【技术实现步骤摘要】
本专利技术属于储能电池异常检测，具体涉及一种基于时序图神经网络模型的电池异常检测方法和系统。
技术介绍
1、在电池的异常检测过程中，通常是利用充放电过程中的电压、电流、温度等参数在时间维度上的变化进行建模，而现有技术中所用到的模型大都为基于时序数据的异常检测模型，例如时序神经网络模型(lstm、gru等)。
2、现有技术中时序神经网络模型无论是以单变量或者多变量作为输入，都没有考虑到特征之间的相互关系、相互影响的问题。并且，上述模型常以分类模型为主，即将输入数据通过模型得到正常或异常两种标签，并没有对产生异常的情况进行归因来分析异常根源所在，因此，在确定电池时序数据中异常发生的时间点和异常原因方面存在一定的局限性。
技术实现思路
1、本专利技术的目的就在于提供一种基于时序图神经网络模型的电池异常检测方法和系统，以解决
技术介绍
中提出的问题。
2、本专利技术通过以下技术方案来实现上述目的：
3、第一方面、本专利技术提出了一种基于时序图神经网络模型的电池异常检
【技术保护点】
1.一种基于时序图神经网络模型的电池异常检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于时序图神经网络模型的电池异常检测方法，其特征在于：步骤S1具体为：
3.根据权利要求2所述的一种基于时序图神经网络模型的电池异常检测方法，其特征在于：步骤S2中，所述时序图神经网络模型为STGNNs、STGODE和DySAT深度学习模型中的任一个。
4.根据权利要求3所述的一种基于时序图神经网络模型的电池异常检测方法，其特征在于：步骤S2还包括对所述异常检测模型进行训练，具体为：
5.根据权利要求1所述的一种基于时序图神...
【技术特征摘要】
1.一种基于时序图神经网络模型的电池异常检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于时序图神经网络模型的电池异常检测方法，其特征在于：步骤s1具体为：
3.根据权利要求2所述的一种基于时序图神经网络模型的电池异常检测方法，其特征在于：步骤s2中，所述时序图神经网络模型为stgnns、stgode和dysat深度学习模型中的任一个。
4.根据权利要求3所述的一种基于时序图神经网络模型的电池异常...
【专利技术属性】
技术研发人员：罗刚，何庆，邓海波，王垚，王凯，梅占旗，
申请(专利权)人：安徽国麒科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。