CN117007979A - 基于数据驱动的电源输出掉电异常预警方法 - Google Patents

Abstract

本发明涉及数字数据处理技术领域，提出了基于数据驱动的电源输出掉电异常预警方法，包括：获取监测数据的数据序列；利用拟合算法获取每种影响因素数据序列的拟合曲线，根据影响因素数据序列的拟合曲线获取不稳定系数；根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度；根据不稳定系数以及波动集中度获取平滑常数，采用指数移动平均法基于平滑常数得到输出电压的预测值；根据输出电压的预测值发生具体的输出掉电异常预警信息。本发明自适应获取指数移动平均算法中的平滑常数，提高了电源输出掉电异常的预测准确率。

Description

基于数据驱动的电源输出掉电异常预警方法

技术领域

本发明涉及数字数据处理技术领域，具体涉及基于数据驱动的电源输出掉电异常预警方法。

背景技术

电源是指一种能够将各种形式的能源转化成电能输出的装置。电源是供给电子设备工作所必须的电能的装置，电源可以用来为各种设备或系统提供所需的电力，以保证其正常运行，被广泛应用于电子设备的充电器、家用电器、工业机器设备等各个领域中。然而在电源的使用过程中，由于电源过载、电源线松动、短路、电源内部故障等原因，经常导致电源出现输出掉电的异常现象。而在设备工作的过程中，如果电源出现输出掉电的异常现象，会导致设备工作不稳定，进而造成设备损坏和设备操作数据的丢失，因此，需要对电源进行电源掉电异常的预警，来提前发现电源问题，并及时进行维护，以提高设备的运行效率和保护设备和数据的安全。

指数移动平均算法（Exponential Moving Average）是一种时间预测算法，具有简单易行、对新数据敏感、可以平滑历史数据中的噪声和波动的优点，被应用于各种需要对实时数据进行分析和预测的场景。传统的指数移动平均算法中的平滑常数一般是根据经验进行选取的，而平滑常数过大或过小都会对该算法的预测结果造成不良影响，进而影响算法预测结果的准确性。

发明内容

本发明提供基于数据驱动的电源输出掉电异常预警方法，以解决指数移动平均算法中平滑常数取值不当导致出现对电源输出掉电出现预测误差的问题，所采用的技术方案具体如下：

本发明一个实施例基于数据驱动的电源输出掉电异常预警方法，该方法包括以下步骤：

获取蓄电池放电过程中监测数据的数据序列，所述监测数据包括负载电流、蓄电池温度、输出电压；

分别将负载电流、蓄电池温度作为输出电压的影响因素，利用拟合算法获取每种影响因素数据序列的拟合曲线；根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数；

根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度；

利用关联度分析算法获取每种影响因素与输出电压的关联度，根据所述关联度、每种影响因素的不稳定系数以及每种影响因素的波动集中度获取平滑常数，采用指数移动平均法基于平滑常数得到输出电压的预测值；根据输出电压的预测值发生具体的输出掉电异常预警信息。

优选的，所述利用拟合算法获取每种影响因素数据序列的拟合曲线的方法为：

将每种影响因素的数据序列中每个元素的取值作为纵坐标，将所述每个元素对应的采集时间作为横坐标，利用三次指数平滑法基于所述横、纵坐标获取每种影响因素数据序列的拟合曲线。

优选的，所述根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数的方法为：

根据每种影响因素数据序列的拟合曲线上极值点的分布获取每种影响因素的波动指数；

每种影响因素的不稳定系数由每种影响因素的波动指数、每种影响因素数据序列的信息熵两部分组成，其中，所述不稳定系数与波动指数、信息熵成正比关系。

优选的，所述根据每种影响因素数据序列的拟合曲线上极值点的分布获取每种影响因素的波动指数的方法为：

获取每种影响因素数据序列拟合曲线上所有极值点对应取值中的最大值和最小值，将所述取值中最大值与最小值差值的绝对值作为第一乘积因子；

将每种影响因素数据序列拟合曲线上极值点的数量与每种影响因素数据序列中元素数量的比值作为第二乘积因子；

将第一乘积因子与第二乘积因子的乘积作为每种影响因素的波动指数。

优选的，所述根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度的方法为：

根据每种影响因素数据序列上每个元素与其所取局部时间序列上数据点的差异获取每种影响因素数据序列上每个元素的近邻突显指数；

根据所述局部时间序列内数据点的分布差异以及所述每个元素的近邻突显指数获取每种影响因素数据序列上每个元素的局部波动系数；

获取每种影响因素数据序列上每个元素的采集时刻与预测时刻的时间间隔，将每种影响因素数据序列上每个元素的局部波动系数与所述时间间隔的比值在每种影响因素数据序列上的累加和作为分子，将每种影响因素数据序列上的元素数量作为分母，将分子与分母的比值作为每种影响因素的波动集中度。

优选的，所述根据每种影响因素数据序列上每个元素与其所取局部时间序列上数据点的差异获取每种影响因素数据序列上每个元素的近邻突显指数的方法为：

将每种影响影响因素时间序列上每个元素作为中心元素，利用每个中心元素左右相邻预设数量个元素组成每个中心元素的局部时间序列；

将每个中心元素的数据值与其对应局部时间序列中每个元素值之间差值的平方在所述局部时间序列上的累加作为分子；

将分子与每个中心元素的局部时间序列中元素数量的比值作为每个中心元素的近邻突显指数。

优选的，所述根据所述局部时间序列内数据点的分布差异以及所述每个元素的近邻突显指数获取每种影响因素数据序列上每个元素的局部波动系数的方法为：

将每个中心元素的局部时间序列中元素值的最大值、最小值之间的差值与所述局部时间序列自相关系数绝对值的乘积作为第一组成因子；

每个元素的局部波动系数由近邻突显指数、第一组成因子两部分组成，其中，所述局部波动系数与近邻突显指数、第一组成因子成正比关系。

优选的，所述根据所述关联度、每种影响因素的平滑影响系数获取平滑常数的方法为：

利用关联度分析算法获取每种影响因素与输出电压的关联度；

将每种影响因素的平滑影响系数与每种影响因素对应关联度的乘积作为每种影响因素的决策值；

将两种影响因素决策值的和与第一预设参数的乘积作为第二组成因子，将第二组成因子与第二预设参数的和作为平滑常数。

优选的，所述利用关联度分析算法获取每种影响因素与输出电压的关联度的方法为：

分别将每种影响因素作为自变量，将输出电压作为因变量，利用灰色关联分析算法基于监测数据的数据序列得到每种影响因素与输出电压之间的关联度。

优选的，所述根据输出电压的预测值发生具体的输出掉电异常预警信息的方法为：

获取预测时刻输出电压的预测值与检测蓄电池电压输出时预设阈值的对比结果，根据所述对比结果判断是否发送一级预警信息；

根据预测时刻输出电压的预测值与前一时刻输出电压的预测值之间的差值大小判断是否发送二级预警信息。

本发明的有益效果是：本发明通过对影响电源输出电压的相关运行数据进行分析，基于各个数据序列中数数据点的分布特点，构建每种影响因素的不稳定系数以及波动集中度，对不稳定性较大的数据序列赋予较小的平滑影响系数来使预测值较快地适应近期数据的变化，对波动集中度较大的数据序列匹配较大的平滑影响系数以减少近期异常数据的干扰，平滑影响系数的有益效果在于能够结合每种影响因素数据序列与输出电压的关联度，自适应的得到指数移动平均算法中的平滑常数，使得输出电压的预测结果更为准确，提高了预测精度。

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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于数据驱动的电源输出掉电异常预警方法的流程示意图；

图2为本发明一个实施例所提供的电源输出掉电异常预警方法的实施流程图；

图3为本发明一个实施例所提供的负载电流平滑曲线的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于数据驱动的电源输出掉电异常预警方法流程图，该方法包括以下步骤：

步骤S001，获取蓄电池放电过程中监测数据的数据序列。

本发明监测的是放电过程中的蓄电池的电源输出情况，在蓄电池的输出端分别安 装电流传感器、电压传感器以及温度传感器，来监测电源的负载电流、输出电压以及温度。 本发明中的每个传感器采集的数据量记为，每个传感器相邻两次数据采集的时间间隔记 为，具体数据量以及间隔时段实施者可根据蓄电池的具体型号自行定义，本发明中设 置为。

将负载电流、蓄电池温度、输出电压的采集数据按照时间升序的顺序排列分别得 到电源的负载电流数据序列、温度数据序列、输出电压数据序列，由于在数据的采集和传输 过程中会出现数据缺失的问题，因此本发明使用均值填充法分别对负载电流数据序列、温 度数据序列、输出电压数据序列进行处理，其中均值填充法为公知技术，不再赘述。并对填 充处理后的每个数据序列均进行归一化的去量纲处理，将经过上述处理得到数据序列分别 记为负载电流数据序列、温度数据序列、输出电压数据序列，其中归一化的去量纲处 理为公知技术，不再赘述。

至此，得到蓄电池放电过程中监测数据的数据序列，用于后续不稳定系数的获取。

步骤S002，根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数。

通常情况下，在蓄电池的放电过程中，蓄电池内部的化学反应以及设备的运行会 消耗蓄电池的电量，并且蓄电池的输出电压会随着电量的消耗而不断下降，当输出电压下 降到一定程度，即达到最低使用电压时，此时需要将蓄电池进行充电。若在蓄电池的放电过 程中，其输出电压过低或下降过快，则会造成蓄电池出现电源输出掉电的异常现象。这是因 为当蓄电池的输出电压过低时，会引起设备的断电或过载保护，而蓄电池的输出电压过快 地下降可能意味着蓄电池存在问题，会导致设备意外断电或无法正常工作。因此本发明中， 将负载电流、温度作为输出电压的影响因素，基于负载电流、温度对蓄电池电源的输出电压 的影响程度来对蓄电池电源的输出电压数据进行更准确的预测，即根据负载电流数据序列、温度数据序列中数据点的分布情况以及各个数据序列的电压关联度，来自适应的得 到指数移动平均算法中的平滑常数。并基于预测结果来判断蓄电池是否出现了电源输出 掉电异常的现象，并对疑似出现电源输出掉电异常的蓄电池进行预警，及时地对蓄电池进 行更换或维修，本发明的实施流程图如图2所示。

具体的，以铅酸蓄电池为例，在铅酸蓄电池的放电过程中，铅酸蓄电池的负载电流越大，会使得铅酸蓄电池内的电化学反应不能及时补充和消耗铅酸蓄电池内储存的能量，造成铅酸蓄电池的输出电压下降的越快，同时也会使铅酸蓄电池内产生更多的热量，导致铅酸蓄电池的温度升高，如铅酸蓄电池的内阻效应、热效应、电化学反应等产生的热量。而铅酸蓄电池的温度升高会造成电解液的蒸发和极板的膨胀，从而导致铅酸蓄电池内阻的增加，也会使得输出电压异常下降。

进一步的，本发明利用数据拟合算法获取每种影响因素数据序列中的局部分布相 对异常点的数据点。以负载电流数据序列为例，使用三次指数平滑法对负载电流数据序 列进行处理，以去除负载电流数据中随机噪声的干扰，同时得到负载电流平滑曲线，其 中电流平滑曲线中的纵坐标为负载电流，横坐标为每个负载电流数据的采集时间，三次 指数平滑法为公知技术，不再赘述。获取电流平滑曲线中所有的极值点，将极值点作为铅 酸蓄电池的负载电流数据中出现局部异常波动的数据点，负载电流平滑曲线的示意图如图 3所示。基于负载电流平滑曲线中的极值点的分布获取负载电流的不稳定系数：

式中，是负载电流的波动指数，、分别是负载电流平滑曲线上所有极 值点纵坐标的最大值、最小值，是负载电流平滑曲线上极值点的数量，n是负载电流数 据序列中元素的数量；

是负载电流的不稳定系数，是调参因子，的作用在于防止的同时提高不同 影响因素之间不稳定系数的差异性，的大小取经验值1，是负载电流数据序列中元素 的信息熵，信息熵为公知技术，具体过程不再赘述。

其中，铅酸蓄电池的负载电流中数据点的波动范围越大，负载电流的波动越剧烈，、之间的差值越大，第一乘积因子的值越大，负载电流的波动越频繁， 极值点的数量越多，的值越大，的值越大；铅酸蓄电池中负载电流的电流值的分布越 混乱，负载电流数据序列中元素的信息熵的值越大；即的值越大，说明铅酸蓄电池 的负载越可能出现变化，即运行设备的运行状态越可能出现变化，而设备运行状态的改变 会引起铅酸蓄电池输出电压下降速度的改变，即铅酸蓄电池的输出电压的变化越不稳定， 则铅酸蓄电池输出电压的预测值需要更快地适应输出电压近期数据的变化，以更好地反映 输出电压数据的近期变化，因此应降低平滑常数的值，避免电压数据出现滞后的情况。

至此，得到每种影响因素的不稳定系数，用于后续计算每种影响因素的平滑影响系数。

步骤S003，根据每种影响因素数据序列中元素在局部时间序列中的波动特征获取波动集中度，基于波动集中度得到平滑影响系数。

进一步的，在输出电压的预测时刻，预测时刻附近的异常波动的数据点会对预测 时刻的预测结果造成干扰，并且预测时刻附近的异常波动的数据点越多，越需要增大平滑 常数的值，以减少近期异常波动数据对预测结果的干扰。对于每种影响因素的数据序列中 的任意一个元素，将每个元素作为中心元素，取与中心元素对应采集时刻时间间隔最小的k 个采集时刻的采集数据构建每个中心元素的局部时间序列，k的大小取经验值14。举例而 言，将负载电流数据序列中第i个元素为中心元素，在中心元素左右各取7个时间间隔最小 的采样数据组成长度为15的局部时间序列，基于每种影响因素数据序列中每个元素的局 部时间序列计算每种影响因素的波动集中度，计算负载电流的波动集中度：

式中，是负载电流数据序列中第i个元素的近邻突显指数，m是局部时间序列 中元素的数量，是局部时间序列中第j个元素；

是负载电流数据序列中第i个元素的局部波动系数，、分 别是局部时间序列中的最大值、最小值，是局部时间序列中所有元素在第i个元 素处的自相关系数，自相关系数的计算为公知技术，具体过程不再赘述；

是负载电流的波动集中度，n是负载电流数据序列中的元素数量，是第i个元 素与输出电压预测时刻的时间间隔。

其中，第i个元素所在局部时间序列中数据点的变化范围越大，的值越 大，的值越大；第i个元素所在的时间片段中数据点之间的相关性越强，即电源该时间片 段中的电流存在明显的上升或下降的趋势，说明电源在第i个元素所在时间片段的电流越 不稳定，的值越大，第一组成因子的值越大， 的值越大；第i个元素的采集时间与输出电压预测时刻的时间间隔越大，第i个元素的采集 数据对预测时刻的影响越小，的值越小；即的值越大，铅酸蓄电池在预测时刻出现异常 负载电流波动的数据点越多，异常波动的数据点越集中，铅酸蓄电池在预测时刻附近受到 的外界干扰越严重。此时为了获得更准确的预测结果，需要减少外界噪音干扰的影响，即增 大平滑常数的值，来反映数据的实际变化趋势。

进一步的，根据每种影响因素的不稳定系数以及波动集中度获取每种影响因素对 输出电压预测值的影响程度。分别计算负载电流、温度的平滑影响系数、：

式中，、分别是负载电流、温度的不稳定系数，、分别是负载电流、温度的 波动集中度，需要说明的是温度的不稳定系数、波动集中度分别与负载电流的不稳定 系数、波动集中度的获取原理一致，本发明中不再重复计算。

其中，不稳定系数的值越大，铅酸蓄电池输出电压的预测值想要更快地适应输出电压近期数据的变化，更好地反映输出电压数据的近期变化，波动集中度的值越小，平滑影响系数的值越小。

至此，得到每种影响因素的平滑影响系数，用于后续平滑常数的计算。

步骤S004，基于平滑影响系数得到平滑常数，基于平滑常数得到输出电压的预测值，根据预测值发生具体的输出掉电异常预警信息。

根据上述步骤，分别得到了本发明中输出电压两种影响因素的平滑影响系数，其 次对两种影响因素的平滑影响系数进行归一化处理，将归一化处理的结果分别记为、，数据归一化为公知技术，具体过程不再赘述。进一步的，分别将负载电流数据序列、 温度数据序列作为自变量，将输出电压数据序列作为因变量，利用灰色关联分析GRA算 法分别获取负载电流与输出电压数据之间的关联度、蓄电池温度与输出电压的关联度，关联度越大的影响因素，对输出电压之间的影响越大，灰色关联分析GRA算法为公知技 术，具体过程不再赘述。

根据上述关联度以及平滑影响系数的归一化结果获取本发明中指数移动平均法 中的平滑常数：

式中，、分别是负载电流、蓄电池温度对应平滑影响系数的归一化结果，、分别是负载电流、蓄电池温度与输出电压数据之间的关联度，、分别是调参因子，、的大小分别取经验值0.3、0.7。

进一步的，基于指数移动平均算法基于上述步骤得到的平滑常数获取输出电压 的预测值，本发明中，将输出电压数据序列作为指数移动平均算法的输入，利用指数移动 平均算法获取第n+1个时刻输出电压的预测值，指数移动平均算法为公知技术，具体过 程不再赘述。根据现阶段蓄电池的检测规定，将蓄电池额定电压的85%作为检测阈值，并 根据蓄电池所在运行设备的运行功率计算电压下降速率，电压下降速率的计算为公知技 术，具体过程不再赘述。如果第n+1个时刻输出电压的预测值满足，则认为铅 酸蓄电池在第n+1个时刻有较大概率发生电源输出掉电异常的现象，此时发出一级预警信 息并向维修人员发送预测结果和检测信息，提醒维修人员进行铅酸蓄电池的更换；如果第n +1个时刻输出电压的预测值满足且，则认为铅酸蓄电池在n+ 1时刻可能出现较为严重的电源输出掉电异常，此时发出二级预警信息并向维修人员发送 关闭运行设备的警示信息，在运行设备关闭后对蓄电池进行全面的检测维修。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于数据驱动的电源输出掉电异常预警方法，其特征在于，该方法包括以下步骤：

获取蓄电池放电过程中监测数据的数据序列，所述监测数据包括负载电流、蓄电池温度、输出电压；

分别将负载电流、蓄电池温度作为输出电压的影响因素，利用拟合算法获取每种影响因素数据序列的拟合曲线；根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数；

根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度；将每种影响因素的不稳定系数与波动集中度的比值作为每种影响因素的平滑影响系数；

利用关联度分析算法获取每种影响因素与输出电压的关联度，根据所述关联度、每种影响因素的平滑影响系数获取平滑常数，采用指数移动平均法基于平滑常数得到输出电压的预测值；根据输出电压的预测值发生具体的输出掉电异常预警信息。

2.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述利用拟合算法获取每种影响因素数据序列的拟合曲线的方法为：

将每种影响因素的数据序列中每个元素的取值作为纵坐标，将所述每个元素对应的采集时间作为横坐标，利用三次指数平滑法基于所述横、纵坐标获取每种影响因素数据序列的拟合曲线。

3.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数的方法为：

根据每种影响因素数据序列的拟合曲线上极值点的分布获取每种影响因素的波动指数；

每种影响因素的不稳定系数由每种影响因素的波动指数、每种影响因素数据序列的信息熵两部分组成，其中，所述不稳定系数与波动指数、信息熵成正比关系。

4.根据权利要求3所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列的拟合曲线上极值点的分布获取每种影响因素的波动指数的方法为：

获取每种影响因素数据序列拟合曲线上所有极值点对应取值中的最大值和最小值，将所述取值中最大值与最小值差值的绝对值作为第一乘积因子；

将每种影响因素数据序列拟合曲线上极值点的数量与每种影响因素数据序列中元素数量的比值作为第二乘积因子；

将第一乘积因子与第二乘积因子的乘积作为每种影响因素的波动指数。

5.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度的方法为：

根据每种影响因素数据序列上每个元素与其所取局部时间序列上数据点的差异获取每种影响因素数据序列上每个元素的近邻突显指数；

根据所述局部时间序列内数据点的分布差异以及所述每个元素的近邻突显指数获取每种影响因素数据序列上每个元素的局部波动系数；

获取每种影响因素数据序列上每个元素的采集时刻与预测时刻的时间间隔，将每种影响因素数据序列上每个元素的局部波动系数与所述时间间隔的比值在每种影响因素数据序列上的累加和作为分子，将每种影响因素数据序列上的元素数量作为分母，将分子与分母的比值作为每种影响因素的波动集中度。

6.根据权利要求5所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列上每个元素与其所取局部时间序列上数据点的差异获取每种影响因素数据序列上每个元素的近邻突显指数的方法为：

将每种影响影响因素时间序列上每个元素作为中心元素，利用每个中心元素左右相邻预设数量个元素组成每个中心元素的局部时间序列；

将每个中心元素的数据值与其对应局部时间序列中每个元素值之间差值的平方在所述局部时间序列上的累加作为分子；

将分子与每个中心元素的局部时间序列中元素数量的比值作为每个中心元素的近邻突显指数。

7.根据权利要求5所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据所述局部时间序列内数据点的分布差异以及所述每个元素的近邻突显指数获取每种影响因素数据序列上每个元素的局部波动系数的方法为：

将每个中心元素的局部时间序列中元素值的最大值、最小值之间的差值与所述局部时间序列自相关系数绝对值的乘积作为第一组成因子；

每个元素的局部波动系数由近邻突显指数、第一组成因子两部分组成，其中，所述局部波动系数与近邻突显指数、第一组成因子成正比关系。

8.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据所述关联度、每种影响因素的平滑影响系数获取平滑常数的方法为：

利用关联度分析算法获取每种影响因素与输出电压的关联度；

将每种影响因素的平滑影响系数与每种影响因素对应关联度的乘积作为每种影响因素的决策值；

将两种影响因素决策值的和与第一预设参数的乘积作为第二组成因子，将第二组成因子与第二预设参数的和作为平滑常数。

9.根据权利要求8所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述利用关联度分析算法获取每种影响因素与输出电压的关联度的方法为：

分别将每种影响因素作为自变量，将输出电压作为因变量，利用灰色关联分析算法基于监测数据的数据序列得到每种影响因素与输出电压之间的关联度。

10.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据输出电压的预测值发生具体的输出掉电异常预警信息的方法为：

获取预测时刻输出电压的预测值与检测蓄电池电压输出时预设阈值的对比结果，根据所述对比结果判断是否发送一级预警信息；

根据预测时刻输出电压的预测值与前一时刻输出电压的预测值之间的差值大小判断是否发送二级预警信息。