S206-S207,在此不再赘述。
可选的,若第一设备的信息交互模块向第二设备发送第二指示信息,则第二设备接收到该第二指示信息后,同样可以通过其显示模块显示第二指示信息的内容,从而可以使得用户根据第二指示信息的内容进行相关处理,降低事故发生的概率。
可以理解的是,本申请实施例中,第一设备可以执行本申请实施例中的部分或全部步骤,这些步骤或操作仅是示例,本申请实施例还可以执行其它操作或者各种操作的变形。此外,各个步骤可以按照本申请实施例呈现的不同的顺序来执行,并且有可能并非要执行本申请实施例中的全部操作。
在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
可以理解的是,以上各个实施例中,由第一设备实现的方法和/或步骤,也可以由可用于第一设备的部件(例如芯片或者电路)实现,由第二设备实现的方法和/或步骤,也可以由可用于第二设备的部件(例如芯片或者电路)实现。
上述主要对本申请实施例提供的异常检测方法进行了介绍。相应的,本申请实施例还提供了异常检测设备,该异常检测设备用于实现上述各种方法,即该异常检测设备是上述图2或图3所示的异常检测方法的执行主体。该异常检测设备可以为上述方法实施例中的第一设备,或者包含上述第一设备的装置,或者为可用于第一设备的部件。可以理解的是,该异常检测设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
可选的,图6所示为本申请实施例提供的异常检测设备60的结构框图。该异常检测设备60包括一个或多个处理器601,通信总线602,以及至少一个通信接口(图6中仅是示例性的以包括通信接口604,以及一个处理器601为例进行说明),可选的还可以包括存储器603。
处理器601可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线602可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。该通信总线602用于连接常检测设备60中的不同组件,使得不同组件可以通信。
通信接口604用于与其他设备或通信网络通信,通信网络例如可以为无线接入网(radio access network,RAN),无线局域网(wireless local area networks,WLAN)等。可选的,所述通信接口604可以是收发器、收发机一类的装置。可选的,所述通信接口604也可以是位于处理器601内的收发电路,用以实现处理器的信号输入和信号输出。
存储器603可以是具有存储功能的装置。例如可以是只读存储器(read-onlymemory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过通信线路602与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器603用于存储执行本申请方案的计算机执行指令,并由处理器601来控制执行。处理器601用于执行存储器603中存储的计算机执行指令,从而实现本申请实施例中提供的异常检测方法。
或者,可选的,本申请实施例中,也可以是处理器601执行本申请下述实施例提供的异常检测方法中的处理相关的功能,通信接口604负责与其他设备或通信网络通信,本申请实施例对此不作具体限定。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,处理器601可以包括一个或多个CPU,例如图6中的CPU0和CPU1。
在具体实现中,作为一种实施例,异常检测设备60可以包括多个处理器,例如图6中的处理器601和处理器608。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,异常检测设备60还可以包括输出设备605和输入设备606。输出设备605和处理器601通信,可以以多种方式来显示信息。例如,输出设备605可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备606和处理器601通信,可以以多种方式接收用户的输入。例如,输入设备606可以是鼠标、键盘、触摸屏设备或传感设备等。
其中,上述步骤S201至S205或步骤S201至S207中的第一设备的动作可以由图6所示的异常检测设备中的处理器601调用存储器603中存储的应用程序代码以指令该异常检测设备执行;上述步骤S301至S305或步骤S301至S307中的第一设备的动作可以由图6所示的异常检测设备中的处理器601调用存储器603中存储的应用程序代码以指令该异常检测设备执行,本实施例对此不作任何限制。
可选的,本申请实施例还提供一种异常检测设备(例如,该异常检测设备可以是芯片或芯片系统),该异常检测设备包括处理器,用于实现上述任一方法实施例中的方法。在一种可能的设计中,该异常检测设备还包括存储器。该存储器,用于保存必要的程序指令和数据,处理器可以调用存储器中存储的程序代码以指令该异常检测设备执行上述任一方法实施例中的方法。当然,存储器也可以不在该异常检测设备中。在另一种可能的设计中,该异常检测设备还包括接口电路,该接口电路为代码/数据读写接口电路,该接口电路用于接收计算机执行指令(计算机执行指令存储在存储器中,可能直接从存储器读取,或可能经过其他器件)并传输至该处理器。该异常检测设备是芯片系统时,可以由芯片构成,也可以包含芯片和其他分立器件,本申请实施例对此不作具体限定。
可选的,上述异常检测设备可以是车联网(vehicle to everything,V2X)系统中的路侧单元(road side unit,RSU);或者也可以是云端网络设备;或者还可以是应用服务器;或者还可以是安装在上述RSU或云端网络设备或应用服务器中的芯片,本申请实施例对异常检测设备的具体形式不做限定。
此外,可选的,本申请实施例中的被检测设备可以是基于动力电池驱动的代步工具(如电动汽车、电动自行车等),也可以是安装在该代步工具中的车载终端,或者车载终端内的芯片。
可选的,本申请实施例中的终端设备,可以是是用于实现无线通信功能的设备,例如终端或者可用于终端中的芯片等。
可选的,上述车载终端或终端可以是第五代(5th generation,5G)网络或者未来演进的公共陆地移动网络(public land mobile network,PLMN)中的用户设备(userequipment,UE)、接入终端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信设备、终端代理或终端装置等。接入终端可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol,SIP)电话、无线本地环路(wireless local loop,WLL)站、个人数字处理(personal digital assistant,PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备或可穿戴设备,虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端等。车载终端或终端可以是移动的,也可以是固定的。
本申请实施例还可以根据上述方法实施例中对异常检测设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
比如,以异常检测设备为上述方法实施例中的第一设备为例。图7示出了一种第一设备70的结构框图。该第一设备70包括处理模块701和获取模块702。
其中,获取模块702,用于获取第一相似度矩阵和第一协方差矩阵,第一相似度矩阵为第二设备的L个电池组的第一组状态数据对应的相似度矩阵,第一协方差矩阵为L个电池组的第一组状态数据对应的协方差矩阵,L为正整数;处理模块701,用于根据第一相似度矩阵和第一协方差矩阵,确定第一特征矩阵;处理模块701,还用于根据第一特征矩阵确定L个电池组中每个电池组的异常状态。
可选的,获取模块702,用于获取第一相似度矩阵,包括:获取模块702,用于获取L个第一向量,第一向量包括第一组状态数据中的N个状态数据,L个第一向量与L个电池组一一对应,N为正整数;获取模块702,还用于对L个第一向量做聚类分析,并根据聚类分析的结果确定第一相似度矩阵。
可选的,处理模块701,还用于根据第一特征矩阵,确定L个电池组中每个电池组的异常状态,包括:处理模块701,还用于对该第一特征矩阵进行主成分分析得到投影矩阵,并根据投影矩阵确定L个电池组中每个电池组的异常状态。
可选的,处理模块701,还用于对第一特征矩阵进行主成分分析得到投影矩阵,包括:处理模块701,还用于获取第一特征矩阵的转置矩阵,并对第一特征矩阵的转置矩阵进行奇异值分解,得到N个奇异值和N个奇异值中每个奇异值对应的左奇异向量;处理模块701,还用于根据N个奇异值中的前K个奇异值对应的左奇异向量,确定投影矩阵,K为小于或等于N的正整数。
可选的,处理模块701,还用于根据投影矩阵确定L个电池组中每个电池组的异常状态,包括:处理模块701,还用于根据投影矩阵和L个第一向量,确定L个第二向量,L个第二向量与L个第一向量一一对应;处理模块701,还用于根据L个第二向量中每个第二向量的T2统计量,确定L个电池组中每个电池组的异常状态。
可选的,处理模块701,还用于根据L个第二向量中每个第二向量的T2统计量,确定L个电池组中每个电池组的异常状态,包括:若L个第二向量中的第p个第二向量的T2统计量大于或等于第一阈值,处理模块701,还用于确定L个电池组中的第p个电池组的M个状态异常,并更新第p个电池组的异常状态的个数,p为1至L的正整数,M表示第p个电池组对应的第一向量包括的N个状态数据的状态类别数。
可选的,处理模块701,还用于根据第p个电池组的异常状态的总数与预设规则,确定第p个电池组的异常等级。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在本实施例中,该第一设备70以采用集成的方式划分各个功能模块的形式来呈现。这里的“模块”可以指特定ASIC,电路,执行一个或多个软件或固件程序的处理器和存储器,集成逻辑电路,和/或其他可以提供上述功能的器件。在一个简单的实施例中,本领域的技术人员可以想到该第一设备70可以采用图6所示的异常检测设备60的形式。
比如,图6所示的异常检测设备60中的处理器601可以通过调用存储器603中存储的计算机执行指令,使得第一设备70执行上述方法实施例中的异常检测方法。
具体的,图7中的处理模块701和获取模块702的功能/实现过程可以通过图6所示的异常检测设备60中的处理器601调用存储器603中存储的计算机执行指令来实现。
由于本实施例提供的第一设备70可执行上述的异常检测方法,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。本申请实施例中,计算机可以包括前面所述的装置。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (31)
1.一种异常检测方法,其特征在于,所述方法包括:
第一设备获取第一相似度矩阵和第一协方差矩阵,所述第一相似度矩阵为第二设备的L个电池组的第一组状态数据对应的相似度矩阵,所述第一协方差矩阵为所述L个电池组的所述第一组状态数据对应的协方差矩阵,L为正整数;
所述第一设备根据所述第一相似度矩阵和所述第一协方差矩阵,确定第一特征矩阵;
所述第一设备根据所述第一特征矩阵,确定所述L个电池组中每个电池组的异常状态。
2.根据权利要求1所述的方法,其特征在于,所述第一设备获取第一相似度矩阵,包括:
所述第一设备获取L个第一向量,所述第一向量包括所述第一组状态数据中的N个状态数据,所述L个第一向量与所述L个电池组一一对应,N为正整数;
所述第一设备对所述L个第一向量做聚类分析,并根据所述聚类分析的结果确定所述第一相似度矩阵。
3.根据权利要求2所述的方法,其特征在于,所述N个状态数据为进行归一化处理后的数据。
4.根据权利要求2或3所述的方法,其特征在于,当所述聚类分析的结果指示所述L个第一向量中的第i个第一向量和第j个第一向量属于同一类时,所述第一相似度矩阵中第i行第j列元素的值由所述第i个第一向量和所述第j个第一向量的距离函数决定,i、j为小于或等于L的正整数。
6.根据权利要求2或3所述的方法,其特征在于,当所述聚类分析的结果指示所述L个第一向量中的第i个第一向量和第j个第一向量不属于同一类时,所述第一相似度矩阵中第i行第j列元素的值为0。
8.根据权利要求2-7任一项所述的方法,其特征在于,所述第一设备根据所述第一特征矩阵,确定所述L个电池组中每个电池组的异常状态包括:
所述第一设备对所述第一特征矩阵进行主成分分析得到投影矩阵,并根据所述投影矩阵确定所述L个电池组中每个电池组的异常状态。
9.根据权利要求8所述的方法,其特征在于,所述第一设备对所述第一特征矩阵进行主成分分析得到投影矩阵,包括:
所述第一设备获取所述第一特征矩阵的转置矩阵,并对所述第一特征矩阵的转置矩阵进行奇异值分解,得到N个奇异值和所述N个奇异值中每个奇异值对应的左奇异向量;
所述第一设备根据所述N个奇异值中的前K个奇异值对应的左奇异向量,确定所述投影矩阵,K为小于或等于N的正整数。
10.根据权利要求8或9所述的方法,其特征在于,所述第一设备根据所述投影矩阵确定所述L个电池组中每个电池组的异常状态,包括:
所述第一设备根据所述投影矩阵和所述L个第一向量,确定L个第二向量,所述L个第二向量与所述L个第一向量一一对应;
所述第一设备根据所述L个第二向量中每个第二向量的T2统计量,确定所述L个电池组中每个电池组的异常状态。
11.根据权利要求10所述的方法,其特征在于,所述第一设备根据所述L个第二向量中每个第二向量的T2统计量,确定所述L个电池组中每个电池组的异常状态,包括:
若所述L个第二向量中的第p个第二向量的T2统计量大于或等于第一阈值,所述第一设备确定所述L个电池组中的第p个电池组的M个状态异常,并更新所述第p个电池组的异常状态的个数,p为1至L的正整数,M表示所述第p个电池组对应的第一向量包括的N个状态数据的状态类别数。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
所述第一设备根据所述第p个电池组的异常状态的总数与预设规则,确定所述第p个电池组的异常等级。
13.根据权利要求1-12任一项所述的方法,其特征在于,所述第一组状态数据包括:放电电压数据、放电电流数据、温度数据、或者荷电状态数据。
14.一种异常检测设备,其特征在于,所述异常检测设备包括:获取模块和处理模块;
所述获取模块,用于获取第一相似度矩阵和第一协方差矩阵,所述第一相似度矩阵为第二设备的L个电池组的第一组状态数据对应的相似度矩阵,所述第一协方差矩阵为所述L个电池组的所述第一组状态数据对应的协方差矩阵,L为正整数;
所述处理模块,用于根据所述第一相似度矩阵和所述第一协方差矩阵,确定第一特征矩阵;
所述处理模块,还用于根据所述第一特征矩阵,确定所述L个电池组中每个电池组的异常状态。
15.根据权利要求14所述的异常检测设备,其特征在于,所述获取模块,用于获取第一相似度矩阵,包括:
所述获取模块,用于获取L个第一向量,所述第一向量包括所述第一组状态数据中的N个状态数据,所述L个第一向量与所述L个电池组一一对应,N为正整数;
所述获取模块,还用于对所述L个第一向量做聚类分析,并根据所述聚类分析的结果确定所述第一相似度矩阵。
16.根据权利要求15所述的异常检测设备,其特征在于,所述N个状态数据为进行归一化处理后的数据。
17.根据权利要求15或16所述的异常检测设备,其特征在于,当所述聚类分析的结果指示所述L个第一向量中的第i个第一向量和第j个第一向量属于同一类时,所述第一相似度矩阵中第i行第j列元素的值由所述第i个第一向量和所述第j个第一向量的距离函数决定,i、j为小于或等于L的正整数。
19.根据权利要求15或16所述的异常检测设备,其特征在于,当所述聚类分析的结果指示所述L个第一向量中的第i个第一向量和第j个第一向量不属于同一类时,所述第一相似度矩阵中第i行第j列元素的值为0。
21.根据权利要求15-20任一项所述的异常检测设备,其特征在于,所述处理模块,还用于根据所述第一特征矩阵,确定所述L个电池组中每个电池组的异常状态,包括:
所述处理模块,还用于对所述第一特征矩阵进行主成分分析得到投影矩阵,并根据所述投影矩阵确定所述L个电池组中每个电池组的异常状态。
22.根据权利要求21所述的异常检测设备,其特征在于,所述处理模块,还用于对所述第一特征矩阵进行主成分分析得到投影矩阵,包括:
所述处理模块,还用于获取所述第一特征矩阵的转置矩阵,并对所述第一特征矩阵的转置矩阵进行奇异值分解,得到N个奇异值和所述N个奇异值中每个奇异值对应的左奇异向量;
所述处理模块,还用于根据所述N个奇异值中的前K个奇异值对应的左奇异向量,确定所述投影矩阵,K为小于或等于N的正整数。
23.根据权利要求21或22所述的异常检测设备,其特征在于,所述处理模块,用于根据所述投影矩阵确定所述L个电池组中每个电池组的异常状态,包括:
所述处理模块,用于根据所述投影矩阵和所述L个第一向量,确定L个第二向量,所述L个第二向量与所述L个第一向量一一对应;
所述处理模块,还用于根据所述L个第二向量中每个第二向量的T2统计量,确定所述L个电池组中每个电池组的异常状态。
24.根据权利要求23所述的异常检测设备,其特征在于,所述处理模块,还用于根据所述L个第二向量中每个第二向量的T2统计量,确定所述L个电池组中每个电池组的异常状态,包括:
若所述L个第二向量中的第p个第二向量的T2统计量大于或等于第一阈值,所述处理模块,还用于确定所述L个电池组中的第p个电池组的M个状态异常,并更新所述第p个电池组的异常状态的个数,p为1至L的正整数,M表示所述第p个电池组对应的第一向量包括的N个状态数据的状态类别数。
25.根据权利要求24所述的异常检测设备,其特征在于,所述处理模块,还用于根据所述第p个电池组的异常状态的总数与预设规则,确定所述第p个电池组的异常等级。
26.根据权利要求14-25任一项所述的异常检测设备,其特征在于,所述第一组状态数据包括:放电电压数据、放电电流数据、温度数据、或者荷电状态数据。
27.一种异常检测设备,其特征在于,所述异常检测设备包括:处理器;
所述处理器用于读取存储器中的计算机执行指令,并执行所述计算机执行指令,以使所述异常检测设备执行如权利要求1-13中任一项所述的方法。
28.一种异常检测设备,其特征在于,所述异常检测设备包括:处理器和存储器;
所述存储器用于存储计算机执行指令,当所述处理器执行所述计算机执行指令时,以使所述异常检测设备执行如权利要求1-13中任一项所述的方法。
29.一种异常检测设备,其特征在于,所述异常检测设备包括:处理器和接口电路;
所述接口电路,用于接收计算机执行指令并传输至所述处理器;
所述处理器用于执行所述计算机执行指令,以使所述异常检测设备执行如权利要求1-13中任一项所述的方法。
30.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在处理器上运行时,以使所述异常检测设备执行如权利要求1-13中任一项所述的方法。
31.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,以使所述异常检测设备执行如权利要求1-13中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/077286 WO2021168836A1 (zh) | 2020-02-28 | 2020-02-28 | 异常检测方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112513883A true CN112513883A (zh) | 2021-03-16 |
Family
ID=74952840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080004134.4A Pending CN112513883A (zh) | 2020-02-28 | 2020-02-28 | 异常检测方法和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112513883A (zh) |
WO (1) | WO2021168836A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113777517A (zh) * | 2021-09-13 | 2021-12-10 | 傲普(上海)新能源有限公司 | 储能电站短板电芯筛选方法 |
CN114509690A (zh) * | 2022-04-19 | 2022-05-17 | 杭州宇谷科技有限公司 | 一种基于pca分解的锂电芯充放电异常检测方法及系统 |
CN116404186A (zh) * | 2023-06-08 | 2023-07-07 | 西安黄河电子技术有限公司 | 一种功率型锂锰电池生产系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115275396A (zh) * | 2022-08-15 | 2022-11-01 | 珠海冠宇电源有限公司 | 电池保护技术和电池包 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277891A (zh) * | 2014-07-18 | 2016-01-27 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
US20170356964A1 (en) * | 2014-11-28 | 2017-12-14 | Renault S.A.S. | Automatic method for estimating the state of charge of a battery cell |
CN107679553A (zh) * | 2017-09-14 | 2018-02-09 | 深圳大学 | 基于密度峰值的聚类方法及装置 |
CN108173670A (zh) * | 2016-12-07 | 2018-06-15 | 华为技术有限公司 | 检测网络的方法和装置 |
CN109471035A (zh) * | 2018-10-17 | 2019-03-15 | 山东斯博科特电气技术有限公司 | 基于随机矩阵特征谱分析的燃料电池系统状态评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3045925B1 (en) * | 2015-01-14 | 2023-03-01 | Corvus Energy Ltd. | Method and system for iteratively determining state of charge of a battery cell |
CN105789676B (zh) * | 2016-03-25 | 2018-03-13 | 杭州电子科技大学 | 一种基于消息传播的动力电池配组方法 |
-
2020
- 2020-02-28 CN CN202080004134.4A patent/CN112513883A/zh active Pending
- 2020-02-28 WO PCT/CN2020/077286 patent/WO2021168836A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277891A (zh) * | 2014-07-18 | 2016-01-27 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
US20170356964A1 (en) * | 2014-11-28 | 2017-12-14 | Renault S.A.S. | Automatic method for estimating the state of charge of a battery cell |
CN108173670A (zh) * | 2016-12-07 | 2018-06-15 | 华为技术有限公司 | 检测网络的方法和装置 |
CN107679553A (zh) * | 2017-09-14 | 2018-02-09 | 深圳大学 | 基于密度峰值的聚类方法及装置 |
CN109471035A (zh) * | 2018-10-17 | 2019-03-15 | 山东斯博科特电气技术有限公司 | 基于随机矩阵特征谱分析的燃料电池系统状态评估方法 |
Non-Patent Citations (2)
Title |
---|
范自柱: "《新型特征抽取算法研究》", 31 December 2016, 中国科学技术大学出版社 * |
钟国彬 等: "基于动态时间规整和多维标度策略的串联锂离子电池组异常电池可视化识别方法", 《储能科学与技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113777517A (zh) * | 2021-09-13 | 2021-12-10 | 傲普(上海)新能源有限公司 | 储能电站短板电芯筛选方法 |
CN114509690A (zh) * | 2022-04-19 | 2022-05-17 | 杭州宇谷科技有限公司 | 一种基于pca分解的锂电芯充放电异常检测方法及系统 |
CN116404186A (zh) * | 2023-06-08 | 2023-07-07 | 西安黄河电子技术有限公司 | 一种功率型锂锰电池生产系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021168836A1 (zh) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112513883A (zh) | 异常检测方法和设备 | |
US11570038B2 (en) | Network system fault resolution via a machine learning model | |
EP2015510B1 (en) | Deployment planning of components in heterogeneous environments | |
US11108619B2 (en) | Service survivability analysis method and apparatus | |
CN111240876B (zh) | 微服务的故障定位方法、装置、存储介质及终端 | |
US11757701B2 (en) | Method for recommending similar incident, and related device | |
CA3230388A1 (en) | Method of and device for monitoring business data, method of and device for generating rule data, and system | |
CN116227363B (zh) | 一种传感分布优化的洪灾预警方法 | |
CN111274084A (zh) | 故障诊断方法、装置、设备及计算机可读存储介质 | |
CN111930603A (zh) | 服务器性能检测方法、装置、系统及介质 | |
CN113537337A (zh) | 训练方法、异常检测方法、装置、设备和存储介质 | |
CN114140712A (zh) | 一种自动图像识别分发系统及方法 | |
CN112434308A (zh) | 应用漏洞检测方法、装置、电子设备及计算机存储介质 | |
CN108111328B (zh) | 一种异常处理方法及装置 | |
CN112530074A (zh) | 排队叫号提醒方法、装置、设备及存储介质 | |
CN107196815B (zh) | 一种流量分析能力的差异的确定方法及设备 | |
CN116560794A (zh) | 虚拟机的异常处理方法和装置、介质和计算机设备 | |
CN117009221A (zh) | 产品测试的处理方法、装置、设备、存储介质及程序产品 | |
CN116610521A (zh) | 一种对数据库进行监测的处理方法 | |
CN113946493A (zh) | 一种监控阈值确定及监控报警方法、装置、设备和介质 | |
CN115330140A (zh) | 一种基于数据挖掘的建筑风险预测方法及其预测系统 | |
CN113411217A (zh) | 一种通话系统监控告警的方法及装置 | |
CN114116128A (zh) | 容器实例的故障诊断方法、装置、设备和存储介质 | |
CN113568773B (zh) | 一种异常服务分类方法、装置、设备及存储介质 | |
CN115693962B (zh) | 一种变电站设备监测方法、装置、电子设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |