CN115980585A - 电池故障的检测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本公开涉及一种电池故障的检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。采用本方法能够实现电池故障的精准预测，提前排除电池故障，避免电池自燃等事故的发生，保证了电池的可靠性和安全性。

Description

电池故障的检测方法、装置、计算机设备和存储介质

技术领域

本公开涉及动力电池技术领域，特别是涉及一种电池故障的检测方法、装置、计算机设备和存储介质。

背景技术

随着新能源技术的发展，新能源汽车的数量急剧增长，新能源汽车中动力电池自燃、充电起火等事故也时常发生，威胁了用户的安全，因此，需要对动力电池的故障进行判断，以避免事故的发生，提高动力电池的安全性和可靠性。

传统的故障检测技术中，通常对电池的状态进行监测，在电池电量状态与正常状态之间存在明显区别的情况下才会告警，然而，由于动力电池系统的故障发生的关联因子复杂，通过这种方法进行告警，在故障判断的整体性和前瞻性上存在不足，无法对电池的状态进行精确的判断。

发明内容

基于此，有必要针对上述技术问题，提供一种能够根据电池状态准确判断电池是否存在故障隐患的电池故障的检测方法、装置、计算机设备、存储介质和计算机程序产品。

第一方面，本公开实施例提供了一种电池故障的检测方法。所述方法包括：

获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；

将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；

在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。

在其中一个实施例中，所述样本数据为利用事件触发采样方式采样得到，包括：

获取预设的采样触发事件对应的采样触发电池状态数据；

响应于电池状态数据与所述采样触发电池状态数据相匹配，获取所述电池状态数据作为样本数据。

在其中一个实施例中，所述剩余电量预测模型的获取方式包括：

获取电池充放电状态的样本数据，其中，所述样本数据包括标注有剩余电量标签的充放电状态数据，所述样本数据为利用事件触发采样方式采样得到；

构建初始剩余电量预测模型，所述初始剩余电量预测模型中设置有训练参数；

将所述样本数据输入至所述初始剩余电量预测模型，得到输出结果；

基于所述输出结果与标注的剩余电量标签的差异，对所述初始剩余电量预测模型进行迭代调整，直至所述差异满足预设要求，得到剩余电量预测模型。

在其中一个实施例中，所述获取电池充放电状态的样本数据，包括：

获取电池充放电状态的初始样本数据；

对所述初始样本数据进行标准化处理，得到电池充放电状态的样本数据。

在其中一个实施例中，所述将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，包括：

确定所述电池对应的电池类别；

获取与所述电池类别相匹配的剩余电量预测模型；

将所述充放电状态数据输入至所述剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量。

在其中一个实施例中，所述充放电状态数据包括充放电状态的状态切换节点数据，所述获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量，包括：

响应于预设的触发指令，获取电池的充放电状态的切换节点数据及所述切换节点对应的电池剩余电量，其中，所述触发指令包括所述电池切换至充电状态、所述电池结束充电状态、所述电池切换至放电状态、所述电池结束放电状态中的至少一种。

第二方面，本公开实施例还提供了一种电池故障的检测装置。所述装置包括：

获取模块，用于获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；

预测模块，用于将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；

发送模块，用于在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。

在其中一个实施例中，所述样本数据为利用事件触发采样方式采样得到，包括：

第一获取子模块，用于获取预设的采样触发事件对应的采样触发电池状态数据；

第二获取子模块，用于响应于电池状态数据与所述采样触发电池状态数据相匹配，获取所述电池状态数据作为样本数据。

在其中一个实施例中，所述剩余电量预测模型的获取模块包括：

第三获取子模块，用于获取电池充放电状态的样本数据，其中，所述样本数据包括标注有剩余电量标签的充放电状态数据，所述样本数据为利用事件触发采样方式采样得到；

构建模块，用于构建初始剩余电量预测模型，所述初始剩余电量预测模型中设置有训练参数；

输入模块，用于将所述样本数据输入至所述初始剩余电量预测模型，得到输出结果；

调整模块，用于基于所述输出结果与标注的剩余电量标签的差异，对所述初始剩余电量预测模型进行迭代调整，直至所述差异满足预设要求，得到剩余电量预测模型。

在其中一个实施例中，所述获取模块，包括：

第四获取子模块，用于获取电池充放电状态的初始样本数据；

标准化模块，用于对所述初始样本数据进行标准化处理，得到电池充放电状态的样本数据。

在其中一个实施例中，所述预测模块，包括：

确定模块，用于确定所述电池对应的电池类别；

第五获取子模块，用于获取与所述电池类别相匹配的剩余电量预测模型；

输出子模块，用于将所述充放电状态数据输入至所述剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量。

在其中一个实施例中，所述充放电状态数据包括充放电状态的状态切换节点数据，所述获取模块，包括：

第五获取子模块，用于响应于预设的触发指令，获取电池的充放电状态的切换节点数据及所述切换节点对应的电池剩余电量，其中，所述触发指令包括所述电池切换至充电状态、所述电池结束充电状态、所述电池切换至放电状态、所述电池结束放电状态中的至少一种。

第三方面，本公开实施例还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本公开实施例中任一项所述的方法的步骤。

第四方面，本公开实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本公开实施例中任一项所述的方法的步骤。

第五方面，本公开实施例还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开实施例中任一项所述的方法的步骤。

本公开实施例，在对电池进行监测时，获取电池的充放电状态数据，以及充放电状态对应的电池剩余电量，将充放电状态数据输入到剩余电量预测模型，经预测模型输出预测剩余电量，其中，用于训练剩余电量预测模型的样本数据为通过事件触发采样方式进行采样得到，因此样本冗余度低，且样本数据更为准确有效，能够通过更少数据量的样本数据训练得到较为精确的预测模型，保证了电池剩余电量预测的精确性；在充放电状态数据对应的电池剩余电量与预测剩余电量之间的差值大于预设阈值的情况下，可以认为此时电池容量异常，可能存在故障，发送预警信息，实现了电池故障的精准预测，能够根据电池状态准确判断电池是否存在故障隐患，提前排除电池故障，避免电池自燃等事故的发生，保证了电池的可靠性和安全性。

附图说明

图1为一个实施例中电池故障的检测方法的流程示意图；

图2为一个实施例中样本数据的采样方式的流程示意图；

图3为一个实施例中剩余电量预测模型的获取方式的流程示意图；

图4为一个实施例中电池的充放电状态数据的获取方式的流程示意图；

图5为一个实施例中电池故障的检测系统的结构示意图；

图6为一个实施例中电池故障的检测方法的流程示意图；

图7为一个实施例中电池故障的检测装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。

在一个实施例中，如图1所示，提供了一种电池故障的检测方法，所述方法包括：

步骤S110，获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；

本公开实施例中，在电池的使用过程中，包括充电、放电、不工作的情况，充电时，电池电量增加，放电时，电池电量减少，不工作时，电池电量基本保持不变。通常情况下，电池不存在故障或隐患时，充放电时电池电量按照一定的规律发生变化，因此，可以通过电池的充放电状态数据和电池电量的变化对电池状态进行监测。获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量，其中，电池的充放电状态数据可以包括但不限于电池的充放电时刻、电池充放电时长、电池充放电强度等，在获取充放电状态数据时，获取对应的电池剩余电量，本实施例中获取到的电池剩余电量与电池的充放电状态数据之间存在对应关系。在一个示例中，可以周期性获取电池的充放电状态数据，获取周期可以根据实际应用场景事先确定得到；还可以设置预设的触发条件，当电池状态数据符合触发条件时，获取电池的充放电状态数据，触发条件可以根据实际应用场景设置得到。本公开对电池充放电状态数据及剩余电量的获取时机及获取方式不做限制。在一个示例中，本实施例中的方法可以应用于新能源汽车的电池系统中，以保证新能源汽车的安全性。在一个示例中，剩余电量可以为直接获取得到，也可以为根据电池的充放电状态数据计算得到。

步骤S120，将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；

本公开实施例中，将获取到的充放电状态数据输入到剩余电量预测模型中，剩余电量预测模型根据充放电状态数据对电池剩余电量进行预测，输出预测得到的预测剩余电量，其中，剩余电量预测模型的输入被设置为包括电池的充放电状态数据，输出被设置为包括剩余电量。具体的，剩余电量预测模型为通过充放电状态样本数据和剩余电量的关联关系训练得到，样本数据为利用事件触发采样方式采样得到，其中，事件触发采样方式的采样过程为，设置触发采样的事件，在对应事件发生的情况下，触发采样，获取此时的数据。在训练剩余电量预测模型时，通过输入采样得到的充放电状态的样本数据及对应的剩余电量数据，对模型进行训练得到剩余电量预测模型，能够根据电池的充放电状态输出预测得到的剩余电量。在一个示例中，事件触发采样方式可以包括勒贝格采样方法，使用勒贝格采样方法对电池运行数据进行采样，能够构建高质量、低冗余的数据样本集，进而提高采样的有效性，降低数据集的维度，从而节省计算资源，降低功耗。

步骤S130，在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。

本公开实施例中，得到预测剩余电量后，与实际获取得到的电池剩余电量进行比较，在电池剩余电量与预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息，其中，预设阈值通常为根据实际应用场景设置得到的一个较为合适的值，当实际电量与预测电量之间的差值大于预设阈值时，可以认为此时电池剩余电量异常，电池可能存在故障隐患；当实际电量与预测电量之间的差值小于预设阈值时，可以认为此时电池剩余电量正常，继续进行状态的监测。在一个示例中，电池剩余电量和预测剩余电量之间的差值可能为正值或负值，因此，可以根据需求设置电池剩余电量和预测剩余电量之间的差值的绝对值大于预设阈值的情况下，发送预警信息。在一个示例中，预警信息可以按照预设的通信方式发送，如通过电信号或光信号的形式提示用户，也可以以短信或消息提示的方式发送至事先绑定的电子设备中以提示用户。在一个示例中，可以根据不同的应用场景对剩余电量预测模型的输入进行调整，例如，当需要对新能源汽车的动力电池的剩余容量进行预测时，还可以在剩余电量预测模型的输入中添加车辆状态数据，如车速、车辆型号等。

本公开实施例，在对电池进行监测时，获取电池的充放电状态数据，以及充放电状态对应的电池剩余电量，将充放电状态数据输入到剩余电量预测模型，经预测模型输出预测剩余电量，其中，用于训练剩余电量预测模型的样本数据为通过事件触发采样方式进行采样得到，因此样本冗余度低，且样本数据更为准确有效，能够通过更少数据量的样本数据训练得到较为精确的预测模型，保证了电池剩余电量预测的精确性；在充放电状态数据对应的电池剩余电量与预测剩余电量之间的差值大于预设阈值的情况下，可以认为此时电池容量异常，可能存在故障，发送预警信息，实现了电池故障的精准预测，能够根据电池状态准确判断电池是否存在故障隐患，提前排除电池故障，避免电池自燃等事故的发生，保证了电池的可靠性和安全性。

在一个实施例中，如图2所示，所述样本数据为利用事件触发采样方式采样得到，包括：

步骤S210，获取预设的采样触发事件对应的采样触发电池状态数据；

步骤S220，响应于电池状态数据与所述采样触发电池状态数据相匹配，获取所述电池状态数据作为样本数据。

本公开实施例中，在利用事件触发采样方式获取采样数据时，根据实际应用场景确定预设的采样触发事件，其中，预设的采样触发事件对应有采样触发电池状态数据。在一个示例中，可以将采样触发事件设置为电池进入充电/放电状态、电池停止充电/放电状态，此时对应的采样触发电池状态数据可以为电池电量开始上升/下降、电池电量上升状态停止/电池电量下降状态停止。在一些其他可能的实现方式中，预设的采样触发事件还可以设置为电池电量在预设时间内下降/上升预设值，其中，该预设值可以为一个较大的值，从而能够对异常数据进行采样，使得采样数据更为全面精确。在电池状态数据和采样触发电池状态数据相匹配的情况下，获取此时的电池状态数据，作为样本数据。在一个示例中，采集样本数据时，可以对电池类别进行划分，分别进行获取，训练不同电池类别对应的预测模型，以进一步提升预测模型的准确性和可靠性。

本公开实施例，通过预设的采样触发事件对应的电池状态数据，获取样本数据，使得获取到的样本数据冗余性低，提高了样本数据的有效性，避免了因无效数据过多造成的模型训练困难，准确性低的问题，降低了计算训练难度的同时，保证了训练得到的预测模型的精确性和可靠性，进而使得后续对电池故障的预测更为准确，保证了电池的安全性，提升了用户的体验感。

在一个实施例中，如图3所示，所述剩余电量预测模型的获取方式包括：

步骤S310，获取电池充放电状态的样本数据，其中，所述样本数据包括标注有剩余电量标签的充放电状态数据，所述样本数据为利用事件触发采样方式采样得到；

步骤S320，构建初始剩余电量预测模型，所述初始剩余电量预测模型中设置有训练参数；

步骤S330，将所述样本数据输入至所述初始剩余电量预测模型，得到输出结果；

步骤S340，基于所述输出结果与标注的剩余电量标签的差异，对所述初始剩余电量预测模型进行迭代调整，直至所述差异满足预设要求，得到剩余电量预测模型。

本公开实施例中，获取电池充放电状态的样本数据，具体的，样本数据中包括有标注有剩余电量标签的充放电状态数据，样本数据为事先采集得到。其中，样本数据为利用事件触发采样方式采样得到的数据，进行数据采样时，采样的数据包括电池的充放电状态数据以及所述充放电状态对应的剩余电量，事件触发采样方式为响应于预设的触发事件，获取样本数据，采样得到样本数据后，将剩余电量以标签的形式标注在对应的充放电状态数据上，以便于后续模型的训练。构建初始剩余电量预测模型，初始剩余电量预测模型可以为基于深度学习算法得到，其中，初始剩余电量预测模型中设置有训练参数。将样本数据输入到初始剩余电量预测模型中，初始剩余电量预测模型会基于初始的训练参数输出一个输出结果，将得到的输出结果与剩余电量标签进行比较，根据输出结果与标签的差异，对初始剩余电量预测模型进行迭代调整，其中，调整方式可以包括但不限于对模型中的训练参数进行调整等。重复上述步骤后，当调整后的预测模型的输出结果与标签之间的差异满足预设要求时，得到剩余电量预测模型。在一个示例中，预设要求可以包括输出结果与标签之间的差异小于预设值，其中所述预设值通常根据实际场景被设置为一个较小的值，既能够保证预测模型输出的准确性，也考虑到了机器学习模型存在的误差。在一个示例中，剩余电量预测模型采用的算法可以包括但不限于多层神经网络(Neural network)、支持向量机(SVM)、梯度提升决策树(GBDT)、随机森林(random forest)、XGBoost算法等，本公开对此不做限制。在一种可能的实现方式中，可以采用XGBoost算法得到剩余电量预测模型，其中，可以将预测模型的最大深度设定为8、学习率为0.05、训练树的数量设定为120，在此参数下，能够保证得到的剩余电量的预测模型输出结果准确性。在一个示例中，可以根据不同的应用场景对剩余电量预测模型的输入进行调整，例如，当需要对新能源汽车的动力电池的剩余容量进行预测时，还可以在剩余电量预测模型的输入中添加车辆状态数据，如车速、车辆型号等。

本公开实施例，训练得到了剩余电量预测模型，实现了对剩余电量的预测，且训练样本数据为利用事件触发采样方式采样得到，用于进行训练的样本数据集较为准确有效，保证了预测模型的精确性，进而及时发现故障/故障隐患，保证了电池的可靠性和安全性。

在一个实施例中，所述获取电池充放电状态的样本数据，包括：

获取电池充放电状态的初始样本数据；

对所述初始样本数据进行标准化处理，得到电池充放电状态的样本数据。

本公开实施例中，获取电池充放电状态的样本数据时，首先获取电池充放电状态的初始样本数据，然后利用预设的数据清洗方式对初始样本数据进行筛选清洗，进行标准化处理，得到统一处理后的符合预设要求的数据，作为样本数据。具体的，在训练得到预测模型时，为了保证预测模型的准确性和有效性，输入标准化处理的样本数据。在一个示例中，本实施例应用于新能源汽车的电池系统中，初始样本数据可以包括但不限于时间、车速、充电状态、电池单体电压的峰值、温度、总电压、总电流、SOC(state of charge，电池剩余电量百分比)、SOH(state of health，电池当前的容量与出厂容量的百分比)；对获取到的数据进行结构变换、数据清洗等，得到样本数据。在一个示例中，如图4所示，对整车数据进行扫描标记，使用动态数组对充放电状态数据开始和结束进行标记，并扫描标记点前后数据，迭代确定标记点的准确性。确定所有标记点后，不对原数据点进行切分，以充放电开始、技术记录表为索引，对整车数据集进行检索查询，形成充放电数据统计表，在进行数据获取时，直接以数据查询的方式进行。在一个示例中，还会对充放电数据统计表进行正则化和归一化得到模型训练集。

本公开实施例，在训练预测模型时，对直接获取到的电池充放电状态的初始样本数据进行标准化处理后，得到电池充放电状态的样本数据，从而能够使得用于训练的样本数据更为标准有效，提高了训练得到的预测模型的准确性和有效性，进而保证了后续对电池容量状态判断的准确性，提升了电池系统的安全性。

在一个实施例中，所述将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，包括：

确定所述电池对应的电池类别；

获取与所述电池类别相匹配的剩余电量预测模型；

将所述充放电状态数据输入至所述剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量。

本公开实施例中，确定电池对应的电池类别，其中，不同的电池类别对应的充放电特性也会存在不同，本实施例中，针对不同类别的电池确定有不同的剩余电量预测模型。确定电池类别后，获取与电池类别相匹配的剩余电量预测模型。在一个示例中，在训练剩余电量预测模型时，针对不同的电池类别训练不同的剩余电量预测模型。确定电池类别后，获取与该电池类别相匹配的剩余电量预测模型。在一个示例中，不同的剩余电量预测模型可以对应有不同的电池类别标识，根据所述电池类别标识可以确定与电池类别相匹配的剩余电量预测模型。将充放电状态数据输入至匹配的剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量。在一种可能的实现方式中，还可以在训练剩余电量预测模型时，对输入的样本数据进行电池类别的划分，对不同的电池类别的样本输出结果针对性区分调整，使得最终得到的剩余电量的预测模型能够直接针对不同的电池种类的电池充放电状态数据进行剩余电量的预测。

本公开实施例，根据不同的电池类别利用不同的剩余电量预测模型输出预测剩余电量，实现了对不同电池类别的电量预测的细分，针对不同电池类别的电池充放电特性进行区分预测，进一步提高了剩余电量预测模型的输出的预测剩余电量的准确性，进而保证了后续对电池电量状态判断的准确性，提升了电池的安全性。

在一个实施例中，所述充放电状态数据包括充放电状态的状态切换节点数据，所述获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量，包括：

响应于预设的触发指令，获取电池的充放电状态的切换节点数据及所述切换节点对应的电池剩余电量，其中，所述触发指令包括所述电池切换至充电状态、所述电池结束充电状态、所述电池切换至放电状态、所述电池结束放电状态中的至少一种。

本公开实施例中，电池的充放电状态数据包括电池充放电状态的状态切换节点数据，获取充放电状态数据时，响应于预设的触发指令，获取电池的充放电状态的切换节点数据及切换节点对应的电池剩余电量。在一个示例中，电池的充放电状态的状态切换节点数据可以包括但不限于电池切换至充电/放电状态的时刻、电池停止充电/放电的时刻等。具体的，本实施例中的预设的触发指令包括事先根据实际应用场景设置得到，包括电池切换至充电状态、电池结束充电状态、电池切换至放电状态、电池结束放电状态中的至少一种。由于电池容量的变化受电池的充放电状态影响，因此，本实施例中设置触发指令，在电池充放电状态切换时，获取电池的充放电状态的切换节点数据。

本公开实施例，设置触发指令，响应于触发指令，获取电池充放电状态的切换节点数据，进一步细化了电池充放电状态数据的获取时机，保证了获取到的电池充放电数据的精确性，减少了无效数据的获取，进而提高了剩余电量预测的效率和精确性，提高了后续对电池电量状态判断的准确性，提升了电池的安全性。

图5是根据一示例性实施例示出的一种电池故障的检测系统的结构示意图，参考图5所示，所述系统包括数据采集模块、数据筛选模块、数据预处理模块、充放电数据提取模块、训练集特征工程模块、训练优化模块、故障检测模块。具体的，数据采集模块用于使用勒贝格采样方法对动力电池运行数据进行采样，构建高质量、低冗余的数据样本集；数据筛选模块用于对目标数据进行数据特征筛选，其中，目标数据可以包括但不限于时间、车速、充电状态、电池单体电压的峰值、温度、总电压、总电流、SOC、SOH等；数据清洗模块用于对筛选后的数据进行结构变换、清洗；充放电数据提取模块用于对筛选清洗之后的数据进行充放电数据的动态提取，车辆数据中包含了行驶数据、充放电数据、车辆处于故障状态的数据、满电待机数据等多种状态数据，因此本实施例中使用动态数组对充放电数据开始和结束进行标记，并扫描标记点前后数据，迭代确定标记点的准确性。确定所有标记点后，不对原数据点进行切分，直接以数据查询的方式进行。训练集特征工程模块用于对充放电数据统计表进行正则化、归一化得到模型训练集；训练优化模块用于训练优化预测模型，本实施例中基于XGBoost算法去模拟动力电池容量模型，XGBoost模型中主要调优参数有最大深度、学习率、训练树数量等，本实施例中将最大深度设定为8、学习率为0.05、训练树的数量设定为120；故障检测模块用于结合动力电池容量预测模块和故障检测阈值，对动力电池容量异常情况进行识别告警。

图6是根据一示例性实施例示出的一种电池故障的检测方法的流程示意图，参考图6所示，先获取待检测的电池状态数据，对待检测数据进行充放电统计计算，得到动力电池容量的实际值；将待检测数据输入动力电池容量预测模块得到容量的预测值；将预测值和实际值做差值处理，若得到的差值超过故障检测阈值，则输出电池容量异常结果。

通过本公开实施例，使用勒贝格采样方法采集动力电池的运行数据，提高了采样效率，降低了数据样本的冗余，节约传输带宽和计算资源；基于机器学习算法，结合车辆大数据，对同型号电动汽车的动力电池系统建立容量计算模型，结合动力电池容量预测模型，对动力电池容量进行多参数预测，并将预测值与实际值进行比较分析，若动力电池容量在短期内频繁发生实际值较大程度偏离预测值，则有较大概率认为此时电池组存在潜在故障，实现了对电池安全状态的预测，保证了电池的安全性，提升了用户的体验感。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的电池故障的检测方法的电池故障的检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池故障的检测装置实施例中的具体限定可以参见上文中对于电池故障的检测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种电池故障的检测装置700，包括：

获取模块710，用于获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；

预测模块720，用于将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；

发送模块730，用于在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。

在其中一个实施例中，所述样本数据为利用事件触发采样方式采样得到，包括：

第一获取子模块，用于获取预设的采样触发事件对应的采样触发电池状态数据；

第二获取子模块，用于响应于电池状态数据与所述采样触发电池状态数据相匹配，获取所述电池状态数据作为样本数据。

在其中一个实施例中，所述剩余电量预测模型的获取模块包括：

第三获取子模块，用于获取电池充放电状态的样本数据，其中，所述样本数据包括标注有剩余电量标签的充放电状态数据，所述样本数据为利用事件触发采样方式采样得到；

构建模块，用于构建初始剩余电量预测模型，所述初始剩余电量预测模型中设置有训练参数；

输入模块，用于将所述样本数据输入至所述初始剩余电量预测模型，得到输出结果；

调整模块，用于基于所述输出结果与标注的剩余电量标签的差异，对所述初始剩余电量预测模型进行迭代调整，直至所述差异满足预设要求，得到剩余电量预测模型。

在其中一个实施例中，所述获取模块，包括：

第四获取子模块，用于获取电池充放电状态的初始样本数据；

标准化模块，用于对所述初始样本数据进行标准化处理，得到电池充放电状态的样本数据。

在其中一个实施例中，所述预测模块，包括：

确定模块，用于确定所述电池对应的电池类别；

第五获取子模块，用于获取与所述电池类别相匹配的剩余电量预测模型；

输出子模块，用于将所述充放电状态数据输入至所述剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量。

在其中一个实施例中，所述充放电状态数据包括充放电状态的状态切换节点数据，所述获取模块，包括：

第五获取子模块，用于响应于预设的触发指令，获取电池的充放电状态的切换节点数据及所述切换节点对应的电池剩余电量，其中，所述触发指令包括所述电池切换至充电状态、所述电池结束充电状态、所述电池切换至放电状态、所述电池结束放电状态中的至少一种。

上述电池故障的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电池的充放电状态数据、电池剩余电量状态数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池故障的检测方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本公开实施例方案相关的部分结构的框图，并不构成对本公开实施例方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其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各方法实施例中的步骤。

在一个实施例中，提供了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上述各方法实施例中的步骤。

需要说明的是，本公开实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开实施例所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开实施例所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开实施例专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例的保护范围应以所附权利要求为准。

Claims (10)

1.一种电池故障的检测方法，其特征在于，所述方法包括：

获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；

将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；

在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。

2.根据权利要求1所述的方法，其特征在于，所述样本数据为利用事件触发采样方式采样得到，包括：

获取预设的采样触发事件对应的采样触发电池状态数据；

响应于电池状态数据与所述采样触发电池状态数据相匹配，获取所述电池状态数据作为样本数据。

3.根据权利要求1所述的方法，其特征在于，所述剩余电量预测模型的获取方式包括：

获取电池充放电状态的样本数据，其中，所述样本数据包括标注有剩余电量标签的充放电状态数据，所述样本数据为利用事件触发采样方式采样得到；

构建初始剩余电量预测模型，所述初始剩余电量预测模型中设置有训练参数；

将所述样本数据输入至所述初始剩余电量预测模型，得到输出结果；

基于所述输出结果与标注的剩余电量标签的差异，对所述初始剩余电量预测模型进行迭代调整，直至所述差异满足预设要求，得到剩余电量预测模型。

4.根据权利要求3所述的方法，其特征在于，所述获取电池充放电状态的样本数据，包括：

获取电池充放电状态的初始样本数据；

对所述初始样本数据进行标准化处理，得到电池充放电状态的样本数据。

5.根据权利要求1所述的方法，其特征在于，所述将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，包括：

确定所述电池对应的电池类别；

获取与所述电池类别相匹配的剩余电量预测模型；

将所述充放电状态数据输入至所述剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量。

6.根据权利要求1所述的方法，其特征在于，所述充放电状态数据包括充放电状态的状态切换节点数据，所述获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量，包括：

响应于预设的触发指令，获取电池的充放电状态的切换节点数据及所述切换节点对应的电池剩余电量，其中，所述触发指令包括所述电池切换至充电状态、所述电池结束充电状态、所述电池切换至放电状态、所述电池结束放电状态中的至少一种。

7.一种电池故障的检测装置，其特征在于，所述装置包括：

获取模块，用于获取电池的充放电状态数据及所述充放电状态对应的电池剩余电量；

预测模块，用于将所述充放电状态数据输入至剩余电量预测模型，经所述剩余电量预测模型输出预测剩余电量，其中，所述剩余电量预测模型为通过充放电状态样本数据与剩余电量的关联关系训练得到，所述样本数据为利用事件触发采样方式采样得到；

发送模块，用于在所述电池剩余电量与所述预测剩余电量之间的差值大于预设阈值的情况下，发送预警信息。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的电池故障的检测方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的电池故障的检测方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的电池故障的检测方法的步骤。

Images