CN112329911A - 一种充电异常确定方法和装置 - Google Patents

Abstract

本申请提供了一种充电异常确定方法和装置，其中，该方法包括：获取多个电池柜中充电的电池上传的心跳数据；将所述心跳数据转换为深度神经网络可接受的输入数据；将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；对所述输出特征进行孤立森林，得到心跳异常值。通过上述方案解决了现有的充电异常需要人为通过经验判断，而导致人力成本高、判断结果和及时性不理想的问题，达到了简单高效确定充电异常的技术效果。

Description

一种充电异常确定方法和装置

技术领域

本申请属于数据处理技术领域，尤其涉及一种充电异常确定方法和装置。

背景技术

共享换电柜是共享新能源交通工具正在发展的业务，主要是为了为共享新能源交通工具提供充电服务。一般，操作流程是：用户在手机侧点击换电操作，开始换电操作的信息传至服务器，再由服务器传至共享换电柜，在换电柜接收到用户的换电行为信号后，会弹开一个没有装电池的空格口，用户将已经用完的低电量电池放在空格口中，并关闭柜门。电池放入电柜后会进行心跳上报，电柜接收到低电量电池放入后，电柜会弹开一个新的装有满电电池的格口，用户可以将满电电池取出，关闭该柜门，完成一次换电操作。

为了保证共享换电柜的安全有效运行，需要检测电池在共享电柜中充电异常，目前充电异常的预警仅仅是简单的人工利用先验知识做选取。根据经验列举出电池在电柜中充电这个过程中已经经常发生的故障，并根据经验找到发生这些故障时的数据规律，从而制定规则，在下次数据出现同样的规律时，判断是否发生类似的故障。

然而，这种确定共享换电柜异常的方式存在如下问题：基本依赖于相关工作人员自身的业务能力，该人员的个人知识和认知的主观因素会直接决定判断结果，人工选择难以捕捉特征之间、特征与收益之间深层次的关联，从而制定不出完整的规则，且同样的事故需要发生多次才能开始制定规则并投入使用，这期间容易造成很大的经济损失，甚至发生充电异常导致的电池爆炸等事故，具有潜在的风险。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本申请目的在于提供一种充电异常确定方法和装置，可以实现简单高效发现充电异常的目的。

本申请提供一种充电异常确定方法和装置是这样实现的：

一种充电异常确定方法，所述方法包括：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值。

在一个实施方式中，所述心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据包括以下至少之一：电压、电流、温度、电量，第一类别特征数据包括以下至少之一：城市、经纬度、电柜号、格口号、电池号。

在一个实施方式中，将所述心跳数据转换为深度神经网络可接受的输入数据，包括：

对第一数值特征数据做哈希编码，得到哈希结果数据；

对所述哈希结果数据进行分桶处理，得到第二类别特征数据；

对所述第一类别特征数据和所述第二类别特征数据进行交叉，得到交叉结果数据；

对所述交叉结果数据进行分桶，得到训练特征数据。

在一个实施方式中，在对所述交叉结果数据进行分桶，得到训练特征数据之后，还包括：

对所述训练特征数据进行onehot编码；

对onehot编码后的数据，进行特征embedding，得到深度神经网络可接受的输入数据。

在一个实施方式中，所述深度神经网络为BiLSTM，将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征，包括：

将所述可接受的输入数据输入第一层LSTM，得到第一层输出；

将所述可接受的输入数据和所述第一层输出，输入第二层LSTM，得到第二层输出；

将第二层输出输入第三层LSTM，得到输出特征。

在一个实施方式中，将所述输出特征作为输入传入孤立森林中，得到心跳异常值，包括：

获取用户输入的异常值比例；

将所述输出特征作为输入传入孤立森林中，输出满足所述异常值比例的心跳异常值。

在一个实施方式中，将所述输出特征作为输入传入孤立森林中，输出心跳异常值之后，还包括：

统计在第一预定时间周期中的心跳异常值；

将在预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障。

在一个实施方式中，将在预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障之后，还包括：

统计在第二预定时间周期中的心跳异常值，其中，所述第二预定时间周期大于第一预定时间周期；

在同一格口中电池已经更改，但格口仍被确定为心跳异常值，则确定格口充电异常；

在同一电池在不同格口中，都被确定为心跳异常值，则确定电池充电异常。

另一方面，提供了一种充电异常确定装置，包括：

获取模块，用于获取多个电池柜中充电的电池上传的心跳数据；

转换模块，用于将所述心跳数据转换为深度神经网络可接受的输入数据；

输入模块，用于将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

确定模块，用于对所述输出特征进行孤立森林，得到心跳异常值。

在一个实施方式中，所述心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据包括以下至少之一：电压、电流、温度、电量，第一类别特征数据包括以下至少之一：城市、经纬度、电柜号、格口号、电池号。

在一个实施方式中，所述转换模块包括：

哈希单元，用于对第一数值特征数据做哈希编码，得到哈希结果数据；

分桶单元，用于对所述哈希结果数据进行分桶处理，得到第二类别特征数据；

交叉单元，用于对所述第一类别特征数据和所述第二类别特征数据进行交叉，得到交叉结果数据；

分桶单元，用于对所述交叉结果数据进行分桶，得到训练特征数据。

又一方面，提供了一种终端设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现如下方法的步骤：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值。

又一方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现如下方法的步骤：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值。

本申请提供的充电异常确定方法和装置，以多个电池柜中充电的电池上传的心跳数据作为基础，通过转换得到深度神经网络可以处理的数据，然后输入到神经网络中进行特征提取，得到输出特征，再以输出特征作为输入传入孤立森林中，就可以输出心跳异常值，从而可以识别出充电异常的电池或格口，通过上述方案解决了现有的充电异常需要人为通过经验判断，而导致人力成本高、判断结果和及时性不理想的问题，达到了简单高效确定充电异常的技术效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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中记载的一些实施例，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是本申请提供的充电异常确定方法的方法流程图；

图2是本申请提供的数据处理的逻辑架构图；

图3是本申请提供的特征处理的流程示意图；

图4是本申请提供的孤立森林的模型示意图；

图5是本申请提供的计算机终端的架构示意图；

图6是本申请提供的充电异常确定装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

为了可以简单高效确定出共享电柜中的充电异常，使得用户足够方便且共享电柜的投放成本不高，在本例中提供了一种充电异常的确定方法，具体的，将Bi-LSTM(双向长短期记忆网络，bilateral long-term and short-term memory network)算法从文本处理领域的上下文关联迁移到电池在共享电柜中充电异常问题，选用合理的电池在电柜中充电中回传回来的心跳数据，为充电过程中异常现象给出异常提醒，从而减少事故发生的概率。即，根据电池在共享充电柜中每5分钟回传回来的心跳信息(包含柜子编号，格口编号，电池编号，电池的充电电流，电池的电压，电池的充电温度等)，根据循环神经网络提取特征，再利用这些特征数据进行孤立森林，再根据得到的异常数据判断是电柜格口异常还是电池异常，并及时发出预警信息。

如图1所示，在本例中，提供了一种充电异常确定方法，可以包括如下步骤：

步骤101：获取多个电池柜中充电的电池上传的心跳数据；

其中，心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据可以包括但不限于以下至少之一：电压、电流、温度、电量，第一类别特征数据可以包括但不限于以下至少之一：城市、经纬度、电柜号、格口号、电池号。

心跳数据是电池柜中的电池在充电的过程中每隔一段时间上报的数据，以表明自己当前的状态，例如，可以是1分钟上传一次，也可以是五分钟上传一次等等，具体的上传频率可以根据实际需要设定，本申请对此不作限定。

步骤102：将所述心跳数据转换为深度神经网络可接受的输入数据；

具体的，将所述心跳数据转换为深度神经网络可接受的输入数据可以是对第一数值特征数据做哈希编码，得到哈希结果数据；对所述哈希结果数据进行分桶处理，得到第二类别特征数据；对所述第一类别特征数据和所述第二类别特征数据进行交叉，得到交叉结果数据；对所述交叉结果数据进行分桶，得到训练特征数据。

例如，可以通过MurMurHash算法进行哈希编码，哈希算法是将任意长度的二进制值映射为较短的固定长度的二进制值，这个小的二进制值称为哈希值。哈希算法可以将任意数据通过一个函数转换成长度固定的数据串(通常用16进制的字符串表示)，函数与数据串之间形成一一映射的关系。

在对哈希后得到的数据进行分桶的时候，可以是采用等频分桶的分桶算法，以保证每个桶内的特征数量大致相同，即比较均匀。其中，等频分桶是将观察点均匀分为n等份，每份内包含的观察点数相同，仍以上面为例，距离最近换电柜的距离有1000个，等频分段需要先将距离按从小到大按顺序排列，排列好后可以按100个一组，将全部换电柜均匀分为十份。

在对数值特征经过哈希分桶后，可以变为类别特征。然后将特征做交叉，以捕捉特征之间的关联信息。

其中，特征交叉可以是一个笛卡尔积，即，将两个特征列进行笛卡尔积。在笛卡尔积中,如果同时满足两者的条件，则结果为1，否则为0。通过这种方式可以对离散型的数据特征做交叉，从而确定特征之间的关联关系。一般来说，可以先对数据进行分档处理，再将分档的结果进行特征交叉，从而可以获得更好的数据特征，所谓分档处理就是上述的哈希分桶，通过哈希分桶，可以对数据降维，从而极大地简化计算量。

进一步的，需要对数据进行进一步处理，例如，可以对训练特征数据进行onehot编码；对onehot编码后的数据，进行特征embedding，得到深度神经网络可接受的输入数据。

步骤103：将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

其中，深度神经网络可以是BiLSTM，将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征，可以是将所述可接受的输入数据输入第一层LSTM，得到第一层输出；然后，将所述可接受的输入数据和所述第一层输出，输入第二层LSTM，得到第二层输出；再将第二层输出输入第三层LSTM，得到输出特征。因为第二层的输入是第一层的输出和第一层的输入，因此可以实现残差连接的目的。

步骤104：将所述输出特征作为输入传入孤立森林中，输出心跳异常值。

针对孤立森林而言，用户可以设定故障率，例如可以设定故障率为1％，那么就可以设定异常值比例为1％，然后一次比例进行孤立森林，从而输出预定比例的异常值。例如，有1000组数据，那么异常值比例为1％的情况下，就会输出10个异常值。即，可以获取用户输入的异常值比例；然后，将所述输出特征作为输入传入孤立森林中，输出满足所述异常值比例的心跳异常值。

在上例中，以多个电池柜中充电的电池上传的心跳数据作为基础，通过转换得到深度神经网络可以处理的数据，然后输入到神经网络中进行特征提取，得到输出特征，再以输出特征作为输入传入孤立森林中，就可以输出心跳异常值，从而可以识别出充电异常的电池或格口，通过上述方案解决了现有的充电异常需要人为通过经验判断，而导致人力成本高、判断结果和及时性不理想的问题，达到了简单高效确定充电异常的技术效果。

通过上述方式可以确定出心跳异常值，结合心跳异常值，可以确定出具体是格口还是电池发生的充电的故障，例如，在将所述输出特征作为输入传入孤立森林中，输出心跳异常值之后：可以统计在第一预定时间周期中的心跳异常值；将在第一预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障。

具体的，可以统计在第二预定时间周期中的心跳异常值，其中，所述第二预定时间周期大于第一预定时间周期；在同一格口中电池已经更改，但格口仍被确定为心跳异常值，则确定格口充电异常；在同一电池在不同格口中，都被确定为心跳异常值，则确定电池充电异常。

例如，统计在过去的20分钟内，即四次心跳时长，如果同一柜子的同一格口大于等于两次属于异常值，那么就认为这个格口及格口中电池充电故障。一般一块零电量电池在柜子中平均充电时长为4小时后被用户取出使用，因此，可以取过去8小时的历史结果，如果同一格口中电池已经更改，但格口仍被输出异常，那么可以判定为格口充电异常预警；如果电池在不同格口中电池仍被输出异常，那么可以确定该电池充电异常预警；如果一块电池在同一格口中放置超过8小时，那么无法进一步判断是格口还是电池异常，此时进行格口及电池预警，可以是通过线下运维做进一步判断的。

下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。

考虑到充电柜在对共享电池进行充电的时候，如果充电过程中发生故障，那么将导致充电速度很慢，影响充电效率，甚至电池充电过程中长时间温度过高导致电池爆炸，对电池甚至电柜的生命周期产生不可逆的严重影响。充电过程中可能发生的异常很多，无法一一列举，但是需要找到一种方法能及时发现充电过程中充电异常。

共享充电柜为低电量电池充电的一般流程为：低电量电池在电柜中充电，并每5分钟将电池的充电信息上报至服务器，其中，充电信息包括：电池的充电电流、充电电压、充电温度、电池电量、电柜的编号、电柜格口编号和电池编号。判断电池电量，直至电池电量达到满电，电柜不再继续为电池提供充电电流，虽然不再充电，但仍会上报电池充电信息并进行电池电量判断，而在不充电的过程中，电池在电柜中电量会缓慢消耗导致电池电量下降，当电池电量将至95％，电柜格口会继续提供充电电流为电池充电。

针对充电过程，本例中提供了一种判断电池在共享电柜中充电异常的方法，通过寻找离群点的方法来确定充电异常，具体的，可以根据心跳数据(即，电池返回的充电信息)判断出电池与其他电池明显不同，其中，充电异常情况可以包括：电池充电速度(通过回传的充电电量随时间变化)过快或过慢、电池温度过快或过慢，在该充电的时刻没有进行充电等等。具体的，可以结合循环神经网络和孤立森林算法进行异常充电告警。

其中，循环神经网络算法用于为孤立森林算法提取有效特征，例如，可以选用Bi-LSTM(Bi-directional Long Short-Term Memory，前向LSTM)算法。孤立森林(IsolationForest)是一种“离群点检测”(outlier detection)方法。孤立森林由iTree(isolationtree)组成，构建过程只是一个完全随机的过程。比如：现有数据集中有n条数据，先从这n条数据中抽取一批样本(一般是无放回抽样)，假设样本个数ψ，随机选择一个特征作为起始节点，并在该特征的值域里随机选择一个值，对ψ个样本进行二叉划分，将样本中小于该取值的样本划到左分支，样本中大于该取值的划到右分支，然后在左右两个分支重复这样的二叉划分操作。

具体的，在本例中，提供了一种基于循环神经网络算法和孤立森林思想计算共享电瓶车的电池充电异常问题的方法，以便可以及时发现充电异常电池并发出告警，从而使得线下运维人员可以及时发现异常电池，减少电池在充电过程中发生的意外以及减少意外造成的危险，使得共享电动车和共享电柜都能安全稳定运营。

该充电电池异常识别方法，可以包括如下步骤：

步骤1：获取电池在共享充电柜中每5分钟回传回来的心跳信息，其中，心跳信息包括：柜子编号，格口编号，电池编号，电池的充电电流，电池的电压，电池的充电温度等；

步骤2：对心跳信息，根据循环神经网络进行提取特征，得到特征数据；

步骤3：利用这些特征数据进行孤立森林得到异常数据；

步骤4：根据得到的异常数据判断是电柜格口异常还是电池异常，并及时发出预警信息。

在本例中所用到的算法特征数据有：城市、geohash、电压、电流、温度、电量、电柜号、格口号、电池号。其中，geohash是一种对经纬度地址的编码，唯一标识了该地址在地图上的物理位置，同样的柜子编号、格口编号、电池编号为一组数据。

具体的，对于算法数据，可以按照如图2所示的数据流进行处理，以将数值特征转换为类别特征，从而减少数值型特征中极少数异常值对整体模型训练的影响：

1)对特征数据进行分类，例如：将电压、电流、温度、电量这种数值型的特征数据作为数值特征，将城市、geohash、电柜号、格口号、电池号这种类别型特征数据作为类别特征。

2)对数值特征做哈希编码，例如，可以通过MurMurHash算法进行哈希编码，MurmurHash是一种非加密型哈希函数，适用于一般的哈希检索操作，这种算法的优点在于生成的哈希值分布非常均匀；

其中，哈希算法是将任意长度的二进制值映射为较短的固定长度的二进制值，这个小的二进制值称为哈希值。哈希算法可以将任意数据通过一个函数转换成长度固定的数据串(通常用16进制的字符串表示)，函数与数据串之间形成一一映射的关系。

3)对哈希后得到的数据进行分桶，从而将数值特征转为了类别特征，具体的，可以采用等频分桶的分桶算法，该算法优点在于每个桶内的特征数量大致相同，即比较均匀；

其中，等距分桶是将连续型变量的取值范围均匀划成n等份，每份的间距相等。例如，距离最近换电柜的距离是一个连续型变量，那么可以从几米到几千米。例如，采取等距切分可以把500米以下的电柜划分成一组，500-1000米的为一组，1000-1500米为一组..，以此类分，组距都是500米。等频分桶是将观察点均匀分为n等份，每份内包含的观察点数相同，仍以上面为例，距离最近换电柜的距离有1000个，等频分段需要先将距离按从小到大按顺序排列，排列好后可以按100个一组，将全部换电柜均匀分为十份。

4)数值特征经过哈希分桶后，可以变为类别特征。将1)中的类别特征和3)中得到的类别特征做交叉，以捕捉特征之间的关联信息。进一步的，考虑到交叉后的数据类别之间不具有均匀性，会提高模型学习的难度，因此，可以对交叉后的特征做进一步的等频分桶，等到最终的训练特征。

即，可以将上述1)中的类别特征3)中的类别特征作为两个特征列进行笛卡尔积，从而得到特征交叉的结果，在笛卡尔积中，如果同时满足两者的条件，则结果为1，否则为0。通过这种方式可以对离散型的数据特征做交叉，从而确定特征之间的关联关系。一般来说，可以先对数据进行分档处理，再将分档的结果进行特征交叉，从而可以获得更好的数据特征，所谓分档处理就是上述的哈希分桶，通过哈希分桶，可以对数据降维，从而极大地简化计算量。

图3是本发明特征处理模块的流程图，目的是将上述得到的类别特征(也可称为类别变量)处理为bilstm能接受的输入变量，可以包括如下步骤：

S1：对上述的类别特征做onehot编码；

S2：对onehot编码后得到的数据，进行特征embedding；

S3：经过S1和S2，将类别特征转为了数值特征，从而可以作为输入传入bilstm模型。

对于Bilstm算法的训练模块而言：

对于Bilstm模型而言，第一层LSTM与第二层LSTM之间是双向信息传递的，第二层LSTM与第三层LSTM之间是双向信息传递的。在本例中，在Bilstm的基础上，引入了残差网络的概念，即，跳层连接，第一层LSTM与第三层LSTM之间也可以进行双向信息传递。

第一层LSTM接收输入数据从整体看是三维的，维度可以是(N,24,6)，其中，N表示每次输入网络训练的特征条数，4表示时间步长(timestep)，6表示特征维度(data_dim)。

需说明的是，时间步长(timesteps)和特征维度(data_dim)是用于衡量输入数据的数据量及其所包含的历史信息长短的指标。数据量太大会导致计算复杂，神经网络的训练速度较慢；数据量太小又容易导致数据包含的历史信息太短，难以反映出周期规律。在本例中，优选的时间步长(timesteps)为4，每一次心跳为时间节点，特征维度(data_dim)为6，以快速训练神经网络，但应理解本实施例中的参数仅为优选而不是对本发明的限制。

第二层LSTM以数值特征数据和第一层LSTM的输出数据作为其输入数据。

第三层LSTM以第二层LSTM的输出数据作为其输入数据，以进行特征提取，输出的结果为进行孤立森林的原始数据。

即通过Bilstm进行特征提取，映射关系为一条原始心跳数据对应一条特征，然后将输出特征传入孤立森林，孤立森林输出异常值。

对于孤立森林算法的训练模块而言：

将Bilstm输出的特征作为原始数据输入孤立森林，输入阈值作为异常值比例，最终孤立森林输出的结果即为我们最终的充电异常结果，如图4所示，d是最异常的值。

具体的，孤立森林预测结果：过去的五分钟，共有1000个格口的1000块电池有心跳上报，那么可以设置异常值的比率为1％，这个比率是可变的，那么将输出10个柜子的格口中10块电池为充电异常。

在本例中，统计在过去的20分钟内，即四次心跳时长，如果同一柜子的同一格口大于等于两次属于异常值，那么就认为这个格口及格口中电池充电故障。一般一块零电量电池在柜子中平均充电时长为4小时后被用户取出使用，因此，可以取过去8小时的历史结果，如果同一格口中电池已经更改，但格口仍被输出异常，那么可以判定为格口充电异常预警；如果电池在不同格口中电池仍被输出异常，那么可以确定该电池充电异常预警；如果一块电池在同一格口中放置超过8小时，那么无法进一步判断是格口还是电池异常，此时进行格口及电池预警，可以是通过线下运维做进一步判断的。

在上例中，将常用的循环神经网络引入到电池在电柜充电时的充电异常及时发现问题中的特征提取，并将提取到的特征用于孤立森林算法，充分应用了所有电池在电柜充电过程中的心跳数据，并将各种因素的影响充分发挥，之后根据预设算法可以得到异常电池数据，制定原则从电池异常或者格口异常中得出合理选项，可以降低试错成本和运营成本，从而可以提高电池充电效率和降低电池充电故障造成的风险。即，将循环神经网络的Bilstm与孤立森林两种方法结合，应用到电池在电柜中充电异常的及时发现中，采用循环神经网络Bilstm提取特征，并根据具体数据对网络进行一定的改造，在多层lstm中加入残差连接，并将最后的池化层改为有注意力机制的池化层。

本申请上述实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图5是本发明实施例的一种充电异常确定方法的计算机终端的硬件结构框图。如图5所示，计算机终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的充电异常确定方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的充电异常确定方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

在软件层面，上述装置可以如图6所示，包括：

获取模块601，用于获取多个电池柜中充电的电池上传的心跳数据；

转换模块602，用于将所述心跳数据转换为深度神经网络可接受的输入数据；

输入模块603，用于将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

确定模块604，用于对所述输出特征进行孤立森林，得到心跳异常值。

在一个实施方式中，所述心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据包括以下至少之一：电压、电流、温度、电量，第一类别特征数据包括以下至少之一：城市、经纬度、电柜号、格口号、电池号。

在一个实施方式中，转换模块602可以包括：哈希单元，用于对第一数值特征数据做哈希编码，得到哈希结果数据；分桶单元，用于对所述哈希结果数据进行分桶处理，得到第二类别特征数据；交叉单元，用于对所述第一类别特征数据和所述第二类别特征数据进行交叉，得到交叉结果数据；分桶单元，用于对所述交叉结果数据进行分桶，得到训练特征数据。

在一个实施方式中，对所述交叉结果数据进行分桶，得到训练特征数据之后，可以对所述训练特征数据进行onehot编码；对onehot编码后的数据，进行特征embedding，得到深度神经网络可接受的输入数据。

在一个实施方式中，深度神经网络可以是Bi-LSTM，将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征，可以包括：将所述可接受的输入数据输入第一层LSTM，得到第一层输出；将所述可接受的输入数据和所述第一层输出，输入第二层LSTM，得到第二层输出；将第二层输出输入第三层LSTM，得到输出特征。

在一个实施方式中，对所述输出特征进行孤立森林，得到心跳异常值，可以包括：获取用户输入的异常值比例；对所述输出特征进行孤立森林，输出满足所述异常值比例的心跳异常值。

在一个实施方式中，将所述输出特征作为输入传入孤立森林中，输出心跳异常值之后，可以统计在第一预定时间周期中的心跳异常值；将在第一预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障。

在一个实施方式中，将在预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障之后，还可以包括：统计在第二预定时间周期中的心跳异常值，其中，所述第二预定时间周期大于第一预定时间周期；在同一格口中电池已经更改，但格口仍被确定为心跳异常值，则确定格口充电异常；在同一电池在不同格口中，都被确定为心跳异常值，则确定电池充电异常。

本申请的实施例还提供能够实现上述实施例中的充电异常确定方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的充电异常确定方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤1：获取多个电池柜中充电的电池上传的心跳数据；

步骤2：将所述心跳数据转换为深度神经网络可接受的输入数据；

步骤3：将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

步骤4：将所述输出特征作为输入传入孤立森林中，输出心跳异常值。

从上述描述可知，本申请实施例以多个电池柜中充电的电池上传的心跳数据作为基础，通过转换得到深度神经网络可以处理的数据，然后输入到神经网络中进行特征提取，得到输出特征，再以输出特征作为输入传入孤立森林中，就可以输出心跳异常值，从而可以识别出充电异常的电池或格口，通过上述方案解决了现有的充电异常需要人为通过经验判断，而导致人力成本高、判断结果和及时性不理想的问题，达到了简单高效确定充电异常的技术效果。

本申请的实施例还提供能够实现上述实施例中的充电异常确定方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的充电异常确定方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤1：获取多个电池柜中充电的电池上传的心跳数据；

步骤2：将所述心跳数据转换为深度神经网络可接受的输入数据；

步骤3：将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

步骤4：将所述输出特征作为输入传入孤立森林中，输出心跳异常值。

从上述描述可知，本申请实施例以多个电池柜中充电的电池上传的心跳数据作为基础，通过转换得到深度神经网络可以处理的数据，然后输入到神经网络中进行特征提取，得到输出特征，再以输出特征作为输入传入孤立森林中，就可以输出心跳异常值，从而可以识别出充电异常的电池或格口，通过上述方案解决了现有的充电异常需要人为通过经验判断，而导致人力成本高、判断结果和及时性不理想的问题，达到了简单高效确定充电异常的技术效果。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (11)

1.一种充电异常确定方法，其特征在于，所述方法包括：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值。

2.根据权利要求1所述的方法，其特征在于，所述心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据包括以下至少之一：电压、电流、温度、电量，第一类别特征数据包括以下至少之一：城市、经纬度、电柜号、格口号、电池号。

3.根据权利要求2所述的方法，其特征在于，将所述心跳数据转换为深度神经网络可接受的输入数据，包括：

对第一数值特征数据做哈希编码，得到哈希结果数据；

对所述哈希结果数据进行分桶处理，得到第二类别特征数据；

对所述第一类别特征数据和所述第二类别特征数据进行交叉，得到交叉结果数据；

对所述交叉结果数据进行分桶，得到训练特征数据。

4.根据权利要求3所述的方法，其特征在于，在对所述交叉结果数据进行分桶，得到训练特征数据之后，还包括：

对所述训练特征数据进行onehot编码；

对onehot编码后的数据，进行特征embedding，得到深度神经网络可接受的输入数据。

5.根据权利要求1所述的方法，其特征在于，所述深度神经网络为BiLSTM，将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征，包括：

将所述可接受的输入数据输入第一层LSTM，得到第一层输出；

将所述可接受的输入数据和所述第一层输出，输入第二层LSTM，得到第二层输出；

将第二层输出输入第三层LSTM，得到输出特征。

6.根据权利要求1所述的方法，其特征在于，对所述输出特征进行孤立森林，得到心跳异常值，包括：

获取用户输入的异常值比例；

对所述输出特征进行孤立森林，输出满足所述异常值比例的心跳异常值。

7.根据权利要求1所述的方法，其特征在于，将所述输出特征作为输入传入孤立森林中，输出心跳异常值之后，还包括：

统计在第一预定时间周期中的心跳异常值；

将在第一预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障。

8.根据权利要求7所述的方法，其特征在于，将在预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障之后，还包括：

统计在第二预定时间周期中的心跳异常值，其中，所述第二预定时间周期大于第一预定时间周期；

在同一格口中电池已经更改，但格口仍被确定为心跳异常值，则确定格口充电异常；

在同一电池在不同格口中，都被确定为心跳异常值，则确定电池充电异常。

9.一种充电异常确定装置，其特征在于，包括：

获取模块，用于获取多个电池柜中充电的电池上传的心跳数据；

转换模块，用于将所述心跳数据转换为深度神经网络可接受的输入数据；

输入模块，用于将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

确定模块，用于对所述输出特征进行孤立森林，得到心跳异常值。

10.一种终端设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现如下方法的步骤：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值。

11.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现如下方法的步骤：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值。

Images