CN116577671B - 电池系统异常检测方法及装置 - Google Patents
电池系统异常检测方法及装置 Download PDFInfo
- Publication number
- CN116577671B CN116577671B CN202310848028.XA CN202310848028A CN116577671B CN 116577671 B CN116577671 B CN 116577671B CN 202310848028 A CN202310848028 A CN 202310848028A CN 116577671 B CN116577671 B CN 116577671B
- Authority
- CN
- China
- Prior art keywords
- sparse
- basis function
- spatial
- data matrix
- index value
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000005856 abnormality Effects 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 132
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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]
- G01R31/367—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
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本公开提出一种电池系统异常检测方法及装置,涉及异常检测技术领域。包括:基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵;分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数;基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数;基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值;基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。由此,可以精确定位异常,将空间基函数变化最大的空间位置视为异常位置,可以一定程度上提升稀疏传感器配置下的电池异常检测精度问题。
Description
技术领域
本公开涉及异常检测技术领域,尤其涉及一种电池系统异常检测方法及装置。
背景技术
电池系统异常检测是指通过对电池系统的参数、状态和行为等进行实时监测和分析,发现其中存在的异常情况,并及时报警或采取措施来避免进一步的损害。由于电池使用环境和工作状态的多变性,电池系统异常的类型与原因也杂和多样化,需要综合运用各种物理模型、统计学方法和机器学习算法等技术手段进行识别和判别。
因而,如何精确的定位电池的异常位置是目前亟需解决的问题。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种电池系统异常检测方法,包括:
基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵;
分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数;
基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数;
基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值;
基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。
本公开第二方面实施例提出了一种电池系统异常检测装置,包括:
获取模块,用于基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵;
第一确定模块,用于分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数;
构建模块,用于基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数;
第二确定模块,用于基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值;
第三确定模块,用于基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。
本公开第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的电池系统异常检测方法。
本公开第四方面实施例提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现如本公开第一方面实施例提出的电池系统异常检测方法。
本公开提供的电池系统异常检测方法及装置,存在如下有益效果:
本公开实施例中,首先基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵,之后分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数,之后基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数,然后基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值,最后基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。由此,首先提出了一种电池的二维空间结构,用于稀疏传感下的电池热过程建模,并建立了随机不确定性下可靠异常检测的综合检测指标根据基于空间基函数的变化计算残差,来精确定位异常,空间基函数变化最大的空间位置视为异常位置,相比传统单一维度指标体系更具鲁棒性,可以一定程度上提升稀疏传感器配置下的电池异常检测精度问题。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本公开一实施例所提供的一种电池系统异常检测方法的流程示意图;
图2为一种全传感器和稀疏传感器的测量示意图;
图3为本公开另一实施例所提供的一种电池系统异常检测方法的流程示意图;
图4为本公开另一实施例所提供的电池系统异常检测装置的结构示意图;
图5示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的电池系统异常检测方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种电池系统异常检测方法的流程示意图。
本公开实施例以该电池系统异常检测方法被配置于电池系统异常检测装置中来举例说明,该电池系统异常检测装置可以应用于任一电子设备中,比如手机、电脑、计算机,以使该电子设备可以执行电池系统异常检测方法,或者也可以是服务器,在此不做限定。
如图1所示,该电池系统异常检测方法可以包括以下步骤:
步骤101,基于电池对应的二维分布参数模型,获取电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵。
其中,二维分布参数系统,例如软包电池热过程,可以通过二阶偏微分方程描述如下:
受以下边界条件限制:1、2、/>。
初始条件为:
其中,表示表示时空状态,/>和/>表示空间坐标;是时间变量,/>是电池单体的厚度,/>和/>分别表示电池单体的密度和比热容,是一个包含非线性空间微分算子的函数,/>是热量产生率或具有空间分布的操纵输入,/>表示未知异常,/>和/>是两个未知的非线性函数,/>是指初始输出的平滑函数。
可选的,可以利用多尺度动态分析(MDA)可以用来捕捉空间和时间特征的偏差,从而监测过程的状态。对于稀疏传感下的异常检测和定位,提出了如下二维空间结构。其中,允许和/>表示从二维分布参数模型中测量的完整数据矩阵和相应的稀疏数据矩阵,矩阵/>和/>可以表示为:
其中,,/>表示采样时间窗口长度,/>和/>表示沿/>和分别在全传感器测量下的方向,/>和/>表示沿/>和/>分别在稀疏传感器测量下的方向,/>和/>,/>和/>表示在/>时刻的全传感器测量和稀疏传感器测量的信息。
如图2所示,图2为一种全传感器和稀疏传感器的测量示意图。
步骤102,分别根据全数据矩阵和稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数。
可选的,通过时空分离,全空间基函数、稀疏空间基函数可分别从全数据矩阵/>和稀疏数据矩阵/>导出。
电池系统在线运行时,只能测得稀疏数据。因此,稀疏传感器测量和全传感器测量之间的映射根据式构建如下:
其中,是稀疏空间基函数/>至全空间基函数/>的映射方程,/>表示对应于/>的时间系数。
映射函数可以描述如下:
在系统离线时,可以使用大量实验数据来识别以及推导映射函数。
步骤103,基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数。
为了准确定位异常位置,一组连续空间基函数应基于式中的离散空间基函数获得,/>表示所识别异常的发生时间。连续空间基函数/>由以下优化条件下构建:
其中,是由式中的映射函数导出的第/>个离散空间基函数,/>表示在/>和/>方向有/>个连续偏导数二维函数集。
步骤104,基于稀疏数据矩阵,确定任一时刻对应的空间分异指标值。
空间基函数反映了该过程的空间特征。因此,空间基函数的变化可以用来确定系统是否处于正常状态。为了实现快速准确的异常检测,需要优先考虑更重要的空间基函数。各空间基函数对系统的影响分析如下。
对于测量获得的数据矩阵,忽略第/>个空间模模态的重构平均误差是收敛的,并且表示如下:
(10)
其中,表示忽略第/>个空间模态;/>表示基于奇异值分解方法(SVD)的第/>个奇异值。根据式以及/>, 第一个空间基函数对于该过程来说是最重要的。使用最重要的空间基函数进行分异分析,以实现快速异常检测。空间分异指标/>定义为:
其中,表示初始稀疏数据矩阵/>的第一个稀疏空间基函数。/>表示稀疏数据矩阵/>的第一个稀疏空间基函数。
步骤105,基于空间分异指标值,判断任一时刻是否为异常时间,并基于连续空间基函数确定电池的异常位置。
具体的,可以首先比较空间分异指标值是否等于参考信号,若空间分异指标值大于参考信号,确定任一时刻为异常时间。
其中,参考信号可以为用于表征空间分异指标值的参考值。若空间分异指标值大于参考信号,确定任一时刻为异常时间,若空间分异指标值小于或者等于参考信号,确定任一时刻为正常时间。
进一步地,可以基于连续空间基函数,计算用于反映空间基函数变化的空间残差,之后将空间残差最大值对应的空间位置作为电池的异常位置。
空间基函数反映了该过程的空间特征。因此,空间基函数的变化可以用于如下估计异常的位置:
其中,是反映空间基函数变化的空间残差,/>表示第/>个实时连续空间基函数,/>表示对应/>的第/>个初始连续空间基函数,/>表示初始数据矩阵/>的第/>个离散空间基函数,/>最大值对应的空间位置为异常位置。
本公开实施例中,首先基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵,之后分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数,之后基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数,然后基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值,最后基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。由此,首先提出了一种电池的二维空间结构,用于稀疏传感下的电池热过程建模,并建立了随机不确定性下可靠异常检测的综合检测指标根据基于空间基函数的变化计算残差,来精确定位异常,空间基函数变化最大的空间位置视为异常位置,相比传统单一维度指标体系更具鲁棒性,可以一定程度上提升稀疏传感器配置下的电池异常检测精度问题。
图3为本公开一实施例所提供的一种电池系统异常检测方法的流程示意图。
如图3所示,该电池系统异常检测方法可以包括以下步骤:
步骤201,基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵。
步骤202,分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数。
步骤203,基于全空间基函数和稀疏空间基函数,构建连续空间基函数。
步骤204,基于稀疏数据矩阵,确定任一时刻对应的空间分异指标值。
需要说明的是,步骤201-204的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤205,获取与所述任一时刻对应的霍特林检验的统计量。
霍特林检验的统计量构造如下:
其中,霍特林检验统计量反映了系统变量随时间的波动。
步骤206,根据所述统计量和所述空间分异指标值,判断所述任一时刻是否为异常时间。
可选的,首先可以确定所述统计量和所述空间分异指标值分别与对应的参考信息之间的第一比值和第二比值,之后可以将第一比值和所述第二比值进行加权求和,得到多尺度检测指标值,然后可以比较所述多尺度检测指标值是否等于参考信号,最后若所述多尺度检测指标值大于所述参考信号,确定所述任一时刻为异常时间。
空间分异指标反映了空间基函数的变化,而霍特林/>检验统计量反映了系统变量随时间的波动。它们中的每一个只代表一个子尺度(空间或时间)的动态。因此必须结合起来以反映系统的整体动态。因此,多尺度检测指标/>构造如下:
其中,和/>分别是/>和/>的参考信息;/>是一个权重参数。本发明提出的多尺度检测指标/>同时考虑了空间和时间动力学,比传统的异常检测指标更具鲁棒性。
进一步地,比较所述多尺度检测指标值是否等于参考信号,如果/>,则此过程正常,如果/>, 则此过程异常并记录异常时间/>。
本公开实施例中,首先基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵,然后分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数,之后基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数,然后基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值,之后获取与所述任一时刻对应的霍特林检验的统计量,之后根据所述统计量和所述空间分异指标值,判断所述任一时刻是否为异常时间。由此,首先提出了一种电池的二维空间结构,用于稀疏传感下的电池热过程建模,并建立了随机不确定性下可靠异常检测的综合检测指标根据基于空间基函数的变化计算残差,来精确定位异常,空间基函数变化最大的空间位置视为异常位置,并根据所述统计量和所述空间分异指标值建立多尺度监测指标,相比传统单一维度指标体系更具鲁棒性,可以一定程度上提升稀疏传感器配置下的电池异常检测精度问题。
为了实现上述实施例,本公开还提出一种电池系统异常检测装置。
图4为本公开实施例所提供的电池系统异常检测装置的结构示意图。
如图4所示,该电池系统异常检测装置300可以包括:
获取模块310,用于基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵;
第一确定模块320,用于分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数;
构建模块330,用于基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数;
第二确定模块340,用于基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值;
第三确定模块350,用于基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。
可选的,所述第三确定模块,具体用于:
比较所述空间分异指标值是否等于参考信号;
若所述空间分异指标值大于所述参考信号,确定所述任一时刻为异常时间。
可选的,所述第二确定模块,还包括:
获取单元,用于获取与所述任一时刻对应的霍特林检验的统计量;
判断单元,用于根据所述统计量和所述空间分异指标值,判断所述任一时刻是否为异常时间。
可选的,所述第三确定模块,具体用于:
基于所述连续空间基函数,计算用于反映空间基函数变化的空间残差;
将所述空间残差最大值对应的空间位置作为所述电池的异常位置。
可选的,所述判断单元,具体用于:
确定所述统计量和所述空间分异指标值分别与对应的参考信息之间的第一比值和第二比值;
将所述第一比值和所述第二比值进行加权求和,得到多尺度检测指标值;
比较所述多尺度检测指标值是否等于参考信号;
若所述多尺度检测指标值大于所述参考信号,确定所述任一时刻为异常时间。
本公开实施例中,首先基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵,之后分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数,之后基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数,然后基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值,最后基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置。由此,首先提出了一种电池的二维空间结构,用于稀疏传感下的电池热过程建模,并建立了随机不确定性下可靠异常检测的综合检测指标根据基于空间基函数的变化计算残差,来精确定位异常,空间基函数变化最大的空间位置视为异常位置,相比传统单一维度指标体系更具鲁棒性,可以一定程度上提升稀疏传感器配置下的电池异常检测精度问题。
为了实现上述实施例,本公开还提出一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的电池系统异常检测方法。
为了实现上述实施例,本公开还提出一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,实现如本公开前述实施例提出的电池系统异常检测方法。
图5示出了适于用来实现本公开实施方式的示例性电子设备的框图。图5显示的电子设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种电池系统异常检测方法,其特征在于,包括:
基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵,其中,所述全数据矩阵为全传感器测量的数据,所述稀疏数据矩阵为稀疏传感器测量的数据;
分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数,其中,通过时空分离,分别从全数据矩阵和稀疏数据矩阵导出全空间基函数、稀疏空间基函数;
稀疏传感器测量和全传感器测量之间的映射构建如下:
其中,是稀疏空间基函数/>至全空间基函数/>的映射方程,/>表示对应于/>的时间系数,yt表示在t时刻的全传感器测量的信息;
映射函数:
其中,使用大量实验数据来识别以及推导映射函数;
基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数;
基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值,其中,空间分异指标定义为:
其中,表示初始稀疏数据矩阵/>的第一个稀疏空间基函数,/>表示稀疏数据矩阵的第一个稀疏空间基函数;
基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置;
所述基于所述连续空间基函数确定所述电池的异常位置,包括:
基于所述连续空间基函数,计算用于反映空间基函数变化的空间残差;
将所述空间残差最大值对应的空间位置作为所述电池的异常位置。
2.根据权利要求1所述的方法,其特征在于,所述基于所述空间分异指标值,判断所述任一时刻是否为异常时间,包括:
比较所述空间分异指标值是否等于参考信号;
若所述空间分异指标值大于所述参考信号,确定所述任一时刻为异常时间。
3.根据权利要求1所述的方法,其特征在于,在所述基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值之后,还包括:
获取与所述任一时刻对应的霍特林检验的统计量;
根据所述统计量和所述空间分异指标值,判断所述任一时刻是否为异常时间。
4.根据权利要求3所述的方法,其特征在于,所述根据所述统计量和所述空间分异指标值,判断所述任一时刻是否为异常时间,包括:
确定所述统计量和所述空间分异指标值分别与对应的参考信息之间的第一比值和第二比值;
将所述第一比值和所述第二比值进行加权求和,得到多尺度检测指标值;
比较所述多尺度检测指标值是否等于参考信号;
若所述多尺度检测指标值大于所述参考信号,确定所述任一时刻为异常时间。
5.一种电池系统异常检测装置,其特征在于,包括:
获取模块,用于基于电池对应的二维分布参数模型,获取所述电池在指定采样时间窗口内对应的全数据矩阵和稀疏数据矩阵,其中,所述全数据矩阵为全传感器测量的数据,所述稀疏数据矩阵为稀疏传感器测量的数据;
第一确定模块,用于分别根据所述全数据矩阵和所述稀疏数据矩阵确定各个全空间基函数和稀疏空间基函数,其中,通过时空分离,分别从全数据矩阵和稀疏数据矩阵导出全空间基函数、稀疏空间基函数;
稀疏传感器测量和全传感器测量之间的映射构建如下:
其中,是稀疏空间基函数/>至全空间基函数/>的映射方程,/>表示对应于/>的时间系数,yt表示在t时刻的全传感器测量的信息;
映射函数:
其中,使用大量实验数据来识别以及推导映射函数;
构建模块,用于基于所述全空间基函数和稀疏空间基函数,构建连续空间基函数;
第二确定模块,用于基于所述稀疏数据矩阵,确定任一时刻对应的空间分异指标值,其中,空间分异指标定义为:
其中,表示初始稀疏数据矩阵/>的第一个稀疏空间基函数,/>表示稀疏数据矩阵的第一个稀疏空间基函数;
第三确定模块,用于基于所述空间分异指标值,判断所述任一时刻是否为异常时间,并基于所述连续空间基函数确定所述电池的异常位置;
所述第三确定模块,还用于:基于所述连续空间基函数,计算用于反映空间基函数变化的空间残差;
将所述空间残差最大值对应的空间位置作为所述电池的异常位置。
6.根据权利要求5所述的装置,其特征在于,所述第三确定模块,具体用于:
比较所述空间分异指标值是否等于参考信号;
若所述空间分异指标值大于所述参考信号,确定所述任一时刻为异常时间。
7.根据权利要求5所述的装置,其特征在于,所述第二确定模块,还包括:
获取单元,用于获取与所述任一时刻对应的霍特林检验的统计量;
判断单元,用于根据所述统计量和所述空间分异指标值,判断所述任一时刻是否为异常时间。
8.根据权利要求7所述的装置,其特征在于,所述判断单元,具体用于:
确定所述统计量和所述空间分异指标值分别与对应的参考信息之间的第一比值和第二比值;
将所述第一比值和所述第二比值进行加权求和,得到多尺度检测指标值;
比较所述多尺度检测指标值是否等于参考信号;
若所述多尺度检测指标值大于所述参考信号,确定所述任一时刻为异常时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310848028.XA CN116577671B (zh) | 2023-07-12 | 2023-07-12 | 电池系统异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310848028.XA CN116577671B (zh) | 2023-07-12 | 2023-07-12 | 电池系统异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577671A CN116577671A (zh) | 2023-08-11 |
CN116577671B true CN116577671B (zh) | 2023-09-29 |
Family
ID=87536250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310848028.XA Active CN116577671B (zh) | 2023-07-12 | 2023-07-12 | 电池系统异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577671B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427351A (zh) * | 2015-11-02 | 2016-03-23 | 西北工业大学 | 基于流形结构化稀疏先验的高光谱图像压缩感知方法 |
CN105825200A (zh) * | 2016-03-31 | 2016-08-03 | 西北工业大学 | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 |
CN109615612A (zh) * | 2018-11-20 | 2019-04-12 | 华南理工大学 | 一种太阳能电池板的缺陷检测方法 |
WO2021185044A1 (zh) * | 2020-03-19 | 2021-09-23 | 中南大学 | 基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质 |
CN113537525A (zh) * | 2021-07-23 | 2021-10-22 | 四川大学 | 一种电池储能系统故障状态自适应预警方法 |
WO2022068155A1 (zh) * | 2020-09-30 | 2022-04-07 | 山东科技大学 | 一种间歇异常测量检测下系统的状态估计方法 |
CN114357670A (zh) * | 2021-11-26 | 2022-04-15 | 广东电力通信科技有限公司 | 一种基于bls和自编码器的配电网用电数据异常预警方法 |
CN114841076A (zh) * | 2022-05-18 | 2022-08-02 | 杭州电子科技大学 | 基于时空图模型的动力电池生产工艺波动异常检测方法 |
CN114923503A (zh) * | 2022-04-11 | 2022-08-19 | 北京航空航天大学 | 一种基于主元分析的在轨航天器陀螺仪和星敏感器故障诊断方法 |
CN116090333A (zh) * | 2022-12-14 | 2023-05-09 | 东南大学 | 基于感知盲区估计的城市公共空间灾害建模与预防系统 |
CN116185694A (zh) * | 2023-03-06 | 2023-05-30 | 重庆大学 | 一种基于相似度的多元时间序列异常检测与诊断方法 |
-
2023
- 2023-07-12 CN CN202310848028.XA patent/CN116577671B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427351A (zh) * | 2015-11-02 | 2016-03-23 | 西北工业大学 | 基于流形结构化稀疏先验的高光谱图像压缩感知方法 |
CN105825200A (zh) * | 2016-03-31 | 2016-08-03 | 西北工业大学 | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 |
CN109615612A (zh) * | 2018-11-20 | 2019-04-12 | 华南理工大学 | 一种太阳能电池板的缺陷检测方法 |
WO2021185044A1 (zh) * | 2020-03-19 | 2021-09-23 | 中南大学 | 基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质 |
WO2022068155A1 (zh) * | 2020-09-30 | 2022-04-07 | 山东科技大学 | 一种间歇异常测量检测下系统的状态估计方法 |
CN113537525A (zh) * | 2021-07-23 | 2021-10-22 | 四川大学 | 一种电池储能系统故障状态自适应预警方法 |
CN114357670A (zh) * | 2021-11-26 | 2022-04-15 | 广东电力通信科技有限公司 | 一种基于bls和自编码器的配电网用电数据异常预警方法 |
CN114923503A (zh) * | 2022-04-11 | 2022-08-19 | 北京航空航天大学 | 一种基于主元分析的在轨航天器陀螺仪和星敏感器故障诊断方法 |
CN114841076A (zh) * | 2022-05-18 | 2022-08-02 | 杭州电子科技大学 | 基于时空图模型的动力电池生产工艺波动异常检测方法 |
CN116090333A (zh) * | 2022-12-14 | 2023-05-09 | 东南大学 | 基于感知盲区估计的城市公共空间灾害建模与预防系统 |
CN116185694A (zh) * | 2023-03-06 | 2023-05-30 | 重庆大学 | 一种基于相似度的多元时间序列异常检测与诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116577671A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5186322B2 (ja) | 時系列データ解析システム、方法及びプログラム | |
US10095774B1 (en) | Cluster evaluation in unsupervised learning of continuous data | |
CN108009692A (zh) | 设备维修信息处理方法、装置、计算机设备和存储介质 | |
JP7040851B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
JP2005257416A (ja) | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 | |
JP2015170121A (ja) | 異常診断装置及びプログラム | |
CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
JP4148524B2 (ja) | 相関性を評価するシステム、および、その方法 | |
CN111080009A (zh) | 基于时间序列的数据预测及补全方法、装置、介质和设备 | |
CN111104736A (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
US7751910B2 (en) | High-accuracy virtual sensors for computer systems | |
CN111811694A (zh) | 一种温度校准方法、装置、设备及存储介质 | |
WO2020162069A1 (ja) | 異常検知装置 | |
CN116342599A (zh) | 缺陷检测设备的点检方法、装置、设备和存储介质 | |
CN116577671B (zh) | 电池系统异常检测方法及装置 | |
US20090271643A1 (en) | Real-time inference of power efficiency metrics for a computer system | |
CN116400249A (zh) | 储能电池的检测方法及装置 | |
US10819368B2 (en) | Method for compressing and restoring time series data | |
CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
CN114495438A (zh) | 基于多传感器的灾害预警方法、系统、设备及存储介质 | |
CN110263811B (zh) | 一种基于数据融合的设备运行状态监测方法及系统 | |
TWI572879B (zh) | 評估電池之殘電量狀態之電子裝置及方法 |
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 |