CN109919217B

CN109919217B - 充电行为识别方法、装置、终端设备及存储介质

Info

Publication number: CN109919217B
Application number: CN201910150680.8A
Authority: CN
Inventors: 卢露
Original assignee: Shenzhen Zhilian Iot Technology Co ltd
Current assignee: Shenzhen Zhilian Iot Technology Co ltd
Priority date: 2019-02-28
Filing date: 2019-02-28
Publication date: 2021-03-02
Anticipated expiration: 2039-02-28
Also published as: CN109919217A

Abstract

本申请实施例适用于电动车技术领域，公开了一种充电行为识别方法、装置、终端设备及计算机可读存储介质，其中，方法包括：获取充电桩上传的电动车的充电数据，充电数据包括充电电流数据；判断充电电流数据是否符合预设条件，预设条件为在充电起始时间和结束时间之间存在电流持续为预设数值的时间段，且时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值；当充电电流数据符合预设条件时，确定充电过程中存在适配器被包裹的行为。本申请实施例可以识别充电过程中是否存在适配器被包裹的充电行为。

Description

充电行为识别方法、装置、终端设备及存储介质

技术领域

本申请属于电动车技术领域，尤其涉及一种充电行为识别方法、装置、终端设备及计算机可读存储介质。

背景技术

随着科学技术的不断发展，电动车的应用也越来越广泛。

目前，车主使用使用充电站为电动车充电时，在完成相应的充电订单支付之后，充电桩的相应插座就会通电，此时，车主可以通过电动车的适配器、充电线将电动车连接至充电桩的相应插座，以对电动车进行充电。

在电动车充电过程中，充电安全性是十分重要的，而适配器的通风性是安全充电的基础。但是，有些车主出于某种原因(例如，防止适配器被雨淋)使用相应的包裹物(例如，塑料袋)包裹适配器，导致电动车充电时适配器被包裹，存在严重的安全隐患。而对于适配器被包裹的充电行为，目前还没有行之有效的识别方法。

发明内容

有鉴于此，本申请实施例提供一种充电行为识别方法、装置、终端设备及计算机可读存储介质，以解决现有技术无法识别电动车充电过程中是否存在适配器被包裹的行为，从而降低用户充电体验的问题。

本申请实施例的第一方面提供一种充电行为识别方法，包括：

获取充电桩上传的电动车的充电数据，所述充电数据包括充电电流数据；

判断所述充电电流数据是否符合预设条件，所述预设条件为在充电起始时间和结束时间之间存在电流持续为预设数值的时间段，且所述时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值；

当所述充电电流数据符合所述预设条件时，确定充电过程中存在适配器被包裹的行为。

结合第一方面，在一种可行的实现方式中，所述判断所述充电电流数据是否符合预设条件，包括：

根据所述充电电流数据，生成充电电流曲线；

将所述充电电流曲线转化为充电曲线样本图片；

将所述充电曲线样本图片输入预先训练的神经网络模型，得到所述充电电流曲线对应的充电模式；

当所述充电模式为预设充电模式时，所述充电电流数据符合所述预设条件，所述预设充电模式为温控时间大于预设时长的充电类；

当所述充电模式为非预设充电模式时，所述充电电流数据不符合所述预设条件。

结合第一方面，在一种可行的实现方式中，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

所述将所述充电曲线样本图片输入预先训练的神经网络模型，得到所述充电电流曲线对应的充电模式，包括：

通过所述输入层获取所述充电曲线样本图片；

将所述充电曲线样本图片输入所述第一隐藏层，以使所述第一隐藏层对所述充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

将所述第一电流曲线特征输入所述第二隐藏层，以使所述第二隐藏层对所述第一电流曲线特征进行特征提取操作，输出第二电流曲线特征，所述第二电流曲线特征的精度高于所述第一电流曲线特征；

将所述第二电流曲线特征输入所述多分类层，以使所述多分类层识别所述第二电流曲线特征，根据电流曲线特征和充电模式的对应关系，得到充电模式分类结果；

将所述充电模式分类结果输入所述输出层，以使所述输出层输出所述充电模式。

结合第一方面，在一种可行的实现方式中，所述神经网络模型的训练过程具体为：

获取训练样本数据集，所述训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

对所述训练样本数据集进行数据预处理操作；

根据预处理后的所述训练样本数据集，对预先建立的所述神经网络模型进行训练。

将所述充电数据输入预先训练的随机森林模型，得到所述充电数据对应的充电模式；

结合第一方面，在一种可行的实现方式中，所述随机森林模型为包括n棵决策树的模型，n为大于零的正整数；

所述将所述充电数据输入预先训练的随机森林模型，得到所述充电数据对应的充电模式，包括：

通过所述n棵决策树对所述充电电流数据进行分类，得到n个分类结果；

从所述n个分类结果中确定最终分类结果，将所述最终分类结果作为所述充电模式，所述最终分类结果为所述n个分类结果中数量大于等于n/2的分类结果。

结合第一方面，在一种可行的实现方式中，在所述确定充电过程中存在适配器被包裹的行为之后，还包括：

生成提示信息；

通过用户终端将所述提示信息呈现给充电用户，以提示并引导所述充电用户规范充电。

本申请实施例的第二方面提供一种充电行为识别装置，包括：

充电数据获取模块，用于获取充电桩上传的电动车的充电数据，所述充电数据包括充电电流数据；

判断模块，用于判断所述充电电流数据是否符合预设条件，所述预设条件为在充电起始时间和结束时间之间存在电流持续为预设数值的时间段，且所述时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值；

确定模块，用于当所述充电电流数据符合所述预设条件，确定充电过程中存在适配器被包裹的行为。

结合第二方面，在一种可行的实现方式中，所述判断模块包括：

曲线生成单元，用于根据所述充电电流数据，生成充电电流曲线；

转化单元，用于将所述充电电流曲线转化为充电曲线样本图片；

第一充电模式识别单元，用于将所述充电曲线样本图片输入预先训练的神经网络模型，得到所述充电电流曲线对应的充电模式；

第一确定单元，用于当所述充电模式为预设充电模式时，所述充电电流数据符合所述预设条件，所述预设充电模式为温控时间大于预设时长的充电类；

第二确定单元，用于当所述充电模式为非预设充电模式时，所述充电电流数据不符合所述预设条件。

结合第二方面，在一种可行的实现方式中，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

所述第一充电模式识别单元包括：

获取子单元，用于通过所述输入层获取所述充电曲线样本图片；

第一特征提取子单元，用于将所述充电曲线样本图片输入所述第一隐藏层，以使所述第一隐藏层对所述充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

第二特征提取子单元，用于将所述第一电流曲线特征输入所述第二隐藏层，以使所述第二隐藏层对所述第一电流曲线特征进行特征提取操作，输出第二电流曲线特征，所述第二电流曲线特征的精度高于所述第一电流曲线特征；

第一分类子单元，用于将所述第二电流曲线特征输入所述多分类层，以使所述多分类层识别所述第二电流曲线特征，根据电流曲线特征和充电模式的对应关系，得到充电模式分类结果；

输出子单元，用于将所述充电模式分类结果输入所述输出层，以使所述输出层输出所述充电模式。

结合第二方面，在一种可行的实现方式中，所述第一充电模式识别单元包括：

训练样本集获取子单元，用于获取训练样本数据集，所述训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

预处理子单元，用于对所述训练样本数据集进行数据预处理操作；

训练子单元，用于根据预处理后的所述训练样本数据集，对预先建立的所述神经网络模型进行训练。

第二充电模式识别单元，用于将所述充电数据输入预先训练的随机森林模型，得到所述充电数据对应的充电模式；

第三确定单元，用于当所述充电模式为预设充电模式时，所述充电电流数据符合所述预设条件，所述预设充电模式为温控时间大于预设时长的充电类；

第四确定单元，用于当所述充电模式为非预设充电模式时，所述充电电流数据不符合所述预设条件。

结合第二方面，在一种可行的实现方式中，所述随机森林模型为包括n棵决策树的模型，n为大于零的正整数；

所述第二充电模式识别单元包括：

第二分类子单元，用于通过所述n棵决策树对所述充电电流数据进行分类，得到n个分类结果；

选取子单元，用于从所述n个分类结果中确定最终分类结果，将所述最终分类结果作为所述充电模式，所述最终分类结果为所述n个分类结果中数量大于等于n/2的分类结果。

结合第二方面，在一种可行的实现方式中，还包括：

提示信息生成模块，用于生成提示信息；

提示模块，用于通过用户终端将所述提示信息呈现给充电用户，以提示并引导所述充电用户规范充电。

本申请实施例的第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述方法的步骤。

本申请实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例通过获取电动车的充电数据，判断充电电流数据对应的充电电流曲线是否出现曲线中间某段时间的电流持续为零，且电流持续为零的时间段前后的电流差值小于等于预设电流阈值的情况，如果出现，则可以确定充电过程中存在适配器被包裹的充电行为，从而实现了对充电过程中适配器被包裹的充电行为的识别，提高了用户充电体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的充电场景示意图；

图2为本申请实施例提供的充电行为识别方法的流程示意框图；

图3为本申请实施例提供的充电曲线示意图；

图4为本申请实施例提供的充电行为识别方法的另一种流程示意图；

图5为本申请实施例提供的基于堆叠稀疏自编码的神经网络示意图；

图6为本申请实施例提供的充电模式识别过程示意框图；

图7为本申请实施例提供的第一隐藏层输出的电流曲线特征示意图；

图8为本申请实施例提供的第二隐藏层输出的电流曲线特征示意图；

图9为本申请实施例提供的充电行为识别方法的又一种流程示意框图；

图10为本申请实施例提供的随机森林模型示意图；

图11为本申请实施例提供的随机森林模型的混淆矩阵示意图；

图12为本申请实施例提供的充电行为识别装置的结构示意框图；

图13为本申请实施例提供的终端设备的示意图；

图14-a、14-b、14-c、14-d、14-e、14-f、14-g、14-h、14-i、14-j、14-k、 14-l、14-m、14-n分别为本申请实施例提供的特征A、B、C、D、E、F、G、H、 I、J、K、L、M、N对应的特征曲线示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

在介绍本申请实施例的具体技术方案之前，首先对本申请实施例可能涉及的应用场景进行介绍说明。

参见图1示出的充电场景示意图，在该充电场景下包括充电站1、待充电电动车2、服务器3、用户终端4，充电站1内包括至少一个充电桩11。用户终端可以通过运营商网络与后台服务器通信，充电站以及充电桩可以通过充电站内的场地网络与后台服务器通信，用户终端可以通过互联网与充电桩通信。充电桩上有至少一个插座，充电车主可以通过电动车适配器、充电线连接至充电桩的插座上。当充电车主通过用户终端完成充电订单支付之后，后台服务器会控制充电桩相应的插座通电，即可对待充电电动动车进行充电。

其中，用户终端内安装有相应的APP，以实现与后台交互、计算、人机交互等相应业务功能，该用户终端可以具体为手机、平板等智能终端。待充电电动车可以具体为电动自行车、电动摩托车或电动汽车等。

充电车主通过用户终端扫码充电桩上的二维码，用户终端在获取到二维码信息之后跳转至相应的界面；在该界面上，充电车主可以进行充电模式选择、充电金额输入等操作；确定充电订单信息之后，充电桩会将该充电订单上传至服务器，服务器通过与用户终端进行数据交互，完成订单支付之后，服务器会通知充电桩，充电桩则会控制相应插座通电，此时，充电车主则可以开始充电。

在充电过程中，充电桩可以采集充电电流、充电电压、充电功率等充电数据，并将该充电数据上传至服务器。具体地，充电桩在采集到电动车的充电数据之后，向后台服务器上报设备遥测报文，该设备遥测报文可以包括充电电流、电压、充电功率等信息，以使后台服务器可以采集到各个在充电桩上充电的电动车的充电数据。

服务器接收到充电桩上报的充电数据之后，可以相应地绘制充电电流曲线、充电电压曲线、功率曲线等。然后，服务器根据充电电流曲线、电压曲线等数据，识别所上报的充电数据对应的充电模式。在识别出充电模式之后，可以根据充电模式确定充电过程中是否存在一些异常状况或者是不健康的充电行为，如果识别出相应的充电行为，可以实时通过用户终端反馈给用户。

需要说明，上述所提及的应用场景仅仅是示例性场景，并不造成对本申请实施例具体场景的限定。

在介绍完本申请实施例可能涉及的应用场景后，下面将对本申请实施例提供的技术方案进行详细介绍说明。为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

实施例一

请参见图2，为本申请实施例提供的一种充电行为识别方法的流程示意框图，该方法可以包括以下步骤：

步骤S201、获取充电桩上传的电动车的充电数据，充电数据包括充电电流数据。

需要说明，上述充电数据一般包括充电电压数据、充电电流数据以及充电功率数据。而电动车充电过程中，充电电压和充电功率一般是恒定不变的，充电电压和充电功率相较于充电电流，所包含的信息较少。在一些情况下，可以只基于充电电流数据进行充电行为识别，此时，上述充电数据可以只包括充电电流数据。而在另一些情况下，需要用到充电电流数据和充电电压数据，此时，上述充电数据可以只包括充电电压数据和充电电流数据。

该充电数据可以是充电桩实时上传的数据，即在电动车通过电源适配器、充电线连接充电桩的插座进行充电的过程中，充电桩将所采集的充电数据通过遥测报文的形式上报给后台服务器，后台服务器解析该遥测报文，根据遥测报文所携带的相关信息，例如，充电桩设备唯一ID等，获得各个充电桩上报的充电数据。当然，该充电数据也可以是历史充电数据，该历史充电数据是通过存储充电桩实时上传的电动车充电数据得到的。

步骤S202、判断充电电流数据是否符合预设条件，预设条件为在充电起始时间和结束时间之间存在电流持续为预设数值的时间段，且时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值。

需要说明，上述预设数值一般为0，当然，也可以为其他非零数值。上述预设电流阈值为经验数值，该数值可以根据具体应用需求进行设定，在本实施例中，该电流阈值可以为0.3A，即，电流持续为零的时间段前后的电流差值小于等于0.3A。其中，电流持续为零的时间段的长短可以是任意的。

参见图3所示的充电曲线示意图，图3中包括9幅图，排列成三行三列，每幅图中包括充电电流曲线和充电电压曲线，其中，每幅图中的横轴表示时间，左边竖轴表示电流，右边竖轴表示电压，每幅图中恒定在220V附近，持续一段时间后直接减为零的曲线为充电电压曲线，也即，在一个充电周期中，充电电压保持220V不变，且波动不大。而每幅图中除充电电压曲线之外的另一条曲线为充电电流曲线，图3中的每一幅图中的充电电流曲线都存在中间出现一段时间电流为0的情况。

以图3中第二行的第一幅图为例，其电流为0的时间区间大概为105至195 之间，t＝105时，其对应的电流值大概为1，t＝195时，其对应的电流值大概为 1.1左右，电流持续为零的时间段前后的电流差值为0.1，小于0.3A，故可以确定该图对应的电流数据符合预设条件。依此类推，可以看出，图3中的9幅图均符合上述预设条件。

具体地，判断充电电流数据是否预设条件的具体过程包括：先根据充电电流数据，识别出该电流数据对应的充电模式，然后根据充电模式确定该电流数据是否符合上述预设条件。其中，充电模式的识别可以通过随机森林模型进行，此时，预先训练好随机森林模型，然后将电流数据输入至随机森林模型中，即可得到充电模式；也可以先将充电数据转换成充电曲线，再将充电曲线转化成样本图片，然后利用预先训练的神经网络模型对该样本图片进行充电模式识别，得到识别结果。当然，也可以通过不同于上述两种方式的判断方式来实现充电电流数据的判断。

步骤S203、当充电电流数据符合预设条件时，确定充电过程中存在适配器被包裹的行为。

可以理解，当充电电流数据符合上述预设条件时，可以确定充电过程中出现了适配器温控的情况，适配器温控是指当适配器温度过高时适配器的一种自我保护机制，即，适配器温度过高时，会自动断电，待温度恢复安全范围后自动继续充电。据此，如果充电电流曲线符合上述预设条件时，可以推测出在充电过程中，出现了适配器被包裹的充电行为。

其中，适配器的包裹方式可以是任意的，例如，塑料袋包裹、购物袋包裹或衣物包裹等。而适配器并不需要完全被包裹，部分包裹也可能导致适配器充电过程中出现温度过高的情况。

当充电电流数据符合上述预设条件时，则可以推测出充电过程中出现适配器被包裹的情况，反之，则没有出现适配器被包裹的行为。

可以看出，本实施例通过获取电动车的充电数据，判断充电电流数据对应的充电电流曲线是否出现曲线中间某段时间的电流持续为零，且电流持续为零的时间段前后的电流差值小于等于预设电流阈值的情况，如果出现，则可以确定电动存在适配器被包裹的充电行为，从而实现了对充电过程中是否存在适配器被包裹的充电行为的识别。

实施例二

请参见图4，为本申请实施例提供的一种充电行为识别方法的又一种流程示意图，该方法可以包括以下步骤：

步骤S401、获取充电桩上传的电动车的充电数据，充电数据包括充电电流数据。

步骤S402、根据充电电流数据，生成充电电流曲线。

具体地，根据充电电流、电压等数据，在设定的坐标系中绘制出相应的曲线。

需要说明，一般情况下，充电数据主要包括电流、电压以及功率，而电动车的充电功率一般是不变的，功率曲线在电池状态的分析识别上所能起到的作用很小。因此，在一些情况下，只需要电流曲线，或者电流曲线和电压曲线即可。此外，电动车电池的材质类型、各类成分含量、电池容量、剩余SOC、电池老化程度、充电适配器、生产厂家等均不同，导致电池在充电过程中会出现各种各样的电流表现形式，不可能存在电流曲线完全相同的两辆电动车，故可以充电电流曲线对电池的当前充电状态、电池的安全性、电池的老化程度、用户充电行为的安全性等进行识别和判断。换句话说，在充电模式识别的过程中，主要依赖于电流曲线进行充电模式的分析识别。

步骤S403、将充电电流曲线转化为充电曲线样本图片。

具体地，将电流曲线转化为一定像素大小(例如128×128)的图片；对该图片像素灰度值进行标准化处理，得到充电曲线样本图片。其中，可以通过对数Logistic标准化的方式对图片进行处理，以使图片的像素值落入至0～1之间。

步骤S404、将充电曲线样本图片输入预先训练的神经网络模型，得到充电电流曲线对应的充电模式。

需要说明，上述神经网络模型可以是基于堆叠稀疏自编码的神经网络，该模型可以具体包括输入层、两层隐藏层、多分类层以及输出层。该神经网络模型预先利用包括所有充电模式的电流数据进行训练，以得到合适的网络参数。该神经网络模型可以从充电曲线样本图片中提取出相应的电流曲线特征，并识别该电流曲线特征，根据该电流曲线特征和充电模式的对应关系，得出该充电曲线对应的充电模式。

不同电动车的充电电流曲线是各不相同的，但是，不同的充电数据却可以包含某些相同的特征，不同的特征可以构成不同的充电模式。电流曲线特征可以是指表征一定形状的曲线的特征，即用特征表示某一段一定曲线形状或功能的曲线。例如，电流曲线特征中的凹槽特征，该凹槽特征对应一段呈凹槽形状的电流曲线，具体表现为电流持续缓慢下降至一个不为0的数值后，紧接着缓慢上升到与下降过程开始位置电流相差0.2A以下的位置。

又例如，充电电流曲线一般是三段式的，正常的三段式充电曲线包括第一阶段、第二阶段和第三阶段，分别将第一阶段、第二阶段、第三阶段对应的曲线均作为一个电流曲线特征，即，第一阶段特征、第二阶段特征以及第三阶段特征，其中，第一阶段特征表示正常的三段式充电曲线中的第一段的曲线；第二阶段特征表示正常的三段式充电曲线中的持续下降段，且下降的时间长度为半个小时；第三阶段特征表示正常的三段式充电曲线中的持续下降段之后充电时长大于1个小时，且电流值低于0.3A的一段曲线。

依此类推，针对电流曲线的形状以及其它特性，用不同的特征表示不同的曲线段。在本实施例中，充电电流曲线特征可以包括14个，分别为：凹槽、第一阶段、第二阶段、第三阶段、第一阶段部分振荡、第二阶段部分振荡、第三阶段部分振荡、凸、开始电流小于0.3A、中间为0、单个阶梯、中间阶梯、全振荡、多个持续阶梯。当然，实际应用中，还可以根据需要增加或减少电流曲线特征的类别。

不同曲线特征的时序组合可以构成不同的充电模式，即，根据充电电流曲线中所包含的曲线特征，以及这些曲线特征出现的时间先后顺序，对应不同的充电模式。在本实施例中，充电模式可以包括13个，分别为：只有一阶段、只有一二阶段、三阶段全、只有一三阶段、只有二三阶段、只有三阶段、大电流、同一订单同一个时段多辆车同时充电、同一订单不同时段多辆车分别充电、温控时间大于2个小时的充电、全振荡、突然停止(外界因素)、突然停止(非外界因素)。其中，不同充电模式由不同的曲线特征组合得到。例如，“只有一阶段”充电模式对应的充电电流曲线只有“第一阶段”曲线特征，即，此时的充电电流曲线只包括正常的三段式充电曲线中的第一段。

将相应的充电电流曲线的图片输入至神经网络模型之后，神经网络模型可以提取曲线特征，根据所提取的曲线特征来确定该充电电流曲线对应的充电模式。例如，假如某个充电电流曲线中包括正常的三段式曲线中的第一阶段、第二阶段和第三阶段，则将该充电曲线图片输入至神经网络模型之后，神经网络模型则可以提取出“第一阶段”特征、“第二阶段”特征以及“第三阶段”特征，然后根据“第一阶段”特征、“第二阶段特征”以及“第三阶段”特征的出现时间，确定该充电电流曲线对应的充电模式，假如三个特征的时间先后顺序为“第一阶段”特征、“第二阶段”特征、“第三阶段”特征，则神经网络模型可以确定该充电电流曲线对应的充电模式为“三阶段全”。

在一些实施例中，上述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络，该神经网络可以具体如图5示出的神经网络，其具体包括输入层Input L₁、隐藏层Layer L₂、隐藏层Layer L₃、输出层OutputL₄。其中的网络参数W、h、f可以通过模型训练确定。图5中未示出多分类层。

此时，参见图6所示的充电模式识别过程示意框图，上述将充电曲线样本图片输入预先训练的神经网络模型，得到充电模式识别结果的具体过程可以包括：

步骤S601、通过输入层获取充电曲线样本图片。

步骤S602、将充电曲线样本图片输入第一隐藏层，以使第一隐藏层对充电曲线样本图片进行特征提取操作，输出第一电流曲线特征。

步骤S603、将第一电流曲线特征输入第二隐藏层，以使第二隐藏层对第一电流曲线特征进行特征提取操作，输出第二电流曲线特征，第二电流曲线特征的精度高于第一电流曲线特征。

步骤S604、将所述第二电流曲线特征输入所述多分类层，以使所述多分类层识别所述第二电流曲线特征，根据电流曲线特征和充电模式的对应关系，得到充电模式分类结果。

步骤S605、将所述充电模式分类结果输入所述输出层，以使所述输出层输出所述充电模式识别结果。

具体地，神经网络模型获取到充电电流曲线图片之后，第一隐藏层可以根据图片数据提取出充电电流曲线的特征，第一隐藏层的输出作为第二隐藏层的输入，第二隐藏层对所输入的曲线特征进行进一步地的提取，得到更加精确的曲线特征，并将该曲线特征输出至多分类层，多分类层根据曲线特征进行模式组合分类，然后将分类结果输出至输出层，得到充电模式分类结果。

需要说明，第二电流曲线特征比第一电流曲线特征更加精确，第一隐藏层输出的电流曲线特征可以如图7所示，第二隐藏层输出的电流曲线特征可以如图8所示。第二隐藏层的作用可以进一步提高曲线特征的精度，因此可以说，隐藏层的数量越多，所提取得到的曲线特征的精度越高，反之，隐藏层的数量越少，曲线特征精度越低。但是，隐藏层数量的增多可以能会导致某些特征被淹没，因此，可以根据实际需要、精度需求等确定隐藏层的数量。

上述电流曲线特征和充电模式的对应关系是指预先设定的不同充电模式和各个曲线特征之间的对应关系，不同的充电模式可以由不同的电流曲线特征组合。为了更好地介绍电流曲线特征、电流曲线特征与充电模式之间的关系，下面将结合表1和表2进行说明。

表1充电电流曲线特征表

上表1为充电电流曲线特征表，为了描述方便，下文描述这14个特征时，分别用A～N大写字母相应表示。在表1中，各个特征均有相应的特征描述、特征曲线，特征曲线是指该特征对应的曲线形状的表示。可以理解，在具体应用中，还可以根据需要定义不同于上表1中所示的曲线特征。

将不同的特征进行组合可以得到不同的充电模式。将上述表1中的14个特征进行组合，可以得到13种小的充电模式，13种小的充电模式又可以划分为4 种大的充电模式，4种大的充电模式分别为正常充电、异常充电、全振荡充电以及突然停止充电。具体关系如下表2所示。

表2充电模式表

上表2示出了13种小充电模式，以及13种小充电模式对应的曲线特征组合、对应的大充电模式。其中，表2中充电模式组成中的A～N的特征是指上述表1中示出的A～N特征。可以理解，表2所示的充电模式仅仅是一种示例，具体应用中，可以包括更多或更少的充电模式类别。

需要说明，神经网络模型的输出结果是上述表2中的13种小充电模式，而根据小充电模式和大充电模式预先设定的对应关系，可以得到各个小充电模式对应的大充电模式。当然，也可以在神经网络模型中预先设定小充电模式和大充电模式的对应关系，神经网络模型也可以识别出小充电模式之后，再根据小充电模式输出大充电模式。即，神经网络模型的输出结果也可以是上述表2的大充电模式。当然，输出结果也可以同时包括小充电模式和大充电模式。

可以理解，上述神经网络模型可以是预先训练完成的，而该神经网络模型的训练过程具体可以包括：获取训练样本数据集，训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；对训练样本数据集进行数据预处理操作；根据预处理后的训练样本数据集，对预先建立的神经网络模型进行训练。

可以理解，上述训练样本数据集包括多个图片，该数据集中包括所有充电模式对应的充电曲线的图片。

其中，数据预处理操作可以将图片转换为一个标准的图片。在一些实施例中，上述对训练样本数据集进行数据预处理操作的具体过程可以包括：从每一张训练样本图片随机提取出第一预设数量张第三预设像素大小的目标图片；将目标图片分成第一类目标图片和第二目标图片，第一类目标图片为包含电流曲线和背景的图片，第二类目标图片为只包含背景的图片；从第一类目标图片数据集中随机抽取第二预设数量张图片，从第二类目标图片数据集中随机抽取第三预设数量张图片；将第二预设数量张图片和第三预设数量张图片组成训练样本；按照对数逻辑回归模式对训练样本中的每个样本的像素灰度值进行标准化处理，以使每个样本的像素值落入预设区间。

举例来说，样本图片大小为128×128像素，上述第三预设像素大小为8× 8像素，第一预设数量为1000，第二预设数量为50万，第三预设数量为3万。首先，将所有充电曲线模式的电流数据均转化为128×128像素大小的图片，然后，从每一张128×128像素的图片中随机提取出1000张8×8像素的小图片，并将这些小图片分为U1、U2两大类，U1里的小图片包含电流曲线和图片背景， U2里的小图片只包含图片背景。接着，从U1数据集和U2数据集中分别随机抽取出50万张小图片和3万张小图片，组成53万个训练样本，并对这53万个训练样本的像素灰度值按对数Logistic模式作标准化处理，使得训练样本的像素灰度值落入0～1之间。将标准化处理之后的53万个训练样本记为 X＝{x₁，x₂，…，x_n}，n＝530000。

举例来说，当神经网络模型为如图5所示的神经网络时，将训练样本 X＝{x₁，x₂，…，x_n}输入至神经网络之后，隐藏层L₂提取得到的电流曲线特征为Λ_m＝{λ₂₁，λ₂₂，…，λ_2m}，隐藏层L₃对Λ_m进行特征提取，得到Λ_k＝{λ₃₁，λ₃₂，…，λ_3k}，隐藏层L₃将Λ_k输入多分类层，得到分类结果，再将分类结果输出至输出层L₄，得到输出结果Y＝{y₁，y₂，…，y_n}。同时，还可以获得得到输入层L₁与隐藏层L₂之间的参数ω，隐藏层L₂与隐藏层L₃之间的参数h，隐藏层L₃与输出层L₄之间的参数f。

在训练之后，可以对得到的训练结果进行检测，当输出的训练结果与设定的充电模式之间的差异在可接受的精度范围内时，则可以确定相应的网络参数，然后进入识别阶段。

在识别出充电模式之后，可以根据充电模式进一步识别出充电行为。

步骤S405、当充电模式为预设充电模式时，充电电流数据符合预设条件，预设充电模式为温控时间大于预设时长的充电。

步骤S406、当充电模式为非预设充电模式时，充电电流数据不符合预设条件。

需要说明，上述预设充电模式是指上述表2中的第10种充电模式，即，当所识别的充电模式为温控时间大于2小时的充电时，则认为充电电流数据符合预设条件。此处，上述预设时时长为2小时。反之，如果所识别出的充电模式不是上述表2中的第10种充电模式，则充电电流数据不符合预设条件。

步骤S407、当充电电流数据符合预设条件时，确定充电过程中存在适配器被包裹的行为。

步骤S408、生成提示信息，通过用户终端将提示信息呈现给充电用户，以提示并引导充电用户规范充电。

需要说明，上述提示信息可以包括当前充电行为信息和对应的规范充电引导信息。例如，该提示信息可以为“检测到因适配器温度过高而自动断电，推测是适配器被包裹”。用户通过该提示信息可以及时得知自身当前存在的不规范充电行为，以及可以采取什么样的措施解决相应的安全隐患。其中，该提示信息可以通过用户终端的界面呈现给充电用户。具体界面表现形式可以是任意的，在此不作限定。

可以看出，本实施例基于电动车的充电数据，识别充电过程中是否存在适配器被包裹的充电行为。并且，识别出适配器被包裹的充电行为之后，呈现相应的提示信息给用户，以及时提醒用户，规范用户充电行为，消除充电安全隐患，保证电池寿命，提高充电过程的安全性，提高用户充电体验。

实施例三

请参见图9，为本申请实施例提供的充电行为识别方法的又一种流程示意框图，该方法可以包括以下步骤：

步骤S901、获取充电桩上传的电动车的充电数据，充电数据包括充电电流数据。

步骤S902、将充电数据输入预先训练的随机森林模型，得到充电数据对应的充电模式。

需要说明，随机森林模型可以为包括n棵决策树的模型，n为大于零的正整数，该模型可以具体图10的随机森林模型示意图中的模型，如图10所示，其包括决策树Tree1、Tree2…Tree(n-1)、Tree(n)，每棵决策树对相应的随机样本集进行分类处理，得到相应的分类结果类型1、类型1…类型2、类型3。此时，上述将充电数据输入预先训练的随机森林模型，得到充电数据的充电模式的具体过程可以包括：通过n棵决策树对充电电流数据进行分类，得到n个分类结果；通过投票机制从n个分类结果中确定最终分类结果，将最终分类结果作为充电模式，最终分类结果为n个分类结果中数量大于等于n/2的分类结果。其中，在随机森林中各棵决策树得到分类结果之后，可以利用投票机制，将数量占比达到50％以上的分类结果作为最终分类结果，该分类结果结果即为充电数据对应的充电模式识别结果。例如，如图3所示，当分类结果“类型1”的数量占比达到50％以上时，则通过投票的最终结果为“类型1”。

随机森林的输出结果一般是上述实施例二中表2所示的13种小充电模式，而根据小充电模式和大充电模式预先设定的对应关系，可以得到各个小充电模式对应的大充电模式。当然，也可以在随机森林模型中预先设定小充电模式和大充电模式的对应关系，这样随机森林模型在得出小充电模式之后，再根据小充电模式输出大充电模式，即，随机森林模型的输出结果也可以是上述表2的大充电模式。当然，输出结果也可以同时包括小充电模式和大充电模式。

将充电电流数据输入至随机森林模型之后，随机森林中的各个决策树根据预先训练的模型参数，基于上述实施例二的表1和表2，对该充电电流数据进行分类，得到分类结果，各个分类结果为各个决策树对该充电电流数据的模式分类，最后通过统计各分类结果的数量，将数量占比50％以上的分类结果作为模型的最终输出结果，该最终输出结果即为充电模式识别结果。例如，假如某个充电电流数据对应的充电电流曲线中包括正常的三段式曲线中的第一阶段、第二阶段和第三阶段，随机森林模型对该电流数据进行分类识别后，可以确定该充电电流数据对应的充电模式为“三阶段全”。

其中，随机森林的模型参数是通过预先训练得到的，而随机森林的训练过程具体包括：获取训练样本集和对应的充电模式标签；根据训练样本集和充电模式标签，对随机森林模型进行训练。

可以理解，基于随机森林C4.5算法构建出充电数据的模式识别模型即随机森林模型，随机森林是一种有监督的学习算法，有监督学习算法需要利用带有标签的样本数据区巡逻模型，使模型能够达到期望的效用。在训练过程中，随机森林采用随机的有放回的选择训练样本集并构建相应的决策树，每个决策树再随机选择特征进行分类。随机森林得到所有决策树的分类结果，通过选择出现次数最多的结果作为最终输出结果。

上述训练样本集为包括所有充电模式对应的充电电流数据、电压数据的数据集，对应的充电模式标签是指各个充电电流数据、电压数据对应的充电模式，该充电模式为人工标定。如图10所示，训练过程中，随机森林从全部训练样本集中随机地有放回地抽取一部分数据作为样本集，共选取n个样本集，得到n 棵决策树，每一棵决策树随机选择m个特征进行分类，每个决策树均得到相应的分类结果，然后通过统计得到最后训练结果。

随机森林模型中包括特征个数、决策树的个数和叶子的个数这三个超参数。通过足够的训练样本对模型进行训练后，可以确定出模型中的相应参数。在训练完成后可以对模型进行测试，以检验模型效果是否符合预期要求。参见图11 所示的随机森林模型的混淆矩阵示意图可知，其是在默认的参数设置下，对随机森林模型进行测试，得到32类的分类精度为84.3％，从图11中还可以看出，当训练数据的类别较多时，由于各个充电模式之间有特征重叠的部分，会对精度有一定的影响，故可以将图11中的32种充电模式合并成上文表2中的13 类充电模式，合并之后，分类精度可以提高至87％。当然，实际应用中，充电模式的分类可以根据实际需要进行设定。

在识别出充电模式之后，可以根据该充电模式进一步识别出充电行为。

步骤S903、当充电模式为预设充电模式时，充电电流数据符合预设条件，预设充电模式为温控时间大于预设时长的充电。

步骤S904、当充电模式为非预设充电模式时，充电电流数据不符合预设条件。

步骤S904、当充电电流数据符合预设条件时，确定充电过程中存在适配器被包裹的行为。

步骤S905、生成提示信息，通过用户终端将提示信息呈现给充电用户，以提示并引导充电用户规范充电。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例四

请参见图12，为本申请实施例提供的一种充电行为识别装置的结构示意框图，该装置可以包括：

充电数据获取模块121，用于获取充电桩上传的电动车的充电数据，充电数据包括充电电流数据；

判断模块122，用于判断充电电流数据是否符合预设条件，预设条件为在充电起始时间和结束时间之间存在电流持续为0的时间段，且时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值；

确定模块123，用于当充电电流数据符合预设条件，确定充电过程中存在适配器被包裹的行为。

在一种可行的实现方式中，判断模块包括：

曲线生成单元，用于根据充电电流数据，生成充电电流曲线；

转化单元，用于将电流曲线转化为充电曲线样本图片；

第一充电模式识别单元，用于将充电曲线样本图片输入预先训练的神经网络模型，得到充电电流曲线对应的充电模式；

第一确定单元，用于当充电模式为预设充电模式时，充电电流数据符合预设条件，预设充电模式为温控时间大于预设时长的充电；

第二确定单元，用于当充电模式为非预设充电模式时，充电电流数据不符合预设条件。

在一种可行的实现方式中，神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

第一充电模式识别单元包括：

获取子单元，用于通过输入层获取充电曲线样本图片；

第一特征提取子单元，用于将充电曲线样本图片输入第一隐藏层，以使第一隐藏层对充电曲线样本图片进行特征提取操作，输出第一电流曲线特征；

第二特征提取子单元，用于将第一电流曲线特征输入第二隐藏层，以使第二隐藏层对第一电流曲线特征进行特征提取操作，输出第二电流曲线特征，第二电流曲线特征的精度高于第一电流曲线特征；

第一分类子单元，用于将第二电流曲线特征输入多分类层，以使多分类层识别第二电流曲线特征，根据电流曲线特征和充电模式的对应关系，得到充电模式分类结果；

输出子单元，用于将充电模式分类结果输入输出层，以使输出层输出充电模式。

在一种可行的实现方式中，第一充电模式识别单元包括：

训练样本集获取子单元，用于获取训练样本数据集，训练样本数据集为包括所有充电模式对应的电流曲线样本图片的数据集；

预处理子单元，用于对训练样本数据集进行数据预处理操作；

训练子单元，用于根据预处理后的训练样本数据集，对预先建立的神经网络模型进行训练。

在一种可行的实现方式中，判断模块包括：

第二充电模式识别单元，用于将充电数据输入预先训练的随机森林模型，得到充电数据对应的充电模式；

第三确定单元，用于当充电模式为预设充电模式时，充电电流数据符合预设条件，预设充电模式为温控时间大于预设时长的充电；

第四确定单元，用于当充电模式为非预设充电模式时，充电电流数据不符合预设条件。

在一种可行的实现方式中，随机森林模型为包括n棵决策树的模型，n为大于零的正整数；

第二充电模式识别单元包括：

第二分类子单元，用于通过n棵决策树对充电电流数据进行分类，得到n 个分类结果；

选取子单元，用于从n个分类结果中确定最终分类结果，将最终分类结果作为充电模式，最终分类结果为n个分类结果中数量大于等于n/2的分类结果。

在一种可行的实现方式中，还包括：

提示信息生成模块，用于生成提示信息；

提示模块，用于通过用户终端将提示信息呈现给充电用户，以提示并引导充电用户规范充电。

本实施例通过获取电动车的充电数据，判断充电电流数据对应的充电电流曲线是否出现曲线中间某段时间的电流持续为零，且电流持续为零的时间段前后的电流差值小于等于预设电流阈值的情况，如果出现，则可以确定电动存在适配器被包裹的充电行为，从而实现了识别充电过程中是否存在适配器被包裹的充电行为。

实施例五

图13是本申请一实施例提供的终端设备的示意图。如图13所示，该实施例的终端设备13包括：处理器130、存储器131以及存储在所述存储器131中并可在所述处理器130上运行的计算机程序132。所述处理器130执行所述计算机程序132时实现上述各个充电行为识别方法实施例中的步骤，例如图2所示的步骤S201至S203。或者，所述处理器130执行所述计算机程序132时实现上述各装置实施例中各模块或单元的功能，例如图12所示模块121至123 的功能。

示例性的，所述计算机程序132可以被分割成一个或多个模块或单元，所述一个或者多个模块或单元被存储在所述存储器131中，并由所述处理器130 执行，以完成本申请。所述一个或多个模块或单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序132在所述终端设备13中的执行过程。例如，所述计算机程序132可以被分割成充电数据获取模块、判断模块以及确定模块，各模块具体功能如下：

充电数据获取模块，用于获取充电桩上传的电动车的充电数据，充电数据包括充电电流数据；判断模块，用于判断充电电流数据是否符合预设条件，预设条件为在充电起始时间和结束时间之间存在电流持续为0的时间段，且时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值；确定模块，用于当充电电流数据符合预设条件，确定充电过程中存在适配器被包裹的行为。

所述终端设备13为服务器。所述终端设备可包括，但不仅限于，处理器 130、存储器131。本领域技术人员可以理解，图13仅仅是终端设备13的示例，并不构成对终端设备13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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器130可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

所述存储器131可以是所述终端设备13的内部存储单元，例如终端设备 13的硬盘或内存。所述存储器131也可以是所述终端设备13的外部存储设备，例如所述终端设备13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。进一步地，所述存储器131还可以既包括所述终端设备13的内部存储单元也包括外部存储设备。所述存储器131用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器131还可以用于暂时地存储已经输出或者将要输出的数据。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置、终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置、终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种充电行为识别方法，其特征在于，包括：

判断所述充电电流数据是否符合预设条件，所述预设条件为在充电起始时间和结束时间之间存在电流持续为预设数值的时间段，且所述时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值，所述预设数值为零；

2.根据权利要求1所述的充电行为识别方法，其特征在于，所述判断所述充电电流数据是否符合预设条件，包括：

根据所述充电电流数据，生成充电电流曲线；

将所述充电电流曲线转化为充电曲线样本图片；

3.根据权利要求2所述的充电行为识别方法，其特征在于，所述神经网络模型为包括输入层、第一隐藏层、第二隐藏层、多分类层以及输出层的基于堆叠稀疏自编码的神经网络；

通过所述输入层获取所述充电曲线样本图片；

4.根据权利要求3所述的充电行为识别方法，其特征在于，所述神经网络模型的训练过程具体为：

对所述训练样本数据集进行数据预处理操作；

5.根据权利要求1所述的充电行为识别方法，其特征在于，所述判断所述充电电流数据是否符合预设条件，包括：

6.根据权利要求5所述的充电行为识别方法，其特征在于，所述随机森林模型为包括n棵决策树的模型，n为大于零的正整数；

7.根据权利要求1至6任一项所述的充电行为识别方法，其特征在于，在所述确定充电过程中存在适配器被包裹的行为之后，还包括：

生成提示信息；

8.一种充电行为识别装置，其特征在于，包括：

判断模块，用于判断所述充电电流数据是否符合预设条件，所述预设条件为在充电起始时间和结束时间之间存在电流持续为预设数值的时间段，且所述时间段的起始时刻的电流和结束时刻的电流差值小于或等于预设电流阈值，所述预设数值为零；

9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一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存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。