一种无监督二轮电动车充电时序异常检测方法及系统技术方案

本发明专利技术涉及电池异常检测技术领域，具体地说，涉及一种无监督二轮电动车充电时序异常检测方法及系统。该方法包括如下步骤：步骤S1、基于历史数据构建训练集；步骤S2、对训练集P中的每个样本均进行预处理；步骤S3、构建聚类算法模型并训练；步骤S4、构建异常检测模型并训练；步骤S5、获取待检测对象的实时数据；步骤S6、对实时数据进行处理；步骤S7、采用聚类算法模型对实时数据进行分簇；步骤S8、采用对应异常检测模型对实时数据进行处理，并获取重构输出序列；步骤S9、基于重构输出序列计算异常分，并进行异常判定。该系统用于实现上述方法。本发明专利技术能够在不需要人工进行标注的情况下达到较高的准确性且效率较高。的准确性且效率较高。的准确性且效率较高。

【技术实现步骤摘要】
一种无监督二轮电动车充电时序异常检测方法及系统


[0001]本专利技术涉及电池异常检测
，具体地说，涉及一种无监督二轮电动车充电时序异常检测方法及系统。

技术介绍

[0002]随着二轮电动车的数量急剧增多，因为充电导致的二轮电动车电池爆炸的事故也越来越多，电池爆炸造成的后果非常严重，将威胁到人们的生命财产安全。电动车电池爆炸，通常在电池充电的功率曲线中表现为异常，所以，电动车充电桩对电池充电的功率曲线的异常检测尤为重要。
[0003]现有异常检测算法，有经典方法ARIMA模型来建模预测和检测异常，但是基于自回归的方法无法有效的建模预测不稳定的时间序列，而在电池的充电功率的时间序列通常并不是一个稳定的时间序列，所以此方法应用在充电的异常检测中效果不佳；另还存在基于深度学习的方法进行的异常检测，其主要是基于LSTM模型进行建模预测和异常检测，LSTM模型可以比较好的捕获充电功率时间序列的趋势，但是由于其架构的原因只能串行运行，导致了模型训练时间较长。
[0004]见于专利公开号为CN108896911A的中国专利中，其将电池充本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无监督二轮电动车充电时序异常检测方法，其包括如下步骤：步骤S1、基于历史数据构建训练集P，；为训练集P中的第x个样本，，为样本在t时刻的充电功率，T为时间序列的长度；步骤S2、对训练集P中的每个样本均进行预处理，预处理用于将任一样本任一时刻下的充电功率数值映射至区间[0，1]中；步骤S3、构建聚类算法模型，采用经预处理后的训练集P对其进行训练，以实现对数据进行K簇分类；步骤S4、构建异常检测模型，异常检测模型具有K个，采用经聚类算法模型获取的K簇样本一一对应地对K个异常检测模型进行训练；异常检测模型用于对任一样本进行处理并输出重构输出序列；步骤S5、获取待检测对象的实时数据Q，，为待检测对象在t时刻的充电功率，T为时间序列的长度；步骤S6、依照步骤S2中的预处理流程对实时数据Q进行处理；步骤S7、采用经步骤S3训练完成的聚类算法模型对实时数据Q进行分簇；步骤S8、采用经步骤S4训练完成的对应异常检测模型对实时数据Q进行处理，并获取重构输出序列；步骤S9、基于重构输出序列计算异常分，并进行异常判定。2.根据权利要求1所述的一种无监督二轮电动车充电时序异常检测方法，其特征在于：步骤S2中，预处理包括归一化处理，对于样本，其充电功率经归一化处理后的数值为，其中，和分别为样本中的最小充电功率和最大充电功率数值。3.根据权利要求1所述的一种无监督二轮电动车充电时序异常检测方法，其特征在于：步骤S3具体包括如下步骤，步骤S31、自经预处理后的训练集P中随机选取K个样本作为初始聚类中心，基于Soft
‑
DTW算法计算其余样本与每个初始聚类中心的距离，并基于所计算获取的距离进行分簇；步骤S32，以每簇数据的质心作为新的聚类中心，并对步骤S31进行迭代，直至聚类算法模型收敛。4.根据权利要求1所述的一种无监督二轮电动车充电时序异常检测方法，其特征在于：异常检测模型基于Transformer算法实现，其包括编码器和解码器；
编码器包括2个子层，分别为第一多头注意力层和第一前馈层；解码器包括3个子层，分别为掩盖的多头注意力层、第二...

【专利技术属性】
技术研发人员：肖劼，
申请(专利权)人：杭州宇谷科技有限公司，
类型：发明
国别省市：