CN114328473A - 一种电池数据的检测方法及装置 - Google Patents

Abstract

本发明实施例公开一种电池数据的检测方法及装置，该方法包括：获得待检测电池的原始电池数据；对原始电池数据进行预设数据清洗操作，得到对应的待利用数据，其中，预设数据清洗操作至少包括：对原始电池数据的异常值和/或缺失值的删补操作；利用待利用数据以及目标电池数据检测模型，确定原始电池数据对应的异常概率，其中，目标电池数据检测模型为：利用各样本电池数据经过预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度和特征维度一致；基于原始电池数据对应的异常概率，确定原始电池数据对应的异常检测结果，以实现对电池的充放电数据的异常检测。

Description

一种电池数据的检测方法及装置

技术领域

本发明涉及数据检测技术领域，具体而言，涉及一种电池数据的检测方法及装置。

背景技术

目前，为了保障人们的生活便利以及保护环境，电动车辆越来越受到人们的喜爱。电动车辆的动力来源一般依赖于其设置的电池，并且电动车辆的可用性以及安全性，在一定程度上依赖于其所设置的电池是否出现异常，而电池是否出现异常在一定程度上可以通过电池的充放电数据来体现，相应的，可以通过对电池的充电数据或放电数据的分析，来确定电池是否出现异常，进而，可以评估电动车辆的可用性以及安全性。

那么，如何对电池的充电数据或放电数据进行检测至关重要。

发明内容

本发明提供了一种电池数据的检测方法及装置，以实现对电池的充放电数据的异常检测。具体的技术方案如下：

第一方面，本发明实施例提供了一种电池数据的检测方法，所述方法包括：

获得原始电池数据，其中，所述原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据；

对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据，其中，所述预设数据清洗操作至少包括：对所述原始电池数据中的异常值和/或缺失值的删补操作；

利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率，其中，所述目标电池数据检测模型为：利用各样本电池数据经过所述预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度以及特征维度一致；

基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果。

可选的，所述原始电池数据包括：所述待检测电池在充电过程或放电过程中各时刻所生成的基础特征维度对应的电池数据；所述预设数据清洗操作还包括：特征构造操作；

所述对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据的步骤，包括：

遍历所述原始电池数据中各时刻对应的电池数据，对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，得到所述原始电池数据对应的中间电池数据，其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量高于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；

基于指定基础特征维度对应的数据划分区间以及所述中间电池数据中所述指定基础特征维度对应的电池数据，划分所述中间电池数据，得到每一数据划分区间对应的电池数据段；

针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据，其中，所述其他基础特征维度为所述基础特征维度中除所述指定基础特征维度外的维度；

基于该电池数据段对应的特征数据，确定所述原始电池数据对应的待利用数据。

可选的，所述针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的电池数据，作为该电池数据段对应的特征数据的步骤，包括：

针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据；

针对每一电池数据段中每一其他基础特征维度，基于该电池数据段中该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，所述统计量特征维度包括：指示基于每一其他基础特征维度对应的电池数据，计算该其他基础特征维度对应的电池数据均值和/或方差的特征维度；

针对每一电池数据段，基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据，以得到该电池数据段对应的特征数据，其中，所述电流特征维度和电压特征维度属于其他基础特征维度。

可选的，在所述利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率的步骤之前，所述方法还包括：

训练得到所述目标电池数据检测模型的过程，其中，所述过程包括：

获得各样本电池数据及其对应的标定信息，其中，所述样本电池数据为：各样本车辆的样本电池在充电过程或放电过程生成的数据；样本电池数据为在充电过程生成的数据时，所述原始电池数据为在充电过程生成的数据；样本电池数据为在放电过程生成的数据时，所述原始电池数据为在放电过程生成的数据，所述标定信息用于标定所对应样本电池数据是否表征所对应样本电池是否出现异常；

针对每一样本电池数据，对该样本电池数据进行所述预设数据清洗操作，得到经过所述预设数据清洗操作后的样本电池数据，作为训练数据；

获得多个初始电池数据检测模型；

针对每一初始电池数据检测模型，利用所述训练数据中的第一训练数据，训练该初始电池数据检测模型，得到训练所得的电池数据检测模型，其中，所述第一训练数据为所述训练数据的部分数据；

利用所述训练数据中的第二训练数据，从多个训练所得的电池数据检测模型中，确定出检测结果最好的电池数据检测模型，作为目标电池数据检测模型，其中，所述第二训练数据为所述训练数据的部分数据。

可选的，所述基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果的步骤，包括：

基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果，其中，所述原始电池数据对应的异常概率高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据出现异常情况的结果；所述原始电池数据对应的异常概率不高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据未出现异常情况的结果。

可选的，在所述基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果的步骤之后，所述方法还包括：

获得所述原始电池数据对应的真实异常结果；

获得历史电池数据对应的异常检测结果及真实异常结果，其中，所述历史电池数据对应的异常检测结果为基于所述目标电池数据检测模型确定的；

基于所述原始电池数据对应的真实异常结果与异常检测结果之间的对比结果，以及各历史电池数据对应的异常检测结果及真实异常结果之间的对比结果，更新所述当前的异常概率阈值，得到新的当前的异常概率阈值。

可选的，在所述基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果的步骤之后，所述方法还包括：

获得所述原始电池数据对应的真实异常结果；

获得历史电池数据对应的真实异常结果；

基于所述原始电池数据对应的真实异常结果，以及各历史电池数据对应的真实异常结果，重新训练所述目标电池数据检测模型，得到新的目标电池数据检测模型。

第二方面，本发明实施例提供了一种电池数据的检测装置，所述装置包括：

第一获得模块，被配置为获得原始电池数据，其中，所述原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据；

第一清洗模块，被配置为对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据，其中，所述预设数据清洗操作至少包括：对所述原始电池数据中的异常值和/或缺失值的删补操作；

第一确定模块，被配置为利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率，其中，所述目标电池数据检测模型为：利用各样本电池数据经过所述预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度以及特征维度一致；

第二确定模块，被配置为基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果。

可选的，所述原始电池数据包括：所述待检测电池在充电过程或放电过程中各时刻所生成的基础特征维度对应的电池数据；所述预设数据清洗操作还包括：特征构造操作；

所述第一清洗模块，包括：

删补单元，被配置为遍历所述原始电池数据中各时刻对应的电池数据，对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，得到所述原始电池数据对应的中间电池数据，其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量高于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；

划分单元，被配置为基于指定基础特征维度对应的数据划分区间以及所述中间电池数据中所述指定基础特征维度对应的电池数据，划分所述中间电池数据，得到每一数据划分区间对应的电池数据段；

第一确定单元，被配置为针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据，其中，所述其他基础特征维度为所述基础特征维度中除所述指定基础特征维度外的维度；

第二确定单元，被配置为基于该电池数据段对应的特征数据，确定所述原始电池数据对应的待利用数据。

可选的，所述第一确定单元，被具体配置为针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据；

针对每一电池数据段中每一其他基础特征维度，基于该电池数据段中该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，所述统计量特征维度包括：指示基于每一其他基础特征维度对应的电池数据，计算该其他基础特征维度对应的电池数据均值和/或方差的特征维度；

针对每一电池数据段，基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据，以得到该电池数据段对应的特征数据，其中，所述电流特征维度和电压特征维度属于其他基础特征维度。

可选的，所述装置还包括：

模型训练模块，被配置为在所述利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率之前，训练得到所述目标电池数据检测模型的过程，其中，所述模型训练模块，被具体配置为获得各样本电池数据及其对应的标定信息，其中，所述样本电池数据为：各样本车辆的样本电池在充电过程或放电过程生成的数据；样本电池数据为在充电过程生成的数据时，所述原始电池数据为在充电过程生成的数据；样本电池数据为在放电过程生成的数据时，所述原始电池数据为在放电过程生成的数据，所述标定信息用于标定所对应样本电池数据是否表征所对应样本电池是否出现异常；

针对每一样本电池数据，对该样本电池数据进行所述预设数据清洗操作，得到经过所述预设数据清洗操作后的样本电池数据，作为训练数据；

获得多个初始电池数据检测模型；

针对每一初始电池数据检测模型，利用所述训练数据中的第一训练数据，训练该初始电池数据检测模型，得到训练所得的电池数据检测模型，其中，所述第一训练数据为所述训练数据的部分数据；

利用所述训练数据中的第二训练数据，从多个训练所得的电池数据检测模型中，确定出检测结果最好的电池数据检测模型，作为目标电池数据检测模型，其中，所述第二训练数据为所述训练数据的部分数据。

可选的，所述第二确定模块，被具体配置为基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果，其中，所述原始电池数据对应的异常概率高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据出现异常情况的结果；所述原始电池数据对应的异常概率不高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据未出现异常情况的结果。

可选的，所述装置还包括：

第二获得模块，被配置为在所述基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果之后，获得所述原始电池数据对应的真实异常结果；

第三获得模块，被配置为获得历史电池数据对应的异常检测结果及真实异常结果，其中，所述历史电池数据对应的异常检测结果为基于所述目标电池数据检测模型确定的；

更新模块，被配置为基于所述原始电池数据对应的真实异常结果与异常检测结果之间的对比结果，以及各历史电池数据对应的异常检测结果及真实异常结果之间的对比结果，更新所述当前的异常概率阈值，得到新的当前的异常概率阈值。

可选的，所述装置还包括：

第四获得模块，被配置为在所述基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果之后，获得所述原始电池数据对应的真实异常结果；

第五获得模块，被配置为获得历史电池数据对应的真实异常结果；

训练模块，被配置为基于所述原始电池数据对应的真实异常结果与，以及各历史电池数据对应的真实异常结果，重新训练所述目标电池数据检测模型，得到新的目标电池数据检测模型。

由上述内容可知，本发明实施例提供的一种电池数据的检测方法及装置，获得原始电池数据，其中，原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据；对原始电池数据进行预设数据清洗操作，得到原始电池数据对应的待利用数据，其中，预设数据清洗操作至少包括：对原始电池数据中异常值和/或缺失值删补操作；利用待利用数据以及目标电池数据检测模型，确定原始电池数据对应的异常概率，其中，目标电池数据检测模型为：利用各样本电池数据经过预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度和特征维度一致；基于原始电池数据对应的异常概率，确定原始电池数据对应的异常检测结果。

应用本发明实施例，可以通过对原始电池数据进行预设数据清洗操作，至少实现对原始电池数据中出现缺漏的数据以及异常数据的删补，得到原始电池数据对应的样本维度和特征维度与训练数据的样本维度和特征维度相同待利用数据；结合待利用数据，以及利用各样本电池数据经过预设数据清洗操作后所得的样本维度和特征维度一致的训练数据及其对应的标定信息训练所得目标电池数据检测模型，确定出原始电池数据对应的异常概率，进而确定出原始电池数据对应的异常检测结果。通过对电池数据进行预设数据清洗操作，得到样本维度和特征维度与训练数据的样本维度和特征维度相同的待利用数据，并且训练目标电池数据检测模型的各训练数据也为样本维度和特征维度一致的数据，在一定程度上可以保证对电池数据的检测结果的准确性以及模型的稳定性，实现对电池的充放电数据的异常检测。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

本发明实施例的创新点包括：

1、可以通过对原始电池数据进行预设数据清洗操作，至少实现对原始电池数据中出现缺漏的数据的删补，得到原始电池数据对应的样本维度与训练数据的样本维度相同待利用数据；结合待利用数据，以及利用各样本电池数据经过预设数据清洗操作后所得的样本维度一致的训练数据及其对应的标定信息训练所得目标电池数据检测模型，确定出原始电池数据对应的异常概率，进而确定出原始电池数据对应的异常检测结果。通过对电池数据进行预设数据清洗操作，得到样本维度和特征维度与训练数据的样本维度相同的待利用数据，并且训练目标电池数据检测模型的各训练数据也为样本维度和特征维度一致的数据，在一定程度上可以保证对电池数据的检测结果的准确性以及模型的稳定性，实现对电池的充放电数据的异常检测。

2、对原始电池数据中各时刻所对应的出现数据缺失情况即缺失值和/或出现数据异常情况即异常值的电池数据，依据缺失情况进行删除或填补数据，得到相应完整的中间电池数据；进而，基于指定基础特征维度对应的数据划分范围以及中间电池数据中指定基础特征维度对应的电池数据，划分中间电池数据，得到多个电池数据段，对每一电池数据段内的电池数据，确定各预设扩充特征维度对应的数据，该电池数据段对应的数据，进而确定得到原始电池数据对应的新的维度特征的待利用数据，为确定电池数据对应的异常检测结果奠定基础。

3、针对各电池数据段，基于该电池数据段对应的电池数据，扩充表征所对应电池数据段是否存在数据的示性特征维度，每一其他基础特征维度对应的统计量特征维度以及电阻等二次非线性特征维度，确定相应的特征数据，以基于所扩充的特征维度对应的特征数据构建原始电池数据对应的待利用数据，以实现对电池数据的特征维度的扩充，并保证原始电池数据对应的待利用数据的样本维度和特征维度与训练得到目标电池数据检测模型所需的训练数据的样本维度和特征维度一致，保证数据检测过程的可行性以及检测结果的准确性。

4、对各样本电池数据进行预设数据清洗操作，以实现扩充样本电池数据的特征维度，并保证得到样本维度一致的各训练数据，进而实现利用训练数据及其对应的标定信息对各初始电池数据检测模型，并从训练所得的多个电池数据检测模型中筛选出检测结果最好的目标电池数据检测模型，为后续的电池数据的异常检测提供基础。

5、基于原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述检测电池数据对应的异常检测结果，并结合原始电池数据对应的真实异常结果，以及历史电池数据对应的异常检测结果及真实异常结果，更新当前的异常概率阈值的取值，得到新的当前的异常概率阈值，以在一定程度上提高电池数据的异常检测结果的准确性。

6、基于原始电池数据对应的真实异常结果，以及各历史电池数据对应的真实异常结果，从原始电池数据及历史电池数据中，重新训练目标电池数据检测模型，以在一定程度上提高目标电池数据检测模型的检测结果准确性以及适用性。

附图说明

为了更清楚地说明本发明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介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的电池数据的检测方法的一种流程示意图；

图2为本发明实施例提供的目标电池数据检测模型的训练过程的一种示例图；

图3为本发明实施例提供的电池数据的检测装置的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本发明提供了一种电池数据的检测方法及装置，以实现对电池的充放电数据的异常检测。下面对本发明实施例进行详细说明。

图1为本发明实施例提供的电池数据的检测方法的一种流程示意图。该方法可以包括如下步骤：

S101：获得原始电池数据。

其中，原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据，其中，该待检测电池中可以包括至少一节子电池。

本发明实施例所提供的电池数据的检测方法，可以应用于任一具有计算能力的电子设备，该电子设备可以为终端或者服务器。在一种实现中，实现该电池数据的检测方法的功能软件可以以单独的客户端软件的形式存在，也可以以目前相关的客户端软件的插件的形式存在，这都是可以的。

一种情况中，电子设备可以监控目标车辆的充电和/或放电过程，可以获得目标车辆在一次充电过程或者一次放电过程中生成的各种基础特征维度对应的电池数据，作为原始电池数据。该目标车辆可以为电动单车，也可以为电动机动车，这都是可以的。

其中，该基础特征维度包括但不限于：电压特征维度、电流特征维度、SOC(Stateof Charge，电荷状态)特征维度、最高温度特征维度、最低温度特征维度以及最大电压特征维度。

相应的，电压特征维度对应的电池数据包括：历史时刻至当前时刻中不同时刻对应的电压值，电流特征维度对应的电池数据包括：历史时刻至当前时刻中不同时刻对应的电流值，SOC特征维度对应的电池数据包括：历史时刻至当前时刻中各时刻对应的电容量与待检测电池完全充电状态的电容量的比值，最高温度特征维度对应的电池数据包括：历史时刻至当前时刻中各时刻该待检测电池中所有子电池测量温度的最大值；最低温度特征维对应的电池数据包括：历史时刻至当前时刻中各时刻该待检测电池中所有子电池测量温度的最小值；最大电压特征维度对应的电池数据包括：历史时刻至当前时刻中各时刻该待检测电池中所有子电池测量电压的最大值。其中，历史时刻是相对应当前时刻而言的之前的时刻，历史时刻可以为当前时刻之前的预设时长对应的时刻。

其中，一次充电过程可以指目标车辆上所设置的电池被连接电源进行充电，到与电源断开的过程。一次放电过程可以指：目标车辆所设置的电池与电源断开，到再次与电源连接充电的过程；或者目标车辆所设置的电池与电源断开的状态下，在预设时长内的放电过程。

该原始电池数据的每一基础特征维度对应的电池数据包括：以生成时刻的先后顺序排序的多个电池数据。

S102：对原始电池数据进行预设数据清洗操作，得到原始电池数据对应的待利用数据。

其中，预设数据清洗操作至少包括：对原始电池数据中的异常值和/或缺失值的删补操作。

本步骤中，一种情况，该预设数据清洗操作至少包括：对原始电池数据中的异常值和/或缺失值的删补操作。相应的，电子设备遍历原始电池数据，对原始电池数据中存在数据缺失情况和/或存在数据异常情况的时刻对应的电池数据进行删补操作，即删除或填补操作；以使得删除或填补操作后所得的待利用数据的样本维度和特征维度与训练得到目标电池数据检测模型的训练数据的样本维度和特征维度一致。

其中，样本维度指：数据的长度。特征维度指：数据对应的特征种类。

举例而言，原始电池数据包括m个基础特征维度对应的电池数据，即原始电池数据中基础特征维度个数为m，例如，以充电过程为例，在目标车辆A的一次充电过程中，获得原始电池数据1，原始电池数据1有n条记录，相应的，原始电池数据1可以表示为一个n*m的矩阵，即目标车辆的一次充电过程中记录有n个时刻对应的电池数据，即原始电池数据1的样本维度为n。若训练得到目标电池数据检测模型的样本数据的样本维度为80，特征维度为n，相应的，可以对原始电池数据1进行删减操作，以得到样本维度为80，特征维度为n的待利用数据。其中，在充电过程中，难免出现某些时刻对应的电池数据记录不完整的情况，在进行删减的过程中，优先删减原始电池数据1中存在数据缺失情况的时刻对应的电池数据。

又例如，在目标车辆B的一次充电过程中，获得原始电池数据2，原始电池数据2有60条记录，相应的，原始电池数据2可以表示为一个60*m的矩阵，即目标车辆B的一次充电过程中记录有60个时刻对应的电池数据，即原始电池数据2的样本维度为60。若训练得到目标电池数据检测模型的样本数据的样本维度为80，相应的，可以对原始电池数据2进行填补操作，以得到样本维度为80的待利用数据。其中，在充电过程中，难免出现某些时刻对应的电池数据记录不完整的情况，在进行填补的过程中，首先填补存在数据缺失情况的时刻对应的电池数据，进而，利用差值的方式将样本维度为60的原始电池数据2，填补为样本维度为80的待利用数据。

本步骤中，另一种情况，预设数据清洗操作包括：对原始电池数据中的异常值和/或缺失值的删补操作以及对删补操作后的原始电池数据的特征构造操作。相应的，电子设备遍历原始电池数据，对原始电池数据中存在数据缺失情况的和/或出现数据异常情况的时刻对应的电池数据的删补操作，即删除或填补操作；进而对删补操作后所得的原始电池数据进行特征构造操作，即对补操作后所得的原始电池数据进行分段并整合，以得到原始电池数据对应的样本维度和特征维度，与训练得到目标电池数据检测模型的训练数据的样本维度和特征维度分别一致的待利用数据。

相应的，在本发明的一种实现方式中，原始电池数据包括：待检测电池在充电过程或放电过程中各时刻所生成的基础特征维度对应的电池数据；

所述S102，可以包括如下步骤011-014：

011：遍历原始电池数据中各时刻对应的电池数据，对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，得到原始电池数据对应的中间电池数据。

其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量高于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据。

012：基于指定基础特征维度对应的数据划分区间以及中间电池数据中指定基础特征维度对应的电池数据，划分中间电池数据，得到每一数据划分区间对应的电池数据段。

013：针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据。

其中，其他基础特征维度为所述基础特征维度中除指定基础特征维度外的维度。

014：基于该电池数据段对应的特征数据，确定原始电池数据对应的待利用数据。

本实现方式中，电子设备可以依据原始电池数据中所对应时刻的先后顺序，依次遍历各时刻对应的电池数据，确定所遍历的每一时刻对应的电池数据是否存在数据缺失情况和/或数据异常情况。例如：时刻M对应的电池数据包括时刻M生成的电压值，时刻M生成的电流值以及时刻M生成的SOC值，若时刻M生成的电压值、时刻M生成的电流值和/或时刻M生成的SOC值缺失，则可以认为时刻M对应的电池数据出现数据缺失情况。若时刻M生成的电压值、时刻M生成的电流值以及时刻M生成的SOC值均存在，则认为时刻M对应的电池数据未出现数据缺失情况。又例如：以电压特征维度对应的数据为例进行说明，时刻N对应的电池数据包括时刻N生成的电压值，若时刻N生成的电压值的数值大于第一电压阈值或小于第二电压阈值，则可以确定时刻N生成的电压值出现数据异常情况。其中，第一电压阈值大于第二电压阈值。

对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量低于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不低于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据。其中，对数据异常情况的时刻所对应的电池数据进行填补的操作为，将数据异常情况的时刻所对应的电池数据中出现数据异常的异常值修改为其所对应特征维度对应的指定值。

举例而言，时刻M对应的电池数据包括时刻M生成的电压值，时刻M生成的电流值以及时刻M生成的SOC值；第一预设值设置为1，若时刻M生成的电压值，时刻M生成的电流值或时刻M生成的SOC值中任一种特征维度对应的电池数据缺失和/或异常，即存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值1，可以对时刻M缺失或异常的该种特征维度对应的电池数据进行填补，在存在数据缺失情况下，可以是根据时刻M的前一时刻对应的该数据缺失的电池数据的具体值，以及时刻M的后一时刻对应的该数据缺失的电池数据的具体值，计算得到时刻M对应的该数据缺失的电池数据的具体值。在存在数据异常情况下，将时刻M对应的出现数据异常的电池数据的值修改为该出现异常的特征维度对应的指定值。

若时刻M生成的电压值，时刻M生成的电流值以及时刻M生成的SOC值中至少两种特征维度对应的电池数据缺失和/或异常，即存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失数量高于第一预设值1，电子设备可以将时刻M对应的所有电池数据从原始电池数据中删减掉。

其中，该第一预设值的具体取值可以基于实际情况进行设定。

后续的，基于指定基础特征维度对应的数据划分区间以及中间电池数据中指定基础特征维度对应的电池数据，划分中间电池数据，得到每一数据划分区间对应的电池数据段。例如指定基础特征维度为SOC特征维度，该数据划分区间包括五个，可以分别为0-20％，20％-40％，40％-60％，60％-80％，80％-100％。基于中间电池数据中该SOC特征维度对应的电池数据的具体值，划分中间电池数据，得到五个数据划分区间对应的分别对应的电池数据段，即五个电池数据段。

电子设备针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据，其中，其他基础特征维度为基础特征维度中除指定基础特征维度外的维度。

由于不同的充电过程中，存在充电时长不同、充入电量不固定以及开始充电的剩余电量不固定的因素，在基于数据划分区间对中间电池数据进行划分过程中，可能存在某个或某些区间内不存在电池数据的情况。即五个电池数据段中可以存在某个或某些电池数据段不存在电池数据，而某个或某些电池数据段存在电池数据的情况。

该预设扩充特征维度可以包括但不限于：用于标识电池数据段中是否存在电池数据的示性特征维度，其他基础特征维度对应的统计量特征维度以及二次非线性特征维度。

在本发明的一种实现方式中，所述013，可以包括如下步骤0131-0133：

0131：针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据。

0132：针对每一电池数据段中每一其他基础特征维度，基于该电池数据段中该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据。

统计量特征维度包括：指示基于每一其他基础特征维度对应的电池数据，计算该其他基础特征维度对应的电池数据均值和/或方差的特征维度。统计量特征维度还可以包括其他特征维度，例如：每一其他基础特征维度对应的电池数据中的最大值、最小值，绝对误差值以及相对误差值等。

0133：针对每一电池数据段，基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据，以得到该电池数据段对应的特征数据。

其中，电流特征维度和电压特征维度属于其他基础特征维度。

为了保证后续的电池数据的检测流程的进行，以及电池数据的检测结果的准确性，针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据。其中，该电池数据段中存在电池数据的情况下，该电池数据段对应的示性特征维度对应的特征数据可以为第一示性特征数据；该电池数据段中不存在电池数据的情况下，该电池数据段对应的示性特征维度对应的特征数据可以为第二示性特征数据。

针对每一电池数据段中每一其他基础特征维度，基于该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，即计算该其他基础特征维度对应的电池数据的均值和/或方差。例如：针对该电池数据段中电压特征维度对应的电压值，计算其均值和/或方差；针对该电池数据段中电流特征维度对应的电流值，计算其均值和/或方差。

并针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定相应的二次非线性特征维度对应的特征数据。例如：基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据。例如：利用该电池数据段中对应相同时刻的电压值和电流值，计算出该电池数据段对应的电阻特征维度对应的特征数据，即电阻值。

在另一种实现中，该二次非线性特征维度还可以包括其他类型的特征维度，可以依据需求进行设定。例如：功率值等。

相应的，上述电池数据段对应的示性特征维度对应的特征数据、该电池数据段每一其他基础特征维度对应的统计量特征维度对应的特征数据以及电池数据段对应的电阻特征维度对应的特征数据即电阻值，作为该电池数据段对应的特征数据。

其中，若电池数据段中不存在电池数据，其对应的每一其他基础特征维度对应的统计量特征维度对应的特征数据以及电池数据段对应的电阻特征维度对应的特征数据即电阻值，可以通过预设数值表示。

进而，将原始电池数据中每一段电池数据段对应的特征数据，按预设顺序，排列成一个一维序列，得到原始电池数据对应的待利用数据。

S103：利用待利用数据以及目标电池数据检测模型，确定原始电池数据对应的异常概率。

其中，目标电池数据检测模型为：利用各样本电池数据经过预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度和特征维度一致。

本步骤中，电子设备将待利用数据输入目标电池数据检测模型中，通过目标电池数据检测模型对待利用数据进行检测，输出原始电池数据对应的异常概率。

其中，该目标电池数据检测模型包括但不限于：XGBoost模型以及LightGBM模型。

S104：基于原始电池数据对应的异常概率，确定原始电池数据对应的异常检测结果。

电子设备基于原始电池数据对应的异常概率，确定原始电池数据对应的异常检测结果，其中，该异常检测结果包括：表征原始电池数据存在异常的结果或表征原始电池数据不存在异常即为正常的结果。相应的，在确定原始电池数据存在异常的情况下，可以确定原始电池数据对应的待检测电池出现异常。后续的，可以对待检测电池所在的目标车辆进行检测及维修。

在本发明的一种实现方式中，所述S104，可以包括如下步骤：

基于原始电池数据对应的异常概率以及当前的异常概率阈值，确定原始电池数据对应的异常检测结果。

其中，原始电池数据对应的异常概率高于当前的异常概率阈值的情况下，异常检测结果为表征原始电池数据出现异常情况的结果；原始电池数据对应的异常概率不高于当前的异常概率阈值的情况下，异常检测结果为表征原始电池数据未出现异常情况的结果。

其中，该当前的异常概率阈值可以为预先设置的阈值，也可以是根据历史电池数据及其对应的异常检测结果的准确性所确定的阈值，这都是可以的。

应用本发明实施例，可以通过对原始电池数据进行预设数据清洗操作，至少实现对原始电池数据中出现缺漏的数据以及异常的数据的删补，得到原始电池数据对应的样本维度和特征维度，与训练数据的样本维度和特征维度分别相同待利用数据；结合待利用数据，以及利用各样本电池数据经过预设数据清洗操作后所得的样本维度和特征维度一致的训练数据及其对应的标定信息训练所得目标电池数据检测模型，确定出原始电池数据对应的异常概率，进而确定出原始电池数据对应的异常检测结果。通过对电池数据进行预设数据清洗操作，得到样本维度和特征维度，与训练数据的样本维度和特征维度分别相同的待利用数据，并且训练目标电池数据检测模型的各训练数据也为样本维度和特征维度一致的数据，在一定程度上可以保证对电池数据的检测结果的准确性以及模型的稳定性，实现对电池的充放电数据的异常检测。

在本发明的另一实施例中，在所述S103之前，所述方法还可以包括：

训练得到目标电池数据检测模型的过程，其中，如图2所示，所述过程可以包括：

S201：获得各样本电池数据及其对应的标定信息。

其中，样本电池数据为：各样本车辆的样本电池在充电过程或放电过程生成的数据；样本电池数据为在充电过程生成的数据时，原始电池数据为在充电过程生成的数据；样本电池数据为在放电过程生成的数据时，原始电池数据为在放电过程生成的数据，标定信息用于标定所对应样本电池数据是否表征所对应样本电池是否出现异常。

S202：针对每一样本电池数据，对该样本电池数据进行预设数据清洗操作，得到经过预设数据清洗操作后的样本电池数据，作为训练数据。

S203：获得多个初始电池数据检测模型。

S204：针对每一初始电池数据检测模型，利用训练数据中的第一训练数据，训练该初始电池数据检测模型，得到训练所得的电池数据检测模型。

其中，第一训练数据为训练数据的部分数据。

S205：利用训练数据中的第二训练数据，从多个训练所得的电池数据检测模型中，确定出检测结果最好的电池数据检测模型，作为目标电池数据检测模型。

其中，第二训练数据为所述训练数据的部分数据，可以与第一训练数据包含相同的训练数据，也可以包括与第一训练数据不同的训练数据。

本实现方式中，为了保证电池数据的检测结果的准确性，需要得到一个检测结果足够准确的电池数据检测模型。相应的，还包括训练得到目标电池数据检测模型的过程。相应的，电子设备可以首先获得各样本车辆所设置的样本电池在充电过程或放电过程生成的电池数据，作为样本电池数据，针对每一样本电池数据获得其对应的用于标定该样本电池数据对应的样本电池数据是否出现异常的标定信息。样本车辆可以为电动单车，也可以为电动机动车。

其中，该标定信息可以是工作人员人工针对每一样本电池数据进行标定的，也可以是利用特征应用程序针对每一样本电池数据进行标定。

在一种实现方式中，各样本电池数据为样本电池在一次充电过程中生成的电池数据，利用该类样本电池数据训练所得的电池数据检测模型，可以用于利用电池的充电过程所生成的电池数据，确定该电池是否出现异常。各样本电池数据为样本电池在一次放电过程中生成的电池数据，利用该类样本电池数据训练所得的电池数据检测模型，可以用于利用电池的放电过程所生成的电池数据，确定该电池是否出现异常。

由于不同的充电过程或放电过程中，存在充电或放电时长不同、充入电量或放出电量不固定以及开始充电或放电的剩余电量不固定的因素，所获得的样本电池数据的信息量不同，即不同样本电池数据的样本维度不同。例如：以充电过程为例：目标车辆A的电池充电时间久、充电完整，SOC值从20％充到了100％，包含了200条电流值、电压值等基本特征维度对应的电池数据的纪录，但目标车辆B的电池充电时间短，SOC值从50％充到了60％，仅包含了50条电流值、电压值等基本特征维度对应的电池数据的纪录。可见，目标车辆A的电池的本次充电生成的样本电池数据包含的信息，远多于目标车辆B的电池本次充电生成的样本电池数据包含的信息。而样本维度不同的数据，即样本维度不固定的数据，一般无法用传统的方法训练得到检测结果。

鉴于此，电子设备获得各样本电池数据针对每一样本电池数据，对该样本电池数据进行预设数据清洗操作，得到经过预设数据清洗操作后的样本电池数据，作为训练数据。

在一种实现中，预设数据清洗操作包括删补操作以及特征构造操作的情况下，电子设备针对每一样本电池数据，遍历该样本电池数据，对存在数据缺失情况和/或存在数据缺失情况的时刻所对应的电池数据进行填补或删减，得到中间样本电池数据，其中，若存在数据缺失情况和/或存在数据缺失情况的时刻所对应的电池数据的缺失和/或异常数量低于第一预设值，则填补该存在数据缺失情况和/或存在数据缺失情况的时刻所对应的电池数据；若存在数据缺失情况和/或存在数据缺失情况的时刻所对应的电池数据的缺失和/或异常数量不低于第一预设值，则删减该存在数据缺失情况和/或存在数据缺失情况的时刻所对应的电池数据。具体参照对原始电池数据的删补操作过程。

进而，针对每一中间样本电池数据，基于指定基础特征维度对应的数据划分区间以及中间样本电池数据中指定基础特征维度对应的电池数据，划分中间样本电池数据，得到每一数据划分区间对应的样本电池数据段；针对每一中间样本电池数据的每一样本电池数据段，基于该样本电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据。即针对该样本电池数据段是否存在样本电池数据，确定该样本电池数据段对应的示性特征维度对应的特征数据；针对每一其他基础特征维度，基于该样本电池数据段中该其他基础特征维度对应的样本电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，即该其他基础特征维度对应的样本电池数据均值和/或方差等。基于该样本电池数据段中电流特征维度对应的样本电池数据，以及电压特征维度对应的样本电池数据，确定该样本电池数据段对应的电阻特征维度对应的特征数据，即电阻值，以得到每一样本电池数据对应的每一样本电池数据段对应的特征数据。具体参照对原始电池数据的特征构造操作过程。

可以理解的是，将各删补操作后的样本电池数据，按指定基础特征维度对应的数据划分区间进行分段，进而，针对各数据划分区间对应的样本电池数据段内的电池数据进行新特征维度的构造，不仅可以扩充电池数据的特征维度，并且所扩充的特征维度对应的特征数据包含基本特征维度对应的特征数据的特征，且可以是的各样本电池数据对应的各数据划分区间对应的数据控制到同一样本维度，即相同的数据量，且特征维度相同。

针对每一样本电池数据，基于该样本电池数据对应的所有样本电池数据段对应的特征数据，按预设顺序，排列成一个一维序列，即得到一个行向量，以得到该样本电池数据对应的训练数据。以大大提升训练数据的特征维度。例如，样本电池数据进行删补操作以及特征构造操作后得到特征维度为x，样本维度为y的数据，即得到一个y*x的矩阵；将该y*x的矩阵排列成一个一维序列，即得到一个1*yx的行向量，此时将数据从特征维度为x的数据，转换成了特征维度为yx的数据，提升了训练数据的特征维度。

另一种实现中，预设数据清洗操作包括删补操作，相应的，电子设备针对每一样本电池数据，确定每一样本电池数据的样本维度，基于样本电池的样本维度，确定目标样本维度。其中，可以是将数量最多的样本维度作为目标样本维度，或者将处于中间大小的样本维度作为目标样本维度。电子设备针对每一样本电池数据，遍历该样本电池数据，在样本电池数据对应的样本维度超过目标样本维度的情况下，对样本电池数据中各时刻对应的样本电池数据进行删减，得到样本维度为目标样本维度的样本电池数据对应的训练数据，其中，优先删减样本电池数据中存在数据缺失情况和/或存在数据异常情况的时刻对应的样本电池数据。在样本电池数据对应的样本维度低于目标样本维度的情况下，对样本电池数据中各时刻对应的样本电池数据进行填补，其中，优先填补出样本电池数据中存在数据缺失情况和/或存在数据异常情况的时刻对应的样本电池数据，进而，利用差值的方式，填补出样本维度为目标样本维度的样本电池数据对应的中间数据。

举例而言，电池数据包括m个基础特征维度对应的电池数据，即电池数据中基础特征维度个数为m，例如，以充电过程为例，在样本车辆A的一次充电过程中，获得样本电池数据A，样本电池数据A有100条记录，相应的，样本电池数据A可以表示为一个100*m的矩阵；在样本车辆B的一次充电过程中，获得样本电池数据B，样本电池数据B有80条记录，相应的，样本电池数据B可以表示为一个80*m的矩阵；在样本车辆C的一次充电过程中，获得样本电池数据C，样本电池数据C有60条记录，相应的，样本电池数据C可以表示为一个60*m的矩阵。由此看出不同样本电池数据的样本维度不一致。选定一个目标样本维度，可对时间长即样本维度多的样本电池数据进行删减，时间短即样本维度少的样本电池数据进行填充，例如，利用Arima(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)对样本维度少的样本电池数据进行填充。使得所有的样本电池数据对应的训练数据的样本维度为n。例如选取n＝80，对于样本电池数据A适当的删减并保留80条记录，对于样本电池数据B不进行操作，对于样本电池数据C用时间序列的方法，合理对之进行填充使记录条数达到80。这样所有的中间数据对应的样本维度都一致为80*m。

将各80*m的数据矩阵转换为1*80m的行向量来描述一次充电过程的电池数据，得到各样本电池数据对应的训练数据。以能大大提升特征维度，即将样本维度从m变成80m。

进而，获得多个初始电池数据检测模型，其中，每一初始电池数据检测模型不同，该初始电池数据检测模型可以包括但不限于：XGBoost模型以及LightGBM模型。

针对每一初始电池数据检测模型，电子设备利用训练数据中的第一训练数据，训练该初始电池数据检测模型，得到训练所得的电池数据检测模型；并利用训练数据中的第二训练数据，从多个训练所得的电池数据检测模型中，确定出检测结果最好的电池数据检测模型，作为目标电池数据检测模型。以确定出检测结果相对准确的目标电池数据检测模型，用于后续的电池数据的检测流程。

其中，对初始电池数据检测模型的训练过程，可以参见相关技术中模型的训练过程在此不再赘述。

在本发明的另一实施例中，在所述基于原始电池数据对应的异常概率以及当前的异常概率阈值，确定原始电池数据对应的异常检测结果的步骤之后，所述方法还可以包括如下步骤031-033：

031：获得原始电池数据对应的真实异常结果。

032：获得历史电池数据对应的异常检测结果及真实异常结果。

其中，历史电池数据对应的异常检测结果为基于目标电池数据检测模型确定的；

033：基于原始电池数据对应的真实异常结果与异常检测结果之间的对比结果，以及各历史电池数据对应的异常检测结果及真实异常结果之间的对比结果，更新当前的异常概率阈值，得到新的当前的异常概率阈值。

考虑到直接预设的异常概率阈值可能存在设置不合理的情况，进而存在导致所确定的原始电池数据对应的异常检测结果不够准确的情况。相应的，本实现方式中，电子设备在确定出原始电池数据对应的异常检测结果之后，可以继续获得原始电池数据对应的真实异常结果，并获得历史电池数据对应的异常检测结果及真实异常结果；基于原始电池数据对应的真实异常结果与异常检测结果之间的对比结果，确定原始电池数据对应的异常检测结果是否准确；以及基于各历史电池数据对应的异常检测结果及真实异常结果之间的对比结果，确定各历史电池数据对应的异常检测结果是否准确。其中，若对应相同电池数据的异常检测结果和真实异常结果相同，则表征异常检测结果准确；若对应相同电池数据的异常检测结果和真实异常结果不相同，则表征异常检测结果不准确。

进而，统计原始电池数据对应的异常检测结果和各历史电池数据对应的异常检测结果中，准确的异常检测结果的数量以及不准确的异常检测结果的数量；基于准确的异常检测结果的数量以及不准确的异常检测结果的数量，更新当前的异常概率阈值，得到新的当前的异常概率阈值。

一种实现中，若准确的异常检测结果的数量占异常检测结果总数的比值超过预设比值，则确定当前的异常概率阈值设置较准确，则可以保持当前的异常概率阈值的取值。若准确的异常检测结果的数量占异常检测结果总数的比值未超过预设比值，则确定当前的异常概率阈值设置较不准确；统计不准确的异常检测结果中，出现所对应真实异常结果为正常，但异常检测结果为异常的情况的数量，作为第一数量，以及并统计不准确的异常检测结果中，出现所对应真实异常结果为异常，但异常检测结果为正常的情况的数量，作为第二数量；若第一数量大于第二数量，则表征当前的异常概率阈值的值较低，相应的，可以适当调大当前的异常概率阈值的值；反之，或第一数量不大于第二数量，则表征当前的异常概率阈值的值较高，相应的，可以适当调小当前的异常概率阈值的值。

在一种实现方式中，可以是在检测到阈值更新周期到来的情况下，执行获得原始电池数据对应的真实异常结果以及后续流程。

在本发明的另一实施例中，在所述基于所述原始电池数据对应的异常概率，确定所述检测电池数据对应的异常检测结果的步骤之后，所述方法还可以包括如下步骤041-044：

041：获得原始电池数据对应的真实异常结果。

042：获得历史电池数据对应的真实异常结果。

043：基于原始电池数据对应的真实异常结果，以及各历史电池数据对应的真实异常结果，重新训练目标电池数据检测模型，得到新的目标电池数据检测模型。

为了保证目标电池数据检测模型的检测结果保持较高的准确性。本实现方式中，电子设备在确定出原始电池数据对应的异常检测结果之后，可以继续获得原始电池数据对应的真实异常结果，获得历史电池数据对应的真实异常结果；基于原始电池数据对应的真实异常结果，以及各历史电池数据对应的真实异常结果，重新训练目标电池数据检测模型，即调整目标电池数据检测模型的参数，得到新的目标电池数据检测模型。以通过新的目标电池数据检测模型针对后续获得电池数据进行数据检测。

其中，原始电池数据以及历史电池数据对应的异常检测结果中，包括基于目标电池数据检测模型检测出错的检测结果，例如将原本所对应电池状态为正常状态的电池数据的电池状态检测为异常状态，将原本所对应电池状态为异常状态的电池数据的电池状态检测为正常状态。利用该类检测结果出错的电池数据及其对应的真实异常结果，可以实现对目标电池数据检测模型的优化，以提高目标电池数据检测模型的检测结果的准确度。

相应于上述方法实施例，本发明实施例提供了一种电池数据的检测装置，如图3所示，所述装置可以包括：

第一获得模块310，被配置为获得原始电池数据，其中，所述原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据；

第一清洗模块320，被配置为对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据，其中，所述预设数据清洗操作至少包括：对所述原始电池数据中的异常值和/或缺失值的删补操作；

第一确定模块330，被配置为利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率，其中，所述目标电池数据检测模型为：利用各样本电池数据经过所述预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度以及特征维度一致；

第二确定模块340，被配置为基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果。

应用本发明实施例，可以通过对原始电池数据进行预设数据清洗操作，至少实现对原始电池数据中出现缺漏和/或异常的数据的删补，得到原始电池数据对应的样本维度和特征维度，与训练数据的样本维度和特征维度分别相同的待利用数据；结合待利用数据，以及利用各样本电池数据经过预设数据清洗操作后所得的样本维度和特征维度一致的训练数据及其对应的标定信息训练所得目标电池数据检测模型，确定出原始电池数据对应的异常概率，进而确定出原始电池数据对应的异常检测结果。通过对电池数据进行预设数据清洗操作，得到样本维度和特征维度与训练数据的样本维度和特征维度分别相同的待利用数据，并且训练目标电池数据检测模型的各训练数据也为样本维度和特征维度一致的数据，在一定程度上可以保证对电池数据的检测结果的准确性以及模型的稳定性，实现对电池的充放电数据的异常检测。

在本发明的另一实施例中，所述原始电池数据包括：所述待检测电池在充电过程或放电过程中各时刻所生成的基础特征维度对应的电池数据；所述预设数据清洗操作还包括：特征构造操作；

所述第一清洗模块320，包括：

删补单元(图中未示出)，被配置为遍历所述原始电池数据中各时刻对应的电池数据，对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，得到所述原始电池数据对应的中间电池数据，其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量高于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；

划分单元(图中未示出)，被配置为基于指定基础特征维度对应的数据划分区间以及所述中间电池数据中所述指定基础特征维度对应的电池数据，划分所述中间电池数据，得到每一数据划分区间对应的电池数据段；

第一确定单元(图中未示出)，被配置为针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据，其中，所述其他基础特征维度为所述基础特征维度中除所述指定基础特征维度外的维度；

第二确定单元(图中未示出)，被配置为基于该电池数据段对应的特征数据，确定所述原始电池数据对应的待利用数据。

在本发明的另一实施例中，所述第一确定单元，被具体配置为针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据；

针对每一电池数据段中每一其他基础特征维度，基于该电池数据段中该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，所述统计量特征维度包括：指示基于每一其他基础特征维度对应的电池数据，计算该其他基础特征维度对应的电池数据均值和/或方差的特征维度；

针对每一电池数据段，基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据，以得到该电池数据段对应的特征数据，其中，所述电流特征维度和电压特征维度属于其他基础特征维度。

在本发明的另一实施例中，所述装置还包括：

模型训练模块(图中未示出)，被配置为在所述利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率之前，训练得到所述目标电池数据检测模型的过程，其中，所述模型训练模块，被具体配置为获得各样本电池数据及其对应的标定信息，其中，所述样本电池数据为：各样本车辆的样本电池在充电过程或放电过程生成的数据；样本电池数据为在充电过程生成的数据时，所述原始电池数据为在充电过程生成的数据；样本电池数据为在放电过程生成的数据时，所述原始电池数据为在放电过程生成的数据，所述标定信息用于标定所对应样本电池数据是否表征所对应样本电池是否出现异常；

针对每一样本电池数据，对该样本电池数据进行所述预设数据清洗操作，得到经过所述预设数据清洗操作后的样本电池数据，作为训练数据；

获得多个初始电池数据检测模型；

针对每一初始电池数据检测模型，利用所述训练数据中的第一训练数据，训练该初始电池数据检测模型，得到训练所得的电池数据检测模型，其中，所述第一训练数据为所述训练数据的部分数据；

利用所述训练数据中的第二训练数据，从多个训练所得的电池数据检测模型中，确定出检测结果最好的电池数据检测模型，作为目标电池数据检测模型，其中，所述第二训练数据为所述训练数据的部分数据。

在本发明的另一实施例中，所述第二确定模块340，被具体配置为基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果，其中，所述原始电池数据对应的异常概率高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据出现异常情况的结果；所述原始电池数据对应的异常概率不高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据未出现异常情况的结果。

在本发明的另一实施例中，所述装置还包括：

第二获得模块(图中未示出)，被配置为在所述基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果之后，获得所述原始电池数据对应的真实异常结果；

第三获得模块(图中未示出)，被配置为获得历史电池数据对应的异常检测结果及真实异常结果，其中，所述历史电池数据对应的异常检测结果为基于所述目标电池数据检测模型确定的；

更新模块(图中未示出)，被配置为基于所述原始电池数据对应的真实异常结果与异常检测结果之间的对比结果，以及各历史电池数据对应的异常检测结果及真实异常结果之间的对比结果，更新所述当前的异常概率阈值，得到新的当前的异常概率阈值。

在本发明的另一实施例中，所述装置还包括：

第四获得模块(图中未示出)，被配置为在所述基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果之后，获得所述原始电池数据对应的真实异常结果；

第五获得模块(图中未示出)，被配置为获得历史电池数据对应的真实异常结果；

训练确定模块(图中未示出)，被配置为基于所述原始电池数据对应的真实异常结果，以及各历史电池数据对应的真实异常结果，重新训练所述目标电池数据检测模型，得到新的目标电池数据检测模型。

上述系统、装置实施例与系统实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。

Claims (10)

1.一种电池数据的检测方法，其特征在于，所述方法包括：

获得原始电池数据，其中，所述原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据；

对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据，其中，所述预设数据清洗操作至少包括：对所述原始电池数据中的异常值和/或缺失值的删补操作；

利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率，其中，所述目标电池数据检测模型为：利用各样本电池数据经过所述预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度以及特征维度一致；

基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果。

2.如权利要求1所述的方法，其特征在于，所述原始电池数据包括：所述待检测电池在充电过程或放电过程中各时刻所生成的基础特征维度对应的电池数据；所述预设数据清洗操作还包括：特征构造操作；

所述对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据的步骤，包括：

遍历所述原始电池数据中各时刻对应的电池数据，对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，得到所述原始电池数据对应的中间电池数据，其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量高于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；

基于指定基础特征维度对应的数据划分区间以及所述中间电池数据中所述指定基础特征维度对应的电池数据，划分所述中间电池数据，得到每一数据划分区间对应的电池数据段；

针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据，其中，所述其他基础特征维度为所述基础特征维度中除所述指定基础特征维度外的维度；

基于该电池数据段对应的特征数据，确定所述原始电池数据对应的待利用数据。

3.如权利要求2所述的方法，其特征在于，所述针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的电池数据，作为该电池数据段对应的特征数据的步骤，包括：

针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据；

针对每一电池数据段中每一其他基础特征维度，基于该电池数据段中该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，所述统计量特征维度包括：指示基于每一其他基础特征维度对应的电池数据，计算该其他基础特征维度对应的电池数据均值和/或方差的特征维度；

针对每一电池数据段，基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据，以得到该电池数据段对应的特征数据，其中，所述电流特征维度和电压特征维度属于其他基础特征维度。

4.如权利要求1所述的方法，其特征在于，在所述利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率的步骤之前，所述方法还包括：

训练得到所述目标电池数据检测模型的过程，其中，所述过程包括：

获得各样本电池数据及其对应的标定信息，其中，所述样本电池数据为：各样本车辆的样本电池在充电过程或放电过程生成的数据；样本电池数据为在充电过程生成的数据时，所述原始电池数据为在充电过程生成的数据；样本电池数据为在放电过程生成的数据时，所述原始电池数据为在放电过程生成的数据，所述标定信息用于标定所对应样本电池数据是否表征所对应样本电池是否出现异常；

针对每一样本电池数据，对该样本电池数据进行所述预设数据清洗操作，得到经过所述预设数据清洗操作后的样本电池数据，作为训练数据；

获得多个初始电池数据检测模型；

针对每一初始电池数据检测模型，利用所述训练数据中的第一训练数据，训练该初始电池数据检测模型，得到训练所得的电池数据检测模型，其中，所述第一训练数据为所述训练数据的部分数据；

利用所述训练数据中的第二训练数据，从多个训练所得的电池数据检测模型中，确定出检测结果最好的电池数据检测模型，作为目标电池数据检测模型，其中，所述第二训练数据为所述训练数据的部分数据。

5.如权利要求1所述的方法，其特征在于，所述基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果的步骤，包括：

基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果，其中，所述原始电池数据对应的异常概率高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据出现异常情况的结果；所述原始电池数据对应的异常概率不高于所述当前的异常概率阈值的情况下，所述异常检测结果为表征原始电池数据未出现异常情况的结果。

6.如权利要求1-5任一项所述的方法，其特征在于，在所述基于所述原始电池数据对应的异常概率以及当前的异常概率阈值，确定所述原始电池数据对应的异常检测结果的步骤之后，所述方法还包括：

获得所述原始电池数据对应的真实异常结果；

获得历史电池数据对应的异常检测结果及真实异常结果，其中，所述历史电池数据对应的异常检测结果为基于所述目标电池数据检测模型确定的；

基于所述原始电池数据对应的真实异常结果与异常检测结果之间的对比结果，以及各历史电池数据对应的异常检测结果及真实异常结果之间的对比结果，更新所述当前的异常概率阈值，得到新的当前的异常概率阈值。

7.如权利要求1-6任一项所述的方法，其特征在于，在所述基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果的步骤之后，所述方法还包括：

获得所述原始电池数据对应的真实异常结果；

获得历史电池数据对应真实异常结果；

基于所述原始电池数据对应的真实异常结果，以及各历史电池数据对应的真实异常结果，重新训练所述目标电池数据检测模型，得到新的目标电池数据检测模型。

8.一种电池数据的检测装置，其特征在于，所述装置包括：

第一获得模块，被配置为获得原始电池数据，其中，所述原始电池数据为：目标车辆的待检测电池在充电过程或放电过程生成的数据；

第一清洗模块，被配置为对所述原始电池数据进行预设数据清洗操作，得到所述原始电池数据对应的待利用数据，其中，所述预设数据清洗操作至少包括：对所述原始电池数据中的异常值和/或缺失值的删补操作；

第一确定模块，被配置为利用所述待利用数据以及目标电池数据检测模型，确定所述原始电池数据对应的异常概率，其中，所述目标电池数据检测模型为：利用各样本电池数据经过所述预设数据清洗操作后所得的训练数据及其对应的标定信息训练所得的模型，各训练数据的样本维度以及特征维度一致；

第二确定模块，被配置为基于所述原始电池数据对应的异常概率，确定所述原始电池数据对应的异常检测结果。

9.如权利要求8所述的装置，其特征在于，所述原始电池数据包括：所述待检测电池在充电过程或放电过程中各时刻所生成的基础特征维度对应的电池数据；所述预设数据清洗操作还包括：特征构造操作；

所述第一清洗模块，包括：

删补单元，被配置为遍历所述原始电池数据中各时刻对应的电池数据，对存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据进行填补或删减，得到所述原始电池数据对应的中间电池数据，其中，若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量不高于第一预设值，则填补该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；若存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据的缺失和/或异常数量高于第一预设值，则删减该存在数据缺失情况和/或数据异常情况的时刻所对应的电池数据；

划分单元，被配置为基于指定基础特征维度对应的数据划分区间以及所述中间电池数据中所述指定基础特征维度对应的电池数据，划分所述中间电池数据，得到每一数据划分区间对应的电池数据段；

第一确定单元，被配置为针对每一电池数据段，基于该电池数据段中其他基础特征维度对应的电池数据，确定各预设扩充特征维度对应的数据，作为该电池数据段对应的特征数据，其中，所述其他基础特征维度为所述基础特征维度中除所述指定基础特征维度外的维度；

第二确定单元，被配置为基于该电池数据段对应的特征数据，确定所述原始电池数据对应的待利用数据。

10.如权利要求9所述的装置，其特征在于，所述第一确定单元，被具体配置为针对每一电池数据段，基于该电池数据段是否存在电池数据，确定该电池数据段对应的示性特征维度对应的特征数据；

针对每一电池数据段中每一其他基础特征维度，基于该电池数据段中该其他基础特征维度对应的电池数据，确定该其他基础特征维度对应的统计量特征维度对应的特征数据，所述统计量特征维度包括：指示基于每一其他基础特征维度对应的电池数据，计算该其他基础特征维度对应的电池数据均值和/或方差的特征维度；

针对每一电池数据段，基于该电池数据段中电流特征维度对应的电池数据，以及电压特征维度对应的电池数据，确定该电池数据段对应的电阻特征维度对应的特征数据，以得到该电池数据段对应的特征数据，其中，所述电流特征维度和电压特征维度属于其他基础特征维度。

Images