CN115315698A - 检测异常充电事件的系统和方法 - Google Patents

检测异常充电事件的系统和方法 Download PDF

Info

Publication number
CN115315698A
CN115315698A CN202080098776.5A CN202080098776A CN115315698A CN 115315698 A CN115315698 A CN 115315698A CN 202080098776 A CN202080098776 A CN 202080098776A CN 115315698 A CN115315698 A CN 115315698A
Authority
CN
China
Prior art keywords
charging
events
data
event
multivariate
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
Application number
CN202080098776.5A
Other languages
English (en)
Inventor
杨静
管伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN115315698A publication Critical patent/CN115315698A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请的实施例提供了检测异常充电事件的系统和方法。该系统(100)可以包括一个通信接口(202)，被配置为接收至少两个充电事件(702、703、704、705)的多变量充电数据，每个充电事件(702、703、704、705)的充电数据包括至少两个变量，每个变量对应一个充电特性。该系统(100)可以进一步包括至少一个处理器(204)。至少一个处理器可以被配置为基于两个充电事件(702、703、704、705)的多变量充电数据，确定每两个充电事件(702、703、704、705)之间的差异。至少一个处理器(204)可以进一步被配置为基于确定的差异对至少两个充电事件(702、703、704、705)进行聚类。至少一个处理器(204)还可以被配置为基于聚类结果检测异常充电事件。

Description

检测异常充电事件的系统和方法
技术领域
本发明涉及检测异常充电事件的系统和方法，更具体地说，涉及基于聚类每个具有多变量时间序列特征的至少两个充电事件来检测异常充电事件的系统和方法。
背景技术
电能可以由电池等来源提供。电池是一种由一个或以上具有外部连接的电化学单元组成的设备，用于为移动电话、手电筒和电动汽车等电子设备提供电能。当使用电池提供电能时，电化学单元通过化学反应产生电能。
为了提供足够的电力来驱动大型电气设备，例如电动汽车，许多电池芯串联和/或并联连接以形成电池组。出于安全目的，电动汽车的电池管理系统可以实时监控电池组和/或电池芯的特性(例如电压、电流和温度)。如果电池特性值在工作或充电状态下达到预定安全阈值，则电池管理系统可向用户发送安全警报。但是，实时监控电池性能可能不足以避免严重的电池危害(例如火灾和/或爆炸)。其他方法使用大数据技术来分析电池一致性(例如电池芯之间的电压不一致)。但是这些方法无法预测不是由电池不一致问题引起的电池危害。
本申请的实施例通过提供基于聚类至少两个充电事件来检测异常充电事件的系统和方法来解决上述问题，以检测异常充电事件。
发明内容
本申请的实施例提供了一种检测异常充电事件的系统。所述系统可以包括通信接口，被配置为接收至少两个充电事件的多变量充电数据，每个充电事件的所述充电数据包括至少两个变量，每个变量对应一个充电特性。所述系统可以进一步包括至少一个处理器。至少一个处理器可以被配置为基于两个充电事件的所述多变量充电数据，确定每两个充电事件之间的差异。至少一个处理器可以进一步被配置为基于所述确定的差异对所述至少两个充电事件进行聚类。至少一个处理器还可以被配置为基于聚类结果检测异常充电事件。
本申请的实施例还提供了一种检测异常充电事件的方法。所述方法可以包括通过通信接口接收至少两个充电事件的多变量充电数据，每个充电事件的所述充电数据包括至少两个变量，每个变量对应一个充电特性。所述方法可以进一步包括通过至少一个处理器基于所述两个充电事件的多变量充电数据，确定每两个充电事件之间的差异。所述方法还可以包括通过至少一个处理器基于所述确定的差异对所述至少两个充电事件进行聚类。所述方法还可以包括通过至少一个处理器基于聚类结果检测异常充电事件。
本申请的实施例进一步提供了一种非暂时性计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被一个或以上处理器执行时，该指令使得所述一个或以上处理器执行检测异常充电事件的方法。所述方法可以包括接收至少两个充电事件的多变量充电数据，每个充电事件的所述充电数据包括至少两个变量，每个变量对应一个充电特性。所述方法可以进一步包括基于两个充电事件的所述多变量充电数据，确定每两个充电事件之间的差异。所述方法还可以包括基于所述确定的差异的至少两个充电事件。所述方法还可以包括通过至少一个处理器基于聚类结果检测异常充电事件。
应当理解，如所声明的，上述一般描述和以下详细描述都只是示例性和解释性的，而不是对本发明的限制性说明。
附图说明
图1是根据本申请的一些实施例所示的用于检测异常充电事件的示例性系统的示意图。
图2是根据本申请的一些实施例所示的用于检测异常充电事件的示例性服务器的框图。
图3是根据本申请的一些实施例所示的用于检测异常充电事件的示例性方法的流程图。
图4是根据本申请的一些实施例所示的用于确定每两个充电事件之间的距离的示例性方法的流程图。
图5是根据本申请的一些实施例所示的用于聚类充电事件的示例性方法的流程图。
图6A-6B是根据本申请的一些实施例所示的两个示例时间序列和相应的对齐矩阵。
图7A-7E是根据本申请的一些实施例所示的示例性聚类方法。
具体实施方式
现在，将详细介绍示例性实施例，其示例在附图中示出。在可以的情况下，将在整个附图中使用相同的参考编号来指代相同或类似的部分。
本申请的实施例提供了基于聚类至少两个充电事件来检测异常充电事件的系统和方法。充电事件可以是任何电气设备(例如电动汽车)从外部电源为其可充电电池组充电的过程。与现有解决方案相比，公开的系统和方法不依赖于分析电池一致性数据。相反，所公开的系统和方法可以聚类多个充电事件的充电数据(例如，电池的荷电状态(SoC)、充电电流和/或充电电压)，以检测具有不同于其他充电行为的一个或以上异常充电事件。检测这些异常充电事件可以有助于监控电气设备(例如电动汽车)的状态并避免严重的电池危害。
图1是根据本申请的一些实施例所示的用于检测异常充电事件的示例性系统100(以下称为“系统100”)的示意图。如图1所示，系统100可以监控车辆110和/或充电站120的充电事件，并检测该车辆的异常充电事件。在一些实施例中，系统100可以包括数据库130、服务器140和显示设备150。在一些实施例中，服务器140可以通过网络从数据库130请求/下载充电数据(未示出)。电池的充电数据可以从描述各自充电事件特征的一个或以上车辆110和/或充电站120中获取。服务器140可以从充电数据中检测异常的充电事件，并将检测结果103传输到显示设备150进行显示。在一些实施例中，服务器140可以确定是否需要进一步的操作，例如需要更换电池组的至少一个单元和/或需要对电池组进行进一步诊断的服务建议，并将包括该建议的检测结果103在显示设备150上显示。
与一些实施例一致，每辆车辆110可以是具有电动机的电动汽车，也可以是包括内燃机和至少一个电动机的混合动力汽车。车辆110可以有一个电池组来为电动机提供电力。电池组可以具有串联连接和/或并联连接的多个电池芯，以提供更大的电力输出。
在一些实施例中，车辆110可在充电站120进行充电。在一些实施例中，车辆110可以配备传感器(未示出)，用于检测/测量反映电池组和/或电池芯的充电过程特性的充电数据102。在一些实施例中，传感器可以包括电传感器单元，例如用于电池组和/或电池芯的电压传感器、电流和/或温度传感器。
在一些实施例中，充电数据102可以是当车辆110处于充电状态时电池组内电池的充电特性的指示数据。例如，充电数据102可以包括在管理可充电电池(例如电池组和/或电池芯)的电池管理系统(BMS)的控制下获取的部分和/或完整数据，用于保护电池系统在其安全工作区外工作、监测其状态、计算辅助数据等。需要理解的是，充电数据102可以包含某些元数据(例如，车辆VIN信息)，以将充电事件映射到上传充电数据的车辆。
在一些实施例中，充电数据102可以包括多变量时间序列(MTS)，该序列具有多个随时间变化的变量，每个变量都与充电特性(例如，电池组的充电电流)相对应。例如，随时间变化的变量可以包括但不限于电池组的电池SoC、电池组的充电电流、电池组的BMS所需电流、电池组的总充电电压、电池芯的最大充电电压和电池芯的最高温度。电池SoC表示电池相对于其容量的电量水平。SoC的单位是百分比(0％＝空；100％＝满)。
图1的表115示出了车辆110在充电事件期间可能产生的一个示例性充电数据段。如表115所示，“电压1”列包括一系列充电电压值。电流1可以是与电压1下的充电电压值相对应的电池组的充电电流值。充电电压和充电电流都可以按时间顺序进行索引。“电压2”和“电压3”列可以包括两个单个电池芯的充电电压值，可用于计算至少两个时间点处的电池芯的最大充电电压。在一些替代实施例中，车辆110上的传感器可以计算电池芯的最大电压，以便单个电池芯的原始充电数据不包含在充电数据102中。同样，车辆110上的传感器可以计算至少两个时间点处的电池芯的最高温度。
与一些实施例一致，如图1所示，可以从充电站120获取充电数据102。在一些实施例中，充电站120中的至少一个可以是为插电式电动汽车(包括电动汽车、邻里电动汽车和插入式混合动力汽车)充电提供电能的基础设施。充电站可供多辆电动汽车使用，并具有额外的电流或连接感应机制，可以在电动汽车未充电时断开电源。
与车辆110类似，每个充电站120可额外配备传感器(未示出)，用于检测/测量电池组和/或电池芯的充电数据102。例如，与充电站120耦合的电流传感器可以仅当需求在预定范围内时才能监控消耗的功率和保持连接。这些传感器反应更快，故障部件更少，设计和实施成本可能更低。这些传感器可以使用标准连接器，并可以帮助供应商监控或为实际消耗的电力充电。传感器可以在至少两个时间点记录电池组的充电电流(例如，实际电流和BMS所需电流)和充电电压。
在一些实施例中，一些充电站可以不配备电压和/或温度传感器。经允许，这些充电站可以从插电式车辆上的传感器下载充电电压和/或温度数据。在一些替代实施例中，插电式车辆可以不允许充电站从车辆传感器下载充电数据。因此，从充电站获得的充电数据可能与从车辆中获取的数据不一样。由于车辆110和充电站120都可以生成该充电事件的充电数据，因此充电数据102中可能存在重复数据。充电数据102可以在数据预处理过程中被清洗/过滤(也称为数据清洗)。下面将更详细地披露数据清洗过程。
在一些实施例中，充电数据102可以存储在与传感器耦合的内存和/或存储器中。例如，充电数据102可以以*.xls、*.xlsx、*.csv等格式存储。可以理解的是，存储充电数据102的格式不限于此处所公开的格式，并且可以出于其他充电目的进行修改。
在一些实施例中，充电数据102可以实时上传到数据库130(例如，通过从传感器到数据库130的流)，或者集中在一段时间后通过网络(未示出)上传到数据库130。在一些实施例中，网络可以是无线局域网(WLAN)、广域网(WAN)、无线网络(例如无线电波)、蜂窝网络、卫星通信网络和/或本地或短程无线网络(例如，蓝牙TM或近场通信)，用于传输车辆110电池的充电相关信息。在一些其他实施例中，充电数据102也可以通过直接链接(例如，通过通信电缆)上传到数据库130。例如，车辆110的用户(即，驾驶员/操作员)可以周期性地将车辆110驾驶/引导到数据库130所在的终端，以上传数据。
在一些实施例中，服务器140可以通过将充电数据102上传到数据库130的相同和/或不同网络，或通过用于集中下载(例如，每隔几秒、每隔几分钟等)充电数据102的通信电缆，实时从数据库130下载充电数据102。在一些实施例中，服务器140可以处理充电数据102，并基于处理后的充电数据102生成异常充电事件的检测结果103。服务器140可以监控电池组，并确定要采取的措施，以保持电池组的安全性和高性能。在一些实施例中，建议措施可以包括在检测结果103中。在一些实施例中，系统100可以可选地包括显示设备150，用于例如向充电站120的经理和/或车辆110的用户显示检测结果103。可以设想，与图1中所示的组件相比，系统100可以包括更多或更少的组件。
图2是根据本申请的一些实施例所示的用于检测异常充电事件的示例性服务器(以下称为“服务器140”)的框图。与本申请一致，服务器140可以接收充电数据102，并基于充电数据102生成指示异常充电事件的检测结果103。尽管如图2所示，服务器140是物理备用设备，但可以设想，在一些实施例中，服务器140可以作为云软件、数据库130和/或显示设备150上的应用程序、虚拟服务器实现或作为多个设备的分布式服务器实现。例如，在一些实施例中，充电数据清洗和预处理可以由配备有数据库130的数据库管理系统实现，其余功能可以由显示设备150实现。与本发明一致，服务器140可以是专门设计用于检测异常充电事件的通用服务器或专有设备。
如图2所示，在一些实施例中，服务器140可以包括通信接口202和处理器204。在一些实施例中，服务器140还可以包括内存206和存储器208。在一些实施例中，服务器140可以在单个设备中具有不同的模块，例如集成电路(IC)芯片(作为专用集成电路(ASIC)或现场可编程门阵列(FPGA)实现)或具有专用功能的独立设备。在一些实施例中，服务器140的一个或以上组件可以位于云计算环境中，或者可以替代性地位于单个位置或分布式位置中。服务器140的组件可以在一个集成设备中或分布在不同位置，但是通过网络相互通信(未示出)。
通信接口202可以从数据库130接收数据(例如充电数据102)，并通过通信电缆、无线局域网(WLAN)、广域网(WAN)、无线网络(例如无线电波)、蜂窝网络、卫星通信链路和/或本地或短程无线网络(例如BluetoothTM)或其他通信方法向显示设备150发送数据(例如检测结果103)。在一些实施例中，通信接口202可以是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或提供数据通信连接的调制解调器。作为另一个示例，通信接口202可以是局域网(LAN)卡，以提供与兼容LAN的数据通信连接。无线链接也可以通过通信接口202实现。在这样的实现中，通信接口202可以通过网络发送和接收电、电磁或光学信号，这些信号载有数字数据流，这些数据流代表各种类型的信息。
与一些实施例一致，通信接口202可以进一步将接收到的数据提供给存储器208进行存储或提供给处理器204进行处理。通信接口202还可以接收由处理器204生成的检测结果103，并将检测结果103提供给显示设备150。
处理器204可以包括任何适当类型的通用或特殊用途的微处理器、数字信号处理器或微控制器。处理器204可以配置为专门用于处理充电数据102的单独处理器模块。或者，处理器204可以配置为共享处理器模块，用于执行与检测异常充电事件无关的其他功能(例如，处理器204可以是数据库130上的共享处理器模块和/或显示设备150上的共享处理器模块)。
如图2所示，处理器204可以包括多个模块，例如数据清洗单元210、差异确定单元212、数据聚类单元214、异常确定模块216等。这些模块(以及任何相应的子模块或子单元)可以是设计用于与其他组件一起使用的处理器204的硬件单元(例如集成电路的一部分)，或者通过执行至少一部分程序由处理器204实现的软件单元。该程序可以存储在计算机可读介质上，并且在处理器204执行时，可以执行一个或以上功能。尽管图2示出了全部在一个处理器204内的单元210-216，但可以设想，这些单元可以分布在彼此相邻或远程的多个处理器之间。
从数据库130接收到充电数据102后，数据清洗单元210可以清洗和预处理(例如过滤)该数据。在一些实施例中，可以丢弃损坏、不正确和/或不准确的数据(即，有错误的数据)。例如，具有预定类型错误的数据，如具有印刷错误和/或形式错误(例如，一个或以上数据包的重复、一个或以上数据包的错位、错误的有效负载格式、带有空值的有效负载等)可以由数据清洗单元210清洗。
在一些实施例中，数据清洗单元210可以识别从车辆110和/或充电站120获取的充电数据102的数据段，并进一步基于数据段过滤充电数据102。与一些实施例一致，充电数据102可以包括重复的充电数据段。当车辆和充电站上传同一充电事件的充电数据时，可能会发生这种情况。一旦检测到重复的数据段，数据清洗单元210可以删除重复的数据段。
在一些实施例中，数据清洗单元210可以处理充电数据102以获得多变量时间序列，该多变量时间序列可用于检测由处理器204的其他单元执行的异常充电事件。例如，充电数据102可以包括测量的充电信息，例如电池芯在至少两个时间点的温度，数据清洗单元210可以基于测量的温度信息计算电池芯在每个时间点的最高温度。
在一些实施例中，差异确定单元212可以配置为测量每两个充电事件之间的差异(或相反，相似性)。与一些实施例一致，每个充电事件的充电数据可以包括多变量时间序列(例如，图1的表115)，其包括多个变量时变数据。例如，可以使用充电特性的六个时间序列来描述充电事件。这些充电特性可以是电池SoC、电池组的充电电流、电池组的BMS所需电流、电池组的总电压、电池芯的最大电压和电池芯的最高温度。可以考虑使用或多或少的充电特性的时间序列来描述充电事件。同样，可以用上述以外的充电特性和/或上述充电特性中的一些一起来描述充电事件。
在一些实施例中，差异确定单元212可以确定每两个充电事件之间的距离。“距离”衡量了两个充电事件在其各自的充电特性中的相似或不同。在一些实施例中，当充电特性彼此相似时，距离较小，当充电特性彼此不同时，距离较大。在一些实施例中，距离是指示多个充电特性的多个变量之间总体差异的集合度量。
在一些实施例中，车辆110和/或充电站120可以配备由不同制造商制造的传感器。例如，传感器可以以不同的方式工作，例如在不同的采样频率下。因此，从不同车辆和/或充电站获取的充电数据102可能不同，并且不能直接相互映射。此外，在数据传输过程中，一些数据值可能丢失或错误。为了补偿充电数据102中的这些不一致之处，差异确定单元212可以使用动态时间规整(DTW)来计算充电数据空间中每两个充电事件之间的距离。通常，DTW是用于测量两个时间序列(例如，时间序列)之间的差异/相似性的算法。每两个充电事件之间的距离的计算将在与图4和图6A-6B相关的更多细节中描述。
在一些实施例中，数据聚类单元214可以被配置为基于差异确定单元212确定的距离来聚类充电事件。在一些实施例中，数据聚类单元214可以将每个充电事件分配给两个聚类，一个对应于正常充电，另一个对应于异常充电。可以设想，聚类的数量可以不限于两个，但可以大于两个，在这种情况下，一个或以上聚类可以对应于正常充电，其余的聚类对应于异常充电。数据聚类单元214可以实施任何合适的聚类方法来聚类充电事件。
数据聚类单元214可以通过初始化聚类中心开始聚类过程。在一些实施例中，当使用两个聚类时，可以选择两个充电事件作为初始聚类中心。例如，这两个充电事件可以在至少两个充电事件中的所有充电事件对中具有最大的距离。在另一个示例中，可以随机选择一个充电事件作为第一个初始聚类中心，并且可以选择第二个聚类中心作为另一个充电事件，例如，基于其与第一个初始聚类中心的距离。例如，第二个聚类中心可以是与选择作为第一个初始聚类中心的充电事件具有最大距离的充电事件。
初始化聚类中心后，可以将数据聚类单元214配置为将剩余的充电事件与两个初始聚类中心之一相关联。例如，可以基于由差异确定单元212计算得出的确定距离进行分配。在一些实施例中，数据聚类单元214可以基于与各个聚类相关联的充电事件动态地重新计算聚类中心。数据聚类单元214可以重复分配剩余的充电事件并重新计算聚类中心的步骤，直到所有充电事件都聚类为止。将结合图5和图7A-7E更详细地公开充电事件的聚类。
在一些实施例中，可以根据数据聚类单元214获得的聚类结果配置异常确定单元216以检测异常充电事件。在一些实施例中，异常确定单元216可以将数据聚类单元214获得的聚类标记为正常充电或异常充电。在一些实施例中，当获得两个聚类时，具有更多充电事件的聚类可以被标记为正常，而另一个具有较少充电事件的聚类可以被标记为异常。实际上，正常聚类可以比异常聚类包含更多的充电事件。例如，在18个充电事件中，有16个可以与第一个聚类相关联，其余2个充电事件与第二个聚类相关联，在这种情况下，第一个聚类标记为正常，第二个聚类标记为异常。在一些实施例中，当获得两个以上的聚类时，异常确定单元216可以根据聚类中心标记聚类。例如，聚类中心距离其他聚类最远的聚类可被确定为异常。数据聚类单元214可以将与异常聚类相关联的充电事件确定为异常充电事件。
确定异常充电事件后，异常确定单元216可以通过通信接口202将检测结果(例如检测结果103)发送到显示设备(例如显示设备150)。在一些实施例中，显示设备可以是以视觉形式呈现信息的输出设备。例如，显示设备150可以安装在车辆110和/或充电站120中，以供车辆用户或充电站经理查看检测结果103。检测结果103可以包括已被清洗的充电数据102和相应的检测标签。检测标签可以是二进制值，它指示相应的充电数据是否来自异常充电事件。在一些实施例中，显示设备150可以在同一图表中以图形方式显示异常充电事件和正常充电。显示设备150还可以以图形方式显示充电数据的单个维度。例如，显示设备150可以用不同的颜色或标记以时间序列示出异常和正常充电事件的电池SoC。在一些替代实施例中，只有异常充电事件的识别以及相应的车辆110和/或充电站120可以提供给显示器150进行显示。
在一些实施例中，服务器140可以进一步包括内存206和存储器208。内存206和存储器208可以包括任何适当类型的大容量存储器，用于存储处理器204可能需要处理的任何类型的信息。内存206和存储器208可以是易失性或非易失性的、磁性的、半导体的、磁带的、光学的、可移动的、不可移动的、或其他类型的存储设备或有形的(即非暂时性)计算机可读介质，包括但不限于ROM、闪存、动态RAM和静态RAM。内存206和/或存储器208可以配置为存储处理器204可执行的一个或以上计算机程序，以检测本申请披露的异常充电事件。例如，内存206和/或存储器208可配置为存储可由处理器204执行的程序，以清洗充电数据，确定被清洗后的充电数据之间的距离，和/或基于距离对充电数据进行聚类。
内存206和/或存储器208可以进一步被配置为存储处理器204使用的信息和数据。例如，内存206和/或存储器208可以配置为存储各种类型的数据(例如，从数据库130接收的原始充电数据、检测结果103等)。内存206和/或存储器208还可以存储中间数据，例如被清洗/过滤的充电数据、距离、聚类标签等。各种类型的数据可以被永久存储、定期删除或在处理某些数据段后立即忽略。
图3是根据本申请的一些实施例所示的用于检测异常充电事件的示例性方法300的流程图。在一些实施例中，方法300可以通过系统100实现。方法300可以包括如下所述的步骤S302-S316。应当理解，一些步骤可以是可选的，以执行本申请提供的公开。此外，一些步骤可以同时执行，或者以与图3所示不同的顺序执行。
在步骤S302中，数据库130可以从车辆110和/或充电站120接收充电数据(例如，充电数据102)。例如，数据库130可以实时地(例如，通过从传感器到数据库130的流)或在一段时间后集中地通过网络(未示出)从车辆110接收充电数据102。在另一个示例中，数据库130可以通过直接链接(例如，通过通信电缆)直接从车辆110或充电站120接收充电数据102。例如，车辆110的用户(即，驾驶员/操作员)可以定期将车辆110中的一个驾驶/引导到数据库130所在的终端，以上传充电数据102。在步骤S304中，数据库130可以存储接收到的充电数据102。
在一些实施例中，在步骤S306中，服务器140可以从数据库130下载充电数据。例如，服务器140可以实时或集中地(例如，每隔几秒、每隔几分钟等)通过通信电缆或网络下载/接收充电数据(例如，将充电数据102通过相同和/或不同的网络上传到数据库130)。
在步骤S308中，服务器140可以预处理(例如，清洗/过滤)数据(例如，充电数据102)，由处理器204的数据清洗单元210实现。在一些实施例中，服务器140可以丢弃/过滤损坏、不正确和/或不准确的数据(即，有错误的数据)。在步骤S308的一些实施例中，重复的充电数据也可以通过数据清洗单元210过滤。与一些实施例一致，可以基于电池芯在每个时间点的温度数据来计算一些中间数据，例如电池芯的最高温度。
在步骤S310中，每两个充电事件之间的距离可以通过处理器204的差异确定单元212计算。在一些实施例中，步骤S310可以包括三个子步骤，如图4所示。在子步骤S412中，可以分别对每个充电特性数据序列应用标准化，以消除所获取的充电数据之间的不一致性。例如，电池SoC数据可以被重新缩放为平均值为0，标准偏差为1(单位方差)。充电电流数据也可以被重新缩放为平均值为0，标准偏差为1(单位方差)。在一些替代实施例中，可以使用归一化方法而不是标准化方法来重新缩放数据。
与一些实施例一致，在子步骤S414中，差异确定单元212可以使用DTW来为每两个充电事件构建对齐矩阵。例如，如图6A所示，线610和线620是两个充电事件的数据图(变量值v.时间)。DTW可以确定线610和线620之间的数据点的最佳匹配(如图6A的虚线所示)。最佳匹配与最低成本相关联，其中成本计算是各自匹配的数据点对中变量值之间的绝对差之和。在一些实施例中，最低成本成为了线610和线620之间的距离。图6B示出了一个对齐矩阵630，该矩阵630指示线610和线620的最佳匹配路径(灰色正方形)。
在子步骤S416中，可以根据对齐矩阵计算每两个充电事件之间的距离。例如，充电事件t和r在时间点i和j的数据之间的距离可以由公式(1)定义：
Figure BDA0003853039310000101
其中
Figure BDA0003853039310000102
1≤i≤Lt，和1≤j≤Lr。k表示充电事件t和r中包含的充电特性数量。Lt表示充电事件t的时间点数量，Lr表示充电事件r的时间点数量。w是每个充电特性的预定权重，表示每个充电特性在聚类中的重要性。例如，用户可以将充电电流的权重预设为1.2，将其他充电特性的权重预设为1.0，以反映充电电流是确定异常充电事件中更重要的特性。
使用公式(1)，可以通过公式(2)定义两个充电事件之间的距离D(i,j):
Figure BDA0003853039310000103
其中D(1,1)＝d(1,1)，D(1,0)＝D(2,0)＝…＝D(i,0)＝0，D(0,1)＝D(0,2)＝…＝D(0,j)＝0。这两个充电事件分别具有时间点i和时间点j。每两个充电事件之间的距离可以根据公式(1)和(2)计算。
返回图3，在步骤S312中，处理器204的数据聚类单元214可配置为基于步骤S310中获得的距离对充电事件进行聚类。与一些实施例一致，聚类的细节在图5中的子步骤S512-S522中描述。图7A-7E是根据本申请的一些实施例所示的一种示例性聚类方法。
在子步骤S512中，数据聚类单元214可以随机选择一个充电事件作为第一初始聚类中心，如图7A所示。例如，需要将充电空间中的六个充电事件(例如，事件701-706)聚类在两个聚类中。如图7A所示，可以随机选择事件706(实心正方形)作为第一聚类中心。数据聚类单元214可以进一步配置为基于到第一聚类中心的距离来选择第二充电事件。在一些实施例中，可以选择到第一聚类中心具有最大距离的充电事件作为第二聚类中心。如图7B所示，虚线表示事件706与其他事件之间的距离。由于事件701(实心正方形)是与事件706距离最大的事件，因此它被选为第二个聚类中心。
作为另一个示例，数据聚类单元214可以配置为选择两个充电事件作为初始聚类中心。在一些实施例中，在任何两个充电事件之间计算的所有距离中，两个充电事件可以具有最大的距离。例如，数据聚类单元214可以对步骤S310计算的差异进行排名，确定所有距离的最大距离，然后选择与该距离相关联的两个充电事件。例如，如图7B所示，两个具有最大距离的充电事件是事件701和706。
在子步骤S514中，数据聚类单元214可以配置为将剩余充电事件(例如，图7C中的事件702-705)关联到最近的聚类中心(例如，图7C中的事件701或事件706)。例如，如图7C所示，事件702被分配给聚类中心701，因为它到聚类中心701的距离(虚线)比到聚类中心706的距离短。如图7C所示，事件702和703与聚类中心701相关联，事件704和705与聚类中心706相关联。仅为了说明目的，实线用于分离图7C中的两个聚类。
在子步骤S516中，数据聚类单元214可以被配置为计算每个充电事件到同一聚类中剩余事件的距离之和。例如，如图7D所示，事件704和705之间的距离为D45(虚线)。同样，事件704和706之间的距离为D46，事件705和706之间的距离为D56。事件704与剩余事件(即事件705和706)的距离之和等于(D45+D46)的值。事件705与剩余事件的距离之和等于(D45+D56)的值。事件706与剩余事件的距离之和等于(D46+D56)的值。
在子步骤S518中，数据聚类单元214可以被配置为将具有最小距离总和的充电事件设置为聚类的新聚类中心。例如，如图7D所示，由于(D45+D56)的值小于(D45+D46)的值或(D46+D56)的值，因此选择事件705作为新的聚类中心。如图7D所示，事件702和705(实心正方形)成为两个聚类的新聚类中心。
在子步骤S520中，数据聚类单元214可以被配置为通过将剩余充电事件关联到最近的新聚类中心来更新聚类。例如，如图7E所示，事件701被分配给新的聚类中心702；事件703、704和706与新的聚类中心705相关联。与图7D中的聚类分配相比，事件703在图7E中更改了其聚类标签，而其他事件没有更改其关联的聚类。
在子步骤S522中，数据聚类单元214可被配置为确定是否有任何充电事件改变其聚类标签。如果与步骤S514之后相比，在步骤S520之后没有充电事件改变其聚类标签(子步骤S522：否)，则数据聚类单元214可以完成聚类。如果一个或以上充电事件的聚类标签发生变化(例如，事件703将其聚类标签从与图7D中的第一个聚类相关联更改为与图7E中的第二个聚类相关联)(子步骤S522：是)，则可以重复子步骤S516-S522，直到与最近的新聚类中心关联后没有充电事件更改其聚类标签。
返回图3，在步骤S314中，处理器204的异常确定单元206可以配置为基于由数据聚类单元214获得的聚类结果来检测异常充电事件。与一些实施例一致，异常确定单元206可以将由数据聚类单元214获得的聚类标记为正常充电或异常充电。例如，具有更多充电事件的聚类可以被标记为正常情况，而另一个具有较少充电事件的聚类可以被标记为异常。在一些替代实施例中，异常确定单元206可以根据两个聚类的方差标记聚类。聚类的方差描述了充电事件之间的相似程度。实际上，正常聚类的充电事件可以比异常聚类的充电事件具有更相似的充电行为。
在步骤S316中，检测结果(例如，检测结果103)可以在显示设备(例如显示设备150)上显示，以进行进一步审查。与一些实施例一致，显示设备150可以图形化地显示正常聚类和异常聚类。与一些实施例一致，仅可提供异常充电事件和相应的车辆110和/或充电站120给显示器150进行显示。
在一些实施例中，通过方法300获得的检测结果103可用于训练用于检测异常充电事件的机器学习模型。例如，检测到的异常充电事件和剩余正常充电事件的充电数据102可以用作训练数据来训练机器学习模型。学习模型可用于从随后获取的充电数据中检测异常。例如，经过训练的机器学习模型可以在车辆或充电站中预编程，以实时检测异常充电事件。
本发明的另一方面涉及存储指令的非暂时性计算机可读介质，当执行该指令时，使一个或以上处理器执行上述方法。计算机可读介质可以包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如所公开的，计算机可读介质可以是具有存储在其上的计算机指令的存储设备或存储模块。在一些实施例中，计算机可读介质可以是具有存储在其上的计算机指令的磁盘或闪存驱动器。
对于本领域技术人员来说显而易见的是，可以对所公开的系统和相关方法进行各种修改和变化。考虑到所公开系统和相关方法的规范和实践，其他实施例将对本领域技术人员显而易见。
本说明书和示例仅被视为示例性的，真实范围由以下权利要求及其等效表示。

Claims (20)

1.一种检测异常充电事件的系统，包括：
通信接口，被配置为接收至少两个充电事件的多变量充电数据，每个充电事件的所述充电数据包括至少两个变量，每个变量对应一个充电特性；以及
至少一个处理器耦合到所述通信接口并被配置为：
基于两个充电事件的所述多变量充电数据，确定每两个充电事件之间的差异；
基于所述确定的差异对所述至少两个充电事件进行聚类；以及
基于聚类结果检测异常充电事件。
2.如权利要求1所述的系统，其特征在于，每个充电事件的所述多变量充电数据包括多变量时间序列，所述多变量时间序列包括在至少两个时间点处的至少两个变量的值。
3.如权利要求1所述的系统，其特征在于，所述至少两个变量对应电池的荷电状态(SoC)、充电电流、所需电流、电池组总电压、电池芯的最大电压或电池芯的最高温度中的至少两个。
4.如权利要求1所述的系统，其特征在于，为了确定每两个充电事件之间的差异，所述至少一个处理器进一步被配置为：
基于所述两个充电事件的所述多变量充电数据，为所述两个充电事件构建对齐矩阵；以及
基于所述对齐矩阵，计算所述两个充电事件之间的动态时间规整(DTW)距离。
5.如权利要求4所述的系统，其特征在于，为了计算所述两个充电事件之间的所述DTW距离，所述至少一个处理器进一步被配置为：
基于所述多变量充电数据的一个变量计算每个多变量差异；以及
计算所述DTW距离作为所述多变量差异的加权总和，每个多变量差异用预定的权重加权。
6.如权利要求1所述的系统，其特征在于，为了聚类所述充电事件，所述至少一个处理器被配置为：
选择两个充电事件作为初始聚类中心；
基于所述确定的差异，将剩余充电事件与距离其最近的聚类中心相关联；以及
使用与所述各个聚类相关联的所述充电事件重新计算所述聚类中心。
7.如权利要求6所述的系统，其特征在于，为了重新计算所述聚类中心，所述至少一个处理器进一步被配置为：
计算与一个聚类相关的每个充电事件和与同一聚类相关联的剩余充电事件的差异之和；以及
将具有最小差异之和的所述充电事件设置为所述聚类的新聚类中心。
8.如权利要求6所述的系统，其特征在于，所述两个充电事件包括第一充电事件和第二充电事件，所述第一充电事件和所述第二充电事件之间的差异是所述至少两个充电事件中任何两个充电事件之间的所有差异中最大的。
9.如权利要求1所述的系统，其特征在于，所述多变量充电数据来自正在充电的电动汽车或向所述电动汽车充电的充电站。
10.一种检测异常充电事件的方法，包括：
接收至少两个充电事件的多变量充电数据，每个充电事件的所述充电数据包括至少两个变量，每个变量对应一个充电特性；
基于两个充电事件的所述多变量充电数据，确定每两个充电事件之间的差异；
基于所述确定的差异对所述至少两个充电事件进行聚类；以及
基于聚类结果检测异常充电事件。
11.如权利要求10所述的方法，其特征在于，每个充电事件的所述多变量充电数据包括多变量时间序列，所述多变量时间序列包括在至少两个时间点处的至少两个变量的值。
12.如权利要求10所述的方法，其特征在于，所述至少两个变量对应电池的荷电状态(SoC)、充电电流、所需电流、电池组总电压、电池芯的最大电压或电池芯的最高温度中的至少两个。
13.如权利要求10所述的方法，其特征在于，确定每两个充电事件之间的差异进一步包括：
基于所述两个充电事件的所述多变量充电数据，为所述两个充电事件构建对齐矩阵；以及
基于所述对齐矩阵，计算所述两个充电事件之间的动态时间规整(DTW)距离。
14.如权利要求13所述的方法，其特征在于，计算所述两个充电事件之间的所述DTW距离进一步包括：
基于所述多变量充电数据的一个变量计算每个多变量差异；以及
计算所述DTW距离作为所述多变量差异的加权总和，每个多变量差异用预定的权重加权。
15.如权利要求10所述的方法，其特征在于，聚类所述充电事件进一步包括：
选择两个充电事件作为初始聚类中心；
基于所述确定的差异，将剩余充电事件与距离其最近的聚类中心相关联；以及
使用与所述各个聚类相关联的所述充电事件重新计算所述聚类中心。
16.如权利要求15所述的方法，其特征在于，重新计算所述聚类中心进一步包括：
计算与一个聚类相关的每个充电事件和与同一聚类相关联的剩余充电事件的差异之和；以及
将具有最小差异之和的所述充电事件设置为所述聚类的新聚类中心。
17.如权利要求15所述的方法，其特征在于，所述两个充电事件包括第一充电事件和第二充电事件，所述第一充电事件和所述第二充电事件之间的差异是所述至少两个充电事件中任何两个充电事件之间的所有差异中最大的。
18.如权利要求10所述的方法，其特征在于，所述多变量充电数据来自正在充电的电动汽车或向所述电动汽车充电的充电站。
19.一种非暂时性计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被一个或以上处理器执行时，该指令使得所述一个或以上处理器执行检测异常充电事件的方法，所述方法包括：
接收至少两个充电事件的多变量充电数据，每个充电事件的所述充电数据包括至少两个变量，每个变量对应于充电特性；
基于两个充电事件的所述多变量充电数据，确定每两个充电事件之间的差异；
基于所述确定的差异对所述至少两个充电事件进行聚类；以及
基于聚类结果检测异常充电事件。
20.如权利要求19所述的方法，其特征在于，每个充电事件的所述多变量充电数据包括多变量时间序列，所述多变量时间序列包括在至少两个时间点处的至少两个变量的值。
CN202080098776.5A 2020-08-14 2020-08-14 检测异常充电事件的系统和方法 Pending CN115315698A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/109337 WO2022032674A1 (en) 2020-08-14 2020-08-14 Systems and methods for detecting abnormal charging events

Publications (1)

Publication Number Publication Date
CN115315698A true CN115315698A (zh) 2022-11-08

Family

ID=80247568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080098776.5A Pending CN115315698A (zh) 2020-08-14 2020-08-14 检测异常充电事件的系统和方法

Country Status (2)

Country Link
CN (1) CN115315698A (zh)
WO (1) WO2022032674A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114880384B (zh) * 2022-07-11 2022-09-23 杭州宇谷科技有限公司 一种无监督二轮电动车充电时序异常检测方法及系统
CN115856669B (zh) * 2022-12-09 2023-09-26 东莞先知大数据有限公司 一种确定电动车改装电池的方法、电子设备和存储介质
CN116128351B (zh) * 2023-01-04 2024-03-26 南方电网产业投资集团有限责任公司 基于充电桩的资源转移方法、装置、计算机设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093775B (zh) * 2017-05-04 2019-09-27 广东电网有限责任公司电力科学研究院 一种串联结构电池组的一致性评价方法及装置
EP3441888A1 (en) * 2017-08-10 2019-02-13 Tata Consultancy Services Limited Method and system for model fitting to hierarchical time series clusters
CN109552104A (zh) * 2018-12-07 2019-04-02 广州小鹏汽车科技有限公司 一种充电控制方法、装置、设备、介质及充电桩
CN110008247B (zh) * 2018-12-13 2022-08-16 阿里巴巴集团控股有限公司 异常来源确定方法、装置、设备及计算机可读存储介质
CN111199016B (zh) * 2019-09-29 2023-11-07 国网湖南省电力有限公司 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN111241683A (zh) * 2020-01-14 2020-06-05 济南浪潮高新科技投资发展有限公司 一种基于动态时间规整的设备工况故障预测方法和系统

Also Published As

Publication number Publication date
WO2022032674A1 (en) 2022-02-17

Similar Documents

Publication Publication Date Title
CN115315698A (zh) 检测异常充电事件的系统和方法
US20180120384A1 (en) Tester for equipment, apparatus or component with distributed processing function
CN111610459B (zh) 用于预测电池组的放电曲线的系统、方法和存储介质
US10479204B2 (en) Failure determination apparatus and method for determining failure
US6871151B2 (en) Electronic battery tester with network communication
KR102335296B1 (ko) 무선 네트워크 기반 배터리 관리 시스템
CN112055912A (zh) 电池管理装置、电池信息处理系统以及电池信息处理方法
US10203375B2 (en) Method for ascertaining storage battery state, state-ascertaining system, and computer program
US20050017686A1 (en) Method and device for diagnosing rechargeable batteries
US20200284846A1 (en) Battery Diagnostic System for Estimating Capacity Degradation of Batteries
CN114148216B (zh) 电池自放电率异常检测方法、系统、设备及存储介质
CN113415165B (zh) 一种故障诊断方法、装置、电子设备及存储介质
CN113189495B (zh) 一种电池健康状态的预测方法、装置及电子设备
AU2021204479B2 (en) Battery failure or inadequate charge condition prediction method and system
WO2023185601A1 (zh) 一种电池健康状态信息确定方法、装置及电池系统
KR20160148583A (ko) 차량의 전기 배터리를 모니터링하기 위한 방법 및 디바이스
JP2020009646A (ja) 電池情報処理システム、電池情報処理方法及びコンピュータプログラム
US20200269709A1 (en) Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
CN115718258A (zh) 电池故障检测
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN114200323A (zh) 电池短路故障预警信息生成方法和装置、设备、介质
CN113595174A (zh) 电池管理方法、装置、设备和服务器
CN110945369A (zh) 充电装置的测试系统和方法
CN115808622A (zh) 电池故障识别方法、装置、设备和存储介质
JP6721170B1 (ja) 非常用充放電器の遠隔監視システム

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