基于对比学习网络的电池充电过程异常检测方法及装置

摘要

本申请涉及电池检测技术领域，提供了基于对比学习网络的电池充电过程异常检测方法和装置。通过监测电动汽车电池充电电压、电流、温度和当前SOC等物理量的时序数据，基于对比学习的思路，建立双注意力机制结构的网络学习模型，进行充电时序数据的异常检测，从而实现电动汽车电池的充电异常状态的监测和及时干预。本申请避免了具有多样性的时间序列异常检测问题，误差重建法对建立高质量编码器的依赖性，降低输入样本中存在噪声使得编码器鲁棒性也越来越差的影响，具有更为准确的异常识别效果，运用前景广阔。

权利要求

1.基于对比学习网络的电池充电过程异常检测方法，其特征在于，该方法包括：步骤1、获取充电数据片段，由预处理模块进行数据预处理后获得充电多维子时间序列；

步骤2、将预处理后的所述充电多维子时间序列输入双注意力机制结构网络模型，生成子序列表征结果和样本点表征结果；

步骤3、所述双注意力机制结构网络模型进行子序列表征结果和样本点表征结果的对比，并根据计算出的时间点之间的KL散度进行异常判定；

所述数据预处理包括：定义时间窗口长度，根据所述时间窗口对充电时间序列进行子序列提取，将T×d维的充电时间序列分割为N×P×d维的充电多维子时间序列；其中，P为子序列的时间点数，N为子时间序列的数量N=T/P+1，T为时间点，d为子时间序列的特征维度；

所述双注意力机制结构网络模型包括双注意力机制对比模块和异常判定模块；通过所述双注意力机制对比模块对所述充电多维子时间序列进行处理，生成子序列表征结果和样本点表征结果；

所述生成子序列表征结果包括：将每个子时间序列数据嵌入到N×dmodel的维度，通过一个单层多头自注意力机制网络，进行子序列维度的表征并生成子序列表征结果；其中dmodel表示数据嵌入输出维度；

所述生成样本点表征结果包括：将每个子时间序列数据嵌入到P×dmodel的维度，通过一个多层多头的自注意力机制网络，进行样本点维度的表征并生成样本点表征结果；其中dmodel表示数据嵌入输出维度。

2.根据权利要求1所述的方法，其特征在于，所述充电数据片段包括充电电压、电流、温度和SOC。

3.根据权利要求1或2所述的方法，其特征在于，所述数据预处理，包括：通过拉格朗日内插法处理缺失数据并进行缺失值填充以获得充电时间序列，对所述充电时间序列进行标准化处理后获得充电多维子时间序列。

4.根据权利要求1所述的方法，其特征在于，计算出的时间点之间的KL散度进行异常判定，异常得分的计算公式如下：；

其中p表示网络输出的子序列维度的表征结果，n 表示网络输出的样本点维度的表征结果，若异常得分大于先验阈值，则该时间样本点是异常点。

5.基于对比学习网络的电池充电过程异常检测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的方法。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行如权利要求1至4任意一项所述的方法。

说明书

基于对比学习网络的电池充电过程异常检测方法及装置

技术领域

[0001] 本申请涉及电池检测技术领域，特别是涉及基于对比学习网络的电池充电过程异常检测方法及装置。

背景技术

[0002] 新能源汽车主要指电动汽车，包括纯电动汽车、混合动力电动汽车和燃料电池汽车。

[0003] 动力电池是电动汽车的储能元件，其安全性是电动汽车发展过程中要考虑和解决的首要问题。锂离子电池因其具有比能量高、自放电率低及寿命长的特点，是目前电动汽车用动力电池的首选。然而，因为锂离子电池具有热失控的特征，所以系统的安全性事故时有发生，阻碍了电动汽车的发展。动力电池作为新能源汽车的重要储能元件，其安全性会直接影响车辆的运营状态，甚至关乎驾驶员和乘坐人员的人身安全。动力电池热失控和过充过放等类型故障均属于电动汽车高压安全故障。高能量密度和高电压的锂离子动力电池系统的安全性是新能源汽车发展中需要重点关注的问题。随着电动汽车保有量的不断增长，电动汽车充电事故不断发生，对车主和充电设施的经营者造成了严重的经济损失。如何进行电动汽车电池安全监控，对于提高车辆自身的安全性，对保障周围车辆安全、提升智能交通管理水平具有重要价值和现实意义，这也成为了亟需解决的技术问题。

发明内容

[0004] 针对现有技术中存在的上述问题，本发明提出了基于对比学习网络的电池充电过程异常检测方法及装置。针对充电过程数据无标注复杂时序数据的异常检测问题，基于对比学习双注意力机制结构网络，捕捉高维、时间依赖的工况数据特征并进行充电过程异常识别与报警。本申请所采用的技术方案如下：

[0005] 基于对比学习网络的电池充电过程异常检测方法，该方法包括：

[0006] 步骤1、获取充电数据片段，由预处理模块进行数据预处理后获得充电多维子时间序列；

[0007] 步骤2、将预处理后的所述充电多维子时间序列输入双注意力机制结构网络模型，生成子序列表征结果和样本点表征结果；

[0008] 步骤3、所述双注意力机制结构网络模型进行子序列表征结果和样本点表征结果的对比，并根据计算出的时间点之间的KL散度进行异常判定。

[0009] 进一步的，所述充电数据片段包括充电电压、电流、温度和SOC。

[0010] 进一步的，所述数据预处理，包括：通过拉格朗日内插法处理缺失数据并进行缺失值填充以获得充电时间序列，对所述充电时间序列进行标准化处理后获得充电多维子时间序列。

[0011] 进一步的，定义时间窗口长度，根据所述时间窗口对所述充电时间序列进行子序列提取，将T×d维的充电时间序列分割为N×P×d维的充电多维子时间序列；其中，P为子序列的时间点数，N为子时间序列的数量N=T/P+1，T为时间点，d为子时间序列的特征维度。

[0012] 进一步的，所述双注意力机制结构网络模型包括双注意力机制对比模块和异常判定模块；通过所述双注意力机制对比模块对所述充电多维子时间序列进行处理，生成子序列表征结果和样本点表征结果。

[0013] 进一步的，所述生成子序列表征结果，包括：将每个子时间序列数据嵌入到N×dmodel的维度，通过一个单层多头自注意力机制网络，进行子序列维度的表征并生成子序列表征结果；其中dmodel表示数据嵌入输出维度。

[0014] 进一步的，所述生成样本点表征结果，包括：将每个子时间序列数据嵌入到P×dmodel的维度，通过一个多层多头的自注意力机制网络，进行样本点维度的表征并生成样本点表征结果；其中dmodel表示数据嵌入输出维度。

[0015] 进一步的，计算出的时间点之间的KL散度进行异常判定，异常得分的计算公式如下：

[0016] ；

[0017] 其中p表示网络输出的子序列维度的表征结果，n 表示网络输出的样本点维度的表征结果，若异常得分大于先验阈值，则该时间样本点是异常点。

[0018] 基于对比学习网络的电池充电过程异常检测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。

[0019] 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行上述方法。

[0020] 通过本申请实施例，可以获得如下技术效果：将基于对比学习思路的双注意力机制网络结构用于高维时序电池充电过程数据的异常检测中。避免了具有多样性的时间序列异常检测问题，误差重建法对建立高质量编码器的依赖性，降低输入样本中存在噪声使得编码器鲁棒性也越来越差的影响，本发明所建立模型具有更为准确的异常识别效果，运用前景广阔。

[0021] 本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

[0022] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作逐一介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

[0023] 图1为本申请技术整体实现流程；

[0024] 图2为本申请技术的双注意力机制网络示意图；

[0025] 图3为数据嵌入的原理示意图；

[0026] 图4为多头自注意力机制网络结构图。

具体实施方式

[0027] 为使本申请实施例的目的、技术方案和优点更加清楚，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全部其他实施例，都属于本申请保护的范围。

[0028] 应该理解，在本申请实施例的描述中，多个(或多项)的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

[0029] 为解决新能源汽车充电过程中的异常状态监测问题，图1为本申请技术整体实现流程，该异常检测方法包括如下步骤：

[0030] 步骤1、获取充电数据片段，由预处理模块进行数据预处理后获得充电多维子时间序列；

[0031] 所述充电数据片段包括充电电压、电流、温度和SOC；

[0032] 所述数据预处理，包括：通过拉格朗日内插法处理缺失数据并进行缺失值填充以获得充电时间序列，对所述充电时间序列进行标准化处理后获得充电多维子时间序列。在上述处理中，标准化处理的目的是为了消除量纲影响。

[0033] 在实际应用中，以100Ah‑150Ah不等的三款不同容量的电动汽车12000段GB/ T27930充电数据片段作为实验对象，例如将充电电压、电流、温度和当前SOC作为输入变量，对原始数据进行预处理，通过拉格朗日内插法处理缺失数据，并对数据做标准化处理以消除量纲影响。

[0034] 对所述充电时间序列进行标准化处理后获得充电多维子时间序列，包括：

[0035] 定义长度100的时间窗口，根据所述时间窗口对所述充电时间序列进行子序列提取，将T×d维的充电时间序列分割为N×P×d维的充电多维子时间序列；其中，P为子序列的时间点数，N为子时间序列的数量N=T/P+1，T为时间点，d为子时间序列的特征维度；

[0036] 在实际应用中，例如子时间序列的时间点数P=100, 子时间序列的特征维度d=4。

[0037] 步骤2、将预处理后的所述充电多维子时间序列输入双注意力机制结构网络模型，生成子序列表征结果和样本点表征结果；

[0038] 基于对比表示学习的思想来构建双注意力机制结构网络模型，图2为本申请技术的双注意力机制网络示意图。学习一个嵌入空间，其中相似的数据样本彼此保持靠近，而不相似的数据样本距离较远，通过构建的双注意力机制结构网络模型，进行充电高维时间序列的异常检测。

[0039] 所述双注意力机制结构网络模型包括双注意力机制对比模块和异常判定模块；通过所述双注意力机制对比模块对所述充电多维子时间序列进行处理，生成子序列表征结果和样本点表征结果；

[0040] 所述生成子序列表征结果，包括：将每个子时间序列数据嵌入到N×dmodel的维度，通过一个单层多头自注意力机制网络，进行子序列维度的表征并生成子序列表征结果；其中dmodel表示数据嵌入输出维度；在实际应用中，例如dmodel=64。图3为数据嵌入的原理示意图。

[0041] 所述生成样本点表征结果，包括：将每个子时间序列数据嵌入到P×dmodel的维度，通过一个多层多头的自注意力机制网络，进行样本点维度的表征并生成样本点表征结果；其中dmodel表示数据嵌入输出维度；在实际应用中，例如dmodel=64，多层的层数=3。图4为多头自注意力机制网络结构图。

[0042] 在进行双注意力机制结构网络模型训练时，为降低模型复杂度并提高模型泛化能力，两个自注意力机制网络进行权重共享，其中训练batchsize=128，epoch=200，初始学习‑4率=10e 。

[0043] 在双注意力机制结构网络模型中，异常判定模块通过计算双注意力机制对比模块得到的子序列和样本点两部分表征结果间的KL散度距离来评价样本点与其相邻序列的联系紧密程度，损失函数的计算公式如下：

[0044]   ；

[0045] 其中 表示不进行梯度反传， p表示网络输出的子序列维度的表征结果，n 表示网络输出的样本点维度的表征结果， 表示 散度，计算公式如下：

[0046] ；

[0047] 表示两个概率分布 越小，则表示 之间的差异越小，两个概率分布越接近。

[0048] 步骤3、所述双注意力机制结构网络模型进行子序列表征结果和样本点表征结果的对比，并根据计算出的时间点之间的KL散度进行异常判定。

[0049] 计算出的时间点之间的KL散度进行异常判定，异常得分的计算公式如下：

[0050] ；

[0051] 若异常得分大于先验阈值，则该时间样本点是异常点。

[0052] 本申请实施例还提供了一种多址接入传输装置。在一种实施方式中，该多址接入传输装置包括：一个或多个处理器和存储器，以一个处理器及存储器为例。处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。

[0053] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如上述本申请实施例中的数据处理方法。处理器通过运行存储在存储器中的非暂态软件程序以及程序，从而实现上述本申请实施例中的多址接入传输方法。

[0054] 存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述本申请实施例中的数据处理方法所需的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该数据处理装置。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。

[0055] 此外，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行程序，该计算机可执行程序被一个或多个控制处理器执行，例如，被一个处理器执行，可使得上述一个或多个处理器执行上述本申请实施例中的多址接入传输方法。

[0056] 综上所述，区别于主流的误差重建法半监督异常检测建模方法，避免由于数据噪声引起的模型鲁棒性低的问题，本申请通过对多维充电时间序列进行样本点和子序列两种不同维度的表征，计算KL散度来衡量样本点与周围样本点间的关系表征一致性，实现对异常点的判断，本申请所建立模型具有更为准确的异常识别效果，运用前景广阔。

[0057] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD‑ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

[0058] 以上是对本申请的若干实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请本质的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本申请权利要求所限定的范围内。