[發明專利]異常預測方法及裝置

在審

• 申請號: 202110308070.3
• 申請日: 2021-03-23
• 公開（公告）號: CN112766618A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 蘇藝然
• 申請（專利權）人: 蘇藝然
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 彭瑞欣;劉悅晗

本發明公開了一種異常預測方法及裝置，該方法包括：根據第一運行數據和預設的第一模型確定第一表征向量；根據第一表征向量和預設的第二模型確定第一運行數據的第一預測結果。該方法能夠采用復雜的第一模型和第二模型根據待預測設備或部件的歷史運行數據來對待預測設備或部件的異常情況進行預測，既可以充分利用待預測設備或部件的歷史運行數據，又可以使得待預測設備或部件的歷史運行數據能夠應用于復雜的數據模型，還可以根據第一預測結果提前采取相應措施，降低安全風險和維護代價。

技術領域

本發明涉及電學技術領域，具體涉及一種異常預測方法及裝置。

背景技術

目前，電池或電機等裝置的異常預測主要涉及到三類方法。第一類方法為閾值法，例如規定電壓、電流、內阻等的正常波動區間，當電壓、電流、內阻等數值的波動超過正常波動區間，則報警為異常，這種方法更擅長檢測而非預測，通常來說當波動已經明顯偏離正常值的時候，裝置已經損壞。第二類方法為建模法，建模法通過模型來描述動力系統的演變過程，通常也需要一些傳感器數據來實時更新目前對于系統狀態的預測，建模法有幾個問題：其一，模型精確度隨時間積累，無法做中長期的預測；其二，線性系統無法描述真實生活里的復雜變化，而非線性模型的計算量太大，無法及時更新；其三，設計高效模型需要大量人力物力，且與環境有關。第三類方法為數據法。數據法的本質是利用觀測記錄來反推出數據模型的參數，數據模型可以是之前的閾值模型，或者建模的物理模型，也可以是比較復雜的機器學習決策模型，如決策樹，神經網絡等，數據模型的優點在于一旦算法成熟，模型的建立可以自動化，并且數據越多，模型質量越高。但是由于數據科學發展較不成熟，將一些方法直接應用于電池領域無法取得較好的效果，如缺少有效的數據標簽。

因此，亟需一種異常預測方法用以解決上述問題。

發明內容

為此，本發明提供一種異常預測方法及裝置，以解決現有技術中由于異常預測方法不合理而導致的預測效果不理想的問題。

為了實現上述目的，本發明第一方面提供一種異常預測方法，包括：

根據第一運行數據和預設的第一模型確定第一表征向量；

根據所述第一表征向量和預設的第二模型確定所述第一運行數據的第一預測結果。

在一些實施例中，所述方法在所述根據第一運行數據和預設的第一模型確定第一表征向量之后，還包括：

根據所述第一表征向量和預設的分類器確定所述第一運行數據的第二預測結果。

在一些實施例中，所述第二模型為第三模型、第四模型、閾值模型和非參數聚類模型的集成模型。

在一些實施例中，所述方法在所述根據第一運行數據和預設的第一模型確定第一表征向量之后，還包括：

根據所述第一表征向量、所述第一運行數據和第三中間模型確定所述第一運行數據的第三預測結果。

在一些實施例中，所述方法還包括所述第二模型的優化步驟，所述第二模型的優化步驟包括：

根據第二運行數據和所述第一模型確定第二表征向量；

根據所述第二表征向量和第二初始模型確定所述第二運行數據的第一預測結果，并根據所述第二運行數據的第一結果和所述第一預測結果確定第一損失函數；

根據第一損失函數調整所述第二初始模型的超參數，以根據調整后的超參數確定所述第二模型；所述第二初始模型為第三中間模型、第四初始模型、初始閾值模型和初始非參數聚類模型的集成模型。

在一些實施例中，所述方法還包括所述第一模型、所述第三中間模型、所述第四初始模型和所述分類器的優化步驟，所述優化步驟包括：

根據第三運行數據和第一初始模型確定第三表征向量、第二損失函數；