CN117104008A - 蓄电池亏电预警方法、装置、设备及存储介质 - Google Patents

Abstract

本申请揭示了一种蓄电池亏电预警方法、装置、设备及存储介质。该方法包括：获取车辆的蓄电池运行数据；将蓄电池运行数据输入至蓄电池风险预测模型，以通过蓄电池风险预测模型对蓄电池运行数据进行解析得到蓄电池的电量和蓄电池的上下电信号；通过蓄电池风险预测模型对蓄电池的电量和蓄电池的上下电信号进行判定，得到判定结果，以根据判断结果判定结果确定蓄电池的风险等级；基于蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。本申请的实施例能够解决了对蓄电池亏电风险检测的滞后性，提高了对车辆的蓄电池亏电检测的智能性，及时对亏电风险进行提示，避免了亏电给车主带来的用车不便，提高了用户的使用体验。

Description

蓄电池亏电预警方法、装置、设备及存储介质

技术领域

本申请涉及蓄电池管理技术领域，具体涉及一种蓄电池亏电预警方法及装置、电子设备、以及计算机可读存储介质。

背景技术

由于新能源汽车亏电问题频发，导致车辆无法启动，属于用户高感知场景，严重影响用户体验以及品牌形象，因此需要提前预警车辆的亏电风险，及时提示用户或者及时救援，保障车辆的正常使用。现阶段利用DTC故障告警，仅仅能够监控到已亏电的车辆，此类车辆大部分用户已感知，不能够实现提前规避。因此，重点研究了亏电风险预警，整车蓄电池亏电的主要变现形式为蓄电池电量过低,不足以启动车辆,亏电使得车主用车造成了不便利。对于整车蓄电池的亏电情况,以往都是在用户反馈到售后时,才能知道整车出现了亏电，因此,对于排查亏电原因主要依赖于用户的主观反馈以及整车的检测,具有成本高以及滞后性的缺陷。

发明内容

为解决上述关于蓄电池亏电检测的滞后性的技术问题，本申请的实施例提供了一种蓄电池亏电预警方法及装置、电子设备以及计算机可读存储介质。

根据本申请实施例的一个方面，提供了一种蓄电池亏电预警方法，包括：

获取车辆的蓄电池运行数据；将所述蓄电池运行数据输入至蓄电池风险预测模型，以通过所述蓄电池风险预测模型对所述蓄电池运行数据进行解析得到所述蓄电池的电量和所述蓄电池的上下电信号；通过所述蓄电池风险预测模型对所述蓄电池的蓄电池的电量和所述蓄电池的上下电信号进行判定，得到判定结果，以根据所述判定结果确定所述蓄电池的风险等级；基于所述蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。

根据本申请实施例的一个方面，所述通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，包括：通过所述蓄电池风险预测模型解析所述蓄电池的下电信号，得到解析结果；若所述蓄电池的下电信号解析结果表征所述车辆蓄电池在处于下电状态且在预设时长内所述蓄电池向车联网平台上传数据，则获取所述蓄电池的静态电流；若所述蓄电池的静态电流达到预设静态电流阈值以上，则判定所述蓄电池存在网络不休眠的风险。

根据本申请实施例的一个方面，所述方法还包括：若确定所述蓄电池存在网络不休眠的风险，则获取所述蓄电池的电荷量；若所述蓄电池的电荷量未达到预设电荷量阈值以上，则判定所述蓄电池存在网络不休眠故障。

根据本申请实施例的一个方面，所述通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，包括：通过所述蓄电池风险预测模型解析所述蓄电池的下电信号；若所述蓄电池的下电信号表征所述车辆处于下电状态且网络处于休眠状态，则获取所述蓄电池的电量；若所述蓄电池的电量低于预设电量阈值，则判定所述蓄电池存在低电量风险。

根据本申请实施例的一个方面，所述方法还包括：若确定所述蓄电池存在低电量风险，则获取所述蓄电池的电压；若所述蓄电池的电压未达到预设电压阈值以上，则判定所述蓄电池存在高压故障。

根据本申请实施例的一个方面，所述通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，包括：通过所述蓄电池风险预测模型解析所述蓄电池电量和所述蓄电池上下电信号；若基于所述蓄电池的电量和所述蓄电池的上下电信号确定所述蓄电池网络正常以及所述蓄电池电压均正常，则判断所述蓄电池能否正常高压补电；若所述蓄电池不能正常高压补电，则判定所述蓄电池存在补电失败故障。

根据本申请实施例的一个方面，所述方法还包括：将车辆上报到车联网平台蓄电池的运行数据作为样本数据；基于所述样本数据确定所述蓄电池风险模型对应的特征数据单元以及风险阈值；基于所述特征数据单元以及所述风险阈值训练得到所述蓄电池风险预测模型。

根据本申请实施例的一个方面，提供了一种蓄电池亏电预警装置，包括：获取模块，用于获取车辆的蓄电池运行数据；输入模块，用于将所述蓄电池运行数据输入至蓄电池风险预测模型，以通过所述蓄电池风险预测模型对所述蓄电池运行数据进行解析得到所述蓄电池的电量和所述蓄电池的上下电信号；确定模块，用于通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，以根据所述判定结果确定所述蓄电池的风险等级；提示模块，用于基于所述蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如前所述的蓄电池亏电预警方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的蓄电池亏电预警方法。

在本申请的实施例所提供的技术方案中，通过获取车辆的蓄电池运行数据，并将蓄电池运行数据输入至训练好的蓄电池风险预测模型中，以通过蓄电池风险预测模型对蓄电池运行数据进行解析，得到蓄电池的电量和蓄电池的上下电信号，此时，可以根据蓄电池风险预测模型对蓄电池的电量和蓄电池的上下电信号进行判定，得到对应的判定结果，以根据判定结果确定该车辆的蓄电池存在的亏电风险以及已经存在的亏电故障，并根据蓄电池风险预测模型的判定结果中的亏电风险和亏电故障生成对应亏电风险提示信息发送给相应的终端，解决了对蓄电池亏电风险检测的滞后性，提高了对车辆的蓄电池亏电检测的智能性，及时对亏电风险进行提示，避免了亏电给车主带来的用车不便，提高了用户的使用体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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者来讲，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。在附图中：

图1是本申请的一示例性实施例示出的车辆的蓄电池亏电预警的实施环境示意图；

图2是本申请的一示例性实施例示出的蓄电池亏电预警方法的流程图；

图3是图2所示实施例中的步骤S230在一示例性的实施例中的流程图；

图4是本申请的另一示例性实施例示出的一种蓄电池亏电预警方法的流程图；

图5是本申请的另一实施例示出的图2所示实施例中的步骤S230在一示例性的实施例中的流程图；

图6是本申请的另一示例性实施例示出的一种蓄电池亏电预警方法的流程图；

图7是本申请的另一示例性实施例示出的一种蓄电池亏电预警方法的流程图；

图8是本申请的另一示例性实施例示出的一种蓄电池亏电预警方法的流程图；

图9是在一示例性的应用场景下进行蓄电池亏电预警的简要流程示意图；

图10是本申请的一示例性实施例示出的蓄电池亏电预警装置的框图；

图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

首先需要说明的是，蓄电池是新能源领域的核心能量源，在新能源汽车领域，为整车提供驱动电能。在新能源汽车中蓄电池相当于一只大容量电容器,不仅能保持供电系的电压稳定,而且还能吸收电路中出现的瞬时过电压,防止损坏电子设备。蓄电池的作用是将化学能转换为电能的装置，属于可逆的直流电源，它的作用包括：启动发动机时，向发动机和点火系统供电；发电机不发电或者电压过低时向用电设备供电；在发电机超载时，协助发电机供电发电；发电机端电压高于蓄电池电压时，将发电机的电能转变为化学能储存起来；大电容器作用，能够吸收发电机和电路中形成的过电压。所以关于蓄电池中电量状态的监控就显得尤为重要。

图1是本申请的一示例性的实施例示出的车辆的蓄电池亏电预警的实施环境示意图。如图1所示，车辆对应的车载终端110向车辆网的平台侧服务器120主动上报蓄电池的运行数据，然后服务器120将车辆的蓄电池的运行数据输入到预先训练该的蓄电池风险预测模型中，以通过该蓄电池风险预测模型对该车辆的蓄电池的运行数据中的蓄电池的电量以及蓄电池的上下电喜信号进行解析，进而通过蓄电池风险预测模型对该蓄电池的电量以及上下电信号进行判定，得到相应的判定结果，从而根据判定结果确定该蓄电池的风险等级，并根据该蓄电池的风险等级生成对应的风险提示信息发送发送给车载终端110，以使得车主或者相关管理人员，车辆蓄电池的情况。

其中，图1所示的车载终端110可以是智能手机、车载电脑、平板电脑、笔记本电脑或者可穿戴设备等任意支持安装导航地图软件的终端设备，但并不限于此。图1所示的平台服务器220是检测服务器，例如可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器，在此也不进行限制。车载终端110可以通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与平台服务端120进行通信，本处也不对此进行限制。

由于新能源汽车亏电问题频发，导致车辆无法启动，属于用户高感知场景，严重影响用户体验以及品牌形象，因此需要提前预警车辆的亏电风险，及时提示用户或者及时救援，保障车辆的正常使用。现阶段利用DTC故障告警，仅仅能够监控到已亏电的车辆，此类车辆大部分用户已感知，不能够实现提前规避。因此，重点研究了亏电风险预警，整车蓄电池亏电的主要变现形式为蓄电池电量过低，不足以启动车辆，电使得车主用车造成了不便利。对于整车蓄电池的亏电情况，以往都是在用户反馈到售后时，才能知道整车出现了亏电，因此，对于排查亏电原因主要依赖于用户的主观反馈以及整车的检测，具有成本高以及滞后性的缺陷。

以上指出的问题在通用的蓄电池使用场景中具有普遍适用性。为了解决这些问题，本申请的实施例分别提出一种车辆蓄电池亏电预警方法、一种车辆蓄电池亏电预警装置、一种电子设备、一种计算机可读存储介质一种计算机程序产品，以下将对这些实施例进行详细描述。

请参阅图2，图2是本申请的一示例性实施例示出的车辆蓄电池亏电预警方法的流程示意图。该方法可以应用与图1所示的实施环境，并由该实施环境中的平台侧服务器120具体执行。应当理解的是，该方法也可以适用于其它的示例性实施环境，并由其它实施环境中的设备具体执行，本实施例不对该方法所适用的实施环境进行限制。

如图2所示，在一示例性的实施例中，车辆蓄电池亏电预警方法至少包括步骤S210至步骤S240，详细介绍如下：

步骤S210，获取车辆的蓄电池运行数据。

首先需要说明的是，电池包是新能源领域的核心能量源，在新能源汽车领域，为整车提供驱动电能，电池包主要是通过金属材质的壳体包络构成电池包主体，模块化的结构设计实现了电芯的集成。通过BMS(Battery Management System)电池管理系统实现对电芯的管理，以及与外界的信息交换。

在本实施例的步骤S210中，可以将BMS以及蓄电池等相关信号CAN数据实时采集存储，然后上传到云端。通过Kafka(Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者在网站中的所有动作流数据)将CAN数据接入到大数据库中。

其中，控制器局域网CAN是Controller Area Network的缩写(以下称为CAN)，是串行通信协议。在当前的汽车产业中，出于对安全性、舒适性、方便性、低公害、低成本的要求，各种各样的电子控制系统被开发了出来。由于这些系统之间通信所用的数据类型及对可靠性的要求不尽相同，由多条总线构成的情况很多，线束的数量也随之增加。为适应“减少线束的数量”、“通过多个LAN，进行大量数据的高速通信”的需要。

即，可以通过车联网平台通过Kafka获取车载终端中的蓄电池的运行数据，例如蓄电池的电荷量、蓄电池的上下电信号以及蓄电池的电压等运行数据。或者车辆的车载终端通过CAN总线主动向车联网平台上报车辆的蓄电池的运行数据。

步骤S220，将蓄电池运行数据输入至蓄电池风险预测模型，以通过蓄电池风险预测模型对蓄电池运行数据进行解析得到蓄电池的电量和蓄电池的上下电信号。

首先需要说明的是，预先将蓄电池的亏电风险、亏电原因、补电次数、不休眠时长等指标规则，进行算法模型搭建，以在蓄电池风险预警模型根据蓄电池的运行数据进行解析，得出蓄电池的预设时长内的上下电信号以及当前蓄电的电量。也就是说，蓄电池风险预测模型可以对车辆上报的蓄电池运行数据进行解析，以得出该车辆的蓄电池的在预设时长内的上下电信号，以及当前蓄电池剩余的电量。

步骤S230，通过蓄电池风险预测模型对蓄电池的电量和蓄电池的上下电信号进行判定，得到判定结果，以根据判定结果确定蓄电池的风险等级。

承接上述实施例，在蓄电池风险预测模型中，预先将蓄电池的亏电风险、亏电原因、补电次数、不休眠时长等指标规则，进行算法模型搭建，也就是说，蓄电风险预测模型可以根据蓄电池的运行参数确定该蓄电池是否存在亏电风险以及具体的亏电时间，该蓄电池在预设时长内的补电次数，蓄电池是否存在不休眠风险等，其中，该蓄电池存在的风险可能是一个也可能是多个，例如，该蓄电池可能既存在补电失败的风险也存在网络不休眠的风险，或者，该蓄电池仅仅存在补电失败的风险，即，蓄电池风险预测模型可以根据该蓄电池的上下电信号以及电池的剩余电量确定输出相应的蓄电池风险预测的判定结果，然后，在根据该蓄电池存在的风险确定对一个的风险等级，其中风险等级可以包括多个，针对每个风险等级，车联网平台可以输出不同的控制方案至相对应的车载终端，在此本申请不作任何限制。

步骤S240，基于蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。

具体的，承接上述实施例所言，在通过预先训练好的蓄电池风险预测模型对车联网中该蓄电池的运行数据进行解析判定，然后输出该蓄电池可能存在的风险，其中蓄电池可能存在的风险的危险程度不同以及可能存在的风险个数为多个，因此，可以蓄电池风险预测模型输出的判定结果确定该车辆蓄电池的风险等级，并基于该风险等级生成相对应的风险提示信息发送给车载终端，或者某个车辆控制终端。

示例性的，承接上述实施例所言，通过预先训练好的蓄电池风险预测模型的判定结果表征该蓄电池存在网络不休眠风险以及补电失败风险，然后根据对应的风险等级划分标准，确定该蓄电池当前状态属于二级风险，则生成二级风险对应的提示信息发送给相应的车载终端或者车辆控制终端。亦或者，若根据蓄电池风险预测模型输出的判定结果表征该蓄电池存在网络不休眠风险，则基于相应的风险等级划分标准确定该蓄电池当前状态属于一级风险，则生成与一级风险相匹配的风险提示信息发送给相应的车载终端或者车辆控制终端。

在本实施例中，通过获取车辆的蓄电池运行数据，并将蓄电池运行数据输入至训练好的蓄电池风险预测模型中，以通过蓄电池风险预测模型对蓄电池运行数据进行解析，得到蓄电池的电量和蓄电池的上下电信号，此时，可以根据蓄电池风险预测模型对蓄电池的电量和蓄电池的上下电信号进行判定，得到对应的判定结果，以根据判定结果确定该车辆的蓄电池存在的亏电风险以及已经存在的亏电故障，并根据蓄电池风险预测模型的判定结果中的亏电风险和亏电故障生成对应亏电风险提示信息发送给相应的终端，解决了对蓄电池亏电风险检测的滞后性，提高了对车辆的蓄电池亏电检测的智能性，及时对亏电风险进行提示，避免了亏电给车主带来的用车不便，提高了用户的使用体验。

进一步的，基于上述实施例，请参照图3，在本申请所提供的其中一个示例性的实施例中，上述通过蓄电池风险预测模型对蓄电池的蓄电池电量和蓄电池上下电信号进行判定，得到判定结果的具体实现过程还可以包括步骤S310至步骤S330，详细介绍如下：

步骤S310，通过蓄电池风险预测模型解析蓄电池的下电信号，得到解析结果。

其中，蓄电池下电是电动车传动设备工作一段时间后，为了保证蓄电池有富裕电量，传输供电也会停止。蓄电池下电后将车辆的电源关闭，包括关闭车辆的发动机以及关闭所有电路和设备，从而避免车辆内部电器设备长时间耗电造成电池失效。下电可以节省能源，延长蓄电池使用寿命，同时也可以保证车辆在一段时间内不被使用。

在步骤S310中，通过预先训练好的蓄电池风险预测模型解析蓄电池的上下电信号，以得到关于该蓄电池的下电信号对应的解析结果，也就是说，根据蓄电池的上下电信号确定该蓄电池是在什么时候下电的，以及车辆的蓄电池处于下电状态的时间段，即在车辆电源关闭后，蓄电池处于下电状态时，车联网平台上接收的蓄电池运行数据进行解析。

步骤S320，若解析结果表征蓄电池在处于下电状态且在预设时长内蓄电池向车联网平台上传数据，则获取蓄电池的静态电流。

考虑到在蓄电池处于下电状态，最可能存在亏电风险，若是已经确定该蓄电池处于下电状态，且在蓄电池下电后，车联网平台依然可以接收到蓄电池中的BMS上报的CAN数据，也就表明，在车辆下电后，车载终端依然处于网络活跃状态，在可能造成该蓄电池持续放电，导致蓄电池亏电风险，则为了检测该蓄电池是否处于持续放电阶段，则可以获取该蓄电池当前的静态电流，以通过检测该蓄电池的静态电流来确定该蓄电池是否处于放电状态。

示例性的，若根据蓄电池风险预测模型对该蓄电池的上下电信号进行解析，并根据该解析结果表征该蓄电池当前高压低压均已经处于下电状态，但是，车辆的网络依然处于活跃状态，并且蓄电池高低压均已下电的情况下，该车辆依然再向车联网平台发送CAN数据，例如：以车辆网络是否可休眠为分界线。我们对车辆下电信号进行分析，当车辆高低压均下电，23min仍然有数据上传，则判定为车辆网络不休眠，此时车辆静态电流可能很高，则可以通过获取当前状态下该车辆的蓄电池的静态电流的大小，以通过该车辆的蓄电池的静态电流的大小确该车辆当前的状态。

步骤S330，若蓄电池的静态电流达到预设静态电流阈值以上，则判定蓄电池存在网络不休眠的风险。

具体的，承接上述实施例所言，若是通过蓄电池风险预测模型对该蓄电池的上下电信号进行解析，并根据该解析结果表征该蓄电池当前高压低压均已经处于下电状态。则获取该车辆的蓄电池的静态电流信号，其中，若是该车辆的蓄电池的静态电流信号表征在蓄电池处于下电状态时，且该蓄电池的静态电量达到预设静态电流阈值以上，则可以判定该车辆的蓄电池存在网络不休眠的亏电风险。

在本实施例中，通蓄电池风险预测模型对车辆蓄电池的下电信号进行解析，若是解析结果表征该蓄电池处于下电状态，且在预设时长内仍检测到该车辆依旧向车联网平台上传数据，其该蓄电池的静态电流超出预设静态电流阈值，则可以确定该车辆的蓄电池存在网络不休眠的亏电风险，以此，不仅精确检测出该蓄电池的风险类型，使得车主在接收到风险提示信息后，可以直接进行风险修复，避免亏电风险提示的滞后性，提高亏电风险提示的智能性。

进一步的，基于上述实施例，请参照图4，在本申请所提供的其中一个示例性的实施例中，上述车辆蓄电池亏电预警方法的具体实现过程还可以包括如下步骤S410和步骤S420，详细介绍如下：

步骤S410，若确定蓄电池存在网络不休眠的风险，则获取蓄电池的电荷量。

步骤S420，若蓄电池的电荷量未达到预设电荷量阈值以上，则判定蓄电池存在网络不休眠故障。

具体的，承接上述实施例，若根据该车辆的蓄电池的下电信号确定该车辆的蓄电池处于下电状态，且在蓄电池下电后在预设时长内，在车联网平台端仍接收到了该车辆的上传的数据，则可以确定该车辆存在网络不休眠风险，从而可以获取该车辆的蓄电池的电荷量(SOC)。蓄电池SOC全称是stateofcharge，可以理解为电池剩余电量百分比。若在此种情况下该蓄电池的电荷量未达到预设电荷量阈值以上，则可以确定该车辆的电荷量较低，该车辆处于亏电状态，并具体判定该车辆处于网络不休眠故障。

示例性的，若根据该车辆的蓄电池在处于下电状态时，在预设时长内还在向车联网平台发送网络数据，并且检测到该蓄电池此时的静态电流较大，则可以确定该车辆的蓄电池存在较大的网络不休眠风险。进一步的获取该蓄电池的电荷量，即，该蓄电池的剩余电量百分比，若是该蓄电池的剩余电量百分比未超过预设的电量百分比阈值，则可以判定该蓄电池处于网络不休眠故障。

在本实施例中，通过在确定该车辆的蓄电池存在网络不休眠的风险时，通过对该车辆的蓄电池的电荷量进行检测，若是该车辆的蓄电池的电荷量未达到预设蓄电池以上时，确定该蓄电池存在网络不休眠的故障，避免由于网络不休眠的故障造成的亏电给车主用车造成的不便，提高车主的使用体验。

进一步的，基于上述实施例，在本申请所提供的其中一个示例性的实施例中，上述通过蓄电池风险预测模型对蓄电池的蓄电池电量和蓄电池上下电信号进行判定，得到判定结果的具体实现过程还可以包括步骤S510至步骤S530，详细介绍如下：

步骤S510，通过蓄电池风险预测模型解析蓄电池的下电信号。

具体的，通过预先训练好的蓄电池风险预测模型解析蓄电池的上下电信号，以得到关于该蓄电池的下电信号对应的解析结果，也就是说，根据蓄电池的上下电信号确定该蓄电池是在什么时候下电的，以及车辆的蓄电池处于下电状态的时间段，即在车辆电源关闭后，蓄电池处于下电状态时，车联网平台上接收的蓄电池运行数据进行解析。

步骤S520，若蓄电池的下电信号表征车辆处于下电状态且网络处于休眠状态，则获取蓄电池的电量。

具体的，若通过分析该车辆的蓄电池的下电信号确定该车辆的蓄电池处于下电状态，并且在该车辆的蓄电池处于下电状态时，该车辆的网络也处于休眠状态，即，车辆网络休眠可以表现为在车辆的蓄电池处于下电状态时，该车联网平台没有接收到该车辆上传的CAN数据。因此，可以确定该车辆不存在网络不休眠的风险，在此时再分析该车辆的蓄电池的电量。

示例性的，若通过分析该车辆的蓄电池的下电信号确定该车辆的蓄电池处于下电状态，并且在该车辆处于下电状态下，在预设时长内车联网平台并未接收到该车辆上报的CAN数据，则可以确定该车库的网络处于休眠状态，但是在车辆网络处于休眠状态下，该车辆还是可能发生亏电情况，则可以通判断在蓄电池处于下电状态下，该车辆的蓄电池的电量的变化情况，因此蓄电池风险预测模型获取该车辆的蓄电池的电量进行分析。

步骤S530，若蓄电池的电量低于预设电量阈值，则判定蓄电池存在低电量风险。

具体的，承接上述实施例，若通过蓄电池风险预测模型确定该车辆的蓄电池在处于下电状态，其该车辆的网络也处于休眠状态。此时，在获取该车辆的蓄电池当前剩余多少电量，并将处于蓄电池处于下电状态，且网络休眠状态下的车辆的蓄电池剩余的电量与预设电量阈值进行比较，若在车辆处于下电状态且车辆的网络也处于休眠状态下，该车辆的蓄电池剩余的电量也低于预设的电量阈值，则可以判定该蓄电池存在低电量的风险。

在本实施例中，通车辆的网络是否能够正常休眠为分界线，并通过检测车辆能够正常网络休眠的车辆的蓄电池对应的电量是否低于预设电量阈值，检测待车辆的网络在休眠状态下，该车辆蓄电池的剩余电量低于预设的电量阈值，则可以判定该车辆的蓄电池存在低电量的风险，及时地对低电量的风险进行主动提示，以使得车主及时充电，避免给车主用车带来不便。

进一步的，基于上述实施例，请参照图6，在本申请所提供的其中一个示例性的实施例中，上述蓄电池亏电预警方法的具体实现过程还可以包括如下步骤S610和步骤S620，详细介绍如下：

步骤S610，若确定蓄电池存在低电量风险，则获取蓄电池的电压。

具体的，承接上述实施例而言，通过蓄电池风险预测模型对该车辆的蓄电池的上下电信号进行分析，若是根据该车辆的蓄电池的下电信号确定该车辆处于下电状态，并且在车辆处于下电状态时，该车辆的网络也处于休眠状态，但是该车辆的蓄电池处于低电量状态，则确定该车辆存在低电量风险，其中，使得车辆处于低电量风险的因素可能是该车辆的蓄电池中的电池包高压充电失败等等，也就是说，可能是该蓄电池内的低电压造成蓄电池处于低电量风险中，因此，可以获取该蓄电池的电压信号，并通过解析该蓄电池的电压信号来确定该车辆处于低电量风险的原因。

步骤S620，若蓄电池的电压未达到预设电压阈值以上，则判定蓄电池存在高压故障。

具体的，承接上述实施例而言，若是该车辆的蓄电池处于下电状态，且该车辆的网络正常休眠，但是该车辆的蓄电池仍存在低电量风险，则可以通过解析该车辆的电压信号，以确定该车辆是否存在高压充电失败。示例性的，若检测到该车辆的蓄电池的电压未达到预设电压阈值以上时，则可以判定给车辆的蓄电池存在高压故障。

需要说明的是，在充电过程中，充电电压保持恒定，称为恒压充电法，简称恒压充电法。因为从恒压充电的第一阶段到后期一直需要电源电压，所以充电第一阶段的充电电流相当大，大大超过了正常的充电电流值。但随着充电完成，电池端电压逐渐升高，充电电流逐渐减小。当电池端电压和充电电压相等时，充电电流减小到最小甚至为零。所以采用恒压充电方式的好处是可以防止充电后期电极活性物质脱落和充电电流过大造成的电能损失。但其缺点是充电电流过大，电极活性物质体积变化收缩过快，影响活性物质的机械强度，导致其脱落。但在充电后期，充电电流过小，使深板中的活性物质得不到充电反应，通过发展变化导致长期充电不足，关系到电池的使用寿命。所以这些充电方式大多只满足客观条件的要求，在没有配电设备或者充电设备比较简单的特殊场合使用，比如电动汽车内的电池充电。

也就是说，在检测到该车辆的蓄电池处于下电状态，并且该车辆的网络也处于休眠状态，但是该蓄电池存在低电量风险，并在根据该蓄电池的电压状态确定该车辆的蓄电池的电压未达到预设电压阈值以上，在可以确定该车辆的蓄电池存在高压故障，使得该蓄电池补电失败。

在本实施例中，在确定该车辆的蓄电池存在低电量风险时，通过进一步判断该车辆的蓄电池的电压是否正常，若是确定该车辆的蓄电池的电压未达到预设电压阈值以上，在可以判定该车辆的蓄电池存在高压故障，从而得到具体的故障原因，以方便车主或者维修人员及时为进行维修，使得风险提示具有预测性，保证了车主的使用体验。

进一步的，基于上述实施例，请参照图7，在本申请所提供的其中一个示例性的实施例中，上述通过蓄电池风险预测模型对蓄电池的蓄电池电量和蓄电池上下电信号进行判定，得到判定结果的具体实现过程还可以包括步骤S710至步骤S730，详细介绍如下：

步骤S710，通过蓄电池风险预测模型解析蓄电池电量和蓄电池上下电信号。

具体的，如上述实施例所言，通过预先训练好的蓄电池风险预测模型对车辆向车联网平台上报的蓄电池运行数据进行解析，以得到关于该蓄电池的下电信号对应的解析结果，也就是说，根据蓄电池的上下电信号确定该蓄电池是在什么时候下电的，以及车辆的蓄电池处于下电状态的时间段，即在车辆电源关闭后，蓄电池处于下电状态时，车联网平台上接收的蓄电池运行数据进行解析。

步骤S720，若基于蓄电池的电量和蓄电池的上下电信号确定蓄电池网络正常以及蓄电池电压均正常，则判断蓄电池能否正常高压补电。

步骤S730，若蓄电池不能正常高压补电，则判定蓄电池存在补电失败故障。

具体的，通过蓄电池风险预测模型对该蓄电池的运行数据进行就解析，若解析结果表征该车辆的蓄电池上下电信号正常，即，当该车辆的蓄电池在下电状态时，车辆网平台在预设时长内没有接收到车辆上报的蓄电池的运行数据，或者在车辆的蓄电池处于上电状态时，车联网平台能够正常接收车辆上报的蓄电池的运行数据，则可以确定该车辆的网络正常。并且，在车辆的蓄电池处于下电状态时，如上述实施例所言，可以通过判断该车辆的蓄电池剩余的电量，以及蓄电池在上下电状态下的电压，确定该电压是否正常。若是通过检测该蓄电池的电量以及上下电信号确定该车辆的蓄电池的网络和电压均正常，则判断该蓄电池能否正常高压补电。

示例性的，在蓄电池充电过程中，可以采取高压充电法，其原理是利用高压电流快速给电池充电。高压充电器可以提供比普通充电器更高的电压和电流，以更快地将能量传输到电池。这种技术可以极大地减少充电时间，提高电池的能效，从而提高电动汽车的续航里程。相对于传统的充电方式，汽车电瓶高压充电有许多的优点。它可以快速地充满电池，节省了等待时间，提高了充电效率。由于高压充电器可以提供更高的电压和电流，因此可以在短时间内传输更多的电能到电池中，从而提高了蓄电池的能效。

在步骤S730中，若是检测到该蓄电池不能正常进行高压补电，则可以判定该车辆的蓄电池存在补电失败故障。其中，蓄电池充不进去电的原因：当车辆熄火时，车内设备仍处于工作的状态，导致一直在消耗电瓶的电量，深度放电后电瓶衰减严重可能会充不进去电，还有发电机皮带老化了，也会出现充不进电的情况。

在本实施例中，在基于蓄电池的电量和蓄电池的上下电信号确定该蓄电池的的网络状态正常，电压状态也正时，则判断主动对车辆的高压补电功能进行测试，在确定车辆的蓄电池存在补电失败时，及时进行转动提示，避免车辆补电失败故障给车主用车带来的不便，提高车主的使用体验。

此外，在一些可实现的实施例中，上述通过蓄电池风险预测模型对蓄电池的蓄电池的电量和蓄电池的上下电信号进行判定，得到判定结果，以根据判定结果确定蓄电池的风险等级的具体实现过程还可以包括如下步骤：

若判定结果表征蓄电池存在的亏电故障的数量确定该蓄电池的风险等级。

具体的，若是该判定结果表征该蓄电池存在网络不休眠故障、高压故障以及补电失败故障其中任一项故障，则确定该蓄电池为一级亏电风险，若是该判定结果表征该蓄电池存在网络不休眠故障、高压故障以及补电失败故障其中任意两项故障，则确定该蓄电池为二级亏电风险；若是该判定结果表征该蓄电池存在网络不休眠故障、高压故障以及补电失败故障均存在，则可以确定该蓄电池为三级亏电风险。

此外，在一些可实现的实施例中，还可以在数据可视化报表中优先呈现高风险车辆，每天预警处理，并主动推送至市场端和运营端，售后工作人员可快速主动预约车主进行问题排查处理。

在本实施例中，通过将车辆的风险提示信息发送给车载终端，可以提醒车主以前规避由于蓄电池亏电故障带来的风险，提高用户的使用体验，另一方面，将车辆的风险提示信息发送给售后工作人员，可以使得售后工作人员主动预约车主进行问题排查处理，提高用户的使用体验。

进一步的，基于上述实施例，请参照图8，在本申请所提供的其中一个示例性的实施例中，上述蓄电池亏电预警方法的具体实现过程还可以包括如下步骤S810至步骤S830，详细介绍如下：

步骤S810，将车辆上报到车联网平台蓄电池的运行数据作为样本数据。

步骤S820，基于样本数据确定蓄电池风险模型对应的特征数据单元以及风险阈值；

步骤S830，基于特征数据单元以及风险阈值训练得到蓄电池风险预测模型。

具体的，新能源汽车车端数据采集设备，将BMS以及蓄电池等相关信号CAN数据实时采集存储，然后上传到云端。通过Kafka将CAN数据接入到大数据库中，基于特定的解压规则，将二进制CAN原始文件解析为十六进制，并存储为中间表。结合DBC文件(DBC文件是一种CAN总线诊断文件格式。它是Controller Area Network(CAN)总线诊断工具中用于定义CAN总线通信协议的XML格式文件。DBC文件包含了CAN通信的信号、消息ID、数据长度、周期等信息，可以帮助开发人员进行CAN通信协议的开发、测试、诊断和分析。)利用Pyspark程序将十六进制CAN数据解析为十进制明文CAN数据，并存储为数据仓库delta层缓冲表建立数据仓库，利用CDC(change data capture，即变化数据捕捉，是数据库进行备份的一种方式)将缓冲表数据实时写入ods层。进行脏数据清洗以及字段整合，将10进制数据进行建模以及标签化。制定亏电风险、亏电原因、补电次数、不休眠时长等指标规则，进行算法模型搭建数据算法模型：

示例性的，可以采用GBDT算法(全称是Gradient Boosting Decision Tree，梯度提升树)，公式如下：

其中，为输入样本；/>为模型参数；/>为分类回归树；/>为每棵树的权重。

我们对已亏电车辆下电前的电荷量(SOC)、电压等信号数据初始化一个弱学习器，对损失函数进行求导，得到真实弱学习器。设定迭代次数：n-trees＝5，建立分类回归树，通过计算负梯度，寻找回归树的最佳划分节点，结合实车验证，最终获得亏电各风险等级最佳阈值。

根据阈值，再利用“spark on hive”(spark是一个通用的处理大规模数据的分析引擎，即spark是一个计算引擎，而不是存储引擎，其本身并不负责数据存储。其分析处理数据的方式，可以使用sql，也可以使用java,scala,python甚至R等api；其分析处理数据的模式，既可以是批处理，也可以是流处理，hive的定位是数据仓库，其提供了通过sql读写和管理分布式存储中的大规模的数据，即hive即负责数据的存储和管理(其实依赖的是底层的hdfs文件系统或s3等对象存储系统)(spark on hive。上文已经说到，spark本身只负责数据计算处理，并不负责数据存储。其计算处理的数据源，可以以插件的形式支持很多种数据源，这其中自然也包括hive。当我们使用spark来处理分析存储在hive中的数据时，这种模式就称为为spark on hive。这种模式下，用户可以使用spark的java/scala/pyhon/r等api，也可以使用spark语法规范的sql，甚至也可以使用hive语法规范的hql)，也负责通过sql来处理和分析数据。)以及fink，结合数据中台，对解析后的结构化信号数据进行分析，部署调度任务，对亏电风险进行实时监测，同时对已亏电车辆进行即时原因分析。

在本实施例中，通过梯度提升树结合制定亏电风险、亏电原因、补电次数、不休眠时长等指标规则，进行算法模型搭建，数据算法模型，从而使得所训练得到的蓄电池风险预测模型的精确性更高，并可以及时实时对已经亏电的车库进行即时原因分析，对亏电风险的车辆进行实时监测。

此外，在一些示例性的实施例中，为进一步提升蓄电池风险预测模型预测得到的风险的准确性，在对蓄电池风险预测模型训练过程中，需要考虑更加全面的情况，例如，蓄电池的上下电信号、网络状态、静态电流、电压以及补电状态等，因此可以采用机器学习的手段来模拟蓄电池的运行数据。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。其中，机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

基于机器学习的强大学习能力，可通过针对大量的蓄电池的历史运行数据的机器学习过程，可以实现机器学习模型对于蓄电池的的上下电信号、上下电信号、网络状态、静态电流、电压以及补电状态等特征的全方位模拟，以使得风险预测结果是更加准确可信的。示例性的，机器学习模型可以包括基于神经网络的监督模型，例如二分类机器学习模型，通过使用大量的蓄电池的历史运行数据对机器学习模型进行训练，以使机器学习模型在训练过程中进行模型参数调整，使得调整后的模型参数对于蓄电池的上下电信号、上下电信号、网络状态、静态电流、电压以及补电状态等全方位特征具有综合性的预测表现。

图9是在一示例性的应用场景下进行车辆的蓄电池亏电预警的简要流程示意图。在图9所示的应用场景下，在车辆运行过程中，车辆通CAN通信总线，向车联网平台上报蓄电池的运行数据，然后通过将该蓄电池的运行数据输入至预先训练好的蓄电池风险预测模型中，以通过蓄电池风险预测模型对蓄电池运行数据进行解析，以得到该蓄电池的电量和蓄电池的上下电信号，从而基于蓄电池的电量和上下电信号判断蓄电池的风险类型。具体的，若是该蓄电池处于下电状态，且在预设时长内检测到蓄电池向车联网平台上传数据，且此时该车辆的蓄电池的静态电流达到预设静态电流阈值以上，则可以判定该蓄电池存在网络不休眠的风险，进一步的，在确定该蓄电池存在网络不休眠的风险后，获取该蓄电池当前剩余的电荷量，并若是该蓄电池当前剩余的电荷量未达到预设电荷量阈值以上，则可以判定该蓄电池存在网络不休眠故障。在另一方面，若是该蓄电池的下电信号表征该车辆处于下电状态，且车辆的网络处于休眠状态，则获取该蓄电池剩余的电量，若该蓄电池剩余的电量低于预设电量阈值，则可以判定该蓄电池存在低电量风险。在确定该蓄电池存在低电量风险后，获取该蓄电池当前的电压，若该蓄电池当前的电压未达到预设电压阈值以上，则可以判定该蓄电池存在高压故障，不能正常进行高压充电。进一步，若是该蓄电池的电量和上下电信号确定出该蓄电池网络正常和电压正常，则判断该蓄电池能否正常高压补电，若是该蓄电池不能正常高压补电，则可以判定该蓄电池存在补电失败故障。最后，根据蓄电池风险预测模型预测出的该蓄电池的风险故障结果，确定该蓄电池对应的风险等级，并生成对应的提示信息发送给对应的终端设备，从而使得车主或者厂商更加直观清楚的了解车辆蓄电池潜在的亏电风险，提高用户的使用的安全性。

图10是本申请的一示例性实施例示出的蓄电池亏电预警装置的框图。该装置可以应用于图1所示的实施环境，并具体配置在服务器120中。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。

如图10所示，该示例性的蓄电池亏电预警装置包括：获取模块1010，用于获取车辆的蓄电池运行数据；输入模块1020，用于将蓄电池运行数据输入至蓄电池风险预测模型，以通过蓄电池风险预测模型对蓄电池运行数据进行解析得到蓄电池的电量和蓄电池的上下电信号；确定模块1030，用于通过蓄电池风险预测模型对蓄电池的电量和蓄电池的上下电信号进行判定，得到判定结果，以根据判定结果确定蓄电池的风险等级；提示模块1040，用于基于蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。

在本申请实施例的一个方面，上述确定模块1030还具体包括：第一解析单元，用于通过蓄电池风险预测模型解析蓄电池的下电信号，得到解析结果；第二获取单元，用于若解析结果表征蓄电池在处于下电状态且在预设时长内蓄电池向车联网平台上传数据，则获取蓄电池的静态电流；第一判定单元，用于若蓄电池的静态电流达到预设静态电流阈值以上，则判定蓄电池存在网络不休眠的风险。

根据本申请实施例的一个方面，上述蓄电池亏电预警装置还包括：电荷量获取模块，用于若确定蓄电池存在网络不休眠的风险，则获取蓄电池的电荷量；第一判定模块，用于若蓄电池的电荷量未达到预设电荷量阈值以上，则判定蓄电池存在网络不休眠故障。

在本申请实施例的一个方面，上述确定模块1030还具体包括：第二解析单元，用于通过蓄电池风险预测模型解析蓄电池的下电信号；第二获取单元，用于若蓄电池的下电信号表征车辆处于下电状态且网络处于休眠状态，则获取蓄电池的电量；第二判定单元，用于若蓄电池的电量低于预设电量阈值，则判定蓄电池存在低电量风险。

根据本申请实施例的一个方面，上述蓄电池亏电预警装置还包括：电压获取模块，用于若确定蓄电池存在低电量风险，则获取蓄电池的电压；第二判定模块，用于若蓄电池的电压未达到预设电压阈值以上，则判定蓄电池存在高压故障。

根据本申请实施例的一个方面，上述确定模块1030还具体包括：第三解析单元，用于通过蓄电池风险预测模型解析蓄电池电量和蓄电池上下电信号；判断单元，用于若基于蓄电池的电量和蓄电池的上下电信号确定蓄电池网络正常以及蓄电池电压均正常，则判断蓄电池能否正常高压补电；第三判定单元，用于若蓄电池不能正常高压补电，则判定蓄电池存在补电失败故障。

根据本申请实施例的一个方面，上述蓄电池亏电预警装置还包括：样本数据模块，用于将车辆上报到车联网平台蓄电池的运行数据作为样本数据；数据确定模块，用于基于样本数据确定蓄电池风险模型对应的特征数据单元以及风险阈值；模型训练模块，用于基于特征数据单元以及风险阈值训练得到蓄电池风险预测模型。

需要说明的是，上述实施例所提供的蓄电池亏电预警装置与上述实施例所提供的蓄电池亏电预警方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的蓄电池亏电预警装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得电子设备实现上述各个实施例中提供的蓄电池亏电预警方法。

图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统1100包括中央处理单元(Central Processing Unit，CPU)1101，其可以根据存储在只读存储器(Read-Only Memory，ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM 1103中，还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output，I/O)接口1105也连接至总线1104。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1107；包括硬盘等的储存部分1108；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入储存部分1108。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还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如前所述的蓄电池亏电预警方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的蓄电池亏电预警方法。

上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种蓄电池亏电预警方法，其特征在于，包括：

获取车辆的蓄电池运行数据；

将所述蓄电池运行数据输入至蓄电池风险预测模型，以通过所述蓄电池风险预测模型对所述蓄电池运行数据进行解析得到所述蓄电池的电量和所述蓄电池的上下电信号；

通过所述蓄电池风险预测模型对所述蓄电池的电量和所述蓄电池的上下电信号进行判定，得到判定结果，以根据所述判定结果确定所述蓄电池的风险等级；

基于所述蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。

2.如权利要求1所述的方法，其特征在于，所述通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，包括：

通过所述蓄电池风险预测模型解析所述蓄电池的下电信号，得到解析结果；

若所述解析结果表征所述蓄电池在处于下电状态且在预设时长内所述蓄电池向车联网平台上传数据，则获取所述蓄电池的静态电流；

若所述蓄电池的静态电流达到预设静态电流阈值以上，则判定所述蓄电池存在网络不休眠的风险。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

若确定所述蓄电池存在网络不休眠的风险，则获取所述蓄电池的电荷量；

若所述蓄电池的电荷量未达到预设电荷量阈值以上，则判定所述蓄电池存在网络不休眠故障。

4.如权利要求1所述的方法，其特征在于，所述通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，包括：

通过所述蓄电池风险预测模型解析所述蓄电池的下电信号；

若所述蓄电池的下电信号表征所述车辆处于下电状态且网络处于休眠状态，则获取所述蓄电池的电量；

若所述蓄电池的电量低于预设电量阈值，则判定所述蓄电池存在低电量风险。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

若确定所述蓄电池存在低电量风险，则获取所述蓄电池的电压；

若所述蓄电池的电压未达到预设电压阈值以上，则判定所述蓄电池存在高压故障。

6.如权利要求1所述的方法，其特征在于，所述通过所述蓄电池风险预测模型对所述蓄电池的蓄电池电量和所述蓄电池上下电信号进行判定，得到判定结果，包括：

通过所述蓄电池风险预测模型解析所述蓄电池电量和所述蓄电池上下电信号；

若基于所述蓄电池的电量和所述蓄电池的上下电信号确定所述蓄电池网络正常以及所述蓄电池电压均正常，则判断所述蓄电池能否正常高压补电；

若所述蓄电池不能正常高压补电，则判定所述蓄电池存在补电失败故障。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

将车辆上报到车联网平台蓄电池的运行数据作为样本数据；

基于所述样本数据确定所述蓄电池风险模型对应的特征数据单元以及风险阈值；

基于所述特征数据单元以及所述风险阈值训练得到所述蓄电池风险预测模型。

8.一种蓄电池亏电预警装置，其特征在于，所述装置包括：

获取模块，用于获取车辆的蓄电池运行数据；

输入模块，用于将所述蓄电池运行数据输入至蓄电池风险预测模型，以通过所述蓄电池风险预测模型对所述蓄电池运行数据进行解析得到所述蓄电池的电量和所述蓄电池的上下电信号；

确定模块，用于通过所述蓄电池风险预测模型对所述蓄电池的电量和所述蓄电池的上下电信号进行判定，得到判定结果，以根据所述判定结果确定所述蓄电池的风险等级；

提示模块，用于基于所述蓄电池的风险等级生成对应的风险提示信息发送给相应的终端。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中任一项所述的蓄电池亏电预警方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的蓄电池亏电预警方法。