本技术涉及基站设备，尤其涉及一种基站电池健康度评估方法、装置及电子设备。
背景技术：
1、目前，通信基站是通信网络中必不可少的重要设备，而基站电池是通信基站电力保障系统的重要组成部分，其可靠性直接影响着基站设备运行的稳定与安全。由于通信基站中的蓄电池长期处于浮充状态且缺乏有效的维护，大多数铅酸蓄电池在实际应用中达不到设计寿命，导致通信基站蓄电池的蓄航能力下降，在发生市电停电时，无法满足供电需求。因此，需要对基站电池的健康状态进行准确的评估。
2、相关技术中，在评估电池健康度时，通常是针对电池的容量或者电阻等某一特定参数进行评估，且大多是以数据点为考虑对象，即采集某个参数的单个或几个数据点，根据采集的数据点进行评估。
3、然而，上述相关技术中的评估方案，对于电池本身数据的利用较少，评估时考虑到的数据类型较为单一，无法对电池健康度进行准确的评估。并且，在电池健康度评估时，单个数据点的异常存在较多不确定因素，通过单个数据点进行异常判断得到结果可能存在偏差，会进一步降低健康度评估的准确率。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本技术的第一个目的在于提出一种基站电池健康度评估方法，该方法将多维数据融合与构建子序列相结合，通过多维运行状态数据子序列融合的评估方式，可以更加全面和准确的对电池健康度进行评估，解决了无法对电池健康度进行准确的评估的问题。
3、本技术的第二个目的在于提出一种基站电池健康度评估装置；
4、本技术的第三个目的在于提出一种电子设备；
5、本技术的第四个目的在于提出一种计算机可读存储介质。
6、为达上述目的，本技术的第一方面在于提出一种基站电池健康度评估方法，该方法包括以下步骤：
7、从基站电池的放电测试数据中提取多个电流子序列和多个电压子序列，基于不同的子序列生成对应的向量矩阵并定义旋转轴，通过所述旋转轴旋转向量矩阵得到电流旋转矩阵和电压旋转矩阵；
8、基于改进的d-s证据理论，通过所述电流旋转矩阵和所述电压旋转矩阵构建相似性矩阵和对角块矩阵，并根据所述相似性矩阵和所述对角块矩阵构建融合矩阵，以将多维数据特征进行融合；
9、基于模糊聚类，计算所述融合矩阵中每个样本对于融合特征空间中不同聚类的隶属度，根据所述隶属度从性质异常和属性异常两方面计算每个样本的异常分数，并根据所述异常分数评估出不同健康度的样本。
10、可选地，根据本技术的一个实施方式，所述基于不同的子序列生成对应的向量矩阵并定义旋转轴，包括：基于局部卷积参数计算子序列内数据的累加和，将每个子序列转化为子序列向量；根据电流数据或电压数据下全部的子序列向量生成对应的向量矩阵；基于主成分分析pca，保留每个所述向量矩阵中的预设数量个维度，获得对应的简化后的向量矩阵。
11、可选地，根据本技术的一个实施方式，所述基于不同的子序列生成对应的向量矩阵并定义旋转轴，还包括：根据每个所述简化后的向量矩阵、所述局部卷积参数以及每种序列的起始值和结束值，分别定义用于电流数据和电压数据的旋转轴；所述通过所述旋转轴旋转向量矩阵得到电流旋转矩阵和电压旋转矩阵，包括：将简化后的电流向量矩阵和简化后的电压向量矩阵分别通过对应的旋转轴进行旋转，以获得所述电流旋转矩阵和电压旋转矩阵。
12、可选地，根据本技术的一个实施方式，所述基于改进的d-s证据理论，通过所述电流旋转矩阵和所述电压旋转矩阵构建相似性矩阵，包括：根据所述电流旋转矩阵和所述电压旋转矩阵构建识别框架，并为所述识别框架中的每个元素分配对应的基本信任分配函数；通过各个所述元素和对应的基本信任分配函数进行合成运算，构建所述相似性矩阵。
13、可选地，根据本技术的一个实施方式，构建所述对角块矩阵，包括：根据所述识别框架中的元素数量，构建相应数量个零矩阵；组合全部的所述元素和所述零矩阵生成所述对角块矩阵。
14、可选地，根据本技术的一个实施方式，所述基于模糊聚类，计算所述融合矩阵中每个样本对于融合特征空间中不同聚类的隶属度，包括：基于模糊聚类将所述融合矩阵中的列数据进行聚类，获得预设数量个聚类簇；将基于模糊聚类计算出的每个样本属于不同聚类簇的概率值作为对应的隶属度，并根据所述概率值生成所述融合矩阵属于不同聚类簇的概率矩阵；其中，所述概率矩阵包括每个样本在所述相似性矩阵中对应的隶属度矩阵概率，以及在所述对角块矩阵的不同数据源中对应的概率。
15、可选地，根据本技术的一个实施方式，所述根据所述隶属度从性质异常和属性异常两方面计算每个样本的异常分数，包括：针对所述对角块矩阵中的不同数据源设置相应的数据源参数；根据每个样本在所述相似性矩阵中对应的隶属度矩阵概率和在所述不同数据源中对应的概率，以及所述数据源参数，计算每个样本的性质异常评分。
16、可选地，根据本技术的一个实施方式，所述根据所述隶属度从性质异常和属性异常两方面计算每个样本的异常分数，还包括：确定每个所述数据源的列数；根据每个所述数据源的列数、每个样本在所述不同数据源中对应的概率和所述数据源参数，计算每个样本的属性异常评分；根据所述性质异常评分和所述属性异常评分，计算每个样本的所述异常分数。
17、为达上述目的，本技术的第二方面还提出了一种基站电池健康度评估装置，包括以下模块：
18、提取模块，用于从基站电池的放电测试数据中提取多个电流子序列和多个电压子序列，基于不同的子序列生成对应的向量矩阵并定义旋转轴，通过所述旋转轴旋转向量矩阵得到电流旋转矩阵和电压旋转矩阵；
19、构建模块，用于基于改进的d-s证据理论，通过所述电流旋转矩阵和所述电压旋转矩阵构建相似性矩阵和对角块矩阵，并根据所述相似性矩阵和所述对角块矩阵构建融合矩阵，以将多维数据特征进行融合；
20、计算模块，用于基于模糊聚类，计算所述融合矩阵中每个样本对于融合特征空间中不同聚类的隶属度，根据所述隶属度从性质异常和属性异常两方面计算每个样本的异常分数，并根据所述异常分数评估出不同健康度的样本。
21、为达上述目的，本技术第三方面还提出了一种电子设备，包括：
22、处理器；
23、用于存储所述处理器可执行指令的存储器；
24、其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的基站电池健康度评估方法。
25、为达上述目的，本技术第四方面还提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中任一项所述的基站电池健康度评估方法。
26、本技术的实施例提供的技术方案至少带来以下有益效果：本技术基于基站电池放电测试数据的不同维度数据建立子序列进行特征映射，通过改进的基于形状的子序列映射形成子序列矩阵，以电池放电时间段子序列为对象，从子序列的角度进行健康评估而非单一的异常点，从而能够避免单点异常对健康度评估造成的影响，提高电池异常检测的准确率。并且，本技术利用多视图融合的面向子空间的特征融合矩阵构造方式进行特征融合，将多维数据融合，同时考虑不同维度的数据权重进行评估，从而能够从多维特征考虑电池健康度，评估所使用的数据类型更加丰富，进一步提高了电池健康度评估的准确率。并且，本技术通过结合性质异常与属性异常两个方面的评分方法计算电池的异常得分，并考虑不同性质与属性的权重，有效提升了电池异常检测的准确度，且通过最终获得的异常得分可以更加清楚和直观的判定电池的健康状况。由此，本技术可以准确评估出使用中的基站电池的健康度，便于及时采取相关措施，保证基站电池的安全性。
27、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基站电池健康度评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于不同的子序列生成对应的向量矩阵并定义旋转轴，包括：
3.根据权利要求2所述方法，其特征在于，所述基于不同的子序列生成对应的向量矩阵并定义旋转轴，还包括：
4.根据权利要求1所述的方法，其特征在于，所述基于改进的d-s证据理论，通过所述电流旋转矩阵和所述电压旋转矩阵构建相似性矩阵，包括：
5.根据权利要求4所述的方法，其特征在于，构建所述对角块矩阵，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于模糊聚类，计算所述融合矩阵中每个样本对于融合特征空间中不同聚类的隶属度，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述隶属度从性质异常和属性异常两方面计算每个样本的异常分数，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述隶属度从性质异常和属性异常两方面计算每个样本的异常分数，还包括：
9.一种基站电池健康度评估装置，其特征在于，包括：
10.根据权利要求9所述的装置，其特征在于，所述提取模块，具体用于：
11.根据权利要求10所述的装置，其特征在于，所述提取模块，具体用于：
12.根据权利要求9所述的装置，其特征在于，所述构建模块，具体用于：
13.根据权利要求12所述的装置，其特征在于，所述构建模块，具体用于：
14.根据权利要求9所述的装置，其特征在于，所述计算模块，具体用于：
15.根据权利要求14所述的装置，其特征在于，所述计算模块，具体用于：
16.根据权利要求15所述的装置，其特征在于，所述计算模块，具体用于：
17.一种电子设备，包括：
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基站电池健康度评估方法。
