CN117554824B - 一种锌锰电池的异常数据检测方法 - Google Patents
一种锌锰电池的异常数据检测方法 Download PDFInfo
- Publication number
- CN117554824B CN117554824B CN202410016024.XA CN202410016024A CN117554824B CN 117554824 B CN117554824 B CN 117554824B CN 202410016024 A CN202410016024 A CN 202410016024A CN 117554824 B CN117554824 B CN 117554824B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- sequence segment
- segment
- load discharge
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 62
- WJZHMLNIAZSFDO-UHFFFAOYSA-N manganese zinc Chemical compound [Mn].[Zn] WJZHMLNIAZSFDO-UHFFFAOYSA-N 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000007599 discharging Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种锌锰电池的异常数据检测方法,包括:采集锌锰电池的电压时序数据序列,从其中分割出若干个负载放电数据序列段以及充电数据序列段,获取任意两个负载放电数据序列段之间的不相似性,从而对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇,获取每个聚类簇中每个负载放电数据序列段的充放电特征,从而得到每个负载放电数据序列段的调整权重,获取任意两个负载放电数据序列段之间的聚类距离,从而得到异常数据。本发明通过自适应负载放电数据序列段之间的聚类距离,提高聚类效果,从而保障负载放电数据异常检测的准确度,提高锌锰电池的异常数据检测效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种锌锰电池的异常数据检测方法。
背景技术
锌锰电池作为使用最为广泛的可拆卸电池,其可进行充电后反复使用。在电池使用过程中可能因为使用不当或者是电池的质量问题造成损坏,厂家需要收集电池的异常数据,用来分析电池可能产生的问题,以及时的对电池进行优化,其可以通过检测锌锰电池在充放电过程中的电压数据中的异常数据,以异常数据的分析结果来判定电池是否存在问题。
现有的问题:当前常使用迭代自组织聚类算法,进行异常数据检测,但该算法没有考虑到电池在每次充放电过程中的损耗,当直接进行聚类操作时,可能会导致因电池损耗造成的正常电压变化被划分到异常簇类中,从而降低了锌锰电池异常数据检测的准确性。
发明内容
本发明提供一种锌锰电池的异常数据检测方法,以解决现有的问题。
本发明的一种锌锰电池的异常数据检测方法采用如下技术方案:
本发明一个实施例提供了一种锌锰电池的异常数据检测方法,该方法包括以下步骤:
采集一个锌锰电池一段时间内的电压数据,得到一个电压时序数据序列;所述电压时序数据序列中每个数据对应一个时间;从电压时序数据序列中分割出若干个负载放电数据序列段以及充电数据序列段;
根据任意两个负载放电数据序列段之间的数据以及数据的时间差异,得到两个负载放电数据序列段之间的不相似性;根据两个负载放电数据序列段之间的不相似性,对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇;
在每个聚类簇中,根据所有负载放电数据序列段中的数据数量之间的差异,得到每个负载放电数据序列段的离散程度;根据每个负载放电数据序列段与其之后的充电数据序列段之间的数据、数据数量以及每个负载放电数据序列段的离散程度,得到每个负载放电数据序列段的充放电特征;
根据每个聚类簇中所有负载放电数据序列段的充放电特征以及每个负载放电数据序列段与其之后的充电数据序列段之间数据的时间差异,得到每个负载放电数据序列段的调整权重;
根据任意两个负载放电数据序列段之间的不相似性以及调整权重,得到两个负载放电数据序列段之间的聚类距离;根据两个负载放电数据序列段之间的聚类距离,得到异常数据。
进一步地,所述从电压时序数据序列中分割出若干个负载放电数据序列段以及充电数据序列段,包括的具体步骤如下:
在电压时序数据序列中,将每个数据减去其相邻的后一个数据的差值,记为每个数据的趋势值;将趋势值为负数的数据,记为放电数据;将趋势值为正数的数据,记为充电数据;
使用最小最大规范法,对所有放电数据的趋势值的绝对值进行归一化处理,得到每个放电数据的放电趋势值;
在所有放电数据中,将放电趋势值大于预设的放电阈值的放电数据,记为负载放电数据;
将电压时序数据序列中连续相邻的负载放电数据构成的序列段,记为负载放电数据序列段;
将电压时序数据序列中连续相邻的充电数据构成的序列段,记为充电数据序列段。
进一步地,所述根据任意两个负载放电数据序列段之间的数据以及数据的时间差异,得到两个负载放电数据序列段之间的不相似性,包括的具体步骤如下:
在电压时序数据序列中,将任意两个负载放电数据序列段,按照时间顺序依次记为目标序列段和参考序列段;
将参考序列段中第一个数据的时间减去目标序列段中最后一个数据的时间的差值,记为目标序列段和参考序列段之间的时间间隔;
使用动态时间规整算法,对目标序列段和参考序列段中的数据进行匹配,得到若干个匹配数据对;其中,每个匹配数据对中包括一个目标序列段中的数据和一个参考序列段中的数据;
根据目标序列段和参考序列段之间的时间间隔、所有匹配数据对中的数据以及数据的趋势值,得到目标序列段和参考序列段之间的不相似性。
进一步地,所述根据目标序列段和参考序列段之间的时间间隔、所有匹配数据对中的数据以及数据的趋势值,得到目标序列段和参考序列段之间的不相似性对应的具体计算公式为:
其中为目标序列段和参考序列段之间的不相似性,/>为匹配数据对的数量,/>为第/>个匹配数据对中的目标序列段中的数据的趋势值,/>为第/>个匹配数据对中的参考序列段中的数据的趋势值,/>为第/>个匹配数据对中的目标序列段中的数据,/>为第/>个匹配数据对中的参考序列段中的数据,/>为目标序列段和参考序列段之间的时间间隔,/>为绝对值函数,/>为线性归一化函数。
进一步地,所述在每个聚类簇中,根据所有负载放电数据序列段中的数据数量之间的差异,得到每个负载放电数据序列段的离散程度,包括的具体步骤如下:
将任意一个聚类簇,记为目标簇;将目标簇中任意一个负载放电数据序列段,记为主序列段;
主序列段的离散程度的具体计算公式为:
其中为主序列段的离散程度,/>为主序列段中的数据数量,/>为目标簇中第/>个负载放电数据序列段中的数据数量,/>为目标簇中负载放电数据序列段的数量,/>为绝对值函数,/>为线性归一化函数。
进一步地,所述根据每个负载放电数据序列段与其之后的充电数据序列段之间的数据、数据数量以及每个负载放电数据序列段的离散程度,得到每个负载放电数据序列段的充放电特征对应的具体计算公式为:
其中为主序列段的充放电特征,/>为主序列段中的数据数量,/>为主序列段的离散程度,/>为主序列段中所有数据中的最大值减去最小值的差值,/>为分序列段中的数据数量,/>为分序列段中所有数据中的最大值减去最小值的差值;
所述分序列段的获取过程为:在电压时序数据序列中,将主序列段之后的第一个充电数据序列段,记为分序列段。
进一步地,所述根据每个聚类簇中所有负载放电数据序列段的充放电特征以及每个负载放电数据序列段与其之后的充电数据序列段之间数据的时间差异,得到每个负载放电数据序列段的调整权重,包括的具体步骤如下:
将分序列段中第一个数据的时间减去主序列段中最后一个数据的时间的差值,记为主序列段和分序列段之间的时间间隔;
根据目标簇中所有负载放电数据序列段的充放电特征之间的差异以及主序列段和分序列段之间的时间间隔,得到主序列段的调整权重。
进一步地,所述根据目标簇中所有负载放电数据序列段的充放电特征之间的差异以及主序列段和分序列段之间的时间间隔,得到主序列段的调整权重对应的具体计算公式为:
其中为主序列段的调整权重,/>为主序列段的充放电特征,/>为目标簇中所有负载放电数据序列段的充放电特征的均值,/>为主序列段和分序列段之间的时间间隔,为绝对值函数,/>为线性归一化函数。
进一步地,所述根据任意两个负载放电数据序列段之间的不相似性以及调整权重,得到两个负载放电数据序列段之间的聚类距离,包括的具体步骤如下:
计算目标序列段的调整权重和参考序列段的调整权重的均值,将所述均值与目标序列段和参考序列段之间的不相似性的乘积,记为目标序列段和参考序列段之间的聚类距离。
进一步地,所述根据两个负载放电数据序列段之间的聚类距离,得到异常数据,包括的具体步骤如下:
在电压时序数据序列中,根据所有负载放电数据序列段之间的聚类距离,使用迭代自组织聚类算法对所有负载放电数据序列段进行聚类操作,得到若干个更新聚类簇;
根据所述每个负载放电数据序列段的离散程度的获取方式,得到每个更新聚类簇中每个负载放电数据序列段的更新离散程度;
在每个更新聚类簇中,将更新离散程度大于预设的判断阈值的负载放电数据序列段,记为异常序列段;
在所有更新聚类簇中,将所有异常序列段中的所有数据,记为异常数据。
本发明的技术方案的有益效果是:
本发明实施例中,采集锌锰电池的电压时序数据序列,从其中分割出若干个负载放电数据序列段以及充电数据序列段。获取任意两个负载放电数据序列段之间的不相似性,从而对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇。由此以不相似性作用初始的聚类距离进行初次聚类操作,并且不相似性会作为后续聚类距离的计算参数,用以提高计算出的聚类距离的可信度,提高聚类的效果。获取每个聚类簇中每个负载放电数据序列段的充放电特征,从而得到每个负载放电数据序列段的调整权重。由此根据初次聚类的结果分析,计算聚类距离的调整权重,进一步保障聚类距离的准确性。获取任意两个负载放电数据序列段之间的聚类距离,从而得到异常数据,由此使用准确的聚类距离进行聚类操作,得到更为可信的聚类结果,从而提高异常数据检测的效果。至此本发明实施例通过自适应负载放电数据序列段之间的聚类距离,提高聚类效果,从而保障负载放电数据异常检测的可信度,提高锌锰电池的异常数据检测效果。
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为本发明一种锌锰电池的异常数据检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种锌锰电池的异常数据检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种锌锰电池的异常数据检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种锌锰电池的异常数据检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集一个锌锰电池一段时间内的电压数据,得到一个电压时序数据序列;所述电压时序数据序列中每个数据对应一个时间;从电压时序数据序列中分割出若干个负载放电数据序列段以及充电数据序列段。
使用电压传感器,采集一个锌锰电池一段时间内的电压数据,得到一个电压时序数据序列。电压时序数据序列中每个数据对应一个时间。
所需说明的是:该段时间内包含多次锌锰电池充电和用电过程。本实施例设定的数据采集频率为一秒一次,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
已知电池中的电量信息和电压数据存在直接联系,电池中的电量下降其电压也会随之下降,所以通过电压的变化可以在一定程度上表征电池的电量信息。在电池充放电的过程中,由于使用的损耗其电池容量会逐渐下降,其表征为充满电后的放电量会减少以及放电时长减少,但是其充电的时长会增加。通过迭代自组织聚类算法对采集的电压数据进行聚类的过程中,由于上述的原因在电池的充放电过程中,其可能会将损耗造成的正常电压变化情况划分到异常簇类中,或者将其划分到正常簇类中,这会导致正常簇类的聚类中心发生偏移,从而导致真正的异常数据划分到正常数据中,影响簇类划分的准确性。其中迭代自组织聚类算法为公知技术,具体方法在此不做介绍。
故在对采集的数据进行聚类时可以判断采集的数据所在的时间序列,根据时间序列判断其受到损耗的影响情况,对聚类的条件进行修正,提高聚类的准确性。
电池在充放电的过程中可以从电压进行分析,将采集的电池电压划分成两类,一是电池的充电过程,二是电池的负载放电过程。充电过程就是电压上升的过程,当电压变化趋于零时,此时为充满电之后的平稳时段,即充满电后仍然连接充电线的情况。电池放电情况是电压下降的过程,当电压的下降比较迅速时,其为负载放电过程。分析充电状态所在的处簇类中的离散情况和其对应的放电过程其所属的簇类的情况可以获得其对应的异常数据。由于充电过程中电池处于稳定状态,而放电过程中,电池处于使用状态,其使用状态复杂多变,因此本实施例主要检测放电过程中的异常数据。
在电压时序数据序列中,将每个数据减去其相邻的后一个数据的差值,记为每个数据的趋势值。
所需说明的是:根据数据变化趋势的延续性,在电压时序数据序列中,最后一个数据无相邻的后一个数据,因此令最后一个数据的趋势值,为倒数第二个数据的趋势值。
在电压时序数据序列中,将趋势值为负数的数据,记为放电数据。将趋势值为正数的数据,记为充电数据。
所需说明的是:趋势值为0时,说明电池处于未被使用,且电量保持不变的状态。
使用最小最大规范法对所有放电数据的趋势值的绝对值进行归一化处理,将放电数据归一化至[0,1]区间内,得到每个放电数据的放电趋势值。其中,最小最大规范法为公知技术,具体方法在此不做介绍。
本实施例预设的放电阈值为0.3,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在所有放电数据中,将放电趋势值大于预设的放电阈值的放电数据,记为负载放电数据。
所需说明的是:电压随时间降低时,电池处于放电状态,因此将趋势值为负数的数据,记为放电数据。而放电状态存在两种情况,一种是不使用时产生的自放电现象,电压会呈现比较缓慢的下降趋势,另一种是使用时的负载放电情况,电压下降趋势较快,因此本实施例使用预设的放电阈值0.3,区分负载放电数据。本实施例主要检测电池使用情况下的异常数据。
在电压时序数据序列中,将连续相邻的负载放电数据构成的序列段,记为负载放电数据序列段。将连续相邻的充电数据构成的序列段,记为充电数据序列段。
步骤S002:根据任意两个负载放电数据序列段之间的数据以及数据的时间差异,得到两个负载放电数据序列段之间的不相似性;根据两个负载放电数据序列段之间的不相似性,对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇。
已知电池在使用过程中,其会因为其自身的损耗影响其充放电过程,直接对采集的数据进行聚类其会因为损耗影响造成偏移。分析采集的电池在不同使用情况下的负载放电数据,根据其随着使用时间的增加,分析其对充放电情况的影响。
电池的负载放电情况和放电时间存在一定的关系,放电时间越长可以在一定程度上说明电池的用电量越多,但是负载放电也和放电的速度存在一定的关系,当放电时间长度一致时,放电速度越快的情况,其电池的放电量越多,当电池的容量固定时,电池充满电后被使用的时间越长,其下次充电的时间越长,所以可以看作电池的负载放电越多其充电时间越长。
对数据进行聚类操作时,单纯的一个时间段的电压表征不了其为异常数据,在进行聚类时是对负载放电数据序列段进行聚类操作,以一个序列段为一个样本,分析其相同行为的序列段的离散情况,判断其是否为异常数据。
根据上述分析可知电池的充放电情况受到其使用的时间的影响,充电时间和放电时间有关,可以通过其充放电时间长度之比,判断其每个阶段数据本身的变化情况,根据分析放电的时长虽然在一定程度上可以表征用户的用电行为,但是其整体的用电过程不明确,直接通过对比充放电时长不准确,可以分析采集的电池的放电情况,将同种的放电行为进行种类划分,分析同一种类用电行为的离散性,作为放电数据的置信度去调整放电情况。
在电压时序数据序列中,将任意两个负载放电数据序列段,按照时间顺序依次记为目标序列段和参考序列段。
将参考序列段中第一个数据的时间减去目标序列段中最后一个数据的时间的差值,记为目标序列段和参考序列段之间的时间间隔。
使用动态时间规整算法对目标序列段和参考序列段中的数据进行匹配,得到若干个匹配数据对,每个匹配数据对中包括一个目标序列段中的数据和一个参考序列段中的数据。其中,动态时间规整算法为公知技术,具体方法在此不做介绍。
由此可知目标序列段和参考序列段之间的不相似性的计算公式为:
其中为目标序列段和参考序列段之间的不相似性,/>为匹配数据对的数量,/>为第/>个匹配数据对中的目标序列段中的数据的趋势值,/>为第/>个匹配数据对中的参考序列段中的数据的趋势值,/>为第/>个匹配数据对中的目标序列段中的数据,/>为第/>个匹配数据对中的参考序列段中的数据,/>为目标序列段和参考序列段之间的时间间隔,/>为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:表示目标序列段和参考序列段的匹配数据的变化趋势差异,/>表示目标序列段和参考序列段的匹配数据的差异,故越小,说明目标序列段和参考序列段之间的数据特征越相似,而/>越小,说明目标序列段和参考序列段在时间上越靠近,因此用/>的归一化值对/>进行调整,两者的乘积越大,目标序列段和参考序列段越不相似。
按照上述方式,得到电压时序数据序列任意两个负载放电数据序列段之间的不相似性。
在电压时序数据序列中,根据所有负载放电数据序列段之间的不相似性,使用迭代自组织聚类算法对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇。
所需说明的是:迭代自组织聚类算法为公知技术,具体方法在此不做介绍。本实施例以所有负载放电数据序列段之间的不相似性,作为所有负载放电数据序列段之间的距离进行聚类操作,两电数据序列段之间的不相似性越大,说明两电数据序列段之间的距离越远,并且预设的聚类簇的数量为10,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
步骤S003:在每个聚类簇中,根据所有负载放电数据序列段中的数据数量之间的差异,得到每个负载放电数据序列段的离散程度;根据每个负载放电数据序列段与其之后的充电数据序列段之间的数据、数据数量以及每个负载放电数据序列段的离散程度,得到每个负载放电数据序列段的充放电特征。
将任意一个聚类簇,记为目标簇。将目标簇中任意一个负载放电数据序列段,记为主序列段。
由此可知主序列段的离散程度的计算公式为:
其中为主序列段的离散程度,/>为主序列段中的数据数量,/>为目标簇中第/>个负载放电数据序列段中的数据数量,/>为目标簇中负载放电数据序列段的数量,/>为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:越大,说明目标簇中所有负载放电数据序列段之间的时长差异越大,即各负载放电数据序列段对应的放电使用情况差异越大,因此/>越大,/>越不可信。
当负载放电数据序列段中的数据出现异常时,即电池使用时出现了异常,这大概率会导致后续充电出现异常。因此需要进一步分析负载放电数据序列段与其之后第一个充电数据序列段的数据关系。
在电压时序数据序列中,将主序列段之后的第一个充电数据序列段,记为分序列段。
由此可知主序列段的充放电特征的计算公式为:
其中为主序列段的充放电特征,/>为主序列段中的数据数量,/>为主序列段的离散程度,/>为主序列段中所有数据中的最大值减去最小值的差值,/>为分序列段中的数据数量,/>为分序列段中所有数据中的最大值减去最小值的差值。
所需说明的是:表示分序列段对应的充电特征值,/>表示主序列段对应的放电特征值,其中/>越大,/>越不可信,因此用/>对/>进行调整,由此用/>表示主序列段的充放电特征。并且充电数据序列段中所有数据依次递增,因此/>和/>都不为0,则公式中分母不为0。
按照上述方式,得到目标簇中每个负载放电数据序列段的充放电特征。
步骤S004:根据每个聚类簇中所有负载放电数据序列段的充放电特征以及每个负载放电数据序列段与其之后的充电数据序列段之间数据的时间差异,得到每个负载放电数据序列段的调整权重。
将分序列段中第一个数据的时间减去主序列段中最后一个数据的时间的差值,记为主序列段和分序列段之间的时间间隔。
所需说明的是:在电压时序数据序列中,若负载放电数据序列段之后无充电数据序列段,则将倒数,则取其之前的第一个充电数据序列段为分序列段。此时令主序列段中第一个数据的时间减去分序列段中最后一个数据的时间的差值,记为主序列段和分序列段之间的时间间隔。
正常情况下,放电量和充电量相同的情况下,电池放电特征与充电特征的比例应保持不变,当比例出现较大的变化时,说明电池出现了异常。
由此可知主序列段的调整权重的计算公式为:
其中为主序列段的调整权重,/>为主序列段的充放电特征,/>为目标簇中所有负载放电数据序列段的充放电特征的均值,/>为主序列段和分序列段之间的时间间隔,为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:越大,说明主序列段的充放电特征与同聚类簇中其它负载放电数据序列段的充放电特征的差异越大,即主序列段的充放电特征越异常。而/>越小,说明此次放电和充电之间的时间间隔越小,则计算出的/>越可信,因此用表示主序列段的调整权重,/>越大,主序列段越异常。
按照上述方式,得到目标簇中每个负载放电数据序列段的调整权重,以及每个聚类簇中每个负载放电数据序列段的调整权重。
步骤S005:根据任意两个负载放电数据序列段之间的不相似性以及调整权重,得到两个负载放电数据序列段之间的聚类距离;根据两个负载放电数据序列段之间的聚类距离,得到异常数据。
已知上述根据所有负载放电数据序列段之间的不相似性划分的聚类簇,分析了负载放电数据之间的差异,为了进一步提高聚类的准确性,本实施例再结合充电数据,获取充放电特征,从而得到调整权重,对不相似性进行调整,得到更加可信的序列段之间的距离。以此重新进行聚类操作,获取更加准确的聚类结果。
由此可知目标序列段和参考序列段之间的聚类距离的计算公式为:
其中为目标序列段和参考序列段之间的聚类距离,/>为目标序列段的调整权重,/>为参考序列段的调整权重,/>为目标序列段和参考序列段之间的不相似性。
所需说明的是:越大,说明目标序列段和参考序列段越不相似,目标序列段和参考序列之间的距离应越远。/>和/>越大,说明目标序列段和参考序列越异常,目标序列段和参考序列之间的距离应越远。因此用/>表示目标序列段和参考序列段之间的聚类距离。
按照上述方式,得到电压时序数据序列任意两个负载放电数据序列段之间的聚类距离。
在电压时序数据序列中,根据所有负载放电数据序列段之间的聚类距离,使用迭代自组织聚类算法对所有负载放电数据序列段进行聚类操作,得到若干个更新聚类簇。
所需说明的是:预设的聚类簇的数量仍为10,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
根据主序列段的离散程度的获取方式,得到每个更新聚类簇中每个负载放电数据序列段的更新离散程度。
所需说明的是:越大,说明主序列段在目标簇中越异常。因此本实施例预设的判断阈值为0.8,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。更新离散程度的获取方式为:在每个更新聚类簇中,计算每个负载放电数据序列段中的数据数量分别与所有负载放电数据序列段中的数据数量的差值的绝对值,将该差值的绝对值的均值的归一化值,记为每个负载放电数据序列段的更新离散程度,其与/>的获取方式相同。
在每个更新聚类簇中,将更新离散程度大于预设的判断阈值的负载放电数据序列段,记为异常序列段。
在所有更新聚类簇中,将所有异常序列段中的所有数据,记为异常数据。由此得到了电压时序数据序列中的异常数据,完成了锌锰电池的异常数据检测。
至此,本发明完成。
综上所述,在本发明实施例中,采集锌锰电池的电压时序数据序列,从其中分割出若干个负载放电数据序列段以及充电数据序列段。获取任意两个负载放电数据序列段之间的不相似性,从而对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇。获取每个聚类簇中每个负载放电数据序列段的充放电特征,从而得到每个负载放电数据序列段的调整权重。获取任意两个负载放电数据序列段之间的聚类距离,从而得到异常数据。本发明实施例通过自适应负载放电数据序列段之间的聚类距离,提高聚类效果,从而保障负载放电数据异常检测的可信度,提高锌锰电池的异常数据检测效果。
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 (6)
1.一种锌锰电池的异常数据检测方法,其特征在于,该方法包括以下步骤:
采集一个锌锰电池一段时间内的电压数据,得到一个电压时序数据序列;所述电压时序数据序列中每个数据对应一个时间;从电压时序数据序列中分割出若干个负载放电数据序列段以及充电数据序列段;
根据任意两个负载放电数据序列段之间的数据以及数据的时间差异,得到两个负载放电数据序列段之间的不相似性;根据两个负载放电数据序列段之间的不相似性,对所有负载放电数据序列段进行聚类操作,得到若干个聚类簇;
在每个聚类簇中,根据所有负载放电数据序列段中的数据数量之间的差异,得到每个负载放电数据序列段的离散程度;根据每个负载放电数据序列段与其之后的充电数据序列段之间的数据、数据数量以及每个负载放电数据序列段的离散程度,得到每个负载放电数据序列段的充放电特征;
根据每个聚类簇中所有负载放电数据序列段的充放电特征以及每个负载放电数据序列段与其之后的充电数据序列段之间数据的时间差异,得到每个负载放电数据序列段的调整权重;
根据任意两个负载放电数据序列段之间的不相似性以及调整权重,得到两个负载放电数据序列段之间的聚类距离;根据两个负载放电数据序列段之间的聚类距离,得到异常数据;
所述在每个聚类簇中,根据所有负载放电数据序列段中的数据数量之间的差异,得到每个负载放电数据序列段的离散程度,包括的具体步骤如下:
将任意一个聚类簇,记为目标簇;将目标簇中任意一个负载放电数据序列段,记为主序列段;
主序列段的离散程度的具体计算公式为:
其中为主序列段的离散程度,/>为主序列段中的数据数量,/>为目标簇中第/>个负载放电数据序列段中的数据数量,/>为目标簇中负载放电数据序列段的数量,/>为绝对值函数,/>为线性归一化函数;
所述根据每个负载放电数据序列段与其之后的充电数据序列段之间的数据、数据数量以及每个负载放电数据序列段的离散程度,得到每个负载放电数据序列段的充放电特征对应的具体计算公式为:
其中为主序列段的充放电特征,/>为主序列段中的数据数量,/>为主序列段的离散程度,/>为主序列段中所有数据中的最大值减去最小值的差值,/>为分序列段中的数据数量,为分序列段中所有数据中的最大值减去最小值的差值;
所述分序列段的获取过程为:在电压时序数据序列中,将主序列段之后的第一个充电数据序列段,记为分序列段;
所述根据每个聚类簇中所有负载放电数据序列段的充放电特征以及每个负载放电数据序列段与其之后的充电数据序列段之间数据的时间差异,得到每个负载放电数据序列段的调整权重,包括的具体步骤如下:
将分序列段中第一个数据的时间减去主序列段中最后一个数据的时间的差值,记为主序列段和分序列段之间的时间间隔;
根据目标簇中所有负载放电数据序列段的充放电特征之间的差异以及主序列段和分序列段之间的时间间隔,得到主序列段的调整权重;
所述根据目标簇中所有负载放电数据序列段的充放电特征之间的差异以及主序列段和分序列段之间的时间间隔,得到主序列段的调整权重对应的具体计算公式为:
其中为主序列段的调整权重,/>为主序列段的充放电特征,/>为目标簇中所有负载放电数据序列段的充放电特征的均值,/>为主序列段和分序列段之间的时间间隔,/>为绝对值函数,/>为线性归一化函数。
2.根据权利要求1所述一种锌锰电池的异常数据检测方法,其特征在于,所述从电压时序数据序列中分割出若干个负载放电数据序列段以及充电数据序列段,包括的具体步骤如下:
在电压时序数据序列中,将每个数据减去其相邻的后一个数据的差值,记为每个数据的趋势值;将趋势值为负数的数据,记为放电数据;将趋势值为正数的数据,记为充电数据;
使用最小最大规范法,对所有放电数据的趋势值的绝对值进行归一化处理,得到每个放电数据的放电趋势值;
在所有放电数据中,将放电趋势值大于预设的放电阈值的放电数据,记为负载放电数据;
将电压时序数据序列中连续相邻的负载放电数据构成的序列段,记为负载放电数据序列段;
将电压时序数据序列中连续相邻的充电数据构成的序列段,记为充电数据序列段。
3.根据权利要求2所述一种锌锰电池的异常数据检测方法,其特征在于,所述根据任意两个负载放电数据序列段之间的数据以及数据的时间差异,得到两个负载放电数据序列段之间的不相似性,包括的具体步骤如下:
在电压时序数据序列中,将任意两个负载放电数据序列段,按照时间顺序依次记为目标序列段和参考序列段;
将参考序列段中第一个数据的时间减去目标序列段中最后一个数据的时间的差值,记为目标序列段和参考序列段之间的时间间隔;
使用动态时间规整算法,对目标序列段和参考序列段中的数据进行匹配,得到若干个匹配数据对;其中,每个匹配数据对中包括一个目标序列段中的数据和一个参考序列段中的数据;
根据目标序列段和参考序列段之间的时间间隔、所有匹配数据对中的数据以及数据的趋势值,得到目标序列段和参考序列段之间的不相似性。
4.根据权利要求3所述一种锌锰电池的异常数据检测方法,其特征在于,所述根据目标序列段和参考序列段之间的时间间隔、所有匹配数据对中的数据以及数据的趋势值,得到目标序列段和参考序列段之间的不相似性对应的具体计算公式为:
其中为目标序列段和参考序列段之间的不相似性,/>为匹配数据对的数量,/>为第/>个匹配数据对中的目标序列段中的数据的趋势值,/>为第/>个匹配数据对中的参考序列段中的数据的趋势值,/>为第/>个匹配数据对中的目标序列段中的数据,/>为第/>个匹配数据对中的参考序列段中的数据,/>为目标序列段和参考序列段之间的时间间隔,/>为绝对值函数,/>为线性归一化函数。
5.根据权利要求3所述一种锌锰电池的异常数据检测方法,其特征在于,所述根据任意两个负载放电数据序列段之间的不相似性以及调整权重,得到两个负载放电数据序列段之间的聚类距离,包括的具体步骤如下:
计算目标序列段的调整权重和参考序列段的调整权重的均值,将所述均值与目标序列段和参考序列段之间的不相似性的乘积,记为目标序列段和参考序列段之间的聚类距离。
6.根据权利要求1所述一种锌锰电池的异常数据检测方法,其特征在于,所述根据两个负载放电数据序列段之间的聚类距离,得到异常数据,包括的具体步骤如下:
在电压时序数据序列中,根据所有负载放电数据序列段之间的聚类距离,使用迭代自组织聚类算法对所有负载放电数据序列段进行聚类操作,得到若干个更新聚类簇;
根据所述每个负载放电数据序列段的离散程度的获取方式,得到每个更新聚类簇中每个负载放电数据序列段的更新离散程度;
在每个更新聚类簇中,将更新离散程度大于预设的判断阈值的负载放电数据序列段,记为异常序列段;
在所有更新聚类簇中,将所有异常序列段中的所有数据,记为异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016024.XA CN117554824B (zh) | 2024-01-05 | 2024-01-05 | 一种锌锰电池的异常数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016024.XA CN117554824B (zh) | 2024-01-05 | 2024-01-05 | 一种锌锰电池的异常数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554824A CN117554824A (zh) | 2024-02-13 |
CN117554824B true CN117554824B (zh) | 2024-03-22 |
Family
ID=89818827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016024.XA Active CN117554824B (zh) | 2024-01-05 | 2024-01-05 | 一种锌锰电池的异常数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554824B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114879070A (zh) * | 2022-05-13 | 2022-08-09 | 华为数字能源技术有限公司 | 一种电池状态评估方法及相关设备 |
CN115511013A (zh) * | 2022-11-22 | 2022-12-23 | 河海大学 | 一种大规模储能电站异常电池识别方法、设备及存储介质 |
CN115774208A (zh) * | 2022-11-25 | 2023-03-10 | 上海玫克生储能科技有限公司 | 一种电池单元异常监测方法、装置、电子设备及介质 |
CN115902647A (zh) * | 2023-02-23 | 2023-04-04 | 新乡医学院 | 一种电池状态智能监测方法 |
CN115980585A (zh) * | 2022-11-16 | 2023-04-18 | 上海朱光亚战略科技研究院 | 电池故障的检测方法、装置、计算机设备和存储介质 |
KR20230057012A (ko) * | 2021-10-21 | 2023-04-28 | 주식회사 엘지에너지솔루션 | Ess 데이터의 아웃라이어를 식별하는 방법 및 장치 |
CN116184247A (zh) * | 2023-02-28 | 2023-05-30 | 合肥国轩高科动力能源有限公司 | 一种检测异常车辆电池的方法、装置、设备及介质 |
KR20230086258A (ko) * | 2021-12-08 | 2023-06-15 | 주식회사 엘지에너지솔루션 | Ess 데이터를 군집화하여 이상 셀을 식별하는 방법 및 장치 |
CN116298947A (zh) * | 2023-03-07 | 2023-06-23 | 中国铁塔股份有限公司黑龙江省分公司 | 一种蓄电池核容监测装置 |
CN116628533A (zh) * | 2023-05-06 | 2023-08-22 | 重庆川南环保科技有限公司 | 基于K-Shape的时间序列大数据聚类算法 |
CN117233608A (zh) * | 2023-09-15 | 2023-12-15 | 阳光电源股份有限公司 | 储能电池检测方法及装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10191116B2 (en) * | 2015-10-15 | 2019-01-29 | Johnson Controls Technology Company | Battery test system for predicting battery test results |
-
2024
- 2024-01-05 CN CN202410016024.XA patent/CN117554824B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
KR20230057012A (ko) * | 2021-10-21 | 2023-04-28 | 주식회사 엘지에너지솔루션 | Ess 데이터의 아웃라이어를 식별하는 방법 및 장치 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
KR20230086258A (ko) * | 2021-12-08 | 2023-06-15 | 주식회사 엘지에너지솔루션 | Ess 데이터를 군집화하여 이상 셀을 식별하는 방법 및 장치 |
CN114879070A (zh) * | 2022-05-13 | 2022-08-09 | 华为数字能源技术有限公司 | 一种电池状态评估方法及相关设备 |
CN115980585A (zh) * | 2022-11-16 | 2023-04-18 | 上海朱光亚战略科技研究院 | 电池故障的检测方法、装置、计算机设备和存储介质 |
CN115511013A (zh) * | 2022-11-22 | 2022-12-23 | 河海大学 | 一种大规模储能电站异常电池识别方法、设备及存储介质 |
CN115774208A (zh) * | 2022-11-25 | 2023-03-10 | 上海玫克生储能科技有限公司 | 一种电池单元异常监测方法、装置、电子设备及介质 |
CN115902647A (zh) * | 2023-02-23 | 2023-04-04 | 新乡医学院 | 一种电池状态智能监测方法 |
CN116184247A (zh) * | 2023-02-28 | 2023-05-30 | 合肥国轩高科动力能源有限公司 | 一种检测异常车辆电池的方法、装置、设备及介质 |
CN116298947A (zh) * | 2023-03-07 | 2023-06-23 | 中国铁塔股份有限公司黑龙江省分公司 | 一种蓄电池核容监测装置 |
CN116628533A (zh) * | 2023-05-06 | 2023-08-22 | 重庆川南环保科技有限公司 | 基于K-Shape的时间序列大数据聚类算法 |
CN117233608A (zh) * | 2023-09-15 | 2023-12-15 | 阳光电源股份有限公司 | 储能电池检测方法及装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
Abnormal Data Detection and SOC Estimation Algorithm for Lithium Battery Considering Measured Outliers;Wang, C et al.;Electronic Science and Technology;20231109;第34-40页 * |
基于数据挖掘的校园大数据可视化分析系统设计;王静 等;自动化与仪器仪表;20230425(第4期);第106-111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117554824A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
WO2018059074A1 (zh) | 一种电池微短路的检测方法及装置 | |
CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
WO2023024851A1 (zh) | 电池均衡方法及系统 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN115792681A (zh) | 一种基于车联网大数据平台的单体电池一致性检测算法 | |
CN114935721B (zh) | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 | |
CN113866649A (zh) | 电池状态的计算方法和计算装置以及存储介质 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
CN117554824B (zh) | 一种锌锰电池的异常数据检测方法 | |
CN117473352A (zh) | 一种电子烟使用寿命预测方法 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN117013665B (zh) | 储能系统调节方法、计算机介质、储能系统及发电系统 | |
CN117517966A (zh) | 一种电池组的故障诊断方法 | |
CN114585939A (zh) | 用于诊断电池的装置和方法 | |
CN116400239B (zh) | 一种铁铬液流电池的储能智能监测方法 | |
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 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
CN114284586A (zh) | 一种电池快充方法和装置 |
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 |