电池异常检测方法、电子设备、存储介质和程序产品与流程

本公开涉及电池领域，具体地，涉及一种电池异常检测方法、电子设备、存储介质和程序产品。

背景技术：

1、随着科学技术的不断发展，电池在日常生产生活中的应用越来越广泛。在电池使用的过程中，如果未及时发现存在安全隐患问题的电池，则可能会发生电池起火燃烧、甚至爆炸等问题，因此，电池的安全性也越来越受到关注。

2、目前，对电池异常的检测方法多是基于已经发生的电池失效事件来总结特征，然后，人为地去设置阈值，去监控别的电池是否也有类似情况发生。这种方法依赖于已经发生的失效事件，这意味着只有在电池失效发生后才能收集到用于训练模型的数据，难以实现预防性的异常检测。

技术实现思路

1、本公开的目的是提供一种电池异常检测方法、电子设备、存储介质和程序产品，以降低对已经发生的失效事件的依赖性，实现电池异常的精准预判。

2、为了实现上述目的，本公开第一方面提供一种电池异常检测方法，包括：

3、获取电池在预设充放电周期内的目标时间序列，其中，所述目标时间序列包括压差时间序列，所述压差时间序列中的压差数据是对应时刻的电池电压相对于所述充放电周期的开始时刻的电池电压的差异；

4、确定用于表征所述压差时间序列的正态分布的张量信息，并根据所述张量信息，确定所述电池在所述充放电周期内的电压波形是否存在异常。

5、可选地，所述目标时间序列还包括电流时间序列；

6、所述确定用于表征所述压差时间序列的正态分布的张量信息，并根据所述张量信息，确定所述电池在所述充放电周期内的电压波形是否存在异常，包括：

7、利用第一神经网络模型根据所述压差时间序列，确定所述张量信息；

8、利用所述第一神经网络模型根据所述张量信息和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列；

9、根据所述目标压差时间序列和所述目标时间序列中包括的所述压差时间序列，确定所述电池在所述充放电周期内的电压波形是否存在异常。

10、可选地，所述目标时间序列还包括soc时间序列；

11、所述利用第一神经网络模型根据所述压差时间序列，确定所述张量信息，包括：

12、利用第一神经网络模型根据所述soc时间序列和所述压差时间序列，确定所述张量信息；

13、所述利用所述第一神经网络模型根据所述张量信息和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列，包括：

14、利用所述第一神经网络模型根据所述张量信息、所述soc时间序列和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列。

15、可选地，所述确定用于表征所述压差时间序列的正态分布的张量信息，并根据所述张量信息，确定所述电池在所述充放电周期内的电压波形是否存在异常，包括：

16、利用第一神经网络模型根据所述压差时间序列，确定所述张量信息；

17、利用第二神经网络模型根据所述张量信息确定所述电池在所述充放电周期内的电压波形是否存在异常，其中，所述第二神经网络模型与所述第一神经网络模型不同。

18、可选地，所述目标时间序列还包括soc时间序列；

19、所述利用第一神经网络模型根据所述压差时间序列，确定所述张量信息，包括：

20、利用第一神经网络模型根据所述压差时间序列和所述soc时间序列，确定所述张量信息

21、可选地，所述目标时间序列还包括电流时间序列；

22、所述确定用于表征所述压差时间序列的正态分布的张量信息，并根据所述张量信息，确定所述电池在所述充放电周期内的电压波形是否存在异常，包括：

23、利用第一神经网络模型根据所述压差时间序列，确定所述张量信息；

24、利用所述第一神经网络模型根据所述张量信息和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列；

25、根据所述目标压差时间序列和所述目标时间序列中包括的所述压差时间序列，确定所述电池在所述充放电周期内的第一电压波形异常判断结果；

26、利用第二神经网络模型根据所述张量信息确定所述电池在所述充放电周期内的第二电压波形异常判断结果；

27、根据所述第一电压波形异常判断结果和所述第二电压波形异常判断结果，确定所述电池在所述充放电周期内的电压波形是否存在异常。

28、可选地，所述目标时间序列还包括soc时间序列；

29、所述利用第一神经网络模型根据所述压差时间序列，确定所述张量信息，包括：

30、利用第一神经网络模型根据所述soc时间序列和所述压差时间序列，确定所述张量信息；

31、所述利用所述第一神经网络模型根据所述张量信息和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列，包括：

32、利用所述第一神经网络模型根据所述张量信息、所述soc时间序列和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列。

33、可选地，所述第一神经网络模型包括编码器；

34、所述利用第一神经网络模型根据所述soc时间序列和所述压差时间序列，确定所述张量信息，包括：

35、将所述soc时间序列和所述压差时间序列作为所述编码器的输入，获取所述编码器输出的所述张量信息。

36、可选地，所述第一神经网络模型包括采样器和解码器；

37、所述利用所述第一神经网络模型根据所述张量信息、所述soc时间序列和所述电流时间序列，确定所述电池在所述充放电周期内的目标压差时间序列，包括：

38、将所述张量信息作为所述采样器的输入，获取所述采样器输出的采样结果；

39、将所述采样结果、所述soc时间序列和所述电流时间序列作为所述解码器的输入，获取所述解码器输出的所述目标压差时间序列。

40、可选地，所述第二神经网络模型为基于概率密度流算法构建的模型。

41、可选地，所述第一神经网络模型与所述第二神经网络模型之间具有用于传输张量信息的数据通道；

42、所述第一神经网络模型和所述第二神经网络模型是通过如下方式训练得到的：

43、获取多条训练样本数据，每条所述训练样本数据包括电池在同一充放电周期内的样本soc时间序列、样本压差时间序列和样本电流时间序列；其中，所述样本soc时间序列、所述样本压差时间序列和所述样本电流时间序列作为所述第一神经网络模型的输入数据，所述样本压差时间序列作为所述第一神经网络模型的目标输出数据；并且，不同训练样本数据所对应的充放电周期不同；

44、对所述第一神经网络模型进行训练；

45、若所述第一神经网络模型的模型损失值小于第一损失阈值，则对所述第一神经网络模型和所述第二神经网络模型进行联合训练；

46、若所述第一神经网络模型的模型损失值与所述第二神经网络模型的模型损失值的和小于第二损失阈值，则确定所述第一神经网络模型和所述第二神经网络模型训练完成。

47、可选地，所述根据所述目标压差时间序列和所述目标时间序列中包括的所述压差时间序列，确定所述电池在所述充放电周期内的电压波形是否存在异常，包括：

48、根据所述目标压差时间序列和所述目标时间序列中包括的所述压差时间序列，确定第一损失值，所述第一损失值用于表征压差时间序列的重建难度；

49、若所述第一损失值大于第三损失阈值，则确定所述电池在所述充放电周期内的电压波形存在异常。

50、可选地，所述利用第二神经网络模型根据所述张量信息确定所述电池在所述充放电周期内的电压波形是否存在异常，包括：

51、利用所述第二神经网络模型根据所述张量信息，确定第二损失值，所述第二损失值用于表征所述张量信息的异常程度；

52、若所述第二损失值大于第四损失阈值，则确定所述电池在所述充放电周期内的电压波形存在异常。

53、可选地，所述根据所述第一电压波形异常判断结果和所述第二电压波形异常判断结果，确定所述电池在所述充放电周期内的电压波形是否存在异常，包括：

54、若所述第一电压波形异常判断结果和所述第二电压波形异常判断结果中的任一者为电压波形存在异常，则确定所述电池在所述充放电周期内的电压波形存在异常。

55、可选地，所述方法还包括：

56、确定所述电池在所述充放电周期内的电流波形是否存在异常；

57、若所述电压波形存在异常且所述电流波形不存在异常，则确定所述电池存在异常。

58、可选地，所述目标时间序列还包括电流时间序列；

59、所述确定所述电池在所述充放电周期内的电流波形是否存在异常，包括：

60、利用第三神经网络模型根据所述电流时间序列，确定所述电池在所述充放电周期内的目标电流时间序列；

61、根据所述目标电流时间序列和所述目标时间序列中包括的所述电流时间序列，确定第三损失值，所述第三损失值用于表征电流时间序列的重建难度；

62、若所述第三损失值小于第五损失阈值，则确定所述电池在所述充放电周期内的电流波形不存在异常。

63、可选地，所述目标时间序列还包括soc时间序列；

64、所述利用第三神经网络模型根据所述电流时间序列，确定所述电池在所述充放电周期内的目标电流时间序列，包括：

65、利用第三神经网络模型根据所述soc时间序列和所述电流时间序列，确定所述电池在所述充放电周期内的目标电流时间序列。

66、可选地，所述目标时间序列还包括soc时间序列；

67、所述获取电池在预设充放电周期内的目标时间序列，包括：

68、获取电池在预设充放电周期内的原始时间序列，其中，所述原始时间序列包括原始soc时间序列和原始压差时间序列；

69、对所述原始soc时间序列和所述原始压差时间序列进行插值处理，以生成至少一个新增时刻对应的soc数据和压差数据；

70、将插值处理后的soc时间序列中超出预设的soc范围的soc数据过滤掉，并将插值处理后的压差时间序列中与被过滤掉的soc数据对应同一时刻的压差数据过滤掉，以获得所述目标时间序列。

71、可选地，在插值处理后的soc时间序列中，通过插值生成的soc数据与该soc数据的前一soc数据之间的差异、和与该soc数据的后一soc数据之间的差异相等。

72、本公开第二方面提供一种电子设备，包括：

73、存储器，其上存储有计算机程序；

74、处理器，用于执行存储器中的计算机程序，以实现本公开第一方面提供的所述方法的步骤。

75、本公开第三方面提供一种非暂时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。

76、本公开第四方面提供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本公开第一方面提供的所述方法的步骤。

77、在上述技术方案中，获取电池在预设充放电周期内的目标时间序列，其中，目标时间序列包括压差时间序列，压差时间序列中的压差数据是对应时刻的电池电压相对于充放电周期的开始时刻的电池电压的差异；确定用于表征压差时间序列的正态分布的张量信息，并根据张量信息，确定电池在充放电周期内的电压波形是否存在异常。如此，通过张量信息的确定能够将输入的数据映射到一个连续的潜在空间中，进而能够通过结构化的潜在空间，预防性地识别出电压波形是否存在异常，降低对已经发生的失效事件的依赖性，实现电池异常的精准预判。

78、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。