一种电池异常检测方法及系统与流程

1.本发明涉及电池检测技术领域，具体而言，涉及一种电池异常检测方法及系统。


背景技术：

2.随着传统化石能源的蕴藏量逐渐被开发使用殆尽，能源的短缺已然成为世界各国面临的棘手问题，能源危机逐渐逼近工业生产和日常生活中的方方面面。在这个能源危机伴随着环境危机的变局之中，可再生能源的研究与开发迫在眉睫。各国纷纷减少化石燃料的使用，转而开发清洁的可再生能源。经过长时间的发展，以风电、光伏为代表的可再生能源发展迅速，具备了大规模发展的潜力。但随着可再生能源发展速度的加快，其自身随机性和波动性的特点对电网频率稳定性的冲击也越来越明显。储能是近年来兴起的一种可以参与电网调频的优质资源，其比火电机组有更快的响应速度，并且没有水电机组那样的环境限制条件。作为促进可再生能源消纳以及维护电网安全运行的重要手段，储能迎来了大规模发展。
3.在多种储能技术路线里，电化学储能发展速度较快。作为最常见的能源存储方式，锂离子电池由于其更长的寿命周期、更快的响应速度、更低的自放电率和更高的能量转换效率等优势应用领域十分广泛，使得锂离子电池储能已经成为最重要的储能技术路线之一。锂离子电池迎来了大规模发展，但与此同时，作为一种电化学储能设备，锂离子电池的大规模使用带来了不小的安全隐患。因此其故障预测与健康管理对储能系统的安全运行至关重要。
4.目前国内外依靠建立一些可靠的模型来精确地预测锂离子电池的寿命和性能，对锂电池实时异常检测和储能系统维护的研究较少。异常点检测法主要有k-近邻法。但是，由于检测样本数量众多，每个检测样本都需要计算自身到其余检测样本的样本距离，计算量相当大，复杂度高，计算效率低。
5.针对现有技术中使用k-近邻法进行异常点检测，因检测样本数量众多，每个检测样本都需要计算自身到其余检测样本的样本距离，计算量相当大，复杂度高，计算效率低的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例中提供一种电池异常检测方法，以解决现有技术中使用k-近邻法进行异常点检测，因检测样本数量众多，每个检测样本都需要计算自身到其余检测样本的样本距离，计算量相当大，复杂度高，计算效率低的问题。
7.为达到上述目的，一方面，本发明提供了一种电池异常检测方法，该方法包括：步骤s101，获取电池数据集中全部电池的电池原始特征；步骤s102，对每个电池的电池原始特征进行如下处理：对当前电池原始特征进行数据清洗，将数据清洗后的当前电池原始特征进行特征提取，并将提取到的特征构建特征序列；将所述特征序列作为当前检测样本；步骤s103，遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到
距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；步骤s104，计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；步骤s105，重复所述步骤s103、步骤s104，得到所述当前检测样本的最终样本距离；步骤s106，将全部检测样本的最终样本距离从大到小进行排序；并设置其中一个检测样本的样本距离为阈值；判定最终样本距离大于所述阈值的检测样本为异常样本，最终样本距离小于所述阈值的检测样本为正常样本。
8.可选的，所述步骤s104包括：步骤s1041，计算所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离；步骤s1042，选取距离所述当前检测样本最近的预设数量个检测样本的样本距离；步骤s1043，计算所述预设数量个检测样本的样本距离的平均值，作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。
9.可选的，所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离根据以下公式计算：
[0010][0011]
其中，xi为当前检测样本；xj为检测样本集合中的任意一个检测样本；d为当前检测样本与检测样本集合中的任意一个检测样本的样本距离。
[0012]
可选的，所述当前检测样本的最终样本距离根据以下公式计算：
[0013][0014]
其中，为当前检测样本的最近平均样本距离；n为重复所述步骤s103、步骤s104的次数，为当前检测样本的最终样本距离。
[0015]
可选的，所述阈值通过以下公式计算：
[0016]
m＝nb*ratio
[0017][0018]
其中，nb为电池数据集的电池数量；ratio为预设异常比例；m为全部检测样本的最终样本距离从大到小进行排序后的第m个检测样本；threshold为阈值；为第m个检测样本的最终样本距离。
[0019]
另一方面，本发明提供了一种电池异常检测系统，该系统包括：获取单元，用于获取电池数据集中全部电池的电池原始特征；处理单元，用于对每个电池的电池原始特征进行如下处理：对当前电池原始特征进行数据清洗，将数据清洗后的当前电池原始特征进行特征提取，并将提取到的特征构建特征序列；将所述特征序列作为当前检测样本；划分单元，用于遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；计算单元，用于计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；重复单元，用于重复所述划分单元、所述计算单元，得到所述当前检测样本的最终样本距离；判断单元，用于将全部检测样本的最终样本距离从大到小进行排序；并设
置其中一个检测样本的样本距离为阈值；判定最终样本距离大于所述阈值的检测样本为异常样本，最终样本距离小于所述阈值的检测样本为正常样本。
[0020]
可选的，所述计算单元包括：第一计算子单元，用于计算所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离；选取子单元，用于选取距离所述当前检测样本最近的预设数量个检测样本的样本距离；第二计算子单元，用于计算所述预设数量个检测样本的样本距离的平均值，作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。
[0021]
可选的，所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离根据以下公式计算：
[0022][0023]
其中，xi为当前检测样本；xj为检测样本集合中的任意一个检测样本；d为当前检测样本与检测样本集合中的任意一个检测样本的样本距离。
[0024]
可选的，所述当前检测样本的最终样本距离根据以下公式计算：
[0025][0026]
其中，为当前检测样本的最近平均样本距离；n为重复所述划分单元、所述计算单元的次数，为当前检测样本的最终样本距离。
[0027]
可选的，所述阈值通过以下公式计算：
[0028]
m＝nb*ratio
[0029][0030]
其中，nb为电池数据集的电池数量；ratio为预设异常比例；m为全部检测样本的最终样本距离从大到小进行排序后的第m个检测样本；threshold为阈值；为第m个检测样本的最终样本距离。
[0031]
本发明的有益效果：
[0032]
本发明提供了一种电池异常检测方法及系统，该方法通过遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；从而大大减小了计算量，有效降低了计算复杂度，提高了计算效率；进一步的，重复上述所述内容，得到多个最近平均样本距离，将多个最近平均样本距离求和取均值得到最终样本距离，排除了随机性，提高了样本检测的准确度。
[0033]
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0034]
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。
[0035]
图1为本发明实施例提供的一种电池异常检测方法的流程图；
[0036]
图2为本发明实施例提供的计算当前检测样本的最近平均样本距离的流程图；
[0037]
图3为本发明实施例提供的当前检测样本在二维下的划分结构示意图；
[0038]
图4为本发明实施例提供的一种电池异常检测系统的结构示意图；
[0039]
图5为本发明实施例提供的计算单元的结构示意图。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
目前国内外依靠建立一些可靠的模型来精确地预测锂离子电池的寿命和性能，对锂电池实时异常检测和储能系统维护的研究较少。异常点检测法主要有k-近邻法。但是，由于检测样本数量众多，每个检测样本都需要计算自身到其余检测样本的样本距离，计算量相当大，复杂度高，计算效率低。
[0042]
因而，本发明提供了一种电池异常检测方法及系统，图1是本发明实施例提供的一种电池异常检测方法的流程图，如图1所示，该方法包括：
[0043]
步骤s101，获取电池数据集中全部电池的电池原始特征；
[0044]
具体的，所述电池原始特征包括：时间(timestamp)、电池电压(v)、电池电流(i)、电池温度(t)等。
[0045]
步骤s102，对每个电池的电池原始特征进行如下处理：
[0046]
对当前电池原始特征进行数据清洗，将数据清洗后的当前电池原始特征进行特征提取，并将提取到的特征构建特征序列；将所述特征序列作为当前检测样本；
[0047]
为了避免错误数据对评估结果的影响，需要对电池原始特征中的数据进行清洗，以替换其中的错误数据，或冗余数据，提高评估结果的可靠性。
[0048]
具体的，对当前电池原始特征进行数据清洗包括：
[0049]
对于所述当前电池原始特征中的任一项目标参数值，若其超出参数合理阈值或为缺失值，则使用所述目标参数值的前一时刻的参数值或后一时刻的参数值替换所述目标参数值；或，通过滑动窗口计算预设时段中参数值的平均值，将所述平均值作为所述目标参数值。
[0050]
将数据清洗后的当前电池原始特征进行特征提取，由于当前电池原始特征中的参数值较少，为扩大特征数量同时更好地利用电池充放电动态特性，本发明中使用电池完整放电周期内的电压变化数据作为一个样本x＝[v1,v2,
……
，vn]。即当前检测样本为x＝[v1,v2,
……
，vn]。
[0051]
步骤s103，遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；
[0052]
图3是本发明实施例提供的当前检测样本在二维下的划分结构示意图，如图3所示，图3中a为当前检测样本；其余的黑点为全部检测样本中除当前检测样本之外的检测样本；随机选择x维度(即
①
)对所述全部检测样本进行划分，
①
的y距离大于a的y距离，而
①
以上的检测样本的y距离大于
①
的y距离，所以将
①
以上的检测样本删除，保留
①
以下的检测样本；类似的，再随机选择y维度(即
②
)对上述保留的检测样本继续进行划分，
②
的x距离小于a的x距离，而
②
左侧的检测样本的x距离小于
②
的x距离，所以将
②
左侧的检测样本删除，保留
②
右侧的检测样本；设置预设的划分次数，本发明中设置了5次，即
①②③④⑤
；经过5次划分后，得到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集(即图3中a，b，c，d框选的所有检测样本)。
[0053]
步骤s104，计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；
[0054]
具体的，图2是本发明实施例提供的计算当前检测样本的最近平均样本距离的流程图，如图2所示，所述步骤s104包括：
[0055]
步骤s1041，计算所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离；
[0056]
所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离根据以下公式计算：
[0057][0058]
其中，xi为当前检测样本；xj为检测样本集合中的任意一个检测样本；d为当前检测样本与检测样本集合中的任意一个检测样本的样本距离。
[0059]
假设检测样本子集中有10个检测样本，则需计算当前检测样本(本发明中为a)分别与其余9个检测样本的样本距离。
[0060]
步骤s1042，选取距离所述当前检测样本最近的预设数量个检测样本的样本距离；
[0061]
假设预设数量为5，则需选取上述9个样本距离中，距离所述当前检测样本(本发明中为a)最近的5个检测样本的样本距离。
[0062]
步骤s1043，计算所述预设数量个检测样本的样本距离的平均值，作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。
[0063]
所述最近平均样本距离根据以下公式计算：
[0064][0065]
其中，为所述当前检测样本在所述检测样本子集中的最近平均样本距离；k为预设数量；di为距离所述当前检测样本最近的第i个检测样本的样本距离。
[0066]
即计算上述距离所述当前检测样本(本发明中为a)最近的5个检测样本的样本距离的平均值，将其作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。
[0067]
本发明中的方法相较于现有技术中，计算全部检测样本中，当前检测样本(本发明中为a)分别到其余检测样本的样本距离，之后取最近的5个样本距离计算平均值，作为当前检测样本的最终样本距离来说，大大减少了计算量，有效降低了计算复杂度，提高了计算效率。
[0068]
步骤s105，重复所述步骤s103、步骤s104，得到所述当前检测样本的最终样本距离；
[0069]
具体的，所述当前检测样本的最终样本距离根据以下公式计算：
[0070][0071]
其中，为当前检测样本的最近平均样本距离；n为重复所述步骤s103、步骤s104的次数，为当前检测样本的最终样本距离。
[0072]
为了排除随机性，需多次重复上述步骤s103、步骤s104，得到当前检测样本的n个最近平均样本距离，将n个最近平均样本距离求均值，得到当前检测样本的最终样本距离。该方法提高了样本检测的准确度。
[0073]
步骤s106，将全部检测样本的最终样本距离从大到小进行排序；并设置其中一个检测样本的样本距离为阈值；判定最终样本距离大于所述阈值的检测样本为异常样本，最终样本距离小于所述阈值的检测样本为正常样本。
[0074]
具体的，所述阈值通过以下公式计算：
[0075]
m＝nb*ratio
[0076][0077]
其中，nb为电池数据集的电池数量；ratio为预设异常比例；m为全部检测样本的最终样本距离从大到小进行排序后的第m个检测样本；threshold为阈值；为第m个检测样本的最终样本距离。
[0078]
图4是本发明实施例提供的一种电池异常检测系统的结构示意图，如图4所示，该系统包括：
[0079]
获取单元201，用于获取电池数据集中全部电池的电池原始特征；
[0080]
具体的，所述电池原始特征包括：时间(timestamp)、电池电压(v)、电池电流(i)、电池温度(t)等。
[0081]
处理单元202，用于对每个电池的电池原始特征进行如下处理：
[0082]
对当前电池原始特征进行数据清洗，将数据清洗后的当前电池原始特征进行特征提取，并将提取到的特征构建特征序列；将所述特征序列作为当前检测样本；
[0083]
为了避免错误数据对评估结果的影响，需要对电池原始特征中的数据进行清洗，以替换其中的错误数据，或冗余数据，提高评估结果的可靠性。
[0084]
具体的，对当前电池原始特征进行数据清洗包括：
[0085]
对于所述当前电池原始特征中的任一项目标参数值，若其超出参数合理阈值或为缺失值，则使用所述目标参数值的前一时刻的参数值或后一时刻的参数值替换所述目标参数值；或，通过滑动窗口计算预设时段中参数值的平均值，将所述平均值作为所述目标参数
值。
[0086]
将数据清洗后的当前电池原始特征进行特征提取，由于当前电池原始特征中的参数值较少，为扩大特征数量同时更好地利用电池充放电动态特性，本发明中使用电池完整放电周期内的电压变化数据作为一个样本x＝[v1,v2,
……
，vn]。即当前检测样本为x＝[v1,v2,
……
，vn]。
[0087]
划分单元203，用于遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；
[0088]
图3是本发明实施例提供的当前检测样本在二维下的划分结构示意图，如图3所示，图3中a为当前检测样本；其余的黑点为全部检测样本中除当前检测样本之外的检测样本；随机选择x维度(即
①
)对所述全部检测样本进行划分，
①
的y距离大于a的y距离，而
①
以上的检测样本的y距离大于
①
的y距离，所以将
①
以上的检测样本删除，保留
①
以下的检测样本；类似的，再随机选择y维度(即
②
)对上述保留的检测样本继续进行划分，
②
的x距离小于a的x距离，而
②
左侧的检测样本的x距离小于
②
的x距离，所以将
②
左侧的检测样本删除，保留
②
右侧的检测样本；设置预设的划分次数，本发明中设置了5次，即
①②③④⑤
；经过5次划分后，得到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集(即图3中a，b，c，d框选的所有检测样本)。
[0089]
计算单元204，用于计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；
[0090]
具体的，图5是本发明实施例提供的计算单元的结构示意图，如图5所示，所述计算单元204包括：
[0091]
第一计算子单元2041，用于计算所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离；
[0092]
所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离根据以下公式计算：
[0093][0094]
其中，xi为当前检测样本；xj为检测样本集合中的任意一个检测样本；d为当前检测样本与检测样本集合中的任意一个检测样本的样本距离。
[0095]
假设检测样本子集中有10个检测样本，则需计算当前检测样本(本发明中为a)分别与其余9个检测样本的样本距离。
[0096]
选取子单元2042，用于选取距离所述当前检测样本最近的预设数量个检测样本的样本距离；
[0097]
假设预设数量为5，则需选取上述9个样本距离中，距离所述当前检测样本(本发明中为a)最近的5个检测样本的样本距离。
[0098]
第二计算子单元2043，用于计算所述预设数量个检测样本的样本距离的平均值，作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。
[0099]
所述最近平均样本距离根据以下公式计算：
[0100][0101]
其中，为所述当前检测样本在所述检测样本子集中的最近平均样本距离；k为预设数量；di为距离所述当前检测样本最近的第i个检测样本的样本距离。
[0102]
即计算上述距离所述当前检测样本(本发明中为a)最近的5个检测样本的样本距离的平均值，将其作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。
[0103]
本发明中的方法相较于现有技术中，计算全部检测样本中，当前检测样本(本发明中为a)分别到其余检测样本的样本距离，之后取最近的5个样本距离计算平均值，作为当前检测样本的最终样本距离来说，大大减少了计算量，有效降低了计算复杂度，提高了计算效率。
[0104]
重复单元205，用于重复所述划分单元、所述计算单元，得到所述当前检测样本的最终样本距离；
[0105]
具体的，所述当前检测样本的最终样本距离根据以下公式计算：
[0106][0107]
其中，为当前检测样本的最近平均样本距离；n为重复所述划分单元、所述计算单元的次数，为当前检测样本的最终样本距离。
[0108]
为了排除随机性，需多次重复上述划分单元203、计算单元204，得到当前检测样本的n个最近平均样本距离，将n个最近平均样本距离求均值，得到当前检测样本的最终样本距离。该方法提高了样本检测的准确度。
[0109]
判断单元206，用于将全部检测样本的最终样本距离从大到小进行排序；并设置其中一个检测样本的样本距离为阈值；判定最终样本距离大于所述阈值的检测样本为异常样本，最终样本距离小于所述阈值的检测样本为正常样本。
[0110]
具体的，所述阈值通过以下公式计算：
[0111]
m＝nb*ratio
[0112][0113]
其中，nb为电池数据集的电池数量；ratio为预设异常比例；m为全部检测样本的最终样本距离从大到小进行排序后的第m个检测样本；threshold为阈值；为第m个检测样本的最终样本距离。
[0114]
需要说明的是，本发明中所述的检测样本子集中的检测样本的数量只是对本发明进行的一个举例说明，其并不能对本发明进行限定。
[0115]
本发明的有益效果：
[0116]
本发明提供了一种电池异常检测方法及系统，该方法通过遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；计算所述
当前检测样本在所述检测样本子集中的最近平均样本距离；从而大大减小了计算量，有效降低了计算复杂度，提高了计算效率；进一步的，重复上述所述内容，得到多个最近平均样本距离，将多个最近平均样本距离求和取均值得到最终样本距离，排除了随机性，提高了样本检测的准确度。
[0117]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0118]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0119]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0120]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0121]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种电池异常检测方法，其特征在于，包括：步骤s101，获取电池数据集中全部电池的电池原始特征；步骤s102，对每个电池的电池原始特征进行如下处理：对当前电池原始特征进行数据清洗，将数据清洗后的当前电池原始特征进行特征提取，并将提取到的特征构建特征序列；将所述特征序列作为当前检测样本；步骤s103，遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；步骤s104，计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；步骤s105，重复所述步骤s103、步骤s104，得到所述当前检测样本的最终样本距离；步骤s106，将全部检测样本的最终样本距离从大到小进行排序；并设置其中一个检测样本的样本距离为阈值；判定最终样本距离大于所述阈值的检测样本为异常样本，最终样本距离小于所述阈值的检测样本为正常样本。2.根据权利要求1所述的方法，其特征在于，所述步骤s104包括：步骤s1041，计算所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离；步骤s1042，选取距离所述当前检测样本最近的预设数量个检测样本的样本距离；步骤s1043，计算所述预设数量个检测样本的样本距离的平均值，作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。3.根据权利要求2所述的方法，其特征在于，所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离根据以下公式计算：其中，x
i
为当前检测样本；x
j
为检测样本集合中的任意一个检测样本；d为当前检测样本与检测样本集合中的任意一个检测样本的样本距离。4.根据权利要求1所述的方法，其特征在于，所述当前检测样本的最终样本距离根据以下公式计算：其中，为当前检测样本的最近平均样本距离；n为重复所述步骤s103、步骤s104的次数，为当前检测样本的最终样本距离。5.根据权利要求1所述的方法，其特征在于，所述阈值通过以下公式计算：m＝n
b
*ratio其中，n
b
为电池数据集的电池数量；ratio为预设异常比例；m为全部检测样本的最终样本距离从大到小进行排序后的第m个检测样本；threshold为阈值；为第m个检测样本的
最终样本距离。6.一种电池异常检测系统，其特征在于，包括：获取单元，用于获取电池数据集中全部电池的电池原始特征；处理单元，用于对每个电池的电池原始特征进行如下处理：对当前电池原始特征进行数据清洗，将数据清洗后的当前电池原始特征进行特征提取，并将提取到的特征构建特征序列；将所述特征序列作为当前检测样本；划分单元，用于遍历全部检测样本，随机多次选择一个维度对所述全部检测样本进行划分以查找到距离所述当前检测样本最近的检测样本集合；将所述检测样本集合和所述当前检测样本作为检测样本子集；计算单元，用于计算所述当前检测样本在所述检测样本子集中的最近平均样本距离；重复单元，用于重复所述划分单元、所述计算单元，得到所述当前检测样本的最终样本距离；判断单元，用于将全部检测样本的最终样本距离从大到小进行排序；并设置其中一个检测样本的样本距离为阈值；判定最终样本距离大于所述阈值的检测样本为异常样本，最终样本距离小于所述阈值的检测样本为正常样本。7.根据权利要求6所述的系统，其特征在于，所述计算单元包括：第一计算子单元，用于计算所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离；选取子单元，用于选取距离所述当前检测样本最近的预设数量个检测样本的样本距离；第二计算子单元，用于计算所述预设数量个检测样本的样本距离的平均值，作为所述当前检测样本在所述检测样本子集中的最近平均样本距离。8.根据权利要求7所述的系统，其特征在于，所述当前检测样本与所述检测样本集合中的每个检测样本的样本距离根据以下公式计算：其中，x
i
为当前检测样本；x
j
为检测样本集合中的任意一个检测样本；d为当前检测样本与检测样本集合中的任意一个检测样本的样本距离。9.根据权利要求6所述的系统，其特征在于，所述当前检测样本的最终样本距离根据以下公式计算：其中，为当前检测样本的最近平均样本距离；n为重复所述划分单元、所述计算单元的次数，为当前检测样本的最终样本距离。10.根据权利要求6所述的系统，其特征在于，所述阈值通过以下公式计算：m＝n
b
*ratio
其中，n
b
为电池数据集的电池数量；ratio为预设异常比例；m为全部检测样本的最终样本距离从大到小进行排序后的第m个检测样本；threshold为阈值；为第m个检测样本的最终样本距离。

技术总结
本发明公开一种电池异常检测方法及系统。其中，该方法包括：获取电池数据集中全部电池的电池原始特征；根据每个电池的电池原始特征得到每个电池的当前检测样本；遍历全部检测样本，随机多次选择一个维度对全部检测样本进行划分以查找到距离当前检测样本最近的检测样本集合；将检测样本集合和当前检测样本作为检测样本子集；计算当前检测样本在检测样本子集中的最近平均样本距离；重复上述内容，得到当前检测样本的最终样本距离；根据全部检测样本的最终样本距离与预设的阈值，检测出异常样本和正常样本。通过本发明，大大减小了计算量，有效降低了计算复杂度，提高了计算效率；且排除了随机性，提高了样本检测的准确度。提高了样本检测的准确度。提高了样本检测的准确度。


技术研发人员：朱勇 王建星 张斌 刘明义 刘承皓 郝晓伟 刘大为 裴杰 徐若晨 曹曦 曹传钊 李昊 孙周婷 雷浩东 蒋宝平 宋立涛 贾和宇 王璐瑶
受保护的技术使用者：华能新能源股份有限公司山西分公司
技术研发日：2022.11.09
技术公布日：2023/8/14