[发明专利]异常预测方法及装置

说明书

本发明公开了一种异常预测方法及装置，该方法包括：根据第一运行数据和预设的第一模型确定第一表征向量；根据第一表征向量和预设的第二模型确定第一运行数据的第一预测结果。该方法能够采用复杂的第一模型和第二模型根据待预测设备或部件的历史运行数据来对待预测设备或部件的异常情况进行预测，既可以充分利用待预测设备或部件的历史运行数据，又可以使得待预测设备或部件的历史运行数据能够应用于复杂的数据模型，还可以根据第一预测结果提前采取相应措施，降低安全风险和维护代价。

技术领域

本发明涉及电学技术领域，具体涉及一种异常预测方法及装置。

背景技术

目前，电池或电机等装置的异常预测主要涉及到三类方法。第一类方法为阈值法，例如规定电压、电流、内阻等的正常波动区间，当电压、电流、内阻等数值的波动超过正常波动区间，则报警为异常，这种方法更擅长检测而非预测，通常来说当波动已经明显偏离正常值的时候，装置已经损坏。第二类方法为建模法，建模法通过模型来描述动力系统的演变过程，通常也需要一些传感器数据来实时更新目前对于系统状态的预测，建模法有几个问题：其一，模型精确度随时间积累，无法做中长期的预测；其二，线性系统无法描述真实生活里的复杂变化，而非线性模型的计算量太大，无法及时更新；其三，设计高效模型需要大量人力物力，且与环境有关。第三类方法为数据法。数据法的本质是利用观测记录来反推出数据模型的参数，数据模型可以是之前的阈值模型，或者建模的物理模型，也可以是比较复杂的机器学习决策模型，如决策树，神经网络等，数据模型的优点在于一旦算法成熟，模型的建立可以自动化，并且数据越多，模型质量越高。但是由于数据科学发展较不成熟，将一些方法直接应用于电池领域无法取得较好的效果，如缺少有效的数据标签。

因此，亟需一种异常预测方法用以解决上述问题。

发明内容

为此，本发明提供一种异常预测方法及装置，以解决现有技术中由于异常预测方法不合理而导致的预测效果不理想的问题。

为了实现上述目的，本发明第一方面提供一种异常预测方法，包括：

根据第一运行数据和预设的第一模型确定第一表征向量；

根据所述第一表征向量和预设的第二模型确定所述第一运行数据的第一预测结果。

在一些实施例中，所述方法在所述根据第一运行数据和预设的第一模型确定第一表征向量之后，还包括：

根据所述第一表征向量和预设的分类器确定所述第一运行数据的第二预测结果。

在一些实施例中，所述第二模型为第三模型、第四模型、阈值模型和非参数聚类模型的集成模型。

在一些实施例中，所述方法在所述根据第一运行数据和预设的第一模型确定第一表征向量之后，还包括：

根据所述第一表征向量、所述第一运行数据和第三中间模型确定所述第一运行数据的第三预测结果。

在一些实施例中，所述方法还包括所述第二模型的优化步骤，所述第二模型的优化步骤包括：

根据第二运行数据和所述第一模型确定第二表征向量；

根据所述第二表征向量和第二初始模型确定所述第二运行数据的第一预测结果，并根据所述第二运行数据的第一结果和所述第一预测结果确定第一损失函数；

根据第一损失函数调整所述第二初始模型的超参数，以根据调整后的超参数确定所述第二模型；所述第二初始模型为第三中间模型、第四初始模型、初始阈值模型和初始非参数聚类模型的集成模型。

在一些实施例中，所述方法还包括所述第一模型、所述第三中间模型、所述第四初始模型和所述分类器的优化步骤，所述优化步骤包括：

根据第三运行数据和第一初始模型确定第三表征向量、第二损失函数；