CN116204010A - 温控设备异常识别方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请提供一种温控设备异常识别方法、装置、计算机设备及存储介质，包括：获取一个温控设备的至少一个运行数据，及与温控设备对应的至少一个温控对象的至少一个控温数据，整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据；对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为异常设备。本申请实现了从一般水平维度和离散程度维度识别出现异常的温控设备的技术效果，确保了异常设备的识别准确度。

Description

温控设备异常识别方法、装置、计算机设备及存储介质

技术领域

本申请涉及温度控制技术领域，尤其涉及一种温控设备异常识别方法、装置、计算机设备及存储介质。

背景技术

温度对电池的容量、充放电功率和安全性等都有很大的影响。储能集装箱中集成的电池数目更多，电池容量也更大，并且由多个电池组成的电池簇之间排列也较为紧密，间隙较小，且电池簇的能量密度高、运行工况复杂多变，时常有高充放电倍率与低充放电倍率频繁切换的情况出现。这就容易造成电池簇之间会出现热累积，系统内部产热不均匀、温度分布不均匀、电池簇间温度差异较大等问题。因此，温控设备(例如：风扇、空调设备等)作为储能集装箱中电池簇的热管理系统中的关键一环，其安全稳定运行对于确保储能系统在全生命周期的温湿度保持在合理范围具有重要的作用。

当前通常采用采集温控设备的风扇转速频率、风扇马达转速值或电流峰值，并通过设定阈值的方式识别温控设备是否出现异常，然而，发明人发现，如果温控设备一旦出现失效停转、电源接线异常、风扇通风口堵塞等情况，当前的方法采集到的风扇转速频率、风扇马达转速值或电流峰值，仍然表征温控设备处于正常工作状态，但是温控对象(如：电池簇)将会因上述情况导致温控对象过热或温度分布不均，造成储能集装箱可靠性低下的情况发生。

发明内容

本申请提供一种温控设备异常识别方法、装置、计算机设备及存储介质，用以解决如果，当前通过采集到的风扇转速频率、风扇马达转速值或电流峰值的方法，无法识别出温控设备出现的失效停转、电源接线异常、风扇通风口堵塞等情况，进而很容易导致温控对象因该情况导致温控对象过热或温度分布不均，造成储能集装箱可靠性低下的情况发生的问题。

第一方面，本申请提供一种温控设备异常识别方法，所述温控设备用于对至少一个温控对象进行控温作业，所述方法包括：

获取一个温控设备的至少一个运行数据，及与所述温控设备对应的至少一个温控对象的至少一个控温数据，整合所述温控设备的至少一个所述运行数据和至少一个所述控温数据得到设备数据；其中，所述运行数据记载了一个采集时间，及在所述采集时间从所述温控设备中获得的状态数据；所述状态数据反映了所述温控设备对所述温控对象的控温方式；所述控温数据记载了所述采集时间，及在所述采集时间中至少一个所述温控对象的温度信息；所述设备数据反映了所述温控设备在各采集时间中的控温方式及对至少一个所述温控对象的控温效果；

对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；其中，所述第一数据簇集合中包括至少一个数据簇，所述第一数据簇集合中的数据簇为对各温控设备的设备数据中，控温效果的集中趋势进行聚类运算所得到；所述第二数据簇集合中包括至少一个数据簇，所述第二数据簇集合中的数据簇为对各温控设备的温控数据中，控温效果的离散程度进行聚类运算所得到；所述数据簇是表征至少一个温控设备的至少一个数据点；属于所述数据簇的数据点对应的温控设备被定义为第一温控设备；不属于所述数据簇的数据点对应的温控设备被定义为第二温控设备；

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为异常设备。

上述方案中，所述整合所述温控设备的至少一个所述运行数据和至少一个所述控温数据得到设备数据，包括：

对至少一个所述运行数据进行数据清洗处理得到至少一个第一数据；

对至少一个所述控温数据进行数据清洗处理得到至少一个第二数据；

将一个所述采集时间对应的所述第一数据和所述第二数据汇总成一个初始数据；

若确定至少一个所述初始数据的数量达到预置的计算阈值，则将至少一个所述初始数据设为设备数据。

上述方案中，所述对至少一个所述运行数据进行数据清洗处理得到至少一个第一数据，包括：

若识别到一个所述运行数据中具有空值，则确定所述一个运行数据为无效数据；和/或

若识别到一个所述运行数据中具有无效值，则确定所述一个运行数据为无效数据；

删除至少一个所述运行数据中的所述无效数据得到至少一个所述第一数据。

上述方案中，所述对至少一个所述控温数据进行数据清洗处理得到至少一个第二数据，包括：

若识别到一个所述控温数据中具有空值，则确定所述一个控温数据为无效数据；和/或

若识别到一个所述控温数据中具有无效值，则确定所述一个控温数据为无效数据；和/或

若识别到一个所述控温数据不属于预置的阈值范围，则确定所述一个控温数据为无效数据；

删除至少一个所述控温数据中的所述无效数据得到至少一个所述第二数据。

上述方案中，所述对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合，包括：

计算一个所述温控设备的至少一个所述设备数据的集中趋势得到一个第一统计值，对至少一个所述温控设备的第一统计值进行聚类运算，得到所述第一数据簇集合；其中，所述第一统计值反映的集中趋势，描述了所述温控设备在各采集时间下的控温方式及控温效果的一般水平；

计算一个所述温控设备的至少一个所述设备数据的离散程度得到一个第二统计值，对至少一个所述温控设备的第二统计值进行聚类运算，得到所述第二数据簇集合；其中，所述第二统计值反映的离散程度，描述了所述温控设备在各采集时间下的温控方式及控温效果的差异程度。

上述方案中，所述控温方式包括制冷控温和制热控温；

所述计算一个所述温控设备的至少一个所述设备数据的集中趋势得到一个第一统计值，包括：

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制冷控温的设备数据，并汇总得到第一制冷集合；

计算所述第一制冷集合中各设备数据的控温数据的集中趋势，得到一个第一制冷值；其中，所述第一制冷值反映的集中趋势，描述了在制冷控温下的各设备数据的控温数据的一般水平；

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制热控温的设备数据，并汇总得到第一制热集合；

计算所述第一制热集合中各设备数据的控温数据的集中趋势，得到一个第一制热值；其中，所述第一制热值反映的集中趋势，描述了在制热状态下的各设备数据的控温数据的一般水平；

汇总所述第一制冷值和所述第一制热值得到所述第一统计值。

上述方案中，所述控温方式包括制冷控温和制热控温；

所述计算一个所述温控设备的至少一个所述设备数据的离散程度得到一个第二统计值，包括：

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制冷控温的设备数据，并汇总得到第二制冷集合；

计算所述第二制冷集合中各设备数据的控温数据的离散程度，得到一个第二制冷值；其中，所述第二制冷值反映的离散程度，描述了在制冷控温下的各所述设备数据的控温数据之间的差异程度；

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制热控温的设备数据，并汇总得到第二制热集合；

计算所述第二制热集合中各设备数据的控温数据的离散程度，得到一个第二制热值；其中，所述第二制热值反映的离散程度，描述了在制热状态下的各所述设备数据的控温数据之间的差异程度；

汇总所述第二制冷值和所述第二制热值得到所述第二统计值。

上述方案中，所述对至少一个所述温控设备的第一统计值进行聚类运算，得到所述第一数据簇集合，包括：

根据至少一个所述温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个所述温控设备的第一统计值中的第一制热值，构建至少一个第一制热数据点；

根据预置的第一邻域参数和第一度量参数，对至少一个所述第一制冷数据点进行聚类运算得到所述第一制冷数据簇，及对至少一个所述第一制热数据点进行聚类运算得到所述第一制热数据簇，汇总所述第一制冷数据簇和所述第一制热数据簇得到第一数据簇集合；其中，所述第一邻域参数定义了所述第一数据簇集合中的数据簇的直径长度；所述第一度量参数定义了计算两个所述第一制冷数据点和两个所述第一制热数据点之间距离的方式；

若确定一个温控设备的第一制冷数据点属于第一制冷数据簇，且所述温控设备的第一制热数据点属于第一制热数据簇，则将所述温控设备定义为第一温控设备；

若确定一个温控设备的第一制冷数据点不属于所述第一制冷数据簇，和/或所述温控设备第一制热数据点不属于第一制热数据簇，则将所述温控设备定义为第二温控设备。

上述方案中，所述第一制冷值包括第一制冷均值和第一制冷分位数；

所述根据至少一个所述温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点，包括：

以一个所述温控设备的第一制冷均值为横坐标，及以所述温控设备的第一制冷分位数为纵坐标，构建所述温控设备的第一制冷数据点；

所述第一制热值包括第一制热均值和第一制热分位数；

所述根据至少一个所述温控设备的第一统计值中的第一制热值，构建至少一个第一制热数据点，包括：

以一个所述温控设备的第一制热均值为横坐标，及以所述温控设备的第一制热分位数为纵坐标，构建所述温控设备的第一制热数据点。

上述方案中，所述对至少一个所述温控设备的第二统计值进行聚类运算，得到所述第二数据簇集合，包括：

根据至少一个所述温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个所述温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点；

根据至少一个所述温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点；

根据预置的第二邻域参数和第二度量参数，对至少一个所述第二制冷数据点进行聚类运算得到所述第二制冷数据簇，及对至少一个所述第二制热数据点进行聚类运算得到所述第二制热数据簇，汇总所述第二制冷数据簇和所述第二制热数据簇得到第二数据簇集合；其中，所述第二邻域参数定义了所述第二数据簇集合中的数据簇的直径长度；所述第二度量参数定义了计算两个所述第二制冷数据点和两个所述第二制热数据点之间距离的方式；

若确定一个温控设备的第二制冷数据点属于第二制冷数据簇，且所述温控设备的第二制热数据点属于第二制热数据簇，则将所述温控设备定义为第一温控设备；

若确定一个温控设备的第二制冷数据点不属于所述第二制冷数据簇，和/或所述温控设备第二制热数据点不属于第二制热数据簇，则将所述温控设备定义为第二温控设备。

上述方案中，所述第二制冷值包括第二制冷标准差和第二制冷变异系数；

所述根据至少一个所述温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点，包括：

以一个所述温控设备的第二制冷标准差为横坐标，及以所述温控设备的第二制冷变异系数为纵坐标，构建所述温控设备的第二制冷数据点；

所述第二制热值包括第二制热标准差和第二制热变异系数；

所述根据至少一个所述温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点，包括：

以一个所述温控设备的第二制热标准差为横坐标，及以所述温控设备的第二制热变异系数为纵坐标，构建所述温控设备的第二制热数据点。

上述方案中，所述对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合之后，所述方法还包括：

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定所述目标温控设备为正常设备；或

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定所述目标温控设备为关键设备；或

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为关键设备。

第二方面，本申请提供一种温控设备异常识别装置，所述温控设备用于对至少一个温控对象进行控温作业，所述装置包括：

输入模块，用于获取一个温控设备的至少一个运行数据，及与所述温控设备对应的至少一个温控对象的至少一个控温数据，整合所述温控设备的至少一个所述运行数据和至少一个所述控温数据得到设备数据；其中，所述运行数据记载了一个采集时间，及在所述采集时间从所述温控设备中获得的状态数据；所述状态数据反映了所述温控设备对所述温控对象的控温方式；所述控温数据记载了所述采集时间，及在所述采集时间中至少一个所述温控对象的温度信息；所述设备数据反映了所述温控设备在各采集时间中的控温方式及对至少一个所述温控对象的控温效果；

处理模块，用于对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；其中，所述第一数据簇集合中包括至少一个数据簇，所述第一数据簇集合中的数据簇为对各温控设备的设备数据中，控温效果的一般水平进行聚类运算所得到；所述第二数据簇集合中包括至少一个数据簇，所述第二数据簇集合中的数据簇为对各温控设备的温控数据中，控温效果的离散程度进行聚类运算所得到；所述数据簇是表征至少一个温控设备的至少一个数据点；属于所述数据簇的数据点对应的温控设备被定义为第一温控设备；不属于所述数据簇的数据点对应的温控设备被定义为第二温控设备；

异常模块，用于若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二一数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为异常设备。

第三方面，本申请提供一种计算机设备，包括：处理器以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求上述的温控设备异常识别方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的温控设备异常识别方法。

第五方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的温控设备异常识别方法。

本申请提供的一种温控设备异常识别方法、装置、计算机设备及存储介质，通过获取一个温控设备的至少一个运行数据，及与温控设备对应的至少一个温控对象的至少一个控温数据，整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据；实现了采集温控设备和温控对象，在控温方式和控温效果两个维度上采集控温作业的特征，以便于后续能够根据该特征识别出现异常的温控设备。

通过对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；及若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为异常设备的方式，实现从集中趋势维度和离散程度维度，识别控温效果出现异常的温控设备的技术效果，确保了异常设备的识别准确度，进而有效的识别出了出现失效停转、电源接线异常、风扇通风口堵塞等情况的温控设备，有效避免因温控设备失效停转、风扇接线异常、风扇通风口堵塞等情况，导致的温控对象过热及温度分布不均等问题，提升了储能集装箱的运行可靠性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种应用场景示意图；

图2为本申请实施例提供的一种温控设备异常识别方法的实施例1的流程图；

图3为本申请实施例提供的一种温控设备异常识别方法的实施例2的流程图；

图4为本发明提供的一种温控设备异常识别装置的程序模块示意图；

图5为本发明计算机设备中计算机设备的硬件结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

请参阅图1，本申请具体的应用场景为：

温控设备异常识别方法的服务器2，服务器2安装在储能集装箱3的控制设备31中，储能集装箱3还包括至少一个温控设备32，及与每一温控设备32对应的至少一个温控对象33，温控设备32用于对至少一个温控对象33进行控温作业。

服务器2获取一个温控设备32的至少一个运行数据，及与温控设备32对应的至少一个温控对象33的至少一个控温数据，整合温控设备32的至少一个运行数据和至少一个控温数据得到设备数据；服务器2对至少一个温控设备32的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；

服务器2若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定目标温控设备为异常设备。

因此，实现了从集中趋势维度和离散程度维度，识别控温效果出现异常的温控设备的技术效果，确保了异常设备的识别准确度，进而有效的识别出了出现失效停转、电源接线异常、风扇通风口堵塞等情况的温控设备32，有效避免因温控设备失效停转、风扇接线异常、风扇通风口堵塞等情况，导致的温控对象过热及温度分布不均等问题，提升了储能集装箱3的运行可靠性。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决现有技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

实施例1：

请参阅图2，本申请提供一种温控设备异常识别方法，温控设备用于对至少一个温控对象进行控温作业，温控设备异常识别方法运行在储能集装箱的控制设备中，储能集装箱包括至少一个温控设备，及与每一温控设备对应的至少一个温控对象，方法包括：

S101：获取一个温控设备的至少一个运行数据，及与温控设备对应的至少一个温控对象的至少一个控温数据，整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据；其中，运行数据记载了一个采集时间，及在采集时间从温控设备中获得的状态数据；状态数据反映了温控设备对温控对象的控温方式；控温数据记载了采集时间，及在采集时间中至少一个温控对象的温度信息；设备数据反映了温控设备在各采集时间中的控温方式及对至少一个温控对象的控温效果。

本步骤中，在一个固定周期(例如：一日内)内，按照一个特定的采集频率(例如：每分钟采集一次)得到多个采集时间；在一日内每一分钟分别采集温控设备的运行数据(记载了温控设备对温控对象的控温方式)，以及温控对象的控温数据(如：温度)。

通过整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据，实现周期性地获取温控设备的控温作业的控温方式，以及温控设备对温控对象进行控温作业的控温效果。

实现了采集温控设备和温控对象，在控温方式和控温效果两个维度上采集控温作业的特征，以便于后续能够根据该特征识别出现异常的温控设备。

示例性地，温控设备为具有风扇的空调设备；

温控对象为储能系统集成电池，又称电池簇；

运行数据包括：采集时间，以及温控设备在采集时间时的空调设备压缩机状态、空调设备电加热状态、空调设备电扇继电器状态；

控温数据包括：电池簇的内电芯温度。

在一个优选的实施例中，整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据，包括：

对至少一个运行数据进行数据清洗处理得到至少一个第一数据；

对至少一个控温数据进行数据清洗处理得到至少一个第二数据；

将一个采集时间对应的第一数据和第二数据汇总成一个初始数据；

若确定至少一个初始数据的数量达到预置的计算阈值，则将至少一个初始数据设为设备数据。

本实例中，通过对运行数据进行数据清理，以及通过对控温数据进行数据清洗方式，以对运行数据和控温数据中的无效数据进行清洗，将得到内容均为有效数据的第一数据和第二数据，以确保后续异常识别的准确度；将属于同一采集时间的第一数据和第二数据进行汇总所得到的初始数据，使得同一时间下的控温方式和控温效果能够相互对应；

计算阈值是根据需要设定的初始数据的数量，只有数据的数量达到一定程度，方可确保对温控设备的异常识别准确度，于本实施例中，可将计算阈值设为900个，那么，如果得到的初始数据的数据量达到900个，方可将获得的初始数据设为设备数据，用于后续的聚类运算；如果未达到900个，则需要继续采集运行数据和控温数据，直至最终获得的初始数据达到900个。

具体地，对至少一个运行数据进行数据清洗处理得到至少一个第一数据，包括：

若识别到一个运行数据中具有空值，则确定一个运行数据为无效数据；和/或

若识别到一个运行数据中具有无效值，则确定一个运行数据为无效数据；

删除至少一个运行数据中的无效数据得到至少一个第一数据。

本实例中，空值是内容为空的情况，无效值是内容为乱码或无意义的情况，如果一个运行数据中具有空值和/或无效值，则说明该运行数据将无法描述温控设备的控温方式，故将其设为无效数据。通过删除无效数据，将得到能够描述温控设备在各采集时间的控温方式的至少一个第一数据。

进一步地，对至少一个控温数据进行数据清洗处理得到至少一个第二数据，包括：

若识别到一个控温数据中的关键指标中具有空值，则确定一个控温数据为无效数据；和/或

若识别到一个控温数据的关键指标中具有无效值，则确定一个控温数据为无效数据；和/或

若识别到一个控温数据不属于预置的阈值范围，则确定一个控温数据为无效数据；

删除至少一个控温数据中的无效数据得到至少一个第二数据。

本实例中，空值是内容为空的情况，无效值是内容为乱码或无意义的情况，阈值范围是温控对象(即：电池簇)正常出现的温度区间(例如：温度范围被定义为[-35℃～65℃])，一旦控温数据超过阈值范围，则被认定为该控温数据出现错误。

如果一个控温数据具有空值和/或无效值和/或不属于阈值范围，则说明该控温数据无法正确描述控温设备的控温效果，故将其设为无效数据。通过删除无效数据，将得到能够描述温控设备在各采集时间的控温效果的至少一个第二数据。

S102：对至少一个温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；其中，第一数据簇集合中包括至少一个数据簇，第一数据簇集合中的数据簇为对各温控设备的设备数据中，控温效果的集中趋势进行聚类运算所得到；第二数据簇集合中包括至少一个数据簇，第二数据簇集合中的数据簇为对各温控设备的温控数据中，控温效果的离散程度进行聚类运算所得到；数据簇是表征至少一个温控设备的至少一个数据点；属于数据簇的数据点对应的温控设备被定义为第一温控设备；不属于数据簇的数据点对应的温控设备被定义为第二温控设备。

本步骤中，通过第一模型和第二模型分别对至少一个温控设备的设备数据进行聚类运算，分别得到与第一模型对应的至少一个数据簇和与第二模型对应的第一数据簇集合和第二数据簇集合；数据簇是表征至少一个温控设备的至少一个数据点；因此，通过第一模型的至少一个数据簇和第二模型的至少一个数据簇；通过将属于数据簇的数据点对应的温控设备被定义为第一温控设备，及将不属于数据簇的数据点对应的温控设备被定义为第二温控设备，实现利用第一模型和第二模型分别根据控温方式和控温效果对各温控设备的异常情况进行识别，提高了温控设备的异常识别准确度。

在一个优选的实施例中，对至少一个温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合，包括：

计算一个温控设备的至少一个设备数据的集中趋势得到一个第一统计值，对至少一个温控设备的第一统计值进行聚类运算，得到第一数据簇集合；其中，第一统计值反映的集中趋势，描述了温控设备在各采集时间下的控温方式及控温效果的一般水平；

计算一个温控设备的至少一个设备数据的离散程度得到一个第二统计值，对至少一个温控设备的第二统计值进行聚类运算，得到第二数据簇集合；其中，第二统计值反映的离散程度，描述了温控设备在各采集时间下的温控方式及控温效果的差异程度。

本实例中，通过第一数据模型计算一个温控设备的至少一个设备数据，得到反映温控设备的控温方式及控温效果的集中趋势(例如：平均值或分位数)的数值第一统计值，通过第一模型对第一统计值进行聚类运算(例如：密度聚类运算)，用以从温控设备的运行状况及控温效果的集中趋势维度对温控设备进行聚类，识别出在同一控温方式下各采集时间的控温效果的一般水平相近的数据点，并将至少一个相近的数据点设为数据簇。

通过第二数据模型计算一个温控设备的至少一个设备数据，得到反映温控设备的控温方式及控温效果的集中趋势(例如：平均值或分位数)的数值第二统计值，通过第二模型对第二统计值进行聚类运算(例如：密度聚类运算)，用以从温控设备的运行状况及控温效果的离散程度维度对温控设备进行聚类，识别出在同一控温方式下各采集时间的控温效果的差异程度相近的数据点，并将至少一个相近的数据点设为数据簇；其中，差异程度表征各采集时间的控温效果的差异程度。

具体地，控温方式包括制冷控温和制热控温；

计算一个温控设备的至少一个设备数据的集中趋势得到一个第一统计值，包括：

根据运行数据中的状态数据识别至少一个设备数据中，温控设备的控温方式为制冷控温的设备数据，并汇总得到第一制冷集合；

计算第一制冷集合中各设备数据的控温数据的集中趋势，得到一个第一制冷值；其中，第一制冷值反映的集中趋势，描述了在制冷控温下的各设备数据的控温数据的一般水平；

根据运行数据中的状态数据识别至少一个设备数据中，温控设备的控温方式为制热控温的设备数据，并汇总得到第一制热集合；

计算第一制热集合中各设备数据的控温数据的集中趋势，得到一个第一制热值；其中，第一制热值反映的集中趋势，描述了在制热状态下的各设备数据的控温数据的一般水平；

汇总第一制冷值和第一制热值得到第一统计值。

进一步地，计算一个温控设备的至少一个设备数据的离散程度得到一个第二统计值，包括：

根据运行数据中的状态数据识别至少一个设备数据中，温控设备的控温方式为制冷控温的设备数据，并汇总得到第二制冷集合；

计算第二制冷集合中各设备数据的控温数据的离散程度，得到一个第二制冷值；其中，第二制冷值反映的离散程度，描述了在制冷控温下的各设备数据的控温数据之间的差异程度；

根据运行数据中的状态数据识别至少一个设备数据中，温控设备的控温方式为制热控温的设备数据，并汇总得到第二制热集合；

计算第二制热集合中各设备数据的控温数据的离散程度，得到一个第二制热值；其中，第二制热值反映的离散程度，描述了在制热状态下的各设备数据的控温数据之间的差异程度；

汇总第二制冷值和第二制热值得到第二统计值。

本实例中，控温方式包括制冷控温和制热控温。

如果一个设备数据的状态数据包括：空调设备压缩机状态为开，空调设备电加热状态为关，空调设备电扇继电器状态为开；则确定温控设备的控温方式为制冷控温，将该设备数据录入第一制冷集合；计算第一制冷集合中各设备数据的控温数据的平均值或分位数，得到第一制冷值，其中，平均值是各控温数据的均值，分位数是(Quantile)，亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数(即二分位数)、四分位数、百分位数等。分位数指的就是连续分布函数中的一个点，这个点对应概率p。若概率0<p<1，随机变量X或它的概率分布的分位数Za，是指满足条件p(X≤Za)＝α的实数。于本实施例中，平均值和分位数将表征各设备数据的控温数据的集中趋势，即：描述了在制冷控温下的各设备数据的控温数据的一般水平。

如果一个设备数据的状态数据包括：空调设备压缩机状态为关，空调设备电加热状态为开，空调设备电扇继电器状态为开；则确定温控设备的控温方式为制热控温，将该设备数据录入第一制热集合；计算第一制热集合中各设备数据的控温数据的平均值或分位数，得到第一制热值，其中，平均值是各控温数据的均值，分位数是(Quantile)，亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数(即二分位数)、四分位数、百分位数等。分位数指的就是连续分布函数中的一个点，这个点对应概率p。若概率0<p<1，随机变量X或它的概率分布的分位数Za，是指满足条件p(X≤Za)＝α的实数。于本实施例中，平均值和分位数将表征各设备数据的控温数据的集中趋势，即：描述了在制热控温下的各设备数据的控温数据的一般水平。

汇总第一制冷值和第一制热值得到第一统计值；于本实施例中，通过将第一制冷值和第一制热值汇总成第一统计值，分别得到在制冷状态下和制热状态下，温控设备的各设备数据的温控数据的一般水平。

基于上述举例，确定温控设备的控温方式为制冷控温，将该设备数据录入第二制冷集合；计算第二制冷集合中各设备数据的控温数据的标准差或变异系数，得到第二制冷值，其中，标准差是各控温数据的方差的算术平方根，标准差能反映一个数据集的离散程度；变异系数又称“离散系数”(英文：coefficient of variation)，是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比，变异系数(coefficient of variation)只在平均值不为零时有定义，而且一般适用于平均值大于零的情况，变异系数也被称为标准离差率或单位风险。于本实施例中，标准差和离散系数将表征各设备数据的控温数据的离散程度，即：描述了在制冷控温下的各设备数据的控温数据的差异程度。

基于上述距离，确定温控设备的控温方式为制热控温，将该设备数据录入第二制热集合；计算第二制热集合中各设备数据的控温数据的标准差或变异系数，得到第二制热值。于本实施例中，标准差和变异系数将表征各设备数据的控温数据的集中趋势，即：描述了在制热控温下的各设备数据的控温数据的差异程度。

汇总第二制冷值和第二制热值得到第二统计值；于本实施例中，通过将第二制冷值和第二制热值汇总成第二统计值，分别得到在制冷状态下和制热状态下，温控设备的各设备数据的温控数据的差异程度。

具体地，对至少一个温控设备的第一统计值进行聚类运算，得到第一数据簇集合，包括：

根据至少一个温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个温控设备的第一统计值中的第一制热值，构建至少一个第一制热数据点；

根据预置的第一邻域参数和第一度量参数，对至少一个第一制冷数据点进行聚类运算得到第一制冷数据簇，及对至少一个第一制热数据点进行聚类运算得到第一制热数据簇，汇总第一制冷数据簇和第一制热数据簇得到第一数据簇集合；其中，第一邻域参数定义了第一数据簇集合中的数据簇的直径长度；第一度量参数定义了计算两个第一制冷数据点和两个第一制热数据点之间距离的方式；

若确定一个温控设备的第一制冷数据点属于第一制冷数据簇，且温控设备的第一制热数据点属于第一制热数据簇，则将温控设备定义为第一温控设备；

若确定一个温控设备的第一制冷数据点不属于第一制冷数据簇，和/或温控设备第一制热数据点不属于第一制热数据簇，则将温控设备定义为第二温控设备。

进一步地，第一制冷值包括第一制冷均值和第一制冷分位数；

根据至少一个温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点，包括：

以一个温控设备的第一制冷均值为横坐标，及以温控设备的第一制冷分位数为纵坐标，构建温控设备的第一制冷数据点；

第一制热值包括第一制热均值和第一制热分位数；

根据至少一个温控设备的第一统计值中的第一制热值，构建至少一个第一制热数据点，包括：

以一个温控设备的第一制热均值为横坐标，及以温控设备的第一制热分位数为纵坐标，构建温控设备的第一制热数据点。

具体地，对至少一个温控设备的第二统计值进行聚类运算，得到第二数据簇集合，包括：

根据至少一个温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点；

根据至少一个温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点；

根据预置的第二邻域参数和第二度量参数，对至少一个第二制冷数据点进行聚类运算得到第二制冷数据簇，及对至少一个第二制热数据点进行聚类运算得到第二制热数据簇，汇总第二制冷数据簇和第二制热数据簇得到第二数据簇集合；其中，第二邻域参数定义了第二数据簇集合中的数据簇的直径长度；第二度量参数定义了计算两个第二制冷数据点和两个第二制热数据点之间距离的方式；

若确定一个温控设备的第二制冷数据点属于第二制冷数据簇，且温控设备的第二制热数据点属于第二制热数据簇，则将温控设备定义为第一温控设备；

若确定一个温控设备的第二制冷数据点不属于第二制冷数据簇，和/或温控设备第二制热数据点不属于第二制热数据簇，则将温控设备定义为第二温控设备。

进一步地，第二制冷值包括第二制冷标准差和第二制冷变异系数；

根据至少一个温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点，包括：

以一个温控设备的第二制冷标准差为横坐标，及以温控设备的第二制冷变异系数为纵坐标，构建温控设备的第二制冷数据点；

第二制热值包括第二制热标准差和第二制热变异系数；

根据至少一个温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点，包括：

以一个温控设备的第二制热标准差为横坐标，及以温控设备的第二制热变异系数为纵坐标，构建温控设备的第二制热数据点。

本实例中，将至少一个温控设备的第一统计值中的第一制冷值录入第一模型，构建至少一个第一制冷数据点；其中，第一制冷值包括第一制冷均值和第一制冷分位数；以一个温控设备的第一制冷均值为横坐标，及以温控设备的第一制冷分位数为纵坐标，构建温控设备的第一制冷数据点；

将根据至少一个温控设备的第一统计值中的第一制热值录入第一模型，构建至少一个第一制热数据点；其中，第一制热值包括第一制热均值和第一制热分位数；以一个温控设备的第一制热均值为横坐标，及以温控设备的第一制热分位数为纵坐标，构建温控设备的第一制热数据点。

根据预置在第一模型中的第一邻域参数和第一度量参数，对至少一个第一制冷数据点进行聚类运算得到第一制冷数据簇，及对至少一个第一制热数据点进行聚类运算得到第一制热数据簇，汇总第一制冷数据簇和第一制热数据簇得到第一数据簇集合；因此，实现了通过第一制冷数据簇和第一制热数据簇即可分别反映一个温控设备在制冷状态和制热状态下的控温数据的一般水平；在第一模型中配置第一邻域参数，以确定第一数据簇集合中的数据簇的直径长度；在第一模型中配置第一度量参数，以确定第一模型计算两个第一数据点之间距离的方式；实现了对第一模型的参数配置，使第一模型能够根据使用者需要进行聚类运算。

具体地，对至少一个温控设备的第二统计值进行聚类运算，得到第二数据簇集合，包括：

根据至少一个温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点；

根据至少一个温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点；

根据预置的第二邻域参数和第二度量参数，对至少一个第二制冷数据点进行聚类运算得到第二制冷数据簇，及对至少一个第二制热数据点进行聚类运算得到第二制热数据簇，汇总第二制冷数据簇和第二制热数据簇得到第二数据簇集合；其中，第二邻域参数定义了第二数据簇集合中的数据簇的直径长度；第二度量参数定义了计算两个第二制冷数据点和两个第二制热数据点之间距离的方式；

若确定一个温控设备的第二制冷数据点属于第二制冷数据簇，且温控设备的第二制热数据点属于第二制热数据簇，则将温控设备定义为第一温控设备；

若确定一个温控设备的第二制冷数据点不属于第二制冷数据簇，和/或温控设备第二制热数据点不属于第二制热数据簇，则将温控设备定义为第二温控设备。

进一步地，第二制冷值包括第二制冷标准差和第二制冷变异系数；

根据至少一个温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点，包括：

以一个温控设备的第二制冷标准差为横坐标，及以温控设备的第二制冷变异系数为纵坐标，构建温控设备的第二制冷数据点；

第二制热值包括第二制热标准差和第二制热变异系数；

根据至少一个温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点，包括：

以一个温控设备的第二制热标准差为横坐标，及以温控设备的第二制热变异系数为纵坐标，构建温控设备的第二制热数据点。

本实例中，将至少一个温控设备的第二统计值中的第二制冷值录入第二模型，构建至少一个第二制冷数据点；其中，第二制冷值包括第二制冷均值和第二制冷分位数；以一个温控设备的第二制冷均值为横坐标，及以温控设备的第二制冷分位数为纵坐标，构建温控设备的第二制冷数据点；

将根据至少一个温控设备的第二统计值中的第二制热值录入第二模型，构建至少一个第二制热数据点；其中，第二制热值包括第二制热均值和第二制热分位数；以一个温控设备的第二制热均值为横坐标，及以温控设备的第二制热分位数为纵坐标，构建温控设备的第二制热数据点。

根据预置在第二模型中的第二邻域参数和第二度量参数，对至少一个第二制冷数据点进行聚类运算得到第二制冷数据簇，及对至少一个第二制热数据点进行聚类运算得到第二制热数据簇，汇总第二制冷数据簇和第二制热数据簇得到第二数据簇集合；因此，实现了通过第二制冷数据簇和第二制热数据簇即可分别反映一个温控设备在制冷状态和制热状态下的控温数据的离散程度；在第二模型中配置第二邻域参数，以确定第二数据簇集合中的数据簇的直径长度；在第二模型中配置第二度量参数，以确定第二模型计算两个第二数据点之间距离的方式；实现了对第二模型的参数配置，使第二模型能够根据使用者需要进行聚类运算。

于本实施例中，第一模型和第二模型可为DBSCAN密度聚类模型，DBSCAN密度聚类是由密度可达关系导出的最大密度相连的样本集合，即为我们最终聚类的一个类别，或者说一个簇。这个DBSCAN的簇里面可以有一个或者多个核心对象。如果只有一个核心对象，则簇里其他的非核心对象样本都在这个核心对象的∈-邻域里；如果有多个核心对象，则簇里的任意一个核心对象的∈-邻域中一定有一个其他的核心对象，否则这两个核心对象无法密度可达。这些核心对象的∈-邻域里所有的样本的集合组成的一个DBSCAN聚类簇。DBSCAN使用的方法很简单，它任意选择一个没有类别的核心对象作为种子，然后找到所有这个核心对象能够密度可达的样本集合，即为一个数据簇。

示例性地，基于DBSCAN密度聚类对各簇簇内温度统计值(例如均值和分位数)进行离群分析，识别离群电池簇，具体流程如下。分位数指的就是连续分布函数中的一个点，这个点对应概率p。若概率0<p<1，随机变量X或它的概率分布的分位数Za，是指满足条件p(X≤Za)＝α的实数。

输入：样本集D＝{x1,x2,......,xm}，其中x1代表日内1号电池簇的簇内温度统计值，邻域参数(ε,MinPts)，样本距离度量方式采取(例如欧式距离)；

输出：簇划分C。

A:初始化核心对象集合

初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分/>

B:对于j＝1,2,......,m，按下述步骤找出聚类核心对象：

C:如果当前簇核心对象

则当前聚类簇Ck生成完毕，更新簇划分C＝{C1,C2,......,Ck}，更新核心对象集合Ω＝Ω-Ck，转入步骤B。否则更新核心对象集合Ω＝Ω-Ck；

D:在当前簇核心对象队列Ωcur中取出一个核心对象o’，通过邻域距离找出所有的ε-邻域子集样本集Nε(o’)，令Δ＝Nε(o’)∩Γ，更新当前簇样本集合Ck＝Ck∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ωcur＝Ωcur∪(Δ∩Ω)-o’，转入C。

E:输出结果为：簇划分C＝{C1,C2,......,Ck}，对于未被识别为数据簇的数据点，即离散于该数据簇的数据点定义为异常点。因此，将属于数据簇的数据点对应的温控设备设为第一温控设备，将该异常点对应的温控设备设为第二温控设备。

S103：若确定目标温控设备在第一模型的至少一个数据簇中被定义为第二温控设备，且在第二模型的至少一个数据簇中被定义为第二温控设备，则确定目标温控设备为异常设备。

本步骤基于上述举例：第一模型是基于各温控设备的控温效果的一般水平进行聚类运算，得到数据簇；第二模型是基于各温控设备的控温效果的差异程度进行聚类运算，并得到数据簇；因此，实现从一般水平维度和离散程度维度，识别控温效果出现异常的温控设备的技术效果，确保了异常设备的识别准确度。

进一步地，第一模型基于表征各温控设备的控温效果的一般水平的第一统计值，生成表征各温控设备的控温效果的一般水平的各数据点，并基于各数据点生成控温效果的一般水平属于一个水平类别的数据簇；将控温效果的一般水平不属于该数据簇的数据点设为离散点，并将该离散点所对应的温控设备设为第二温控设备；

第二模型基于表征各温控设备的控温效果的差异程度的第二统计值，生成保证各温控设备的控温效果的差异程度的各数据点，并基于各数据点生成控温效果的离散程度属于一个程度类别的数据簇；将控温效果的离散程度不属于该数据簇的数据点设为离散点，并将该离散点所对应的温控设备设为第二温控设备。

如果温控设备(如：空调系统的压缩机、和/或电加热设备、和/或风扇)出现失效停转、电源接线异常、风扇通风口堵塞等原因导致的温控设备功能异常，将会导致温控对象(如：电池簇)的控温数据(如：电池簇内电芯的温度分布规律)出现分布异常，例如：控温数据的一般水平升高或降低，即：电池簇内电芯的温度平均值或分位数过高或过低；控温数据的差异程度提高，即：电池簇内电芯的温度标准差或变异系数过高。

因此，当识别到各采集时间内的控温效果的一般水平，及各采集时间内的控温效果的差异程度均远离数据簇的温控设备，则说明该温控设备一定出现了较为严重的失效停转、电源接线异常、风扇通风口堵塞等情况，故将该温控设备设为异常设备，确保了异常设备识别的准确度，进而准确识别温控对象对应温控设备的早期异常，并发出异常预警的技术效果，有效避免因温控设备失效停转、风扇接线异常等导致的温控对象过热及温度分布不均等问题，提升储能集装箱的运行可靠性。

实施例2：

请参阅图3，本申请提供一种温控设备异常识别方法，温控设备用于对至少一个温控对象进行控温作业，温控设备异常识别方法运行在储能集装箱的控制设备中，储能集装箱包括至少一个温控设备，及与每一温控设备对应的至少一个温控对象，方法包括：

S201：获取一个温控设备的至少一个运行数据，及与温控设备对应的至少一个温控对象的至少一个控温数据，整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据；其中，运行数据记载了一个采集时间，及在采集时间从温控设备中获得的状态数据；状态数据反映了温控设备对温控对象的控温方式；控温数据记载了采集时间，及在采集时间中至少一个温控对象的温度信息；设备数据反映了温控设备在各采集时间中的控温方式及对至少一个温控对象的控温效果。

本步骤与实施例1中的S101一致，故在此不做赘述。

S202：通过预置的第一模型和第二模型分别对至少一个温控设备的设备数据进行聚类运算，并分别得到与第一模型和第二模型对应的至少一个数据簇；其中，第一模型用于对各温控设备的设备数据中，控温效果的一般水平进行聚类运算；第二模型用于对各温控设备的温控数据中，控温效果的离散程度进行聚类运算；数据簇是表征至少一个温控设备的至少一个数据点；属于数据簇的数据点对应的温控设备被定义为第一温控设备；不属于数据簇的数据点对应的温控设备被定义为第二温控设备。

本步骤与实施例1中的S102一致，故在此不做赘述。

S203：若确定目标温控设备在第一模型的至少一个数据簇中被定义为第二温控设备，且在第二模型的至少一个数据簇中被定义为第二温控设备，则确定目标温控设备为异常设备。

本步骤与实施例1中的S103一致，故在此不做赘述。

S204：若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定目标温控设备为正常设备；或

若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定目标温控设备为关键设备；或

若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定目标温控设备为关键设备。

本步骤基于上述举例：第一模型是基于各温控设备的控温效果的一般水平进行聚类运算，得到数据簇；第二模型是基于各温控设备的控温效果的差异程度进行聚类运算，并得到数据簇；因此，从一般水平维度，及差异程度维度识别出出现异常的温控设备，确保了异常设备的识别准确度，降低了。

进一步地，第一模型基于表征各温控设备的控温效果的一般水平的第一统计值，生成表征各温控设备的控温效果的一般水平的各数据点，并基于各数据点生成控温效果的一般水平属于一个水平类别的数据簇；将控温效果的一般水平不属于该数据簇的数据点设为离散点，并将该离散点所对应的温控设备设为第二温控设备；

第二模型基于表征各温控设备的控温效果的差异程度的第二统计值，生成保证各温控设备的控温效果的差异程度的各数据点，并基于各数据点生成控温效果的离散程度属于一个程度类别的数据簇；将控温效果的离散程度不属于该数据簇的数据点设为离散点，并将该离散点所对应的温控设备设为第二温控设备。

如果温控设备(如：空调系统的压缩机、和/或电加热设备、和/或风扇)出现失效停转、电源接线异常、风扇通风口堵塞等原因导致的温控设备功能异常，将会导致温控对象(如：电池簇)的控温数据(如：电池簇内电芯的温度分布规律)出现分布异常，例如：控温数据的一般水平升高或降低，即：电池簇内电芯的温度平均值或分位数过高或过低；控温数据的差异程度提高，即：电池簇内电芯的温度标准差或变异系数过高。

因此，当识别到各采集时间内的控温效果的一般水平，或各采集时间内的控温效果的差异程度远离数据簇的温控设备，则说明该温控设备可能出现了较为严重的失效停转、电源接线异常、风扇通风口堵塞等情况，故将该温控设备设为关注设备，确保了异常设备识别的准确度，进而准确识别温控对象对应温控设备的早期异常，并发出异常预警的技术效果，有效避免因温控设备失效停转、风扇接线异常等导致的温控对象过热及温度分布不均等问题，提升储能集装箱的运行可靠性。其中，通过将上述温控设备设为关注设备，以实现基于不同的控温数据的分布情况，对温控设备进行不同程度的分级设定，以便于作业人员根据不同的分级设定对各温控设备进行有针对性的处理和修复。

实施例3：

请参阅图4，本申请提供一种温控设备异常识别装置1，温控设备用于对至少一个温控对象进行控温作业，温控设备异常识别装置安装在储能集装箱的控制设备中，储能集装箱包括至少一个温控设备，及与每一温控设备对应的至少一个温控对象，装置包括：

输入模块11，用于获取一个温控设备的至少一个运行数据，及与温控设备对应的至少一个温控对象的至少一个控温数据，整合温控设备的至少一个运行数据和至少一个控温数据得到设备数据；其中，运行数据记载了一个采集时间，及在采集时间从温控设备中获得的状态数据；状态数据反映了温控设备对温控对象的控温方式；控温数据记载了采集时间，及在采集时间中至少一个温控对象的温度信息；设备数据反映了温控设备在各采集时间中的控温方式及对至少一个温控对象的控温效果。

处理模块12，用于通过预置的第一模型和第二模型分别对至少一个温控设备的设备数据进行聚类运算，并分别得到与第一模型和第二模型对应的至少一个数据簇；其中，第一模型用于对各温控设备的设备数据中，控温效果的一般水平进行聚类运算；第二模型用于对各温控设备的温控数据中，控温效果的离散程度进行聚类运算；数据簇是表征至少一个温控设备的至少一个数据点；属于数据簇的数据点对应的温控设备被定义为第一温控设备；不属于数据簇的数据点对应的温控设备被定义为第二温控设备。

异常识别模块13，用于若确定目标温控设备在第一模型的至少一个数据簇中被定义为第二温控设备，且在第二模型的至少一个数据簇中被定义为第二温控设备，则确定目标温控设备为异常设备。

可选的，温控设备异常识别装置1，还包括：

关注识别模块14，用于若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定目标温控设备为正常设备；或若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定目标温控设备为关键设备；或若确定目标温控设备在第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定目标温控设备为关键设备。

实施例4：

为实现上述目的，本申请还提供一种计算机设备4，包括：处理器42以及与处理器42通信连接的存储器41；存储器存储计算机执行指令；

处理器执行存储器41存储的计算机执行指令，以实现上述的温控设备异常识别方法，其中，温控设备异常识别装置的组成部分可分散于不同的计算机设备中，计算机设备4可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器41、处理器42，如图5所示。需要指出的是，图5仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。本实施例中，存储器41(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器41可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器41也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器41还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器41通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的温控设备异常识别装置的程序代码等。此外，存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制计算机设备的总体操作。本实施例中，处理器42用于运行存储器41中存储的程序代码或者处理数据，例如运行温控设备异常识别装置，以实现上述实施例的温控设备异常识别方法。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。

为实现上述目的，本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机执行指令，程序被处理器42执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现温控设备异常识别方法的计算机执行指令，被处理器42执行时实现上述实施例的温控设备异常识别方法。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

本申请提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述的温控设备异常识别方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (15)

1.一种温控设备异常识别方法，其特征在于，所述温控设备用于对至少一个温控对象进行控温作业，所述方法包括：

获取一个温控设备的至少一个运行数据，及与所述温控设备对应的至少一个温控对象的至少一个控温数据，整合所述温控设备的至少一个所述运行数据和至少一个所述控温数据得到设备数据；其中，所述运行数据记载了一个采集时间，及在所述采集时间从所述温控设备中获得的状态数据；所述状态数据反映了所述温控设备对所述温控对象的控温方式；所述控温数据记载了所述采集时间，及在所述采集时间中至少一个所述温控对象的温度信息；所述设备数据反映了所述温控设备在各采集时间中的控温方式及对至少一个所述温控对象的控温效果；

对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；其中，所述第一数据簇集合中包括至少一个数据簇，所述第一数据簇集合中的数据簇为对各温控设备的设备数据中，控温效果的集中趋势进行聚类运算所得到；所述第二数据簇集合中包括至少一个数据簇，所述第二数据簇集合中的数据簇为对各温控设备的温控数据中，控温效果的离散程度进行聚类运算所得到；所述数据簇是表征至少一个温控设备的至少一个数据点；属于所述数据簇的数据点对应的温控设备被定义为第一温控设备；不属于所述数据簇的数据点对应的温控设备被定义为第二温控设备；

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为异常设备。

2.根据权利要求1所述的温控设备异常识别方法，其特征在于，所述整合所述温控设备的至少一个所述运行数据和至少一个所述控温数据得到设备数据，包括：

对至少一个所述运行数据进行数据清洗处理得到至少一个第一数据；

对至少一个所述控温数据进行数据清洗处理得到至少一个第二数据；

将一个所述采集时间对应的所述第一数据和所述第二数据汇总成一个初始数据；

若确定至少一个所述初始数据的数量达到预置的计算阈值，则将至少一个所述初始数据设为设备数据。

3.根据权利要求2所述的温控设备异常识别方法，其特征在于，所述对至少一个所述运行数据进行数据清洗处理得到至少一个第一数据，包括：

若识别到一个所述运行数据中具有空值，则确定所述一个运行数据为无效数据；和/或

若识别到一个所述运行数据中具有无效值，则确定所述一个运行数据为无效数据；

删除至少一个所述运行数据中的所述无效数据得到至少一个所述第一数据。

4.根据权利要求2所述的温控设备异常识别方法，其特征在于，所述对至少一个所述控温数据进行数据清洗处理得到至少一个第二数据，包括：

若识别到一个所述控温数据中具有空值，则确定所述一个控温数据为无效数据；和/或

若识别到一个所述控温数据中具有无效值，则确定所述一个控温数据为无效数据；和/或

若识别到一个所述控温数据不属于预置的阈值范围，则确定所述一个控温数据为无效数据；

删除至少一个所述控温数据中的所述无效数据得到至少一个所述第二数据。

5.根据权利要求1所述的温控设备异常识别方法，其特征在于，所述对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合，包括：

计算一个所述温控设备的至少一个所述设备数据的集中趋势得到一个第一统计值，对至少一个所述温控设备的第一统计值进行聚类运算，得到所述第一数据簇集合；其中，所述第一统计值反映的集中趋势，描述了所述温控设备在各采集时间下的控温方式及控温效果的一般水平；

计算一个所述温控设备的至少一个所述设备数据的离散程度得到一个第二统计值，对至少一个所述温控设备的第二统计值进行聚类运算，得到所述第二数据簇集合；其中，所述第二统计值反映的离散程度，描述了所述温控设备在各采集时间下的温控方式及控温效果的差异程度。

6.根据权利要求5所述的温控设备异常识别方法，其特征在于，所述控温方式包括制冷控温和制热控温；

所述计算一个所述温控设备的至少一个所述设备数据的集中趋势得到一个第一统计值，包括：

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制冷控温的设备数据，并汇总得到第一制冷集合；

计算所述第一制冷集合中各设备数据的控温数据的集中趋势，得到一个第一制冷值；其中，所述第一制冷值反映的集中趋势，描述了在制冷控温下的各设备数据的控温数据的一般水平；

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制热控温的设备数据，并汇总得到第一制热集合；

计算所述第一制热集合中各设备数据的控温数据的集中趋势，得到一个第一制热值；其中，所述第一制热值反映的集中趋势，描述了在制热状态下的各设备数据的控温数据的一般水平；

汇总所述第一制冷值和所述第一制热值得到所述第一统计值。

7.根据权利要求5所述的温控设备异常识别方法，其特征在于，所述控温方式包括制冷控温和制热控温；

所述计算一个所述温控设备的至少一个所述设备数据的离散程度得到一个第二统计值，包括：

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制冷控温的设备数据，并汇总得到第二制冷集合；

计算所述第二制冷集合中各设备数据的控温数据的离散程度，得到一个第二制冷值；其中，所述第二制冷值反映的离散程度，描述了在制冷控温下的各所述设备数据的控温数据之间的差异程度；

根据所述运行数据中的状态数据识别至少一个所述设备数据中，温控设备的控温方式为制热控温的设备数据，并汇总得到第二制热集合；

计算所述第二制热集合中各设备数据的控温数据的离散程度，得到一个第二制热值；其中，所述第二制热值反映的离散程度，描述了在制热状态下的各所述设备数据的控温数据之间的差异程度；

汇总所述第二制冷值和所述第二制热值得到所述第二统计值。

8.根据权利要求5所述的温控设备异常识别方法，其特征在于，所述对至少一个所述温控设备的第一统计值进行聚类运算，得到所述第一数据簇集合，包括：

根据至少一个所述温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个所述温控设备的第一统计值中的第一制热值，构建至少一个第一制热数据点；

根据预置的第一邻域参数和第一度量参数，对至少一个所述第一制冷数据点进行聚类运算得到所述第一制冷数据簇，及对至少一个所述第一制热数据点进行聚类运算得到所述第一制热数据簇，汇总所述第一制冷数据簇和所述第一制热数据簇得到第一数据簇集合；其中，所述第一邻域参数定义了所述第一数据簇集合中的数据簇的直径长度；所述第一度量参数定义了计算两个所述第一制冷数据点和两个所述第一制热数据点之间距离的方式；

若确定一个温控设备的第一制冷数据点属于第一制冷数据簇，且所述温控设备的第一制热数据点属于第一制热数据簇，则将所述温控设备定义为第一温控设备；

若确定一个温控设备的第一制冷数据点不属于所述第一制冷数据簇，和/或所述温控设备第一制热数据点不属于第一制热数据簇，则将所述温控设备定义为第二温控设备。

9.根据权利要求8所述的温控设备异常识别方法，其特征在于，所述第一制冷值包括第一制冷均值和第一制冷分位数；

所述根据至少一个所述温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点，包括：

以一个所述温控设备的第一制冷均值为横坐标，及以所述温控设备的第一制冷分位数为纵坐标，构建所述温控设备的第一制冷数据点；

所述第一制热值包括第一制热均值和第一制热分位数；

所述根据至少一个所述温控设备的第一统计值中的第一制热值，构建至少一个第一制热数据点，包括：

以一个所述温控设备的第一制热均值为横坐标，及以所述温控设备的第一制热分位数为纵坐标，构建所述温控设备的第一制热数据点。

10.根据权利要求5所述的温控设备异常识别方法，其特征在于，所述对至少一个所述温控设备的第二统计值进行聚类运算，得到所述第二数据簇集合，包括：

两个所述第二制冷数据点和两个所述第二制热数据点根据至少一个所述温控设备的第一统计值中的第一制冷值，构建至少一个第一制冷数据点；

根据至少一个所述温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点；

根据至少一个所述温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点；

根据预置的第二邻域参数和第二度量参数，对至少一个所述第二制冷数据点进行聚类运算得到所述第二制冷数据簇，及对至少一个所述第二制热数据点进行聚类运算得到所述第二制热数据簇，汇总所述第二制冷数据簇和所述第二制热数据簇得到第二数据簇集合；其中，所述第二邻域参数定义了所述第二数据簇集合中的数据簇的直径长度；所述第二度量参数定义了计算两个所述第二制冷数据点和两个所述第二制热数据点之间距离的方式；

若确定一个温控设备的第二制冷数据点属于第二制冷数据簇，且所述温控设备的第二制热数据点属于第二制热数据簇，则将所述温控设备定义为第一温控设备；

若确定一个温控设备的第二制冷数据点不属于所述第二制冷数据簇，和/或所述温控设备第二制热数据点不属于第二制热数据簇，则将所述温控设备定义为第二温控设备。

11.根据权利要求10所述的温控设备异常识别方法，其特征在于，所述第二制冷值包括第二制冷标准差和第二制冷变异系数；

所述根据至少一个所述温控设备的第二统计值中的第二制冷值，构建至少一个第二制冷数据点，包括：

以一个所述温控设备的第二制冷标准差为横坐标，及以所述温控设备的第二制冷变异系数为纵坐标，构建所述温控设备的第二制冷数据点；

所述第二制热值包括第二制热标准差和第二制热变异系数；

所述根据至少一个所述温控设备的第二统计值中的第二制热值，构建至少一个第二制热数据点，包括：

以一个所述温控设备的第二制热标准差为横坐标，及以所述温控设备的第二制热变异系数为纵坐标，构建所述温控设备的第二制热数据点。

12.根据权利要求1-11中任一所述的温控设备异常识别方法，其特征在于，所述对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合之后，所述方法还包括：

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定所述目标温控设备为正常设备；或

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第一温控设备，则确定所述目标温控设备为关键设备；或

若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第一温控设备，且在所述第二数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为关键设备。

13.一种温控设备异常识别装置，其特征在于，所述温控设备用于对至少一个温控对象进行控温作业，所述装置包括：

输入模块，用于获取一个温控设备的至少一个运行数据，及与所述温控设备对应的至少一个温控对象的至少一个控温数据，整合所述温控设备的至少一个所述运行数据和至少一个所述控温数据得到设备数据；其中，所述运行数据记载了一个采集时间，及在所述采集时间从所述温控设备中获得的状态数据；所述状态数据反映了所述温控设备对所述温控对象的控温方式；所述控温数据记载了所述采集时间，及在所述采集时间中至少一个所述温控对象的温度信息；所述设备数据反映了所述温控设备在各采集时间中的控温方式及对至少一个所述温控对象的控温效果；

处理模块，用于对至少一个所述温控设备的设备数据进行聚类运算，得到第一数据簇集合和第二数据簇集合；其中，所述第一数据簇集合中包括至少一个数据簇，所述第一数据簇集合中的数据簇为对各温控设备的设备数据中，控温效果的一般水平进行聚类运算所得到；所述第二数据簇集合中包括至少一个数据簇，所述第二数据簇集合中的数据簇为对各温控设备的温控数据中，控温效果的离散程度进行聚类运算所得到；所述数据簇是表征至少一个温控设备的至少一个数据点；属于所述数据簇的数据点对应的温控设备被定义为第一温控设备；不属于所述数据簇的数据点对应的温控设备被定义为第二温控设备；

异常模块，用于若确定目标温控设备在所述第一数据簇集合中的至少一个数据簇中被定义为第二温控设备，且在所述第二一数据簇集合的至少一个数据簇中被定义为第二温控设备，则确定所述目标温控设备为异常设备。

14.一种计算机设备，其特征在于，包括：处理器以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至12任一项所述的温控设备异常识别方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至12任一项所述的温控设备异常识别方法。

Images