CN116628616B - 一种大功率充电能源的数据处理方法及系统 - Google Patents
一种大功率充电能源的数据处理方法及系统 Download PDFInfo
- Publication number
- CN116628616B CN116628616B CN202310889453.3A CN202310889453A CN116628616B CN 116628616 B CN116628616 B CN 116628616B CN 202310889453 A CN202310889453 A CN 202310889453A CN 116628616 B CN116628616 B CN 116628616B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- data point
- row
- point
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000035772 mutation Effects 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims 1
- 238000007726 management method Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本申请涉及数据处理领域，提供一种大功率充电能源的数据处理方法及系统，包括：采集充电能源的使用参数，得到待分析矩阵；计算待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数；基于关联系数以及平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的融合特征值从待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据；对待检测数据进行异常检测，进而确定待检测数据中的异常数据。该方法根据数据点的融合特征值将采集的数据中的正常数据剔除，仅对疑似异常数据的待检测数据进行异常检测，能够减小计算量，大大提高算法运行速度。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种大功率充电能源的数据处理方法及系统。
背景技术
大功率充电（快充）能源解决了传统充电能源较慢的问题，被广泛应用到人们的日常生活中。比如，大功率充电能源在新能源汽车领域得到了广泛应用。虽然大功率充电能源带来很多的便利，但是也带来了许多问题，如大功率充电能源的散热问题，充电能源线路老化等问题，其数据容易产生异常现象。因此，目前一般通过大功率充电能源相关数据进行异常监测，进而对异常部位的异常现象加以控制。
随着数据处理领域的发展，通过对大功率充电能源进行数据采集，利用局部异常检测，来实现大功率充电能源的异常管理。比如，LOF局部异常检测，它是一种基于密度且适用于对不同密度的数据的异常检测。但是，传统的LOF算法需要遍历整个数据集并计算每个数据点的LOF值，计算量大，导致算法运行的速度比较慢。
发明内容
本发明提供一种大功率充电能源的数据处理方法及系统，该方法根据数据点的融合特征值将采集的数据中的正常数据剔除，仅对疑似异常数据的待检测数据进行异常检测，能够减小计算量，大大提高算法运行速度。
第一方面，本申请提供一种大功率充电能源的数据处理方法，包括：
采集充电能源的充电宝的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果；
计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数；
基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据；
对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据。
可选地，计算所述待分析矩阵中每一行数据序列的关联系数，包括：
基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数。
可选地，基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数，包括：
计算所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，所述皮尔逊相关系数表征任意两行数据序列的相关性；
基于每一行数据序列的第一当前数据点与第一当前数据点的相邻数据点的差值与第一当前数据点的比值计算第一当前数据点的增长率；
基于所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数。
可选地，所述增长率的计算方式为：
其中，表示每一行数据序列中第j个数据点的增长率，/>表示每一行数据序列中第j+1个数据点的数值，/>表示每一行数据序列中第j个数据点的数值；
关联系数的计算方式为：
其中，表示第i行数据序列的关联系数，/>表示待分析矩阵中除第i行数据序列外其余的数据序列的数目，/>表示第i行数据序列与第d行数据序列的皮尔逊相关系数，表示归一化函数，/>表示待分析矩阵的列数，/>表示第i行数据序列中第j个数据点的增长率，/>表示第d行数据序列中第j个数据点的增长率。
可选地，所述方法还包括：
计算每一行数据序列中相邻两个数据点之间的差值，每一行数据序列中计算的所有差值组成所述数据序列对应的差分序列。
可选地，计算每一行数据序列对应的差分序列中每一数据点的平稳指数，包括：
计算差分序列中每一数据点的距离序列；
基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数。
可选地，计算差分序列中每一数据点的距离序列，包括：
利用启发式分割算法计算差分序列中的突变点；
计算所述差分序列中第二当前数据点与每一突变点之间的距离，第二当前数据点与所有突变点之间的距离组成第二当前数据点的距离序列。
可选地，基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数，包括：
如果差分序列中第二当前数据点k为差分序列的第一个数据点，则基于所述第二当前数据点的距离序列与位于第二当前数据点之后且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中第二当前数据点k的距离序列，/>表示第i行差分序列中位于第二当前数据点之后且相邻的数据点/>的距离序列，DTW表示动态时间规整算法，e表示自然常数；
如果差分序列中第二当前数据点k在差分序列的第一个数据点和最后一个数据点之间，则基于所述第二当前数据点的距离序列、位于第二当前数据点之后且相邻的数据点的距离序列、位于第二当前数据点之前且相邻的数据点的距离序列计算所述差分序列中第二当前数据点的平稳指数；第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，c表示与第二当前数据点k相邻的数据点的数目，取值为2，表示第i行差分序列中第二当前数据点k的第b个相邻数据点的距离序列；
如果差分序列中第二当前数据点k为差分序列中最后一个数据点，则基于所述第二当前数据点的距离序列与位于第二当前数据点之前且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中位于第二当前数据点之前且相邻的数据点的距离序列。
可选地，基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，包括：
其中，表示第i行数据序列中第k个数据点的融合特征值，/>表示第i行数据序列的关联系数，/>表示第i行差分序列中第k个数据点的平稳指数，m表示待分析矩阵的行数，e表示自然常数；
基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据，包括：
将数据序列中融合特征值大于阈值的数据点作为疑似异常数据的待检测数据；
对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据，包括：
利用LOF异常检测算法对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据；
确定所述异常数据对应的时间和位置，从而对所述充电能源进行处理。
第二方面，本申请还提供一种大功率充电能源的数据处理系统，包括：
数据采集模块，用于采集充电能源的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果；
第一计算模块，用于计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数；
第二计算模块，用于基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据；
异常检测模块，用于对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据。
本申请的有益效果，区别于现有技术，本申请的一种大功率充电能源的数据处理方法及系统，包括：采集充电能源的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果；计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数；基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据；对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据。该方法根据数据点的融合特征值将采集的数据中的正常数据剔除，仅对疑似异常数据的待检测数据进行异常检测，能够减小计算量，大大提高算法运行速度。
附图说明
图1为本发明一种大功率充电能源的数据处理方法的一实施例的流程示意图；
图2为图1中步骤S12的计算差分序列中数据点的平稳指数的一实施例的流程示意图；
图3为本发明一种大功率充电能源的数据处理系统的一实施例的结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术实现大功率充电能源的异常管理时，利用LOF算法遍历整个数据集并计算每个数据点的LOF值，计算量大，导致算法运行的速度比较慢。基于该问题，本申请提供一种大功率充电能源的数据处理方法及系统，该方法根据数据点的融合特征值将采集的数据中的正常数据剔除，仅对疑似异常数据的待检测数据进行异常检测，能够减小计算量，大大提高算法运行速度。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明一种大功率充电能源的数据处理方法的一实施例的流程示意图，具体包括：
步骤S11：采集充电能源的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果。
当大功率充电能源的移动便携式充电宝的使用环境较差时，有较大的可能会导致充电宝的损坏，继续充电甚至带来一系列的安全性问题。因此，本发明通过多种传感器对大功率充电能源的移动便携式充电宝的多维参数进行数据采集，获取多维数据序列，将其作为异常数据管理的基础数据。
具体的，通过电压传感器、电流传感器以及温度传感器，分别对移动便携式充电宝充电环境下的电压、电流以及温度进行数据采集，每种数据参数的采集时间间隔为t，采集次数为n。本发明中，采集时间间隔t为1s,采集次数n为600，实施者可根据需要自行选择采集时间间隔和采集次数。
以上述采集到的数据为基础数据，构造待分析矩阵，即：
式子中，待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果，表示第m个类型参数的第n次采集的数据结果，/>表示第1个类型参数的第1次采集的数据结果，/>表示第1个类型参数的第n次采集的数据结果，/>表示第m个类型参数的第1次采集的数据结果，异常分析矩阵中一行数据序列表示某个类型参数的时间数据序列。可以理解的，本申请的m可以为3，即待分析矩阵/>包括3行数据序列，分别为电压数据序列、电流数据序列和温度数据序列。当然在另一实施例中还可以包括其他数据序列，例如功率等，具体不做限定。
至此，根据采集到的多维数据序列，得到了待分析矩阵，用于进行后续的异常数据管理。
步骤S12：计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数。
在一实施例中，基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数。
具体的，充电宝充电时，电流、电压以及温度之间存在一定程度上的相关性。如，充电宝的充电功率固定，一般来讲，电流增大，电压会减小；充电宝的温度越高，容易导致内部线路的烧坏，电流以及电压有较大的可能会产生异常情况。基于此，计算所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，所述皮尔逊相关系数表征任意两行数据序列的相关性。
基于每一行数据序列的第一当前数据点与第一当前数据点的相邻数据点的差值与第一当前数据点的比值计算第一当前数据点的增长率。在一具体实施例中，增长率的计算方式为：
其中，表示每一行数据序列中第j个数据点的增长率，/>表示每一行数据序列中第j+1个数据点的数值，/>表示每一行数据序列中第j个数据点的数值。
基于所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数。在一具体实施例中，关联系数的计算方式为：
其中，表示第i行数据序列的关联系数，/>表示待分析矩阵中除第i行数据序列外其余的数据序列的数目，/>表示第i行数据序列与第d行数据序列的皮尔逊相关系数，表示归一化函数，/>表示待分析矩阵的列数，/>表示第i行数据序列中第j个数据点的增长率，/>表示第d行数据序列中第j个数据点的增长率，| |表示取绝对值符号。
第i行数据序列与其他的行数据序列之间的皮尔逊相关系数绝对值越大，说明此数据序列与其他数据序列之间的相关性关系越强，则行数据序列的关联系数/>越大。同时，第i行数据序列与第d行数据序列中第j个数值点的增长率差值的绝对值越小，说明在相同时刻采集到的数据之间的联系越深，即第i行数据序列中第j个数据点的数值的增长率变大，第d行数据序列中第j个数据点的数值的增长率也相应变大，致使绝对值/>越小，则行数据序列的关联系数/>越大。
计算得到待分析矩阵中每一行数据序列的关联系数之后，进一步计算每一行数据序列对应的差分序列中每一数据点的平稳指数。具体的，计算每一行数据序列中相邻两个数据点之间的差值，每一行数据序列中计算的所有差值组成所述数据序列对应的差分序列。
在一实施例中，基于上述的分析，对待分析矩阵的某一行数据序列中数据点的相关性进行分析，以第i行数据序列为例，将第i行数据序列中相邻两个数据点做差，如，即第i行数数据序列中第一个数据点减去第二个数据点，得到差值的绝对值/>，对其他数据点同样进行此计算，得到第i行序列的差分序列/>，即：
其中，为第i行数据序列中第一个数据点与第二个数据点之间的差值绝对值，为第i行数据序列中第二个数据点与第三个数据点之间的差值绝对值，/>为第i行数据序列中第三个数据点与第四个数据点之间的差值绝对值，/>为第i行数据序列中第n-1个数据点与第n个数据点之间的差值绝对值。
可以理解的，将第i行数据序列中相邻的数据点作差得到差分序列，差分序列的长度为原始序列长度n减一。差分序列中的数值的变化规律可以反映原始数据的变化特征。
计算得到待分析矩阵每一行数据序列对应的差分序列后，计算每一行数据序列对应的差分序列中每一数据点的平稳指数，可以消除大功率充电能源的充电宝循环充电过程中数据变化率较快对检测结果的影响。
在一实施例中，请结合图2，图2为每一行数据序列对应的差分序列中每一数据点的平稳指数的计算方式的一实施例的流程示意图，具体包括：
步骤S21：计算差分序列中每一数据点的距离序列。
根据得到的差分序列，在此利用启发式分割算法（BG分割算法）得到差分序列中的突变点，记为。
计算所述差分序列中第二当前数据点与每一突变点之间的距离，第二当前数据点与所有突变点之间的距离组成第二当前数据点的距离序列。具体的，第二当前数据点与突变点之间的距离计算方式为：
式子中，表示第i行差分序列中第k个数据点的第q个距离变化标量，表征第k个数据点与第i行向量中第q个突变点之间的距离，/>表示第i行差分序列中突变点的数目，/>表示第i行差分序列中第k个数据点，/>表示第i行差分序列中第q个突变点，其中，q的取值为/>，/>表示欧式距离。
由此，每行差分序列中的每个元素都会得到一个距离序列，记为：；其中，/>表示第i行差分序列中第k个数据点的距离序列，/>表示第i行差分序列中第k个数据点与第Q个突变点之间的距离，为第i行差分序列中第k个数据点与第1个突变点之间的距离，/>为第i行差分序列中第k个数据点与第2个突变点之间的距离。
步骤S22：基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数。
至此，每行差分序列中每个数据点都可以得到一个距离序列，通过对相邻距离序列之间的相关性进行分析，计算平稳指数，其有意效果在于消除大功率充电宝循环充电过程中数据变化率较快对相关性的影响。
具体的，如果差分序列中第二当前数据点k为差分序列的第一个数据点，即k=1，则基于所述第二当前数据点的距离序列与位于第二当前数据点之后且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中第二当前数据点k的距离序列，/>表示第i行差分序列中位于第二当前数据点之后且相邻的数据点/>的距离序列，DTW表示动态时间规整算法，e表示自然常数；
如果差分序列中第二当前数据点k在差分序列的第一个数据点和最后一个数据点之间，即2≤k≤n-2，则基于所述第二当前数据点的距离序列、位于第二当前数据点之后且相邻的数据点的距离序列、位于第二当前数据点之前且相邻的数据点的距离序列计算所述差分序列中第二当前数据点的平稳指数；第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，c表示与第二当前数据点k相邻的数据点的数目，取值为2，表示第i行差分序列中第二当前数据点k的第b个相邻数据点的距离序列；
如果差分序列中第二当前数据点k为差分序列中最后一个数据点，即k=n-1，则基于所述第二当前数据点的距离序列与位于第二当前数据点之前且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中位于第二当前数据点之前且相邻的数据点的距离序列。
计算平稳指数的函数为分段函数，这是因为差分序列中每个数据点的平稳指数，是通过衡量相邻差分序列中相邻数据点的距离序列间的DTW距离得到的，即相邻数据点的距离序列间的DTW距离越小，说明相邻数据点之间的距离序列之间的相关性越大，即此数据点局部区域的内数据的平稳定越高，则平稳指数越大，即有较大的可能不是异常数据点。但是，由于行差分序列中第一个数据点的距离序列以及最后一个数据点的距离序列，他们只有一个相邻的距离序列，由此平稳指数的计算需要采取分段函数的形式。
行差分序列中每个数据点的平稳指数一定程度上反映数据为正常的可能性大小。大功率充电能源的损耗比较严重，大功率充电宝也不例外，一般来讲，充电宝使用时，内部会产生较高的热量，从而可能导致内部线路的损坏，使其各项数据出现异常。
步骤S13：基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据。
传统的LOF算法需要遍历整个数据集并计算每个点的LOF值，而数据集中并不是每一个数据点都有较大的必要计算LOF值。如，密度较大的正常区域数据点，其LOF值有较大的可能小于1，即属于密集区域的正常点。在原始数据集中，较大可能为异常点的数据有较大的必要性进行LOF值的计算。因此，本发明旨在通过一种判断准则，判断数据点为异常数据点的可能性大小，对可能性较大的数据点再计算LOF值，进行进一步的异常数据的判断，以此提高LOF异常检测算法的检测精度和计算效率。
通过构造出的待分析矩阵，对矩阵中行序列内数据关系以及行序列间数据关系进行分析。由于大功率充电能源的充电宝，其充电功率固定，正常情况下，采集到的电压、电流以及温度数据趋于稳定的，但是充电能源内部线路老化，其散热能力有一定的限制，数据有较大的可能会出现异常情况。通过上述方式可以计算出待分析矩阵中每一行数据序列的关联系数，以及每一行数据序列对应的差分序列中每一数据点的平稳指数。由于数据序列之间存在一定程度上的相关性，如，当某时刻的电流数据出现异常，对应时刻的电压以及温度也会发生异常。因此，为了从数据的角度凸显数据的异常现象，采用数据融合的方式，将每行数据序列的关联系数作为融合权重，以每行数据序列中每个数据点的平稳指数为基础数据，这是因为对于关联性较强的时间序列数据，异常时刻对应的平稳指数会有较大的差异。以此计算每一行数据序列中每一数据点的融合特征值。具体的，融合特征值的计算方式为：
其中，表示第i行数据序列中第k个数据点的融合特征值，/>表示第i行数据序列的关联系数，/>表示第i行差分序列中第k个数据点的平稳指数，m表示待分析矩阵的行数。
第i行数据序列的关联系数越大，说明其行数据序列与其余行数据序列的联系越紧密，即其行数据序列某个时刻发生异常有较大的可能导致其他行数据序列对应时刻产生异常，则融合特征值/>中异常数据越大。同时，第i行差分序列中第k个数据点的平稳指数/>越小，说明此时刻的时间平稳性越差，有较大的可能为异常数据，则融合特征值/>中异常数据越大。
计算得到每一行数据序列中每一数据点的所述融合特征值后，基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据。具体的，根据异常数据的融合特征值较大，而正常的融合特征值较小的特点，将数据序列中融合特征值大于阈值的数据点作为疑似异常数据的待检测数据。具体的，在此利用最大类间方差法，得到分割阈值，将小于分割阈值的部分数据视为正常数据集合，高于分割阈值的部分作为待检测数据。由于正常数据在原始序列中较为平稳，通过计算得到的融合特征值较小，即最不可能为异常数据，为了减少计算量，提高算法的效率，在此只对疑似异常数据的待检测数据进行异常数据检测。
步骤S14：对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据。
具体的，利用LOF异常检测算法对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据；确定所述异常数据对应的时间和位置，从而对所述充电能源进行处理。
对于待测数据集合，由于对原始数据进行了数据融合，数据融合的效果在于使序列间关联性较强的异常时刻所对应的数据与其他的数据差异性更大，使异常数据检测的精度更高。因此，待检测数据中包含的是融合特征值较大的部分数据，但是由于数据融合的效果，异常时刻的融合特征值越大，越能反映数据的异常情况。因此，基于得到的待测数据集合，利用LOF异常检测算法，k的经验取值为10，通过数据点的第k邻域，计算待测数据集合中每个数据点的LOF值，得到待测数据集合中的异常数据。
根据得到的异常数据，输入到大功率充电宝的异常管理系统中，得到异常现象发生的位置以及异常数据所对应的时刻，并进行预警，进而通过管理员进行检修，确保充电宝的可用性以及安全性。
本申请的方法根据大功率充电能源的移动便携式充电宝的多维数据序列本身的平稳性，通过差分序列的特征，计算每个数据点的平稳指数，其有益效果在于消除大功率充电宝循环充电过程中数据变化率较快对检测结果的影响。另外，根据时间序列间的皮尔逊相关系数以及序列间相同时刻的采集数据增长一致性程度，计算每行序列的关联系数。而后采用数据融合的方式，将每行序列的关联系数作为融合权重，以每行序列中每个数据点的平稳指数为基础数据，得到融合特征序列，其有益效果在于使序列间关联性较强的异常时刻所对应的融合特征值与其他的融合特征值差异性更大，使异常数据检测的精度更高。通过对数据进行分类得到有较大可能存在异常数据的待检测数据，进而利用LOF异常检测算法，得到异常数据，极大地提高LOF算法的计算效率。
请参见图3，图3为本发明一种大功率充电能源的数据处理系统的一实施例的结构示意图，具体包括：数据采集模块31、第一计算模块32、第二计算模块33以及异常检测模块34。
数据采集模块31用于采集充电能源的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果。第一计算模块32用于计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数。第二计算模块33用于基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据。异常检测模块34用于对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (3)
1.一种大功率充电能源的数据处理方法，其特征在于，包括：
采集充电能源的充电宝的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果；
计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数；
基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据；
对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据；
计算所述待分析矩阵中每一行数据序列的关联系数，包括：
基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数；
基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数，包括：
计算所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，所述皮尔逊相关系数表征任意两行数据序列的相关性；
基于每一行数据序列的第一当前数据点与第一当前数据点的相邻数据点的差值与第一当前数据点的比值计算第一当前数据点的增长率；
基于所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数；
所述增长率的计算方式为：
其中，表示每一行数据序列中第j个数据点的增长率，/>表示每一行数据序列中第j+1个数据点的数值，/>表示每一行数据序列中第j个数据点的数值；
关联系数的计算方式为：
其中，表示第i行数据序列的关联系数，/>表示待分析矩阵中除第i行数据序列外其余的数据序列的数目，/>表示第i行数据序列与第d行数据序列的皮尔逊相关系数，表示归一化函数，/>表示待分析矩阵的列数，/>表示第i行数据序列中第j个数据点的增长率，/>表示第d行数据序列中第j个数据点的增长率；
计算每一行数据序列对应的差分序列中每一数据点的平稳指数，包括：
计算差分序列中每一数据点的距离序列；
基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数；
计算差分序列中每一数据点的距离序列，包括：
利用启发式分割算法计算差分序列中的突变点；
计算所述差分序列中第二当前数据点与每一突变点之间的距离，第二当前数据点与所有突变点之间的距离组成第二当前数据点的距离序列；
基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数，包括：
如果差分序列中第二当前数据点k为差分序列的第一个数据点，则基于所述第二当前数据点的距离序列与位于第二当前数据点之后且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中第二当前数据点k的距离序列，/>表示第i行差分序列中位于第二当前数据点之后且相邻的数据点/>的距离序列，DTW表示动态时间规整算法，e表示自然常数；
如果差分序列中第二当前数据点k在差分序列的第一个数据点和最后一个数据点之间，则基于所述第二当前数据点的距离序列、位于第二当前数据点之后且相邻的数据点的距离序列、位于第二当前数据点之前且相邻的数据点的距离序列计算所述差分序列中第二当前数据点的平稳指数；第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，c表示与第二当前数据点k相邻的数据点的数目，取值为2，表示第i行差分序列中第二当前数据点k的第b个相邻数据点的距离序列；
如果差分序列中第二当前数据点k为差分序列中最后一个数据点，则基于所述第二当前数据点的距离序列与位于第二当前数据点之前且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中位于第二当前数据点之前且相邻的数据点/>的距离序列；
基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，包括：
其中，表示第i行数据序列中第k个数据点的融合特征值，/>表示第i行数据序列的关联系数，/>表示第i行差分序列中第k个数据点的平稳指数，m表示待分析矩阵的行数，e表示自然常数；
基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据，包括：
将数据序列中融合特征值大于阈值的数据点作为疑似异常数据的待检测数据；
对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据，包括：
利用LOF异常检测算法对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据；
确定所述异常数据对应的时间和位置，从而对所述充电能源进行处理。
2.根据权利要求1所述的一种大功率充电能源的数据处理方法，其特征在于，所述方法还包括：
计算每一行数据序列中相邻两个数据点之间的差值，每一行数据序列中计算的所有差值组成所述数据序列对应的差分序列。
3.一种大功率充电能源的数据处理系统，其特征在于，包括：
数据采集模块，用于采集充电能源的使用参数，得到待分析矩阵；所述待分析矩阵的每一行数据序列包括同一类型参数n次采集的数据结果；
第一计算模块，用于计算所述待分析矩阵中每一行数据序列的关联系数，以及计算每一行数据序列对应的差分序列中每一数据点的平稳指数；
第二计算模块，用于基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，并基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据；
异常检测模块，用于对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据；
计算所述待分析矩阵中每一行数据序列的关联系数，包括：
基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数；
基于所述待分析矩阵中任意两行数据序列的相关性，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数，包括：
计算所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，所述皮尔逊相关系数表征任意两行数据序列的相关性；
基于每一行数据序列的第一当前数据点与第一当前数据点的相邻数据点的差值与第一当前数据点的比值计算第一当前数据点的增长率；
基于所述待分析矩阵中任意两行数据序列的皮尔逊相关系数，以及每一行数据序列中每一数据点的增长率确定所述待分析矩阵中每一行数据序列的关联系数；
所述增长率的计算方式为：
其中，表示每一行数据序列中第j个数据点的增长率，/>表示每一行数据序列中第j+1个数据点的数值，/>表示每一行数据序列中第j个数据点的数值；
关联系数的计算方式为：
其中，表示第i行数据序列的关联系数，/>表示待分析矩阵中除第i行数据序列外其余的数据序列的数目，/>表示第i行数据序列与第d行数据序列的皮尔逊相关系数，表示归一化函数，/>表示待分析矩阵的列数，/>表示第i行数据序列中第j个数据点的增长率，/>表示第d行数据序列中第j个数据点的增长率；
计算每一行数据序列对应的差分序列中每一数据点的平稳指数，包括：
计算差分序列中每一数据点的距离序列；
基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数；
计算差分序列中每一数据点的距离序列，包括：
利用启发式分割算法计算差分序列中的突变点；
计算所述差分序列中第二当前数据点与每一突变点之间的距离，第二当前数据点与所有突变点之间的距离组成第二当前数据点的距离序列；
基于每一数据点的距离序列计算所述差分序列中对应数据点的平稳指数，包括：
如果差分序列中第二当前数据点k为差分序列的第一个数据点，则基于所述第二当前数据点的距离序列与位于第二当前数据点之后且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中第二当前数据点k的距离序列，/>表示第i行差分序列中位于第二当前数据点之后且相邻的数据点/>的距离序列，DTW表示动态时间规整算法，e表示自然常数；
如果差分序列中第二当前数据点k在差分序列的第一个数据点和最后一个数据点之间，则基于所述第二当前数据点的距离序列、位于第二当前数据点之后且相邻的数据点的距离序列、位于第二当前数据点之前且相邻的数据点的距离序列计算所述差分序列中第二当前数据点的平稳指数；第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，c表示与第二当前数据点k相邻的数据点的数目，取值为2，表示第i行差分序列中第二当前数据点k的第b个相邻数据点的距离序列；
如果差分序列中第二当前数据点k为差分序列中最后一个数据点，则基于所述第二当前数据点的距离序列与位于第二当前数据点之前且相邻的数据点的距离序列之间的距离计算所述差分序列中第二当前数据点的平稳指数；其中，第i行差分序列中第二当前数据点k的平稳指数的计算方式为：
其中，表示第i行差分序列中位于第二当前数据点之前且相邻的数据点/>的距离序列；
基于所述关联系数以及所述平稳指数计算每一行数据序列中每一数据点的融合特征值，包括：
其中，表示第i行数据序列中第k个数据点的融合特征值，/>表示第i行数据序列的关联系数，/>表示第i行差分序列中第k个数据点的平稳指数，m表示待分析矩阵的行数，e表示自然常数；
基于每一行数据序列中每一数据点的所述融合特征值从所述待分析矩阵的每一行数据序列中确定疑似异常数据作为待检测数据，包括：
将数据序列中融合特征值大于阈值的数据点作为疑似异常数据的待检测数据；
对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据，包括：
利用LOF异常检测算法对所述待检测数据进行异常检测，进而确定待检测数据中的异常数据；
确定所述异常数据对应的时间和位置，从而对所述充电能源进行处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889453.3A CN116628616B (zh) | 2023-07-20 | 2023-07-20 | 一种大功率充电能源的数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889453.3A CN116628616B (zh) | 2023-07-20 | 2023-07-20 | 一种大功率充电能源的数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628616A CN116628616A (zh) | 2023-08-22 |
| CN116628616B true CN116628616B (zh) | 2023-09-26 |
Family
ID=87636858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310889453.3A Active CN116628616B (zh) | 2023-07-20 | 2023-07-20 | 一种大功率充电能源的数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628616B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116819322B (zh) * | 2023-08-29 | 2023-12-01 | 苏州一桥传动设备有限公司 | 一种电机性能测试方法及系统 |
| CN116861370B (zh) * | 2023-09-05 | 2023-12-01 | 山东千颐科技有限公司 | 用于井下防爆胶轮车的运动数据处理方法 |
| CN116879662B (zh) * | 2023-09-06 | 2023-12-08 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN118333584B (zh) * | 2024-06-17 | 2024-10-11 | 宇龙新能源汽车有限公司 | 一种面向发储充换算数字电港的控制管理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
| CN115320443A (zh) * | 2022-10-12 | 2022-11-11 | 南通威森新能源科技有限公司 | 一种用于新能源汽车的充电桩控制方法 |
| CN115829422A (zh) * | 2023-02-21 | 2023-03-21 | 创银科技(南通)有限公司 | 基于大数据的工业设备运行异常状态识别方法 |
| CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
-
2023
- 2023-07-20 CN CN202310889453.3A patent/CN116628616B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
| CN115320443A (zh) * | 2022-10-12 | 2022-11-11 | 南通威森新能源科技有限公司 | 一种用于新能源汽车的充电桩控制方法 |
| CN115829422A (zh) * | 2023-02-21 | 2023-03-21 | 创银科技(南通)有限公司 | 基于大数据的工业设备运行异常状态识别方法 |
| CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种新的多变量时间序列数据异常检测方法;李权;周兴社;;时间频率学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628616A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116628616B (zh) | 一种大功率充电能源的数据处理方法及系统 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
| CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
| CN115792637A (zh) | 一种锂电池健康状态估算方法 | |
| CN118376936B (zh) | 一种锂电池状态智能诊断方法及系统 | |
| CN118191622B (zh) | 储能锂电池的状态监控方法、装置、设备及存储介质 | |
| CN118228006B (zh) | 一种基于fpga技术的芯片检测方法及系统 | |
| CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
| CN116298984A (zh) | 一种锂离子电池容量跳水点和电池衰减程度识别方法 | |
| CN116400244A (zh) | 储能电池的异常检测方法及装置 | |
| CN116680623A (zh) | 特高压换流变压器状态监测方法及系统 | |
| CN116299008A (zh) | 一种电池soh预测方法、装置、电子设备及存储介质 | |
| CN104499001B (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
| O'Reilly et al. | Revisiting the ROC curve for diagnostic applications with an unbalanced class distribution | |
| CN117235462A (zh) | 基于时序数据分析的袋式包装机故障智能预测方法 | |
| CN112765219B (zh) | 一种跳过平稳区域的流数据异常检测方法 | |
| CN116008815A (zh) | 一种电芯内短路检测方法、装置、设备、存储介质及车辆 | |
| CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
| CN114047399A (zh) | 一种光伏直流电弧故障识别方法及装置 | |
| Chang et al. | Micro-short circuit fault diagnosis of lithium-ion battery based on voltage curve similarity ranking volatility | |
| CN118501720B (zh) | 一种基于大数据分析的锂电池异常检测系统 | |
| CN116819378B (zh) | 储能电池异常检测方法及装置 |
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 |