电池异常检测模型的训练方法、电池异常检测方法和装置

技术领域

本申请属于电池检测技术领域，尤其涉及一种电池异常检测模型的训练方法、电池异常检测方法和装置。

背景技术

随着科学技术的不断发展，电池在日常生产生活中的应用越来越广泛，电池的安全性也越来越受到关注。在电池的应用过程中，电池热失控是影响电池安全性的常见电池问题，一旦出现电池热失控问题，不仅容易损坏电池，甚至造成人身安全，因此，及时检测电池状态，发现电池的异常情况，并及时生成预警信息，是预防电池热失控造成事故的重要手段。

目前，针对电池热失控的异常检测通常采用参数辨识的手段或者对电池的电流电压、温度等主要参数进行统计分析的手段，但均难以在电池热失控发展的早期阶段检测出电池存在异常，无法提供足够的安全冗余。

发明内容

本申请实施例提供一种电池异常检测模型的训练方法、电池异常检测方法和装置，能够及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

第一方面，本申请实施例提供一种池异常检测模型的训练方法，包括：

获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括电池特征信息和所述电池特征信息的采集时间，其中，所述电池特征信息包括电池运行参数的统计特征信息和所述电池物化参数的变化信息；

根据每个所述电池特征信息和采集时间，依次将所述电池特征信息输入预先构建的电池异常检测模型，对所述电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型；

其中，预先构建的电池异常检测模型包括编码单元和解码单元，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征，重构特征与电池特征信息之间的误差用于判断是否生成电池异常预警信息。

在第一方面的一些可实现方式中，编码单元包括第一隐状态计算单元和隐变量计算单元，隐状态计算单元包括至少一层神经网络隐藏层，其中，每层隐藏层包括至少一个第一门控循环单元编码单元，隐变量计算单元包括预设配置的变分概率分布函数；

编码单元的矩阵张量结构为{x，le，ne，h}，其中，x为输入电池异常检测模型的电池特征信息，le为编码单元中神经网络隐藏层的层数，ne为单层隐藏层中包括第一门控循环单元的数量，h为隐状态的特征维度；

其中，隐状态计算单元中的各个神经网络隐藏层电池特征信息进行分析，隐状态计算单元输出电池特征信息的隐状态，隐变量计算单元根据预设配置的变分概率分布函数和隐状态，确定电池特征信息对应的隐变量。

在第一方面的一些可实现方式中，解码单元包括第二隐状态计算单元，第二隐状态计算单元包括至少一层神经网络隐藏层，其中，每层隐藏层包括至少一个第二门控循环单元编码单元；

解码单元的矩阵张量结构为

在第一方面的一些可实现方式中，电池包括多个电池单体，电池运行参数信息包括各个电池单体运行参数的参数值，电池物化参数的变化信息包括每个电池单体的电池单体物化参数的变化量；获取训练样本集，包括：

获取电池中各个电池单体在每个采集时刻的电池单体运行参数的初始参数值和各个电池单体在每个采集时刻的电池单体物化参数的参数值；

对电池中各个电池单体在每个采集时刻的电池单体运行参数的初始参数值进行标准化处理，得到各个电池单体运行参数的参数值；

根据电池中各个电池单体的电池单体运行参数的初始参数值和预设统计分析算法，确定电池的统计特征信息；

根据各个电池单体在每个采集时刻的电池单体物化参数的参数值，确定每个电池单体在每个采集时刻的电池单体物化参数的变化量。

在第一方面的一些可实现方式中，电池单体运行参数包括电压、电流、荷电状态和温度中的至少任一种电池单体运行参数；

预设统计分析算法包括平均值、极大值、极小值和方差中的至少任一种统计分析算法。

在第一方面的一些可实现方式中，电池单体物化参数包括电池单体容量、电池单体的内阻值和电池单体的荷电量中的至少任一种；

电池单体物化参数的变化量包括电池单体容量的变化量、电池单体的内阻值的变化量和电池单体的荷电量的变化量中的至少任一种。

在第一方面的一些可实现方式中，电池异常检测模型为基于门控循环单元的变分自编码单元GRU-VAE模型预先构建的模型。

第二方面，本申请实施例提供一种电池异常检测方法，方法包括：

获取电池的电池特征信息，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息；

将电池运行参数输入目标电池异常检测模型，通过电池异常检测模型输出电池运行参数的重构特征，其中，目标电池异常检测模型根据第一方面或者第一方面中任一可实现方式中的电池异常检测模型的训练训练得到；

计算重构特征和电池特征信息之间的误差；

在误差位于预设预警范围的情况下，生成电池异常预警信息。

第三方面，本申请提供一种电池异常检测模型的训练装置，包括：

获取模块，用于获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括电池特征信息和电池特征信息的采集时间，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息；

处理模块，用于根据每个电池特征信息和采集时间，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型；

其中，预先构建的电池异常检测模型包括编码单元和解码单元，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征，重构特征与电池特征信息之间的误差用于判断是否生成电池异常预警信息。

第四方面，本申请提供一种电池异常检测装置，方法包括：

获取模块，用于获取电池的电池特征信息，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息；

处理模块，用于将电池运行参数输入目标电池异常检测模型，通过电池异常检测模型输出电池运行参数的重构特征，其中，目标电池异常检测模型根据第一方面或者第一方面中任一可实现方式中的电池异常检测模型的训练训练得到；

处理模块，还用于计算重构特征和电池特征信息之间的误差；

预警模块，用于在误差位于预设预警范围的情况下，生成电池异常预警信息。

第五方面，本申请提供一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中的电池异常检测模型的训练方法，或者第二方面中的电池异常检测方法。

第六方面，本申请提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中的电池异常检测模型的训练方法，或者第二方面中的电池异常检测方法。

第七方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面或者第一方面任一可实现方式中的电池异常检测模型的训练方法，或者第二方面中的电池异常检测方法。

本申请实施例的电池异常检测模型的训练方法、电池异常检测方法和装置。具体地，在获取的训练样本集中，每个训练样本包括电池特征信息和电池特征信息的采集时间。这样可以依据采集时间的先后顺序，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型。这样，目标电池异常检测模型可以捕捉电池特征信息之间时间依赖性，也即，目标电池异常检测模型可以学习到电池特征信息的时序特征。同时，在预先构建的电池异常检测模型中包括编码单元和解码单元，具体地，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征。由于目标电池异常检测模型可以对电池特征信息进行精确的重建还原，生成电池的重构特征，这样，可以方便的对比重构特征与采集的电池特征信息进行误差对比，进而生成预警信息，便于及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种电池异常检测模型的训练方法的流程示意图；

图2本申请实施例提供的一种电池异常检测模型的结构示意图；

图3是本申请实施例提供一种门控循环单元编码单元的结构示意图；

图4是本申请实施例提供的一种电池异常检测方法的流程示意图；

图5是本申请实施例提供的一种电池异常检测模型的训练装置的结构示意图；

图6是本申请实施例提供的一种电池异常检测装置的结构示意图；

图7是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

随着科学技术的不断发展，电池在日常生产生活中的应用越来越广泛，电池的安全性也越来越受到关注。在电池的应用过程中，电池热失控是影响电池安全性的常见电池问题，一旦出现电池热失控问题，不仅容易损坏电池，甚至造成人身安全，因此，及时检测电池状态，发现电池的异常情况，并及时生成预警信息，是预防电池热失控造成事故的重要手段。

目前，针对电池热失控的异常检测通常采用参数辨识的手段或者对电池的电流电压、温度等主要参数进行统计分析的手段，但均难以在电池热失控发展的早期阶段检测出电池存在异常，无法提供足够的安全冗余。

本申请实施例提供一种电池异常检测模型的训练方法、电池异常检测方法和装置，能够及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

下面结合附图对本申请实施例所提供的电池异常检测模型的训练方法进行介绍。

图1示出了本申请一个实施例提供的电池异常检测模型的训练方法的流程示意图。如图1所示，该方法可以包括以下步骤：

步骤110，获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括电池特征信息和电池特征信息的采集时间，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息。

步骤120，根据每个电池特征信息和采集时间，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型；

其中，预先构建的电池异常检测模型包括编码单元和解码单元，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征，重构特征与电池特征信息之间的误差用于判断是否生成电池异常预警信息。

本申请实施例所提到的电池是指包括一个或多个电池单体以提供更高的电压和容量的单一的物理模块。示例性的，电池可以为锂离子电池、锂金属电池、铅酸电池、镍隔电池、镍氢电池、锂硫电池、锂空气电池或者钠离子电池等，在此不做限定。

从应用场景而言，电池可应用于汽车、轮船等动力装置内。例如，可以应用于电动汽车内，为电动汽车的电机供电，作为电动汽车的动力源。电池还可为电动汽车中的其他用电器件供电，比如为车内空调、车载播放器等供电。

在本申请实施例中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息。

在一些实施例中，电池包括多个电池单体，电池物化参数的变化信息包括每个电池单体的电池单体物化参数的变化量。

涉及上述步骤110，获取训练样本集，具体可以包括以下步骤：

步骤1101，获取所述电池中各个所述电池单体在每个所述采集时刻的电池单体运行参数的参数值和各个所述电池单体在每个所述采集时刻的电池单体物化参数的参数值；

步骤1102，根据所述电池中各个所述电池单体的电池单体运行参数的参数值和预设统计分析算法，确定所述电池的初始统计特征信息；

步骤1103，根据各个所述电池单体在每个所述采集时刻的电池单体物化参数的参数值，确定所述每个电池单体在每个所述采集时刻的电池单体物化参数的初始变化量；

步骤1104，对所述电池在多个采集时刻分别对应的初始统计特征信息进行标准化处理，得到所述电池运行参数的统计特征信息；

步骤1105，对所述电池中各个电池单体在多个采集时刻分别对应的电池单体物化参数的初始变化量进行标准化处理，得到所述各个所述电池单体在每个所述采集时刻的电池单体物化参数的参数值。

示例性的，电池单体运行参数可以包括电压、电流、荷电状态和温度中的至少任一种电池单体运行参数。电池单体运行参数包括电压、电流、荷电状态和温度中的至少任一种电池单体运行参数。

以车辆电池为例，可以直接从车辆中车载电池管理系统(Battery managementsystem，BMS)中采集到的传感器参数，获得电池单体的运行参数。

对应每个采集时刻，可以获得一个电池单体运行参数的参数值。由于电池可以包括一个或者多个电池单体。

示例性的，在电池包括多个电池单体的情况下，同一时刻，电池运行参数可以包括多个电池单体的运行参数，根据电池中各个电池单体的电池单体运行参数的参数值和预设统计分析算法，确定电池的初始统计特征信息。

在一些实施例中，电池单体运行参数包括电压、电流、荷电状态和温度中的至少任一种电池单体运行参数；预设统计分析算法包括平均值、极大值、极小值和方差中的至少任一种统计分析算法。

以电池单体运行参数包括电压为例，在采集时刻T1可以得到电池中各个电池单体对应的电压值，也即，在采集时刻可以得到多个电压值。预设统计分析算法可以包括求多个电压值的平均值、求多个电压值中的极大值、求多个电压值中的极小值，以及求多个电压值的方差等。这样，可以得到在采集时刻T1，电池的初始统计特征信息。

为了便于计算，以及提高电池异常检测模型的精准性，可以对电池初始统计特征信息进行标准化处理。

在一些实施例中，可以根据公式(1)对电池在多个采集时刻分别对应的初始统计特征信息进行标准化处理。

其中，x为电池的初始统计特征信息，和x'表示标准化后的初始统计特征信息，min(x)表示初始统计特征信息中的最小值，max(x)表示初始统计特征信息中最大值。

在一些实施例中，可以根据各个电池单体在每个采集时刻的电池单体物化参数的参数值，确定每个电池单体在每个采集时刻的电池单体物化参数的变化量。电池单体物化参数包括电池单体容量、电池单体的内阻值和电池单体的荷电量中的至少任一种；电池单体物化参数的变化量包括电池单体容量的初始变化量、电池单体的内阻值的初始变化量和电池单体的荷电量的初始变化量中的至少任一种。例如，可以对单体电池单体容量对电压的微分值，单体电池单体的内阻值和单体电池单体SOC增量值。

为了便于计算，以及提高电池异常检测模型的精准性，可以对电池单体物化参数的初始变化量进行标准化处理，也即，对每个电池单体的电池单体物化参数的初始变化量进行标准化处理。标准化处理的方式可以参考公式(1)对初始统计特征信息，在此并不赘述。

在本申请实施例中，在得到多个采样时刻分别对应的电池特征信息后，可以多个电池特征信息中部分作为训练样本，对预先构建的电池异常检测模型进行训练，另一部分作为测试数据，用于检测训练后的电池异常检测模型的训练精度。

在一些实施例中，电池异常检测模型为基于门控循环单元的变分自编码单元(Gate Recurrent Unit-Variational Autoencoder，GRU-VAE)模型预先构建的模型。示例性的，图2本申请实施例提供的一种电池异常检测模型的结构示意图，结合图2所示，预先构建的电池异常检测模型包括编码单元和解码单元，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量y，解码单元用于分析隐变量，生成电池特征信息的重构特征。重构特征与电池特征信息之间的误差用于判断是否生成电池异常预警信息。

具体地，编码单元包括第一隐状态计算单元和隐变量计算单元，隐状态计算单元包括至少一层神经网络隐藏层，其中，每层隐藏层包括至少一个第一门控循环单元编码单元，隐变量计算单元包括预设配置的变分概率分布函数；

编码单元的矩阵张量结构为{x，le，ne，h}，其中，x为输入电池异常检测模型的电池特征信息，le为编码单元中神经网络隐藏层的层数，ne为单层隐藏层中包括第一门控循环单元的数量，h为隐状态的特征维度；

其中，隐状态计算单元中的各个神经网络隐藏层电池特征信息进行分析，隐状态计算单元输出电池特征信息的隐状态，隐变量计算单元根据预设配置的变分概率分布函数和隐状态，确定电池特征信息对应的隐变量。

示例性的，编码单元包括第一隐状态计算单元和隐变量计算单元，继续结合图2所示，在图2所示的编码单元中的第一隐状态计算单元可以包括多个神经网络隐藏层201，在每个神经网络隐藏层中可以包括一个或者多个第一门控循环单元编码单元，第一门控循环单元编码单元(Gate Recurrent Unit，GRU)，一个GRU可以作为一个神经元。

在编码单元中，隐状态计算单元中的各个神经网络隐藏层电池特征信息进行分析，之后，隐状态计算单元输出电池特征信息的隐状态。隐变量计算单元包括预设配置的变分概率分布函数，这样，隐变量计算单元可以根据预设配置的变分概率分布函数和隐状态，确定电池特征信息对应的隐变量y。结合图2所示，对t个采样时刻分别对应的电池特征信息，可以对应获得t个隐变量y1、y2、……和yt。

图3是本申请实施例提供一种门控循环单元编码单元的结构示意图，结合图3所示，在GRU中，当前时刻t对应的电池特征信息x

重置门的计算表达式如式(2)所示，更新门的计算表示式如式(3)所示。

r

z

重置门其中，w

重置门输出值r

g

其中，w

候选门计算输出值g

h

在GRU输入t时刻的电池特征信息的隐状态h

隐变量计算单元根据预设配置的变分概率分布函数，如公式(6)所示。对于电池特征信息x，由于其真实的分布可以表示为x～P

其中，均值μ(x)和标准差σ(x)均有编码单元层神经网络通过调整

在一些实施例中，解码单元包括第二隐状态计算单元，第二隐状态计算单元包括至少一层神经网络隐藏层，其中，每层隐藏层包括至少一个第二门控循环单元编码单元；解码单元的矩阵张量结构为

具体地，解码单元层从隐变量空间提取隐变量y，并根据y生成的重建输入

式(7)中J是y的维数，对应的均值μ

在电池异常检测模型构建完成后，可以根据每个电池特征信息和采集时间，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型。

示例性的，可以按照时间序列[0，1，...，t]整理成一维向量矩阵：

预设训练结束条件可以是模型训练次数达到预设值或损失函数误差值达到停止误差阈值Err。

可选地，在模型训练前可以设定超参数，超参数可以包括学习率ln、样本批处理大小B、训练周期T、训练停止误差阈值Err。例如，学习率上下界设置为[0.1，1E-05]，样本批处理大小上下界设置为[4096，256]，训练次数上下界设置为[5000，100]，训练停止阈值上下界设置为[5E-05，1E-08]；对ln、B、T、Err四个超参数采用向量编码的方式送入模型，可以理解的是，上述数值仅为示例性的，而不是对本申请实施方式的具体限制。

其中，当学习率越大时，模型的训练速度越快，精度越低；当学习率越小时，模型的训练速度越慢，但精度越高。

可选地，可以求取样本和重构特征间的均方差误差，示例性的，输入样本x和模型重建样本

其中xi表示某一批输入到电池异常检测模型的样本，

在训练过程中为了减小真实样本和重建样本间的误差，本发明采用的电池异常检测模型通过反向传播算法在训练过程中对网络权重进行更新。具体而言，使用梯度下降法逐层对神经元配重进行优化，从而缩小误差值。在具体采用参数优化算法中，可以采用Adam优化算法来对模型的网络参数进行更新，从而提高优化效率。Adam算法主要通过计算梯度的距来估算每一个参数的学习率，其表达式表示如下。

m

v

其中，m

在本申请实施例中，当模型训练次数达到预设值或损失函数误差值达到停止误差阈值Err后，保存最终的权值和阈值，得到训练完成的电池异常检测模型。

根据本申请实施例，在获取的训练样本集中，每个训练样本包括电池特征信息和电池特征信息的采集时间。这样可以依据采集时间的先后顺序，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型。这样，目标电池异常检测模型可以捕捉电池特征信息之间时间依赖性，也即，目标电池异常检测模型可以学习到电池特征信息的时序特征。同时，在预先构建的电池异常检测模型中包括编码单元和解码单元，具体地，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征。由于目标电池异常检测模型可以对电池特征信息进行精确的重建还原，生成电池的重构特征，这样，可以方便的对比重构特征与采集的电池特征信息进行误差对比，进而生成预警信息，便于及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

基于本申请实施例提供的电池异常检测模型，本申请实施例提供了一种电池异常检测方法，图4是本申请实施例提供的一种电池异常检测方法的流程示意图面结合图4所示，电池异常检测方法可以包括以下步骤。

步骤410，获取电池的电池特征信息，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息。

步骤420，将电池运行参数输入目标电池异常检测模型，通过电池异常检测模型输出电池运行参数的重构特征。

其中，目标电池异常检测模型根据本申请实施例提供的电池异常检测模型的训练训练得到。

步骤430，计算重构特征和电池特征信息之间的误差。

步骤440，在误差位于预设预警范围的情况下，生成电池异常预警信息。

示例性的，实时获取到电池的电池特征信息为标准化处理后的电池特征信息。通过将标准化处理后的电池特征信息输入目标电池异常检测模型，从而有利于提高异常检测的准确性。

具体地，预设预警范围可以根据训练得到的目标电池异常检测模型的实际检测结果进行确定。例如，将标准化处理后的训练样本输入目标电池异常检测模型，计算目标电池异常检测模型输出的每个重构样本与训练样本之间的误差。可选地，可以对重构样本与训练样本之间的误差进行标准化处理，使所有重建误差值均约束在[0,1]范围内。随后可以根据约束后的误差，设定预设预警范围。

例如，约束后的误差为0.8，则可以将预设预警范围设定为0.75至1。在实际应用过程中，当计算重构特征和电池特征信息之间的误差小于或等于0.75，则说明当前电池单体状态正常，无热失控的风险；当计算重构特征和电池特征信息之间的误差大于0.75，且小于1的情况下，则说明电池单体状态异常，存在热失控风险。

根据本申请实施例，由于目标电池异常检测模型可以对电池特征信息进行精确的重建还原，生成电池的重构特征，这样，可以方便的对比重构特征与采集的电池特征信息进行误差对比，进而生成预警信息，便于及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

基于相同的发明构思，本申请还提供了与上述电池异常检测模型的训练方法对应的电池异常检测模型的训练装置500。具体结合图5进行详细说明。电池异常检测模型的训练装置可以包括获取模块510和处理模块520。

获取模块510，用于获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括电池特征信息和电池特征信息的采集时间，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息；

处理模块520，用于根据每个电池特征信息和采集时间，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型；

其中，预先构建的电池异常检测模型包括编码单元和解码单元，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征，重构特征与电池特征信息之间的误差用于判断是否生成电池异常预警信息。

在一些实施例中，编码单元包括第一隐状态计算单元和隐变量计算单元，隐状态计算单元包括至少一层神经网络隐藏层，其中，每层隐藏层包括至少一个第一门控循环单元编码单元，隐变量计算单元包括预设配置的变分概率分布函数；

编码单元的矩阵张量结构为{x，le，ne，h}，其中，x为输入电池异常检测模型的电池特征信息，le为编码单元中神经网络隐藏层的层数，ne为单层隐藏层中包括第一门控循环单元的数量，h为隐状态的特征维度；

其中，隐状态计算单元中的各个神经网络隐藏层电池特征信息进行分析，隐状态计算单元输出电池特征信息的隐状态，隐变量计算单元根据预设配置的变分概率分布函数和隐状态，确定电池特征信息对应的隐变量。

在一些实施例中，解码单元包括第二隐状态计算单元，第二隐状态计算单元包括至少一层神经网络隐藏层，其中，每层隐藏层包括至少一个第二门控循环单元编码单元；

解码单元的矩阵张量结构为

在一些实施例中，电池包括多个电池单体，电池运行参数信息包括各个电池单体运行参数的参数值，电池物化参数的变化信息包括每个电池单体的电池单体物化参数的变化量；

获取模块510，还用于获取电池中各个电池单体在每个采集时刻的电池单体运行参数的初始参数值和各个电池单体在每个采集时刻的电池单体物化参数的参数值；

处理模块520，还用于对电池中各个电池单体在每个采集时刻的电池单体运行参数的初始参数值进行标准化处理，得到各个电池单体运行参数的参数值；

处理模块520，还用于根据电池中各个电池单体的电池单体运行参数的初始参数值和预设统计分析算法，确定电池的统计特征信息；

处理模块520，还用于根据各个电池单体在每个采集时刻的电池单体物化参数的参数值，确定每个电池单体在每个采集时刻的电池单体物化参数的变化量。

在一些实施例中，电池单体运行参数包括电压、电流、荷电状态和温度中的至少任一种电池单体运行参数；

预设统计分析算法包括平均值、极大值、极小值和方差中的至少任一种统计分析算法。

在一些实施例中，电池单体物化参数包括电池单体容量、电池单体的内阻值和电池单体的荷电量中的至少任一种；

电池单体物化参数的变化量包括电池单体容量的变化量、电池单体的内阻值的变化量和电池单体的荷电量的变化量中的至少任一种。

在一些实施例中，电池异常检测模型为基于门控循环单元的变分自编码单元GRU-VAE模型预先构建的模型。

可以理解的是，本申请实施例的电池异常检测模型的训练装置500，可以对应于本申请实施例提供的电池异常检测模型的训练方法的执行主体，电池异常检测模型的训练装置500的各个模块/单元的操作和/或功能的具体细节可以参见上述本申请实施例提供的的电池异常检测模型的训练方法中的相应部分的描述，为了简洁，在此不再赘述。

本申请实施例的电池异常检测模型的训练装置，具体地，在获取的训练样本集中，每个训练样本包括电池特征信息和电池特征信息的采集时间。这样可以依据采集时间的先后顺序，依次将电池特征信息输入预先构建的电池异常检测模型，对电池异常检测模型进行训练，直到满足预设训练结束条件，得到目标电池异常检测模型。这样，目标电池异常检测模型可以捕捉电池特征信息之间时间依赖性，也即，目标电池异常检测模型可以学习到电池特征信息的时序特征。同时，在预先构建的电池异常检测模型中包括编码单元和解码单元，具体地，编码单元用于分析电池特征信息，确定电池在采集时间的电池特征信息对应的隐变量，解码单元用于分析隐变量，生成电池特征信息的重构特征。由于目标电池异常检测模型可以对电池特征信息进行精确的重建还原，生成电池的重构特征，这样，可以方便的对比重构特征与采集的电池特征信息进行误差对比，进而生成预警信息，便于及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

基于相同的发明构思，本申请还提供了与上述电池异常检测方法对应的电池异常检测装置600。具体结合图6进行详细说明。

图6是本申请实施例提供的一种电池异常检测装置的结构示意图，如图6所示，该电池异常检测装置600可以包括：获取模块610、处理模块620和预警模块630。

获取模块610，用于获取电池的电池特征信息，其中，电池特征信息包括电池运行参数的统计特征信息和电池物化参数的变化信息；

处理模块620，用于将电池运行参数输入目标电池异常检测模型，通过电池异常检测模型输出电池运行参数的重构特征，其中，目标电池异常检测模型根据本申请实施例提供的电池异常检测模型的训练训练得到；

处理模块，还用于计算重构特征和电池特征信息之间的误差；

预警模块630，用于在误差位于预设预警范围的情况下，生成电池异常预警信息。

可以理解的是，本申请实施例的电池异常检测装置600，可以对应于本申请实施例提供的电池异常检测方法的执行主体，电池异常检测装置600的各个模块/单元的操作和/或功能的具体细节可以参见上述本申请实施例提供的电池异常检测方法中的相应部分的描述，为了简洁，在此不再赘述。

本申请实施例的电池异常检测装置，由于目标电池异常检测模型可以对电池特征信息进行精确的重建还原，生成电池的重构特征，这样，可以方便的对比重构特征与采集的电池特征信息进行误差对比，进而生成预警信息，便于及时检测出电池存在异常，提供足够的安全冗余，提高电池的安全性和可靠性。

图7示出了本申请一个实施例提供的电子设备的结构示意图。如图7所示，该设备可以包括处理器701以及存储有计算机程序指令的存储器702。

具体地，上述处理器701可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器702可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器702可以包括可移除或不可移除(或固定)的介质，或者存储器702是非易失性固态存储器。存储器702可在电子设备的内部或外部。

存储器可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。

处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现本申请实施例所描述的方法，并达到本申请实施例执行其方法达到的相应技术效果，为简洁描述在此不再赘述。

在一个示例中，该电子设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。

通信接口703，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线710包括硬件、软件或两者，将在线信息流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industry Standard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该电子设备可以执行本申请实施例中的电池异常检测模型的训练方法和/或电池异常检测方法，从而实现本申请实施例描述的电池异常检测模型的训练方法和/或电池异常检测方法的相应技术效果。

另外，结合上述实施例中的电池异常检测模型的训练方法和/或电池异常检测方法，本申请实施例可提供一种可读存储介质来实现。该可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种电池异常检测模型的训练方法和/或电池异常检测方法。可读存储介质的示例可以是非暂态机器可读介质，如电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘等。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除只读存储器(Erasable ReadOnly Memory，EROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本申请实施例提供的电池异常检测模型的训练方法和/或电池异常检测方法。

另外，结合上述实施例中的电池异常检测模型的训练方法、电池异常检测方法和装置，以及可读存储介质，本申请实施例可提供一种计算机程序产品来实现。所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行上述实施例中的任意一种电池异常检测模型的训练方法和/或电池异常检测方法。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。