【技術實現步驟摘要】
本專利技術屬于儲能電池異常檢測，具體涉及一種基于時序圖神經網絡模型的電池異常檢測方法和系統。
技術介紹
1、在電池的異常檢測過程中，通常是利用充放電過程中的電壓、電流、溫度等參數在時間維度上的變化進行建模，而現有技術中所用到的模型大都為基于時序數據的異常檢測模型，例如時序神經網絡模型(lstm、gru等)。
2、現有技術中時序神經網絡模型無論是以單變量或者多變量作為輸入，都沒有考慮到特征之間的相互關系、相互影響的問題。并且，上述模型常以分類模型為主，即將輸入數據通過模型得到正?；虍惓煞N標簽，并沒有對產生異常的情況進行歸因來分析異常根源所在，因此，在確定電池時序數據中異常發生的時間點和異常原因方面存在一定的局限性。
技術實現思路
1、本專利技術的目的就在于提供一種基于時序圖神經網絡模型的電池異常檢測方法和系統，以解決
技術介紹
中提出的問題。
2、本專利技術通過以下技術方案來實現上述目的：
3、第一方面、本專利技術提出了一種基于時序圖神經網絡模型的電池異常檢測方法，包括：
4、s1、根據電池充電工況下的多元時序特征構造時序特征關系圖數據；
5、s2、構建基于時序圖神經網絡的異常檢測模型，以時序特征關系圖數據作為輸入，輸出對應所述多元時序特征異常檢測結果；
6、s3、根據電池多元時序特征構建電池特征因果圖，將所述異常檢測結果對和所述電池特征因果圖進行對比解析，確定存在異常的電池特征。
7、進一步改進在于，
8、s101、按設定采集頻率獲取電池充電工況下多元時序特征，多元時序特征包括電壓、電流、溫度、容量和ic曲線特征，將多元時序特征進行數據清洗和歸一化的預處理后，生成向量化后的多元時序特征；
9、s102、根據多元時序特征中各個特征間的特征關聯來建立時序特征關系圖，并基于時間維度對所述時序特征關系圖進行特征截取，得到包含不同時間維度特征關系圖的時序特征關系圖數據；
10、s103、對所述時序特征關系圖數據帶有異常數據的切片打標簽，標簽形式為[0,0,1,0,…,0]，時間維度為p，其中位置為1的表示其索引所對應的時序特征關系圖數據切片中存在異常，0為正常。
11、進一步改進在于，步驟s2中，所述時序圖神經網絡模型為stgnns、stgode和dysat深度學習模型中的任一個。
12、進一步改進在于，步驟s2還包括對所述異常檢測模型進行訓練，具體為：
13、將所述時序特征關系圖數據輸入所述異常檢測模型中，通過對時間維度特征關系圖進行特征提取并進行向量表示，將p多個向量表示進行特征融合，形成時序特征關系圖數據的特征表示；
14、將所述特征表示輸入異常檢測模型的全連接層中，通過設定的閾值和帶有異常標簽的數據來訓練異常檢測模型，所述全連接層輸出包含p維評分向量的異常檢測結果。
15、進一步改進在于，所述電池特征因果圖定義為：包含多個電池特征的若干變量以及若干變量之間的因果關系，所述因果關系表征為通過箭頭指示兩個變量間關系的方向，從原因指向效果。
16、第二方面，本專利技術提出了一種基于時序圖神經網絡模型的電池異常檢測系統，應用于執行以上任一項所述檢測方法，系統包括：
17、數據獲取模塊，根據電池充電工況下的多元時序特征構造時序特征關系圖數據；
18、異常檢測模塊，構建基于時序圖神經網絡的異常檢測模型，以時序特征關系圖數據作為輸入，輸出對應所述多元時序特征異常檢測結果；
19、異常歸因模塊，根據電池多元時序特征構建電池特征因果圖，將所述異常檢測結果和所述電池特征因果圖進行對比解析，確定存在異常的電池特征。
20、本專利技術的有益效果在于：
21、本專利技術中異常檢測方法和系統利用電池的時序數據對時間維度進行切片，并通過特征間存在的、隱藏的關系構建特征關系圖，兩者相結和構造了時序特征關系圖數據。利用時序圖神經網絡和時序特征關系圖數據進行特征提取并建模，實現了異常發生所處時間片的確定，并利用電池特征因果實現電池異常的歸因分析，在處理電池時序數據中異常發生的時間點和異常原因的確定上存在顯著進步。
本文檔來自技高網...【技術保護點】
1.一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于：步驟S1具體為：
3.根據權利要求2所述的一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于：步驟S2中，所述時序圖神經網絡模型為STGNNs、STGODE和DySAT深度學習模型中的任一個。
4.根據權利要求3所述的一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于：步驟S2還包括對所述異常檢測模型進行訓練，具體為：
5.根據權利要求1所述的一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于：所述電池特征因果圖定義為：包含多個電池特征的若干變量以及若干變量之間的因果關系，所述因果關系表征為通過箭頭指示兩個變量間關系的方向，從原因指向效果。
6.一種基于時序圖神經網絡模型的電池異常檢測系統，其特征在于，應用于執行權利要求1-5任一項所述檢測方法，系統包括：
【技術特征摘要】
1.一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于：步驟s1具體為：
3.根據權利要求2所述的一種基于時序圖神經網絡模型的電池異常檢測方法，其特征在于：步驟s2中，所述時序圖神經網絡模型為stgnns、stgode和dysat深度學習模型中的任一個。
4.根據權利要求3所述的一種基于時序圖神經網絡模型的電池異常...
【專利技術屬性】
技術研發人員：羅剛，何慶，鄧海波，王垚，王凱，梅占旗，
申請(專利權)人：安徽國麒科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。