电池异常检测方法、装置、设备、存储介质和程序产品

技术领域

本公开的实施例涉及车辆电池风险检测技术，尤其涉及一种电池异常检测方法、装置、设备、存储介质和程序产品。

背景技术

电动力的车辆是基于内置的电池提供的电动力实现共享服务的车辆，电动力的车辆由于其环保性和方便性得到了广泛应用。

车辆内部的电池内部具有活性金属，在电池充电过程中，若是活性金属的温度过高容易使得活性金属燃烧，导致车辆起火，因此对车辆的电池进行异常检测是极为重要的。

示例性技术中，可以通过聚类方法对电池的电流、电压进行聚类得到电池的充电异常数据，并通过充电异常数据来确定电池是否异常。但随着电池的充电次数增多，数据量是不断增大的，若是运营多台车辆，则获得的车辆的电池的电流、电压的数据量非常大，需要对海量的数据进行聚类，导致电池的异常检测效率较低。

发明内容

本公开的实施例提供一种电池异常检测方法、装置、设备、存储介质和程序产品，用以解决电池的异常检测效率较低的问题。

一方面，本公开的实施例提供一种电池异常检测方法，应用于电池异常检测装置，包括：

获取第一车辆的第一电池在一次充电过程中的各个第一时序数据，其中，各个所述第一时序数据包括所述第一电池在不同充电时长的充电电流、充电电压、温度以及剩余电量；

根据各个所述第一时序数据确定第一二维向量，所述第一二维向量包括第一维度和第二维度，所述第一维度的数值用于表示所述第一电池正常的概率，所述第二维度的数值用于表示所述第一电池异常的概率；

在所述第一维度的数值大于所述第二维度的数值，确定所述第一电池正常；

在所述第一维度的数值小于所述第二维度的数值，确定所述第一电池异常。

另一方面，本公开的实施例还提供一种电池异常检测装置，包括：

获取模块，用于获取第一车辆的第一电池在一次充电过程中的各个第一时序数据，其中，各个所述第一时序数据包括所述第一电池在不同充电时长的充电电流、充电电压、温度以及剩余电量；

确定模块，用于根据各个所述第一时序数据确定第一二维向量，所述第一二维向量包括第一维度和第二维度，所述第一维度的数值用于表示所述第一电池正常的概率，所述第二维度的数值用于表示所述第一电池异常的概率；

所述确定模块，还用于在所述第一维度的数值大于所述第二维度的数值，确定所述第一电池正常；

所述确定模块，还用于在所述第一维度的数值小于所述第二维度的数值，确定所述第一电池异常。

另一方面，本公开的实施例还提供一种电池异常检测设备，包括：存储器和处理器；

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令执行如上所述的电池异常检测方法。

另一方面，本公开的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序；所述计算机程序被执行时，实现如上所述的电池异常检测方法。

另一方面，本公开的实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述的电池异常检测方法。

本公开的实施例提供的电池异常检测方法、装置、设备、存储介质和程序产品，获取车辆的电池在一次充电国策中的各个时序数据，并根据各个时序数据确定二维向量，若是二维向量中用于表示电池正常的维度的数值大于第二维度中用于表示电池异常的维度的数值，即可确定电池正常，若是二维向量中用于表示电池正常的维度的数值小于第二维度中用于表示电池异常的维度的数值，即可确定电池异常。本公开的实施例中，将电池在单次充电过程中的不同充电时长的充电电流、充电电压、剩余电量以及温度，即可确定出电池是否异常，无需基于电池的所有充电数据进行电池的异常检测，提高了电池的异常检测效率。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本公开的实施例提供的用于实现电池异常检测方法的系统构架图；

图2为本公开的第一实施例的流程示意图；

图3为本公开的第二实施例中步骤S20的细化流程示意图；

图4为本公开的第三实施例的流程示意图；

图5为本公开的第四实施例中步骤S20的细化流程示意图；

图6为本公开实施例涉及的电池异常检测装置的功能模块示意图；

图7为本公开实施例涉及的电池异常检测设备的硬件结构图。

通过上述附图，已示出本公开明确的实施例，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公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

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公开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、本公开的一些方面相一致的装置和方法的例子。

图1为本公开的实施例提供的用于实现电池异常检测方法的系统构架图，如图1所示，电池异常检测装置100。电池异常检测装置100可以是车联网服务器，也可以是任意具备数据处理能力的终端你设备。在车辆200的电池充电时，车辆200内的传感器获取电池在充电过程中的各个时序数据，各个时序诗句包括电池在不同充电时长的充电电流、充电电压、温度以及剩余电量等。例如，传感器在车辆200的电池充电过程中，采用13次，则有13个时间点所对应的充电电流、充电电压、温度以及剩余电量。车辆200将传感器采集的各个时序数据传输至电池异常检测装置100。电池异常检测装置100通过各个时序数据即可确定出一个二维向量，二维向量具有第一维度以及第二维度，第一维度的数值表示电池正常的概率，第二维度的数值表示电池异常的概率。若是第一维度的数值大于第二维度的数值，即可确定电池是正常的，若是第一维度的数值小于第二维度的数值，则电池是异常的。

下面以具体地实施例对本公开的实施例的技术方案以及本申请的技术方案如何解决上述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，对本公开的实施例的实施例进行描述。

参照图2，图2为本公开提供的电池异常检测方法的第一实施例，包括：

步骤S10，获取第一车辆的第一电池在一次充电过程中的各个第一时序数据，其中，各个第一时序数据包括第一电池在不同充电时长的充电电流、充电电压、温度以及剩余电量。

在本实施例中，执行主体是电池异常检测装置，电池异常检测装置可以是任意具备数据处理能力的终端设备。为了便于描述，以下采用装置指代电池异常检测装置。

第一车辆的第一电池在充电时，第一车辆会采集第一电池在此次充电过程中的充电电流、充电电压、温度以及剩余电量。在第一电池充电过程中，第一车辆会多次采集数据，也即第一车辆采集第一电池在不同充电时长的充电电流、充电电压、温度以及剩余电量。一个采样时间点对应的充电时长、充电电流、充电电压、温度以及剩余电量作为一个时序数据，该时序数据定义为第一时序数据。

装置获取第一电池在一次充电过程中的各个第一时序数据。

步骤S20，根据各个第一时序数据确定第一二维向量，第一二维向量包括第一维度和第二维度，第一维度的数值用于表示第一电池正常的概率，第二维度的数值用于表示第一电池异常的概率。

一个时序数据有多个维度，例如，第一时序数据包括充电时长、充电电压、充电电流、温度以及剩余温度五个维度。

装置对各个第一时序数据进行分析处理，得到一个表征第一电池正常概率以及异常概率的二维向量，该二维向量定义为第一二维向量。装置对各个第一时序数据进行分析处理可以得到不同维度的正态分布。例如，可以得到充电电流在不同充电时长的正态分布、充电电流在不同充电市场的正态分布、第一电池的温度在不同充电时长的正态分布以及第一电池的剩余电量在不同充电时长的正态分布。基于得到的正态分布与存储的表征电池正常的正态分布进行比对、且基于得到的正态分布与表征电池异常的正态分布进行比对，得到一个表征电池正常概率的数值以及一个表征电池异常概率的数值。两个数值分别为第一二维向量的两个维度的数值。也即第一二维向量的第一维度的数值用于表示第一电池正常的概率、第一二维向量的第二维度的数值用于表示第一电池异常的概率。

步骤S30，在第一维度的数值大于第二维度的数值，确定第一电池正常。

步骤S40，在第一维度的数值小于第二维度的数值，确定第一电池异常。

在当第一维度的数值大于第二维度的数值，则可确定第一电池是正常的。若是第一维度的数值小于第二维度的数值，则第一电池是异常的。

需要说明的是，电池异常包括多种异常。例如，电池容量异常、内阻异常。二维向量的第二维度表示异常的类型，例如，第二维度表示电池容量异常或者电池内阻异常。若是第一二维向量的第二维度表示电池容量异常，且第二维度的数值大于第一维度的数值，即可确定第一电池的容量异常；若是第一二维向量的第二维度表示电池内阻异常，且第二维度的数值大于第一维度的数值，即可确定第一电池的内阻异常。

在本实施例提供的技术方案中，获取车辆的电池在一次充电国策中的各个时序数据，并根据各个时序数据确定二维向量，若是二维向量中用于表示电池正常的维度的数值大于第二维度中用于表示电池异常的维度的数值，即可确定电池正常，若是二维向量中用于表示电池正常的维度的数值小于第二维度中用于表示电池异常的维度的数值，即可确定电池异常。本公开的实施例中，将电池在单次充电过程中的不同充电时长的充电电流、充电电压、剩余电量以及温度，即可确定出电池是否异常，无需基于电池的所有充电数据进行电池的异常检测，提高了电池的异常检测效率。

参照图3，图3为本公开提供的电池异常检测方法第二实施例的流程示意图，基于第一实施例，步骤S20包括：

步骤S21，获取预设维度的时间槽所对应的权重矩阵。

在本实施例中，由于不同电池因为充电时的初始电量不同，所以充电过程的长度也不同，导致出现不同维度的时序数据。对此，装置可以采用注意力机制处理各个第一时序数据，使得各个第一时序数据的数据结构统一。装置基于注意力机制获取权重矩阵，权重矩阵是预设维度的时间槽所对应的矩阵。例如，可以是128维度的权重矩阵。

具体的，完成的充电过程包括多个数据帧，每个数据帧可以表示一个时序数据。装置获取第一电池在完整充电过程中的各个充电采用时间点，每个充电采样时间点对应一个数据帧。装置基于各个充电采样时间点确定第一时间向量，也即装置基于代表时间信息的各个充电采样时间点构建一个时间向量，该时间向量定义为第一时间向量。数据帧可为m+1个，则第一时间向量的维度为m+1维。装置进一步获取预设数量的时间槽所对应的时间向量，定义为第二时间向量，例如获取128个时间槽对应的时间向量，也即第二时间向量为128维。装置基于第一时间向量与转换矩阵得到第一矩阵，也即装置将第一时间向量乘以转换矩阵得到注意力机制的key矩阵(第一矩阵)。装置再根据第二时间向量与预设的转换向量得到第二矩阵，也即装置将第二时间向量乘以预设的转换向量得到注意力机制中的query矩阵(第二矩阵)。装置基于第一矩阵与第二矩阵的乘积即可得到权重矩阵。

步骤S22，确定每个第一时序数据与权重矩阵之间的乘积，得到维度相同的多个第一时序向量。

装置可以通过权重矩阵将各个第一时序特征嵌入至固定维度的时间槽中，从而完成对各个第一时序数据的数据结构的统一。具体的，装置将每个第一时序数据乘以权重矩阵，即可得到多个第一时序向量，各个时序向量的维度相同，也即各个第一时序向量的数据结构是相同的。

步骤S23，对各个第一时序向量进行特征提取得到多个第一时序特征，并对各个第一时序特征进行编码得到各个第一时序向量对应的第一均值向量以及第一方差向量。

过于复杂的数据并不利于后续数据的处理。因此，装置需要对嵌入的数据进行特征的提取，也即装置对各个第一时序向量进行特征的提取得到多个第一时序特征。装置在对各个第一时序特征进行编码得到各个第一时序向量对应的第一均值向量以及第一方差向量。各个第一时序特征进行编码后即可得到20维的第一均值向量以及20维的第一方向向量。

步骤S24，基于第一均值向量以及第一方差向量的分类，确定第一二维向量。

装置会对第一均值向量以及第一方差向量进行分类，从而可以得到第一二维向量。例如，将第一均值向量以及第一方差向量输入分类器中，分类器对第一均值向量以及第一方差向量进行分类后即可输出一个二维向量，该二维向量即为第一二维向量。

在本实施例提供的技术方案中，获取预设维度的时间槽对应的权重矩阵，再确定每个第一时序数据与权重矩阵之间的乘积得到数据结构统一的多个第一时序向量，对各个第一时序向量进行特征提取得到多个第一时序特征，并对各个第一时序特征进行编码得到第一均值向量以及第一方差向量，从而基于第一均值向量与第一方差向量的分类得到第一二维向量。

在一实施例中，装置中设有预测模型。预测模型包括GRU(GlavnoeRazvedivatelnoe Upravlenie，门控循环单元)、自编码器以及分类器。注意力机制能够有效的降低预测模型的循环神经网络的参数数量，进而加速预测模型对各个第一时序数据的推理，也即预测模型能够很好的处理大规模的时序数据，且注意力机制可以很好的提升结果的准确性，使用注意力机制进行时间序列的特征提取可以更好的进行分类。

各个第一时序数据输入预测模型，先通过注意力机制将各个第一时序数据进行数据结构的统一，得到各个第一时序向量。各个第一时序向量输入至门控循环单元GRU。GRU对各个第一时序向量进行时序特征的提取得到各个第一时序特征，各个第一时序特征输入至自编码器中，自编码器对各个第一时序特征进行编码得到第一均值向量以及第一方差向量。第一均值向量以及第一方差向量输入至分类器。分类器包含两个线性层，线性层的作用是将第一均值向量以及第一方差向量的特征数据转变为两类的最终分类，基于两类的最终分类即可得到第一二维向量。

可以理解的是，装置可将各个第一时序数据输入至预测模型，预测模型对各个第一时序数据进行处理，输出第一二维向量。

在本实施例中，装置预先训练预测模型，通过预测模型对各个第一时序数据的处理，可以更快的确定第一电池是否异常。

参照图4，图4是本公开提供的电池异常检测方法第三实施例的流程示意图，基于第一或第二实施例，步骤S20之前，还包括：

步骤S50，获取各个第二车辆的第二电池在一次充电过程中的各个第二时序数据，其中，各个第二时序数据包括第二电池在不同充电时长的充电电流、充电电压、温度以及剩余电量。

在本实施例中，装置需要训练得到预测模型。

装置获取各个第二车辆的第二电池在一次充电过程中的各个第二时序数据，各个第二时序数据包括第二电池在不同充电时长的充电电流、充电电压、温度以及剩余电量。

步骤S60，确定每个第二时序数据与权重矩阵之间的乘积，得到维度相同的多个第二时序向量。

装置通过注意力机制，将各个第二时序数据与权重矩阵进行相乘，得到维度相同的多个第二时序向量。

步骤S70，根据各个第二时序向量训练预设模型，得到预测模型，其中，预设模型包括门控循环单元、自编码器以及分类器，预设模型通过门控循环单元、自编码器以及分类器对第二时序数据进行处理得到第二二维向量，第二二维向量用于更新预设模型的网络参数。

装置中设有预设模型，预设模型设有GRU、自编码器以及分类器。装置将各个第二时序向量输入至预设模型进行训练，即可得到预测模型。具体的，预设模型通过门控循环单元对第二时序向量进行时序特征的提取得到时序特征，各个时序特征经过自编码器的编码得到第二方差向量以及第二均值向量，第二方差向量以及第二均值向量经过分类器的分类即可得到第二二维向量，第二二维向量即可用于更新预设模型的网络参数。

进一步的，预设模型还包括自解码器。在得到第二均值向量以及第二方差向量后，第二均值向量以及第二方差向量输入至自解码器以及分类器。自解码器对第二均值向量以及第二方差向量进行解码即可得到第二时序特征。GRU是双向GRU，各个第二时序特征输入至GRU中，GRU再对各个第二时序特征进行还原，得到第三时序向量，第二时序向量与真实时序向量进行比对得到损失，该损失即可用于更新预设模型的损失函数。

在本实施例提供的技术方案中，装置通过对预设模型的训练得到能够快速识别电池是否异常的预测模型。

参照图5，图5为本公开的电池异常检测方法第四实施例的流程示意图，基于第一至第三中任一实施例，步骤S20包括：

步骤S25，根据各个第一时序数据进行数据补齐，得到第一电池在充电过程中缺失的各个第三时序数据。

在本实施例中，各个第一时序数据可能无法构成第一电池的整个充电过程的数据，也即有一个或者多个时间点未采集到第一电池的数据。对此，需要基于各个第一时序数据对数据进行补齐。补齐的方式可以是插值补齐。例如，缺少第二个采样时间点的充电数据，则基于第一个采用时间点对应的第一时序数据以及第三个采样时间点的第一时序数据进行插值，得到第二个采样时间点的时序数据，得到的时序数据定义为第三时序数据。

步骤S26，对各个第一时序数据以及各个第三时序数据进行清洗，并根据清洗的各个第一时序数据以及清洗的各个第三时序数据确定第一二维向量。

在得到第三时序数据后，对各个第一时序数据以及各个第三时序数据进行清洗。清洗包括对敏感数据的去除、去除脏值等。

装置基于清洗的各个第一时序数据以及清洗的各个第三时序数据即可确定第一二维向量。

在本实施例提供的技术方案中，装置对各个第一时序数据进行数据补齐，从而得到第一电池在充电过程中的完整数据，进而对完整数据进行数据清洗，使得装置能够准确的确定第一电池是否异常。

本公开还提供一种电池异常检测装置，参照图6，电池异常检测装置600包括：

获取模块610，用于获取第一车辆的第一电池在一次充电过程中的各个第一时序数据，其中，各个第一时序数据包括第一电池在不同充电时长的充电电流、充电电压、温度以及剩余电量；

确定模块620，用于根据各个第一时序数据确定第一二维向量，第一二维向量包括第一维度和第二维度，第一维度的数值用于表示第一电池正常的概率，第二维度的数值用于表示第一电池异常的概率；

确定模块620，用于在第一维度的数值大于第二维度的数值，确定第一电池正常；

确定模块620，用于在第一维度的数值小于第二维度的数值，确定第一电池异常。

在一实施例中，电池异常检测装置600包括：

获取模块610，用于获取预设维度的时间槽所对应的权重矩阵；

确定模块620，用于确定每个第一时序数据与权重矩阵之间的乘积，得到维度相同的多个第一时序向量；

提取模块，用于对各个第一时序向量进行特征提取得到多个第一时序特征，并对各个第一时序特征进行编码得到各个第一时序向量对应的第一均值向量以及第一方差向量；

分类模块，用于基于第一均值向量以及第一方差向量的分类，确定第一二维向量。

在一实施例中，电池异常检测装置600包括：

获取模块610，用于获取第一电池在完整充电过程中的各个充电采样时间点，并根据各个充电采样时间点确定第一时间向量；

获取模块610，用于获取预设数量的时间槽所对应的第二时间向量；

获取模块610，用于根据第一时间向量与预设的转换矩阵得到第一矩阵，并根据第二时间向量与预设的转换向量得到第二矩阵；

获取模块610，用于根据第一矩阵和第二矩阵的乘积得到权重矩阵。

在一实施例中，电池异常检测装置600包括：

获取模块610，用于获取各个第二车辆的第二电池在一次充电过程中的各个第二时序数据，其中，各个第二时序数据包括第二电池在不同充电时长的充电电流、充电电压、温度以及剩余电量；

确定模块620，用于确定每个第二时序数据与权重矩阵之间的乘积，得到维度相同的多个第二时序向量；

获取模块610，用于根据各个第二时序向量训练预设模型，得到预测模型，其中，预设模型包括门控循环单元、自编码器以及分类器，预设模型通过门控循环单元、自编码器以及分类器对第二时序数据进行处理得到第二二维向量，第二二维向量用于更新预设模型的网络参数。

在一实施例中，电池异常检测装置600包括：

补齐模块，用于根据各个第一时序数据进行数据补齐，得到第一电池在充电过程中缺失的各个第三时序数据；

清洗模块，用于对各个第一时序数据以及各个第三时序数据进行清洗，并根据清洗的各个第一时序数据以及清洗的各个第三时序数据确定第一二维向量。

图7是根据一示例性实施例示出的一种电池异常检测设备的硬件结构图。

电池异常检测设备700可以包括：处理器71，例如CPU，存储器72以及收发器73。本领域技术人员可以理解，图7中示出的结构并不构成对电池异常检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器72可以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。

处理器71可以调用存储器72内存储的计算机程序，以完成上述的电池异常检测方法的全部或部分步骤。

收发器73用于接收外部设备发送的信息以及向外部设备发送信息。

一种非临时性计算机可读存储介质，当该存储介质中的指令由电池异常检测设备的处理器执行时，使得电池异常检测设备能够执行上述电池异常检测方法。

一种计算机程序产品，包括计算机程序，当该计算机程序由电池异常检测设备的处理器执行时，使得电池异常检测设备能够执行上述电池异常检测方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开的实施例旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开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，本公开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。本公开的范围仅由所附的权利要求书来限制。