【读书活动实用案例分享】《离群分析》时间序列异常检测在车型曲线异常检测中的应用

        车型曲线（（SOC, Power）曲线）符合 “时间连续性” 假设，即正常充电过程中，功率与电量的变化模式不会突然断裂、数据趋势连贯，相邻时间戳的SOC 与 Power 值高度相关，属于典型的强连续性时间序列数据。而曲线的异常类型也精准对应时间序列异常定义的两类核心异常：上下文异常多表现为单个时间点的突发偏差，如预充阶段 Power 突然骤升、恒流期 SOC 增速异常波动；集体异常则体现为阶段整体模式的偏离，如恒流平台期持续时间大幅缩短、功率递减期呈现 “断崖式下降” 的异常形状，或阶段顺序颠倒、跳过关键阶段的连续数据段，这些均是子序列整体模式违背正常规律的体现。

图1 某车型曲线

图2 车型曲线和订单曲线对比

        在车型曲线异常检测实例中，时间序列异常检测核心技术具备落地的可行性。针对预充阶段突然飙升，且偏差远超正常波动范围的类似场景，采用基于预测的偏差检测方法最为适配。通过自回归移动平均模型学习历史正常车型曲线的跨时间相关性，利用前序阶段的 Power 与 SOC 数据预测当前时间戳Power的理论值，若实际值与预测值的偏差超出预设阈值，即可判定为异常。

       像恒流期曲线出现持续波动的异常形状，或三阶段整体时序逻辑混乱等场景数据集体异常，可运用基于形状的异常检测逻辑。首先对正常充电曲线的三阶段序列进行归一化处理，消除不同充电场景下均值、振幅差异带来的干扰；随后通过Hotsax方法将各阶段子序列转换为特征向量，构建正常阶段的形状模板。当新车型曲线的子序列与模板相似度低于设定阈值，即可判定为集体异常。

      为量化异常程度，我们将车型曲线的异常表现定义为点级异常得分与区间异常得分，分别对应上下文异常与集体异常的判定结果。通过融合这两类得分，可得到车型曲线的综合异常得分：若综合异常得分超过阈值，即判定该曲线为异常；反之则视为正常

     车型曲线作为电池安全业务的核心时序数据，严格遵循“恒流充电→恒压充电→涓流充”的固定阶段规律，其异常检测场景与时间序列异常检测的核心概念、方法逻辑高度契合。因此，将时间序列异常检测方法迁移应用于车型曲线异常检测，既是具备科学依据的技术实践，也能为实时监控电池安全提供切实价值。

图4 综合得分直方图