CN117972614B - 一种移动电源充放电过程中的温度实时监测方法 - Google Patents

Abstract

本发明涉及移动电源温度监测领域，具体涉及一种移动电源充放电过程中的温度实时监测方法。该方法首先获取移动电源在每个历史工作过程中不同时刻的温度数据和每个历史工作过程的初始电量，分析历史工作过程中温度数据的变化，获得温度波动特征值，对各历史工作过程进行排序获得工作过程序列，选取出基准工作过程，根据历史工作过程和基准工作过程的温度波动特征值和初始电量以及在工作过程序列的位置，获得历史工作过程的异常度，根据历史工作过程中温度数据的差异和异常度提取出异常温度数据，基于异常温度数据对实时温度进行监测。本发明能从历史的温度数据中准确提取出异常温度，能更加有效的对移动电源在充放电过程的温度的实时监测。

Description

一种移动电源充放电过程中的温度实时监测方法

技术领域

本发明涉及移动电源温度监测领域，具体涉及一种移动电源充放电过程中的温度实时监测方法。

背景技术

移动电源在充放电的工作过程中会存在温度逐渐上升的现象，移动电源在工作过程中的温度过高会导致其使用寿命的降低，并存在一定的安全隐患，现代移动电源通常会配备温度检测和保护系统，因此对移动电源在充放电过程中的温度监测能够有效预防温度过高，避免移动电源使用寿命降低和安全事故的发生。

相关技术中通常对移动电源的大量的历史温度数据进行异常检测，提取出异常高温数据，并将实时温度与异常高温数据进行对比，实现对移动电源温度的实时监测，但由于移动电源在每次充放电开始时的剩余电量不同，导致在每次工作过程中温度的变化情况存在差异，导致相关技术无法准确从历史的温度数据中提取出异常温度数据，进而无法有效对移动电源在充放电过程的温度进行实时监测。

发明内容

为了解决移动电源在每次工作过程中温度的变化情况存在差异，导致相关技术无法准确从历史的温度数据中提取出异常温度数据，进而无法有效的对移动电源在充放电过程中的温度进行实时监测的技术问题，本发明的目的在于提供一种移动电源充放电过程的温度实时监测方法，所采用的技术方案具体如下：

本发明提出了一种移动电源充放电过程中的温度实时监测方法，所述方法包括：

获取移动电源在每个历史工作过程中不同时刻的温度数据以及移动电源在每个历史工作过程的初始电量；

将任意一个所述历史工作过程作为目标工作过程，根据目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布，获得目标工作过程的温度波动特征值；基于所述初始电量，对所有历史工作过程进行排序，获得工作过程序列；基于所有历史工作过程的所述温度波动特征值获得基准工作过程；根据目标工作过程和基准工作过程的所述温度波动特征值和所述初始电量以及目标工作过程和基准工作过程在所述工作过程序列中的位置的分布，获得目标工作过程的异常度；

根据目标工作过程中各时刻的温度数据的差异和目标工作过程的所述异常度，获得目标工作过程中每个时刻的温度数据的离散度；根据每个温度数据的所述离散度，从所有历史工作过程的温度数据中提取出异常温度数据；

基于所有所述异常温度数据对移动电源在充放电过程的温度进行实时监测。

进一步地，所述根据目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布，获得目标工作过程的温度波动特征值包括：

将所有历史工作过程中温度数据最大值的平均值，作为最大温度均值，将所有历史工作过程中温度数据的平均值，作为整体温度值；

将目标工作过程的温度数据最大值与所述最大温度均值的差值的绝对值进行负相关映射，获得目标工作过程的第一波动参数；

将目标工作过程中第一个时刻的温度数据与所述整体温度值的差值的绝对值进行负相关映射，获得目标工作过程的第二波动参数；

以时刻作为横坐标，以温度数据作为纵坐标，建立二维坐标系；将目标工作过程中每个时刻和该时刻的温度数据构成的二维数据点，映射到二维坐标系中，并对所有所述二维数据点进行曲线拟合，获得目标工作过程的拟合曲线；

获取所述拟合曲线上所有的极值点，所述极值点包括极大值点和极小值点，利用极值点对拟合曲线进行分割，获得不同的子曲线段；

根据目标工作过程的所述第一波动参数和所述第二波动参数，以及子曲线段上每个所述二维数据点的斜率，获得目标工作过程的温度波动特征值。

进一步地，所述根据目标工作过程的所述第一波动参数和所述第二波动参数，以及子曲线段上每个所述二维数据点的斜率，获得目标工作过程的温度波动特征值包括：

将每个子曲线段在所有二维数据点处的斜率的平均值，作为每个子曲线段的斜率参数；

将所述拟合曲线上所有子曲线段的所述斜率参数的平均值，作为目标工作过程的第三波动参数；

将所述第一波动参数和所述第二波动参数的和值乘以所述第三波动参数，获得目标工作过程的温度波动特征值。

进一步地，所述基于所述初始电量，对所有历史工作过程进行排序，获得工作过程序列包括：

将所有所述历史工作过程按照所述初始电量从大到小的顺序进行排序，获得工作过程序列。

进一步地，所述基于所有历史工作过程的所述温度波动特征值获得基准工作过程包括：

将所述温度波动特征值的最大值对应的历史工作过程，作为基准工作过程。

进一步地，所述根据目标工作过程和基准工作过程的所述温度波动特征值和所述初始电量以及目标工作过程和基准工作过程在所述工作过程序列中的位置的分布，获得目标工作过程的异常度包括：

获取目标工作过程的目标相对特征值，所述目标相对特征值与目标工作过程的所述温度波动特征值呈正相关，所述目标相对特征值与目标工作过程的所述初始电量呈负相关；

获取基准工作过程的基准相对特征值，所述基准相对特征值与基准工作过程的所述温度波动特征值呈正相关，所述基准相对特征值与基准工作过程的所述初始电量呈负相关；

将所述目标相对特征值和所述基准相对特征值的差值的绝对值，作为目标工作过程的相对特征值差异；

从最小的非零自然数开始，对所述工作过程序列中的每个所述历史工作过程进行标号，获得工作过程序列中每个历史工作过程的位置序号；

将工作过程序列中目标工作过程的所述位置序号和基准工作过程的所述位置序号的差值的绝对值，作为目标工作过程的位置差异；

将所述相对特征值差异和所述位置差异的乘积值进行归一化，获得目标工作过程的异常度。

进一步地，所述根据目标工作过程中各时刻的温度数据的差异和目标工作过程的所述异常度，获得目标工作过程中每个时刻的温度数据的离散度包括：

将目标工作过程中所有时刻的温度数据的平均值，作为目标工作过程的目标温度均值；

将目标工作过程中的任意一个时刻作为目标时刻，对目标时刻的温度数据与所述目标温度均值的差异的绝对值进行归一化，获得目标时刻的温度偏离程度；

将目标工作过程中距离目标时刻最近的预设数量个时刻，作为目标时刻的参考时刻；

将目标时刻的温度数据和每个参考时刻的温度数据的差值的绝对值，作为目标时刻与每个参考时刻之间的温度差异值；

将目标时刻与所有参考时刻之间的温度差异值的平均值作为目标时刻的初始突变程度，对所述初始突变程度进行归一化，获得目标时刻的温度突变程度；

将目标工作过程在目标时刻的所述温度偏离程度、所述温度突变程度和目标工作过程的所述异常度的乘积值，作为目标工作过程中目标时刻的温度数据的离散度。

进一步地，所述根据每个温度数据的所述离散度，从所有历史工作过程的温度数据中提取出异常温度数据包括：

将所有历史工作过程中的温度数据输入至反向K-近邻算法中，获得每个温度数据的反向近邻对象数量；

将每个温度数据的所述离散度和所述反向近邻对象数量的乘积值，作为每个温度数据的加权反向近邻对象数量；

将所有温度数据的所述加权反向近邻对象数量的平均值，作为全局反向近邻对象数量；

根据所述全局反向近邻对象数量，对温度数据进行异常检测，并从所有温度数据中提取出异常温度数据。

进一步地，所述根据所述全局反向近邻对象数量，对温度数据进行异常检测，并从所有温度数据中提取出异常温度数据包括：

将所述全局反向近邻对象数量作为FINFLO算法所使用的阈值边界，并基于FINFLO算法对所有温度数据进行异常检测，提取出异常温度数据。

进一步地，所述基于所有所述异常温度数据对移动电源在充放电过程的温度进行实时监测包括：

将所有所述异常温度数据的平均值作为异常温度阈值；

若移动电源在充放电过程的温度大于所述异常温度阈值，则发出预警。

本发明具有如下有益效果：

由于移动电源在每次工作过程中温度的变化情况存在差异，导致相关技术无法准确从历史的温度数据中提取出异常温度数据，进而无法有效的对移动电源在充放电过程中温度的实时监测，因此本发明首先获取移动电源在每个历史工作过程中不同时刻的温度数据以及移动电源在每个历史工作过程的初始电量，考虑到在移动电源的工作过程中，正常情况下温度在整体上呈现上升的趋势，当出现异常是这种趋势会受到影响，因此可温度波动特征值反映每个工作过程的温度变化情况，同时还能进一步反映该工作过程中温度变化出现异常的程度，考虑到每次工作过程的初始电量不同，会导致温度数据的变化情况不同，并且在理想情况下，所有历史工作过程的初始电量的大小顺序和温度波动特征值的大小顺序是相同的，因此可根据这一特征，基于初始电量对所有历史工作过程进行排序，获得工作过程序列，进而通过获取的异常度反映每个工作过程中温度数据出现异常的可能性，便于后续对每个温度数据的离散度分析计算的准确性，并通过每个温度数据的离散度准确提取出异常温度数据，从而能够更加有效的对移动电源在充放电过程的温度进行实时监测。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种移动电源充放电过程中的温度实时监测方法流程图。

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移动电源充放电过程中的温度实时监测方法，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移动电源充放电过程中的温度实时监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种移动电源充放电过程中的温度实时监测方法流程图，该方法包括：

步骤S1：获取移动电源在每个历史工作过程中不同时刻的温度数据以及移动电源在每个历史工作过程的初始电量。

移动电源在充放电的工作过程中会存在温度逐渐上升的现象，移动电源在工作过程中的温度过高会导致其使用寿命的降低，并存在一定的安全隐患，现代移动电源通常会配备温度检测和保护系统，因此对移动电源在充放电过程中的温度监测能够有效预防温度过高，相关技术中通常对移动电源的大量的历史温度数据进行异常检测，提取出异常高温数据，并将实时温度与异常高温数据进行对比，实现对移动电源温度的实时监测，但由于移动电源在每次充放电开始时的剩余电量不同，导致在每次工作过程中温度的变化情况存在差异，使得利用相关技术无法准确从历史的温度数据中提取出异常温度数据，进而无法有效的对移动电源在充放电过程中温度的实时监测，因此本发明实施例提出一种移动电源充放电过程中的温度实时监测方法，以解决该问题。

移动电源的工作过程包括充电过程和放电过程，移动电源在持续工作过程中，其内部发生化学反应，并产生一定的热量，导致移动电源的温度在整体上呈现一种逐渐上升的趋势，因此本发明实施例首先使用温度传感器采集移动电源在每个历史工作过程中不同时刻的温度数据，其中一个历史工作过程代表移动电源的一次充电过程或一次放电过程，温度传感器的采集频率为预设频率，预设频率设置为1秒，即在每个历史工作过程中每隔1秒采集一次温度数据，预设频率的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定，同时在每次使用移动电源时，其所剩余的电量存在一定的差异，导致移动电源在工作过程中的温度的变化情况也存在一定的差异，不利用后续异常温度的检测，因此本发明实施例还获取了在每个历史工作过程开始时移动电源所剩余的电量，即移动电源在每个历史工作过程的初始电量，移动电源每次的剩余电量可从其指示器中直接获取，一般以百分比的形式进行表现。

获取到移动电源在每个历史工作过程中不同时刻的温度数据以及移动电源在每个历史工作过程的初始电量后，后续可对每个历史工作过程中温度数据的变化进行分析，并结合初始电量对每个历史工作过程的温度异常情况进行分析。

步骤S2：将任意一个历史工作过程作为目标工作过程，根据目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布，获得目标工作过程的温度波动特征值；基于初始电量，对所有历史工作过程进行排序，获得工作过程序列；基于所有历史工作过程的温度波动特征值获得基准工作过程；根据目标工作过程和基准工作过程的温度波动特征值和初始电量以及目标工作过程和基准工作过程在工作过程序列中的位置的分布，获得目标工作过程的异常度。

移动电源在充放电的过程中其内部会发生化学反应，并产生一定的热量，而每次的历史工作过程是一个持续的过程，导致移动电源在每个历史工作过程中的温度数据会呈现一种缓慢上升的趋势，同时由于移动电源在每个历史工作过程的初始电量不同，则不同历史工作过程中的温度数据的变化也存在一定的差异，为了能够在后续中对每个历史工作过程的温度数据出现异常的可能性进行准确分析，需要首先对温度数据的变化或波动情况进行分析，表征出每个历史工作过程中温度数据变化的特征，为了便于后续的分析，可将任意一个历史工作过程作为目标工作过程，进而对目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布进行对比分析，通过获取的度波动特征值反映目标工作过程的温度数据的变化情况，同时还能间接反映出目标工作过程中温度数据的变化存在异常的可能性。

优选地，在本发明的一个实施例中目标工作过程的温度波动特征值的获取方法具体包括：

将所有历史工作过程中温度数据最大值的平均值，作为最大温度均值，将所有历史工作过程中温度数据的平均值，作为整体温度值；将目标工作过程的温度数据最大值与最大温度均值的差值的绝对值进行负相关映射，获得目标工作过程的第一波动参数；将目标工作过程中第一个时刻的温度数据与整体温度值的差值的绝对值进行负相关映射，获得目标工作过程的第二波动参数；

以时刻作为横坐标，以温度数据作为纵坐标，建立二维坐标系；将目标工作过程中每个时刻和该时刻的温度数据构成的二维数据点，映射到二维坐标系中，并对所有二维数据点进行曲线拟合，获得目标工作过程的拟合曲线，曲线拟合方法可使用多项式拟合或样条曲线拟合等，在此不作限定；基于牛顿法获取拟合曲线上所有的极值点，极值点包括极大值点和极小值点，利用极值点对拟合曲线进行分割，获得不同的子曲线段，牛顿法是本领域技术人员熟知的技术手段，在此不做赘述；将每个子曲线段在所有二维数据点处的斜率的平均值，作为每个子曲线段的斜率参数；将拟合曲线上所有子曲线段的斜率参数的平均值，作为目标工作过程的第三波动参数；将第一波动参数和第二波动参数的和值乘以第三波动参数，获得目标工作过程的温度波动特征值。温度波动特征值的表达式可以具体例如为：

其中，表示目标工作过程的温度波动特征值；/>表示目标工作过程的温度数据最大值；/>表示所有历史工作过程中温度数据最大值的平均值，即最大温度均值；/>表示目标工作过程中第一个时刻的温度数据；/>表示所有历史工作过程中温度数据的平均值，即整体温度值；/>表示目标工作过程的拟合曲线的第/>个子曲线段的斜率参数；/>表示目标工作过程的拟合曲线中子曲线段的数量；/>表示第一调节参数，防止分母为0，/>设置为0.01，的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定。

在目标历史工作过程的温度波动特征值的获取过程中，温度波动特征值越大，说明目标历史工作过程中温度数据是正常波动变化的可能性越大，其中/>越小，说明目标工作过程的温度数据最大值与所有历史工作过程中温度数据最大值的平均值的差异越小，进而说明目标工作过程的温度数据的波动上限与其他历史工作过程的温度数据的波动上限越相似，则目标工作过程中温度数据出现异常的可能性越小，因此第一波动参数越大，说明目标历史工作过程中温度数据是正常波动变化的可能性越大，则温度波动特征值/>就越大，正常情况下目标工作过程中温度数据的整体趋势是缓慢上升的，即在目标工作过程初期的温度数据较小，因此/>越小，说明目标工作过程中第一个时刻的温度数据与所有历史工作过程中温度数据的平均值的差异越小，进而说明目标工作过程在初期的温度数据越正常，因此第二波动参数/>越大，说明目标历史工作过程中温度数据是正常波动变化的可能性越大，则温度波动特征值/>就越大，同时第三波动参数越大，说明目标工作过程的温度数据在整体上表现为上升的趋势，即越符合正常情况下的波动变化，则温度波动特征值/>就越大。

获取到目标工作过程的温度波动特征值后，可利用相同的方法得到其他历史工作过程的温度波动特征值，由于在每个历史工作过程中移动电源的初始电量存在差异，导致每个历史工作过程的温度数据的变化情况不同，例如在移动电源的放电过程中，初始电量高的历史工作过程中温度数据普遍比初始电量低的历史工作过程中温度数据要大，在不考虑初始电量的情况下无法对每个历史工作过程中温度数据出现的异常情况进行分析，因此在本发明的一个实施例中首先基于每个历史工作过程的初始电量，将所有历史工作过程按照初始电量从大到小的顺序进行排序，获得工作过程序列，在本发明的其他实施例中也可按照初始电量从小到大的顺序对所有历史工作过程进行排序，即只需保证工作过程序列中各历史工作过程关于初始电量有序即可，在此不作限定。

在理想情况下工作过程序列中各历史工作过程的温度波动特征值也具有从大到小的顺序，但由于环境等各种因素的影响，在实际情况中工作过程序列中各历史工作过程的温度波动特征值并不完成遵从这个顺序，因此可根据这个特征对每个历史工作过程出现温度异常的程度进行分析，同时在本发明的一个实施例中将温度波动特征值的最大值对应的历史工作过程，作为基准工作过程，进而以基准工作过程为基础，根据目标工作过程和基准工作过程的温度波动特征值和初始电量，并将目标工作过程和基准工作过程在工作过程序列中的位置进行对比，通过获取的异常度反映目标工作过程中温度数据出现异常的程度，便于后续基于异常度对每个温度数据的离散度进行准确分析，从而更加准确的提取出异常的温度数据，提高对移动电源实时温度监测的效果。

优选地，在本发明的一个实施例中目标工作过程的异常度的获取方法具体包括：

获取目标工作过程的目标相对特征值，目标相对特征值与目标工作过程的温度波动特征值呈正相关，目标相对特征值与目标工作过程的初始电量呈负相关；获取基准工作过程的基准相对特征值，基准相对特征值与基准工作过程的温度波动特征值呈正相关，基准相对特征值与基准工作过程的初始电量呈负相关；将目标相对特征值和基准相对特征值的差值的绝对值，作为目标工作过程的相对特征值差异；从最小的非零自然数开始，对工作过程序列中的每个历史工作过程进行标号，获得工作过程序列中每个历史工作过程的位置序号，例如工作过程序列中的第一个历史工作过程的位置序号为1，第二个历史工作过程的位置序号为2等等；将工作过程序列中目标工作过程的位置序号和基准工作过程的位置序号的差值的绝对值，作为目标工作过程的位置差异；将相对特征值差异和位置差异的乘积值进行归一化，获得目标工作过程的异常度。异常度的表达式可以具体例如为：

其中，表示目标工作过程的异常度；/>表示目标工作过程的温度波动特征值；/>表示目标工作过程的初始电量；/>表示基准工作过程的温度波动特征值；/>表示基准工作过程的初始电量；/>表示目标工作过程在工作过程序列中的位置序号；/>表示基准工作过程在工作过程序列中的位置序号；/>表示归一化函数；/>表示第一调节参数，防止分母为0，设置为0.01，/>的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定。

在目标工作过程的异常度的获取过程中，异常度越大，说明目标工作过程的温度数据出现异常情况的可能性就越大，在正常情况下，历史工作过程的温度波动特征值越小，其初始电量也越小，因此目标工作过程的目标相对特征值/>与基准工作过程的基准相对特征值/>的差异越小，即相对特征值差异/>越小，说明目标工作过程中温度数据的变化越正常，则目标工作过程的异常度/>就越小，同时基准工作过程的温度波动特征值是最大的，基准工作过程中温度数据越接近正常的波动变化，而位置差异/>越小，说明在工作过程序列中，目标工作过程的位置越接近基准工作过程的位置，进而说明目标工作过程中温度数据的变化越正常，则目标工作过程的异常度/>就越小，并通过归一化函数将异常度/>限定在/>范围内，便于后续基于异常度/>对每个温度数据的离散度进行分析计算。

在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。

获取到目标工作过程的异常度后，可根据上述相同的方法得到每个历史工作过程的异常度，后续中可进一步基于异常度对历史工作过程中的每个温度数据的离散度进行计算，并基于离散度提高对异常温度监测的准确性。

步骤S3：根据目标工作过程中各时刻的温度数据的差异和目标工作过程的异常度，获得目标工作过程中每个时刻的温度数据的离散度；根据每个温度数据的离散度，从所有历史工作过程的温度数据中提取出异常温度数据。

在本发明实施例的后续步骤中需要使用FINFLO算法对所有历史工作过程中的温度数据进行异常检测，FINFLO算法引入了反向K-近邻的概念对局部离群因子算法（LocalOutlier Factor，LOF）存在的缺陷进行了改进，但由于在FINFLO算法中仅是简单的利用所有数据对象的反向K-近邻对象数量的平均值作为阈值边界进行计算分析，并未考虑历史工作过程中温度数据的变化情况，会降低对异常温度数据检测的准确性，因此本发明实施例进一步分析目标工作过程中各时刻的温度数据的差异，并结合目标工作过程的异常度，通过获得的离散度反映目标工作过程中每个温度数据相对于整体的温度数据的离散程度，并在后续中对FINFLO算法所使用的阈值边界进行优化，从而提高对温度数据异常检测的准确性，对后续移动电源的实时温度的变化进行更加有效的监测。

优选地，在本发明的一个实施例中目标工作过程中每个时刻的温度数据的离散度的获取方法具体包括：

将目标工作过程中所有时刻的温度数据的平均值，作为目标工作过程的目标温度均值；将目标工作过程中的任意一个时刻作为目标时刻，对目标时刻的温度数据与目标温度均值的差异的绝对值进行归一化，获得目标时刻的温度偏离程度；将目标工作过程中距离目标时刻最近的预设数量个时刻，作为目标时刻的参考时刻，预设数量设置为2，预设数量的具体数值也可根据具体实施场景由实施者自行设置，在此不做限定；将目标时刻的温度数据和每个参考时刻的温度数据的差值的绝对值，作为目标时刻与每个参考时刻之间的温度差异值；将目标时刻与所有参考时刻之间的温度差异值的平均值作为目标时刻的初始突变程度，对初始突变程度进行归一化，获得目标时刻的温度突变程度；将目标工作过程在目标时刻的温度偏离程度、温度突变程度和目标工作过程的异常度的乘积值，作为目标工作过程中目标时刻的温度数据的离散度。离散度的表达式具体可以例如为：

其中，表示目标工作过程中目标时刻的温度数据的离散度；/>表示目标工作过程的异常度；/>表示目标工作过程中目标时刻的温度数据；/>表示目标工作过程中所有时刻的温度数据的平均值，即目标工作过程的目标温度均值；/>表示目标工作过程中目标时刻的初始突变程度；/>表示目标工作过程中第/>个时刻的初始突变程度；/>表示目标工作过程中所有时刻的数量，也是目标工作过程中所有温度数据的数量；/>表示目标工作过程中目标时刻的参考时刻的温度数据；/>表示参考时刻的数量，即预设数量；/>表示归一化函数。

在目标工作过程中每个时刻的温度数据的离散度的获取过程中，离散度越大，说明在目标工作过程中，目标时刻的温度数据相对于整体的温度数据的越离散，离散度/>用于后续对FINFLO算法所使用的阈值边界进行优化，其中/>越大，说明目标时刻的温度数据与整体的温度数据的差异越大，则温度偏离程度/>越大，说明目标时刻的温度数据越偏离整体的温度数据，则目标时刻的温度数据的离散度/>就越大，温度差异值/>越大，说明目标时刻的温度数据与参考时刻的温度数据之间的差异越大，因此初始突变程度/>越大，说明目标时刻的温度数据相对于参考时刻的温度数据的突变性越大，进而利用目标工作过程中所有时刻的初始突变程度的累加值/>对目标时刻的初始突变程度进行归一化，得到目标时刻的温度突变程度/>，温度突变程度越大，则目标时刻的温度数据的突变性越强，说明目标时刻的温度数据相对于参考时刻的温度数据越离散，则离散度/>就越大，同时目标工作过程的异常度/>越大，说明目标工作过程中的温度数据越可能出现异常，进而说明目标工作过程中的整体的温度数据越离散，则离散度/>就越大。

获取到目标工作过程中目标时刻的温度数据的离散度后，便可基于相同的方法得到目标工作过程中其他时刻的温度数据的离散度，以及其他历史工作过程中每个时刻的温度数据的偏离度，从而可得到每个温度数据的离散度，进而可通过每个温度数据的离散度，从所有历史工作过程的温度数据中提取出异常温度数据，后续中可基于提取出的异常温度数据与移动电源的实时温度进行对比，实现对移动电源实时温度的监测。

优选地，在本发明的一个实施例中异常温度数据的获取方法具体包括：

将所有历史工作过程中的温度数据输入至反向K-近邻算法中，获得每个温度数据的反向近邻对象数量，反向K-近邻算法是本领域技术人员熟知的技术手段，在此不做赘述；将每个温度数据的离散度和反向近邻对象数量的乘积值，作为每个温度数据的加权反向近邻对象数量；将所有温度数据的加权反向近邻对象数量的平均值，作为全局反向近邻对象数量；将全局反向近邻对象数量作为FINFLO算法所使用的阈值边界，并基于FINFLO算法对所有温度数据进行异常检测，提取出异常温度数据，相比于现有的FINFLO算法直接将所有温度数据的反向近邻对象数量的平均值作为阈值边界，本发明实施例还同时考虑到了历史工作过程中温度数据的变化情况，使得能够更加准确的提取出异常温度数据，FINFLO算法是本领域技术人员熟知的技术手段，在此不做赘述。全局反向近邻对象数量的表达式可以具体例如为：

其中，表示全局反向近邻对象数量；/>表示所有历史工作过程中第/>个温度数据的离散度；/>表示第/>个温度数据的反向近邻对象数量；/>表示所有历史工作过程中温度数据的数量。

在全局反向近邻对象数量的获取过程中，全局反向近邻对象数量用作FINFLO算法中所使用的阈值边界，其中利用每个温度数据的离散度/>对该温度数据的反向近邻对象数量进行加权调整，得到每个温度数据的加权反向近邻对象数量/>，进而将所有温度数据的加权反向近邻对象数量的平均值作为全局反向近邻对象数量/>，使用/>作为FINFLO算法中所使用的阈值边界，可以提高FINFLO算法对温度数据进行异常检测的准确性。

从所有历史工作过程中的温度数据中提取出异常温度数据后，在后续中便可将移动电源实时的温度数据与异常温度数据进行对比，从而实现对移动电源充放电过程中温度的实时监测。

步骤S4：基于所有异常温度数据对移动电源在充放电过程的温度进行实时监测。

从所有历史工作过程中的温度数据中提取出异常温度数据后，异常温度数据即为移动电源在充放电的工作过程中温度异常所表现出的数据情况，因此可基于所有异常温度数据对移动电源在充放电过程的温度进行实时监测。

优选地，在本发明的一个实施例中对移动电源在充放电过程的温度进行实时监测的方法具体包括：

由于移动电源的温度异常表现为其温度过高，即异常温度数据相对于正常温度数据而言较大，因此可将所有异常温度数据的平均值作为异常温度阈值，若移动电源在充放电过程的温度大于异常温度阈值，则发出预警。

综上所述，本发明实施例首先获取移动电源在每个历史工作过程中不同时刻的温度数据以及移动电源在每个历史工作过程的初始电量；将任意一个历史工作过程作为目标工作过程，根据目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布，获得目标工作过程的温度波动特征值；基于初始电量，对所有历史工作过程进行排序，获得工作过程序列；基于所有历史工作过程的温度波动特征值获得基准工作过程；根据目标工作过程和基准工作过程的温度波动特征值和初始电量以及目标工作过程和基准工作过程在工作过程序列中的位置的分布，获得目标工作过程的异常度；根据目标工作过程中各时刻的温度数据的差异和目标工作过程的异常度，获得目标工作过程中每个时刻的温度数据的离散度；根据每个温度数据的离散度，从所有历史工作过程的温度数据中提取出异常温度数据；基于所有异常温度数据对移动电源在充放电过程的温度进行实时监测。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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。

Claims (8)

1.一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述方法包括：

获取移动电源在每个历史工作过程中不同时刻的温度数据以及移动电源在每个历史工作过程的初始电量；

将任意一个所述历史工作过程作为目标工作过程，根据目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布，获得目标工作过程的温度波动特征值；基于所述初始电量，对所有历史工作过程进行排序，获得工作过程序列；基于所有历史工作过程的所述温度波动特征值获得基准工作过程；根据目标工作过程和基准工作过程的所述温度波动特征值和所述初始电量以及目标工作过程和基准工作过程在所述工作过程序列中的位置的分布，获得目标工作过程的异常度；

根据目标工作过程中各时刻的温度数据的差异和目标工作过程的所述异常度，获得目标工作过程中每个时刻的温度数据的离散度；根据每个温度数据的所述离散度，从所有历史工作过程的温度数据中提取出异常温度数据；

基于所有所述异常温度数据对移动电源在充放电过程的温度进行实时监测；

所述根据目标工作过程以及除目标工作过程之外的其他历史工作过程中各时刻的温度数据的分布，获得目标工作过程的温度波动特征值包括：

将所有历史工作过程中温度数据最大值的平均值，作为最大温度均值，将所有历史工作过程中温度数据的平均值，作为整体温度值；

将目标工作过程的温度数据最大值与所述最大温度均值的差值的绝对值进行负相关映射，获得目标工作过程的第一波动参数；

将目标工作过程中第一个时刻的温度数据与所述整体温度值的差值的绝对值进行负相关映射，获得目标工作过程的第二波动参数；

以时刻作为横坐标，以温度数据作为纵坐标，建立二维坐标系；将目标工作过程中每个时刻和该时刻的温度数据构成的二维数据点，映射到二维坐标系中，并对所有所述二维数据点进行曲线拟合，获得目标工作过程的拟合曲线；

获取所述拟合曲线上所有的极值点，所述极值点包括极大值点和极小值点，利用极值点对拟合曲线进行分割，获得不同的子曲线段；

根据目标工作过程的所述第一波动参数和所述第二波动参数，以及子曲线段上每个所述二维数据点的斜率，获得目标工作过程的温度波动特征值；

所述根据目标工作过程的所述第一波动参数和所述第二波动参数，以及子曲线段上每个所述二维数据点的斜率，获得目标工作过程的温度波动特征值包括：

将每个子曲线段在所有二维数据点处的斜率的平均值，作为每个子曲线段的斜率参数；

将所述拟合曲线上所有子曲线段的所述斜率参数的平均值，作为目标工作过程的第三波动参数；

将所述第一波动参数和所述第二波动参数的和值乘以所述第三波动参数，获得目标工作过程的温度波动特征值。

2.根据权利要求1所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述基于所述初始电量，对所有历史工作过程进行排序，获得工作过程序列包括：

将所有所述历史工作过程按照所述初始电量从大到小的顺序进行排序，获得工作过程序列。

3.根据权利要求1所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述基于所有历史工作过程的所述温度波动特征值获得基准工作过程包括：

将所述温度波动特征值的最大值对应的历史工作过程，作为基准工作过程。

4.根据权利要求1所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述根据目标工作过程和基准工作过程的所述温度波动特征值和所述初始电量以及目标工作过程和基准工作过程在所述工作过程序列中的位置的分布，获得目标工作过程的异常度包括：

获取目标工作过程的目标相对特征值，所述目标相对特征值与目标工作过程的所述温度波动特征值呈正相关，所述目标相对特征值与目标工作过程的所述初始电量呈负相关；

获取基准工作过程的基准相对特征值，所述基准相对特征值与基准工作过程的所述温度波动特征值呈正相关，所述基准相对特征值与基准工作过程的所述初始电量呈负相关；

将所述目标相对特征值和所述基准相对特征值的差值的绝对值，作为目标工作过程的相对特征值差异；

从最小的非零自然数开始，对所述工作过程序列中的每个所述历史工作过程进行标号，获得工作过程序列中每个历史工作过程的位置序号；

将工作过程序列中目标工作过程的所述位置序号和基准工作过程的所述位置序号的差值的绝对值，作为目标工作过程的位置差异；

将所述相对特征值差异和所述位置差异的乘积值进行归一化，获得目标工作过程的异常度。

5.根据权利要求1所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述根据目标工作过程中各时刻的温度数据的差异和目标工作过程的所述异常度，获得目标工作过程中每个时刻的温度数据的离散度包括：

将目标工作过程中所有时刻的温度数据的平均值，作为目标工作过程的目标温度均值；

将目标工作过程中的任意一个时刻作为目标时刻，对目标时刻的温度数据与所述目标温度均值的差异的绝对值进行归一化，获得目标时刻的温度偏离程度；

将目标工作过程中距离目标时刻最近的预设数量个时刻，作为目标时刻的参考时刻；

将目标时刻的温度数据和每个参考时刻的温度数据的差值的绝对值，作为目标时刻与每个参考时刻之间的温度差异值；

将目标时刻与所有参考时刻之间的温度差异值的平均值作为目标时刻的初始突变程度，对所述初始突变程度进行归一化，获得目标时刻的温度突变程度；

将目标工作过程在目标时刻的所述温度偏离程度、所述温度突变程度和目标工作过程的所述异常度的乘积值，作为目标工作过程中目标时刻的温度数据的离散度。

6.根据权利要求1所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述根据每个温度数据的所述离散度，从所有历史工作过程的温度数据中提取出异常温度数据包括：

将所有历史工作过程中的温度数据输入至反向K-近邻算法中，获得每个温度数据的反向近邻对象数量；

将每个温度数据的所述离散度和所述反向近邻对象数量的乘积值，作为每个温度数据的加权反向近邻对象数量；

将所有温度数据的所述加权反向近邻对象数量的平均值，作为全局反向近邻对象数量；

根据所述全局反向近邻对象数量，对温度数据进行异常检测，并从所有温度数据中提取出异常温度数据。

7.根据权利要求6所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述根据所述全局反向近邻对象数量，对温度数据进行异常检测，并从所有温度数据中提取出异常温度数据包括：

将所述全局反向近邻对象数量作为FINFLO算法所使用的阈值边界，并基于FINFLO算法对所有温度数据进行异常检测，提取出异常温度数据。

8.根据权利要求1所述的一种移动电源充放电过程中的温度实时监测方法，其特征在于，所述基于所有所述异常温度数据对移动电源在充放电过程的温度进行实时监测包括：

将所有所述异常温度数据的平均值作为异常温度阈值；

若移动电源在充放电过程的温度大于所述异常温度阈值，则发出预警。