CN117154647B - 一种用于电推进系统的电源控制方法 - Google Patents

Abstract

本发明涉及蓄电池组电流控制技术领域，提出了一种用于电推进系统的电源控制方法，包括：根据采集的电流数据和电源温度数据获取每个数据获取时刻对应的相关性异常指数；获取数据获取时刻对应的异常波动率，进而获取数据获取时刻的局部扰乱密集度和电流反复波折率，获取数据获取时刻的电流密度紊乱率；根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离，以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，获取电流数据的聚类结果，根据聚类结果对电推进系统的蓄电池组电流进行控制。本发明旨在解决现有的电推进系统的电源控制精度不足的问题。

Description

一种用于电推进系统的电源控制方法

技术领域

本发明涉及蓄电池组电流控制技术领域，具体涉及一种用于电推进系统的电源控制方法。

背景技术

电推进系统是一种利用电能来推进航天器、卫星或其他太空器的技术系统，相比传统化学推进系统，电推进系统具有较高的效率和更长的工作寿命。为了保证电推进系统的安全稳定运行，需要电源控制系统对电流和电压的稳定性进行检测，在检测到异常电流或电压时，自动切断电源或触发故障保护机制，以防止电推进系统出现进一步的损坏和故障扩散。

密度峰值聚类算法是一种简洁高效的聚类算法，可对电推进系统的电流数据使用密度峰值聚类算法进行聚类，根据聚类结果对电流的稳定性进行分析，根据分析结果对电流是否出现异常进行判断。但传统密度峰值聚类算法的截断距离根据经验值进行设定，没有考虑到电流与温度的相关性及电流变化趋势的影响，聚类效果不佳，导致对电推进系统的电流数据的异常检测精度不佳，不能及时对电源进行控制。

发明内容

本发明提供一种用于电推进系统的电源控制方法，以解决现有的电推进系统的电源控制精度不足的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种用于电推进系统的电源控制方法，该方法包括以下步骤：

根据采集的电流数据和电源温度数据获取电流序列和电源温度序列，根据电流序列和电源温度序列获取温度-电流关系直线；

根据电流数据和电源温度数据和温度-电流关系直线获取每个数据获取时刻对应的相关性异常指数；

获取数据获取时刻对应的异常波动率，根据异常波动率标记异常波动时刻，获取数据获取时刻的局部时段，根据数据获取时刻的局部时段内异常波动时刻的个数和异常波动时刻的相关性异常指数获取数据获取时刻的局部扰乱密集度，获取数据获取时刻的电流反复波折率，根据数据获取时刻的局部扰乱密集度和电流反复波折率获取数据获取时刻的电流密度紊乱率；

根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离，以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，获取电流数据的聚类结果，根据聚类结果对电推进系统的蓄电池组电流进行控制。

进一步，所述根据采集的电流数据和电源温度数据获取电流序列和电源温度序列，包括的具体方法为：

将采集的连续第一预设数量个电流数据按照数据采集的时间顺序排列为电流序列，将采集的连续第一预设数量个电源温度数据按照数据采集的时间顺序排列为电源温度序列。

进一步，所述根据电流序列和电源温度序列获取温度-电流关系直线，包括的具体方法为：

建立温度-电流散点图，温度-电流散点图的横轴为电推进系统的电流数据，纵轴为电推进系统的电源温度数据，温度-电流散点图中的每一个散点均对应同一个数据获取时刻获取的电流数据和电源温度数据；

将温度-电流散点图中的所有散点与直线进行拟合，获取温度-电流关系直线。

进一步，所述根据电流数据和电源温度数据和温度-电流关系直线获取每个数据获取时刻对应的相关性异常指数，包括的具体方法为：

将温度-电流散点图中的散点与温度-电流关系直线的欧氏距离记为散点对应的差异距离；

将数据获取时刻获取的电流数据和电源温度数据在温度-电流散点图中对应的散点记为数据获取时刻对应的散点；

将数据获取时刻对应的散点对应的差异距离与所有差异距离最大值的比值记为数据获取时刻对应的相关性异常指数。

进一步，所述获取数据获取时刻对应的异常波动率，包括的具体方法为：

将数据获取时刻的前一个数据获取时刻记为数据获取时刻的第一时刻，将数据获取时刻的后一个数据获取时刻记为数据获取时刻的第二时刻；

将数据获取时刻对应的相关性异常指数与数据获取时刻的第二时刻的相关性异常指数的差值记为第一差值；

将数据获取时刻的第一时刻的相关性异常指数与数据获取时刻对应的相关性异常指数的差值记为第二差值；

将第一差值与第二差值的乘积记为数据获取时刻对应的异常波动率。

进一步，所述根据异常波动率标记异常波动时刻，获取数据获取时刻的局部时段，包括的具体方法为：

将小于数字0的异常波动率对应的数据获取时刻记为异常波动时刻；

将数据获取时刻的前第二预设数量的数据获取时刻和后第二预设数量的数据获取时刻记为数据获取时刻的局部时段。

进一步，所述根据数据获取时刻的局部时段内异常波动时刻的个数和异常波动时刻的相关性异常指数获取数据获取时刻的局部扰乱密集度，包括的具体方法为：

将数据获取时刻的局部时段内包含的异常波动时刻的个数与数据获取时刻的局部时段内包含的异常波动时刻的个数之比记为第一比值；

将数据获取时刻对应的异常波动率的绝对值与第一比值的乘积记为数据获取时刻对应的局部扰乱密集度。

进一步，所述获取数据获取时刻的电流反复波折率，根据数据获取时刻的局部扰乱密集度和电流反复波折率获取数据获取时刻的电流密度紊乱率，包括的具体方法为：

将数据获取时刻的局部时段内所有数据获取时刻的电流的均方差记为数据获取时刻的电流反复波折率；

将数据获取时刻的局部时段内包含的所有数据获取时刻的局部扰乱密集度的均值记为第一均值；

将数据获取时刻的电流反复波折率与第一均值的乘积记为数据获取时刻的电流密度紊乱率。

进一步，所述根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离，包括的具体方法为：

将数据获取时刻对应的相关性异常指数与电流密度紊乱率的乘积的归一化值记为数据获取时刻对应的综合异常系数；

将数字1与所有数据获取时刻对应的综合异常系数的均值的差值记为第三差值；

将初始截断距离与第三差值的乘积记为自适应截断距离。

进一步，所述以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，获取电流数据的聚类结果，根据聚类结果对电推进系统的蓄电池组电流进行控制，包括的具体方法为：

以自适应截断距离为截断距离参数的取值，使用密度峰值聚类算法对电流数据进行聚类，获取电流数据的聚类结果；

获取聚类获取的每个聚类簇中的电流的局部密度和聚类簇中的电流的局部密度的最大值，将电流的局部密度与聚类簇中的电流的局部密度的最大值的比值记为电流的局部密度归一化值；

将局部密度归一化值小于第一异常阈值的电流标记为异常电流值；

将两个聚类簇中心点之间的欧氏距离记为簇间距离；

获取所有簇间距离的方差，当所有簇间距离的方差大于初始截断距离时，认为出现异常簇；

根据异常电流值和异常簇对电推进系统的蓄电池组电流进行控制。

本发明的有益效果是：

本发明通过对电推进系统的电流数据的变化趋势及异常情况进行分析，对电推进系统的电流进行检测，进而实现及时的电源控制。首先，本发明根据电推进系统运行时电流和电源温度的相关性获取每个时刻的相关性异常指数，相关性异常指数反映了每个时刻的电流与电源温度的相关程度；然后，根据电流数据的发生异常时的波动情况获取每个时刻的局部扰乱密集度，并根据局部扰乱密集度与相关性异常指数获取综合异常系数，综合异常系数反映了每个时刻的电流异常概率；为了实现对电流的精确检测，根据综合异常系数获取自适应截断距离，以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，提高聚类精度，根据聚类结果对电推进系统的蓄电池组电流进行控制，提高电流异常检测的准确性，解决现有的电推进系统的电源控制精度不足的问题。

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一种用于电推进系统的电源控制方法流程示意图；

图2为温度-电流关系直线示意图。

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所提供的一种用于电推进系统的电源控制方法流程图，该方法包括以下步骤：

步骤S001、根据采集的电流数据和电源温度数据获取电流序列和电源温度序列，根据电流序列和电源温度序列获取温度-电流关系直线。

将霍尔传感器连接到电推进系统的蓄电池组电路中，将温度传感器连接电源。霍尔传感器用于采集电推进系统的电流数据，温度传感器用于采集电推进系统的电源温度数据，数据采集的时间间隔的经验值为0.2s。将采集的电流数据按照数据采集的时间顺序排列为电流序列，将采集的电源温度数据按照数据采集的时间顺序排列为电源温度序列。电流序列和电源温度序列中均包含第一预设数量个数据，第一预设数量的经验值为600。

电推进系统运行时，电源温度的升高会导致电源内部的电阻增加，电源内部的电阻增加会引起系统的工作负荷的增加，电推进系统的蓄电池组电流电流也会随之增大，因此，电流数据和电源温度数据存在正相关关系。

建立温度-电流散点图，温度-电流散点图的横轴为电推进系统的电流数据，纵轴为电推进系统的电源温度数据，温度-电流散点图中的每一个散点均对应同一个数据获取时刻获取的电流数据和电源温度数据。对温度-电流散点图中的散点使用最小二乘法，将散点与直线进行拟合，获取温度-电流关系直线，温度-电流关系直线示意图如图2所示。

至此，获取温度-电流关系直线。

步骤S002、根据电流数据和电源温度数据和温度-电流关系直线获取每个数据获取时刻对应的相关性异常指数。

将温度-电流散点图中的散点与温度-电流关系直线的欧氏距离记为散点对应的差异距离。将数据获取时刻获取的电流数据和电源温度数据在温度-电流散点图中对应的散点记为数据获取时刻对应的散点。

根据温度-电流散点图中散点对应的差异距离获取每个数据获取时刻对应的相关性异常指数。

式中，为数据获取时刻/>对应的相关性异常指数，其中，/>；/>为第一预设数量，经验值为600；/>为数据获取时刻/>对应的散点对应的差异距离；/>为所有差异距离最大值。

当数据获取时刻对应的散点对应的差异距离越大时，数据获取时刻对应的散点对应的差异距离相对于所有差异距离越大，数据获取时刻对应的相关性异常指数越大，即数据获取时刻获取的电流数据与电源温度数据的相关性越小，数据获取时刻获取的电流数据与电源温度数据为正常数据的可能性越小。

至此，获取数据获取时刻对应的相关性异常指数。

步骤S003、获取数据获取时刻对应的异常波动率，根据异常波动率标记异常波动时刻，获取数据获取时刻的局部时段，根据数据获取时刻的局部时段内异常波动时刻的个数和异常波动时刻的相关性异常指数获取数据获取时刻的局部扰乱密集度，获取数据获取时刻的电流反复波折率，根据数据获取时刻的局部扰乱密集度和电流反复波折率获取数据获取时刻的电流密度紊乱率。

当电推进系统稳定运行时，电流与电源温度保持相对稳定，当负载增大时，系统需要更大的电流以满足负载需求，电流会呈现递增的趋势，当负载减少时，系统所需的电流也会相应降低，电流会呈现递减的趋势。如果电推进系统中的元件故障或损坏，电流将出现异常波动情况。

所以，可根据数据获取时刻对应的相关性异常指数获取数据获取时刻对应的异常波动率。

将数据获取时刻的前一个数据获取时刻记为数据获取时刻的第一时刻，将数据获取时刻的后一个数据获取时刻记为数据获取时刻的第二时刻。将数据获取时刻对应的相关性异常指数与数据获取时刻的第二时刻的相关性异常指数的差值记为第一差值，将数据获取时刻的第一时刻的相关性异常指数与数据获取时刻对应的相关性异常指数的差值记为第二差值，将第一差值与第二差值的乘积记为数据获取时刻对应的异常波动率。

数据获取时刻对应的异常波动率小于0时，第一差值与第二差值的正负符号相异，则数据获取时刻位于电流的波动区间，数据获取时刻越有可能对应电流的异常波动时刻；数据获取时刻对应的异常波动率大于等于0时，第一差值与第二差值的正负符号相同，则数据获取时刻位于电流的递增、递减或者平滑区间，数据获取时刻对应电流的异常波动时刻的可能性越小。当数据获取时刻对应的异常波动率的绝对值越大时，数据获取时刻位于电流的波动越大的时刻。

将小于0的异常波动率对应的数据获取时刻记为异常波动时刻。

将数据获取时刻的前第二预设数量的数据获取时刻和后第二预设数量的数据获取时刻记为数据获取时刻的局部时段。其中，第二预设数量的经验值为5。

当电推进系统在某个时刻出现故障造成电流异常波动时，该时刻的局部时段内的异常波动时刻会越多越密集。根据数据获取时刻的局部时段内异常波动时刻的个数和异常波动时刻的相关性异常指数获取数据获取时刻的局部扰乱密集度。

式中，为数据获取时刻/>对应的局部扰乱密集度；/>为数据获取时刻/>对应的异常波动率；/>为数据获取时刻的局部时段内包含的异常波动时刻的个数；/>为第二预设数量，经验值为5。

当数据获取时刻对应的异常波动率的绝对值越大、数据获取时刻的局部时段内包含的异常波动时刻的个数越多时，数据获取时刻对应的局部扰乱密集度越大，即数据获取时刻局部范围内电流的异常波动程度越大，数据获取时刻越可能位于电流的异常波动时段。

电磁干扰或电推进系统中出现故障会导致电流出现大范围混乱，所以，电流的异常波动时段内的数据获取时刻对应的局部扰乱密集度和电流幅值变化均较大，在对这些数值进行聚类判断是否出现电流异常时，往往容易将电流的异常波动时段内的数据作为正常值进行聚类，使异常判断的结果出现误差。因此，根据电流的异常波动时段内的数据获取时刻对应的局部扰乱密集度和电流幅值变化均较大的特征进行分析，防止上述误判情况的出现。

将数据获取时刻的局部时段内所有数据获取时刻的电流的均方差记为数据获取时刻的电流反复波折率。

当数据获取时刻的电流反复波折率越大时，数据获取时刻的局部时段内电流变化越为混乱，数据获取时刻的电流越有可能对周围的电流产生干扰。

根据数据获取时刻的局部扰乱密集度和电流反复波折率获取数据获取时刻的电流密度紊乱率。

式中，为数据获取时刻/>对应的电流密度紊乱率；/>为数据获取时刻/>的局部时段内第/>个数据获取时刻的局部扰乱密集度，其中，/>；/>为第二预设数量，经验值为5；/>为数据获取时刻/>的电流反复波折率。

当数据获取时刻的局部时段内数据获取时刻的局部扰乱密集度越大、数据获取时刻的电流反复波折率越大时，数据获取时刻对应的电流密度紊乱率越大，即数据获取时刻附近获取的电流越为紊乱，对聚类结果影响越大。

至此，获取数据获取时刻对应的电流密度紊乱率。

步骤S004、根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离，以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，获取电流数据的聚类结果，根据聚类结果对电推进系统的蓄电池组电流进行控制。

在使用密度峰值聚类算法对数据进行聚类时，密度峰值聚类算法的截断距离为一个常数值，根据数据点截断距离邻域内的数据点个数获取数据点的局部密度，进而获得聚类结果。然而，电推进系统的电流波动范围较小，异常电流与正常电流的差异较小，依靠固定的截断距离容易在异常电流的识别中产生误判。

数据获取时刻对应的相关性异常指数为根据电流与拟合标准电流曲线的差异获取的数据获取时刻的电流的异常程度评价，数据获取时刻对应的电流密度紊乱率为根据电磁干扰或电推进系统中出现故障导致的电流出现大范围混乱的特征获取的数据获取时刻的电流的异常程度评价，可根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离。

式中，为数据获取时刻/>对应的综合异常系数；/>为数据获取时刻/>对应的电流密度紊乱率；/>为数据获取时刻/>对应的相关性异常指数；/>为线性归一化函数，作用为取括号内的归一化值；/>为所有数据获取时刻对应的综合异常系数的均值；/>为初始截断距离，经验值为所有数据获取时刻对应的电流的方差；/>为自适应截断距离。

当数据获取时刻对应的电流密度紊乱率和相关性异常指数越大时，数据获取时刻对应的综合异常系数越大，即数据获取时刻电流出现异常的可能性越大，为更好地区分电流中的异常数据和正常数据，在聚类时选取的自适应截断距离应越小。

当数据获取时刻对应的综合异常系数越大时，自适应截断距离越小，可更好地区分电流中的异常数据和正常数据。

以自适应截断距离为截断距离参数的取值，使用密度峰值聚类算法对电流数据进行聚类，获取电流数据的聚类结果。

获取聚类获取的每个聚类簇中的电流的局部密度和聚类簇中的电流的局部密度的最大值，将电流的局部密度与聚类簇中的电流的局部密度的最大值的比值记为电流的局部密度归一化值。将局部密度归一化值小于第一异常阈值的电流标记为异常电流值。其中，第一异常阈值的经验值为0.1。当检测出异常电流值时，对电推进系统的蓄电池组电流进行控制，降低蓄电池组的电路电流以降低功率损耗和热量产生。

将两个聚类簇中心点之间的欧氏距离记为簇间距离，获取所有簇间距离的方差，当所有簇间距离的方差大于初始截断距离时，认为出现异常簇。当出现异常簇时，切断蓄电池组的电路电源并报警，防止电推荐系统的异常对电推进系统造成损害。

至此，完成对电推荐系统的电源控制。

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。

以上所述仅为本发明的较佳实施例而已，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)

1.一种用于电推进系统的电源控制方法，其特征在于，该方法包括以下步骤：

根据采集的电流数据和电源温度数据获取电流序列和电源温度序列，根据电流序列和电源温度序列获取温度-电流关系直线；

根据电流数据和电源温度数据和温度-电流关系直线获取每个数据获取时刻对应的相关性异常指数；

获取数据获取时刻对应的异常波动率，根据异常波动率标记异常波动时刻，获取数据获取时刻的局部时段，根据数据获取时刻的局部时段内异常波动时刻的个数和异常波动时刻的相关性异常指数获取数据获取时刻的局部扰乱密集度，获取数据获取时刻的电流反复波折率，根据数据获取时刻的局部扰乱密集度和电流反复波折率获取数据获取时刻的电流密度紊乱率；

根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离，以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，获取电流数据的聚类结果，根据聚类结果对电推进系统的蓄电池组电流进行控制。

2.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述根据采集的电流数据和电源温度数据获取电流序列和电源温度序列，包括的具体方法为：

将采集的连续第一预设数量个电流数据按照数据采集的时间顺序排列为电流序列，将采集的连续第一预设数量个电源温度数据按照数据采集的时间顺序排列为电源温度序列。

3.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述根据电流序列和电源温度序列获取温度-电流关系直线，包括的具体方法为：

建立温度-电流散点图，温度-电流散点图的横轴为电推进系统的电流数据，纵轴为电推进系统的电源温度数据，温度-电流散点图中的每一个散点均对应同一个数据获取时刻获取的电流数据和电源温度数据；

将温度-电流散点图中的所有散点与直线进行拟合，获取温度-电流关系直线。

4.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述根据电流数据和电源温度数据和温度-电流关系直线获取每个数据获取时刻对应的相关性异常指数，包括的具体方法为：

将温度-电流散点图中的散点与温度-电流关系直线的欧氏距离记为散点对应的差异距离；

将数据获取时刻获取的电流数据和电源温度数据在温度-电流散点图中对应的散点记为数据获取时刻对应的散点；

将数据获取时刻对应的散点对应的差异距离与所有差异距离最大值的比值记为数据获取时刻对应的相关性异常指数。

5.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述获取数据获取时刻对应的异常波动率，包括的具体方法为：

将数据获取时刻的前一个数据获取时刻记为数据获取时刻的第一时刻，将数据获取时刻的后一个数据获取时刻记为数据获取时刻的第二时刻；

将数据获取时刻对应的相关性异常指数与数据获取时刻的第二时刻的相关性异常指数的差值记为第一差值；

将数据获取时刻的第一时刻的相关性异常指数与数据获取时刻对应的相关性异常指数的差值记为第二差值；

将第一差值与第二差值的乘积记为数据获取时刻对应的异常波动率。

6.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述根据异常波动率标记异常波动时刻，获取数据获取时刻的局部时段，包括的具体方法为：

将小于数字0的异常波动率对应的数据获取时刻记为异常波动时刻；

将数据获取时刻的前第二预设数量的数据获取时刻和后第二预设数量的数据获取时刻记为数据获取时刻的局部时段。

7.根据权利要求6所述的一种用于电推进系统的电源控制方法，其特征在于，所述根据数据获取时刻的局部时段内异常波动时刻的个数和异常波动时刻的相关性异常指数获取数据获取时刻的局部扰乱密集度，包括的具体方法为：

将数据获取时刻的局部时段内包含的异常波动时刻的个数与数字二与第二预设数量的乘积之比记为第一比值；

将数据获取时刻对应的异常波动率的绝对值与第一比值的乘积记为数据获取时刻对应的局部扰乱密集度。

8.根据权利要求7所述的一种用于电推进系统的电源控制方法，其特征在于，所述获取数据获取时刻的电流反复波折率，根据数据获取时刻的局部扰乱密集度和电流反复波折率获取数据获取时刻的电流密度紊乱率，包括的具体方法为：

将数据获取时刻的局部时段内所有数据获取时刻的电流的均方差记为数据获取时刻的电流反复波折率；

将数据获取时刻的局部时段内包含的所有数据获取时刻的局部扰乱密集度的均值记为第一均值；

将数据获取时刻的电流反复波折率与第一均值的乘积记为数据获取时刻的电流密度紊乱率。

9.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述根据数据获取时刻对应的相关性异常指数和电流密度紊乱率获取自适应截断距离，包括的具体方法为：

将数据获取时刻对应的相关性异常指数与电流密度紊乱率的乘积的归一化值记为数据获取时刻对应的综合异常系数；

将数字1与所有数据获取时刻对应的综合异常系数的均值的差值记为第三差值；

将初始截断距离与第三差值的乘积记为自适应截断距离。

10.根据权利要求1所述的一种用于电推进系统的电源控制方法，其特征在于，所述以自适应截断距离为截断距离参数的取值，对电流数据进行聚类，获取电流数据的聚类结果，根据聚类结果对电推进系统的蓄电池组电流进行控制，包括的具体方法为：

以自适应截断距离为截断距离参数的取值，使用密度峰值聚类算法对电流数据进行聚类，获取电流数据的聚类结果；

获取聚类获取的每个聚类簇中的电流的局部密度和聚类簇中的电流的局部密度的最大值，将电流的局部密度与聚类簇中的电流的局部密度的最大值的比值记为电流的局部密度归一化值；

将局部密度归一化值小于第一异常阈值的电流标记为异常电流值；

将两个聚类簇中心点之间的欧氏距离记为簇间距离；

获取所有簇间距离的方差，当所有簇间距离的方差大于初始截断距离时，认为出现异常簇；

根据异常电流值和异常簇对电推进系统的蓄电池组电流进行控制。