电池安全检测的方法、装置和电子设备与流程

1.本发明涉及电池的技术领域，尤其是涉及一种电池安全检测的方法、装置和电子设备。


背景技术：

2.电池安全检测，就是识别电池是否存在安全隐患，属于异常检测范畴。在异常检测问题中，经常会遇到样本数据不平衡的问题，因为异常在大多数情况下都不会出现。电池安全检测也不例外，绝大多数车辆的电池都是正常、安全的，只有个别车辆的电池存在安全问题。因此，对于电池安全检测的分类，首先要解决数据不平衡的问题。目前，处理数据不平衡的常用方法主要有：(1)在进行模型的训练时，设置损失函数的权重，让少数类判错的损失大于多数类判错的损失；(2)在采集训练样本时，多数类欠采样、或少数类过采样，使数据达到平衡。
3.上述几种常用的方法，在充电桩对电池进行充电时的安全检测时，会遇到以下问题：作为充电侧，要面对市面上各种不同类型的电池，其充电规律也各不相同，因此，欠采样会导致最终训练得到的模型不能覆盖大多数场景，而过采样会带来过拟合的问题；另外，目前，充电桩对电池进行充电时，直接获取的充电数据所包含的信息较少，在样本数据不平衡的场景下，正负充电数据样本的特征不能明显区分，这样，就给模型进行电池的安全检测带来了极大的困难。也就是采用上述两种方案训练得到的电池安全检测模型的鲁棒性差，无法得到准确的电池安全检测结果。
4.综上，现有技术得到的电池安全检测模型的鲁棒性差，还无法对电池进行准确的安全检测。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种电池安全检测的方法、装置和电子设备，以缓解现有技术得到的电池安全检测模型鲁棒性差，无法对电池进行准确的安全检测的技术问题。
6.第一方面，本发明实施例提供了一种电池安全检测的方法，包括：
7.在对车辆的电池进行直流充电时，获取所述电池当前的第一预设时长的充电数据；
8.采用电池安全检测模型对所述充电数据进行电池安全检测，得到所述电池的安全检测结果，其中，所述电池安全检测模型包括：特征提取模块和电池安全检测模块，且所述电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，所述中间特征提取模块能够挖掘充电数据的充电规律特征。
9.进一步的，所述方法还包括：
10.获取一次充电过程的第二预设时长的第一子充电数据样本和两次充电过程的所述第一预设时长的第二子充电数据样本，其中，所述第二预设时长为所述第一预设时长的2倍；
11.采用所述第一子充电数据样本和所述第二子充电数据样本对初始特征提取模型进行训练，得到训练的特征提取模型，其中，所述初始特征提取模型包括：所述初始特征提取模块和初始对比预测模块，所述训练的特征提取模型包括：所述中间特征提取模块和训练后的对比预测模块。
12.进一步的，训练所述特征提取模型时的损失函数为：，训练所述特征提取模型时的损失函数为：其中，j表示某批次中的某个充电数据样本，l表示计算在充电数据样本上的损失值，n表示该批次中的充电数据样本总数，m表示该批次中的任一充电数据样本，m＝1，
……
，n，n表示某充电数据样本时间序列中的已知部分，从第1步开始，目前已经进行到第n步，k表示某充电数据样本时间序列中要预测的长度，k表示某充电数据样本时间序列中要预测的某一步，从第n 1开始，一直预测到第n k步，f表示相似度度量函数，z表示基于所述初始特征提取模块提取某充电数据样本某个时间步的8维特征，表示所述初始对比预测模块的门控循环单元预测的充电数据样本某个时间步的8维特征。
13.进一步的，所述方法还包括：
14.获取事故电池和/或高危电池的所述第一预设时长的充电数据的正样本和正常电池的所述第一预设时长的充电数据的负样本；
15.采用所述正样本和所述负样本对初始电池安全检测模型进行训练，得到所述电池安全检测模型，其中，所述初始电池安全检测模型包括：所述中间特征提取模块和所述初始电池安全检测模块。
16.进一步的，所述充电数据包括：时间步、需求电压、需求电流、实际电压、实际电流、bms电压、bms电流、单体最高电压、最高温度、最低温度、充电量、最高温度单体编号、最低温度单体编号、最高电压单体编号、最高电压单体组号。
17.进一步的，若当前充电过程的充电时长为m分钟，所述电池的安全检测结果为：
[0018][0019]
第二方面，本发明实施例还提供了一种电池安全检测的装置，包括：
[0020]
获取单元，用于在对车辆的电池进行直流充电时，获取所述电池当前的第一预设时长的充电数据；
[0021]
电池安全检测单元，用于采用电池安全检测模型对所述充电数据进行电池安全检测，得到所述电池的安全检测结果，其中，所述电池安全检测模型包括：特征提取模块和电池安全检测模块，且所述电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，所述中间特征提取模块能够挖掘充电数据的充电规律特征。
[0022]
进一步的，所述装置还用于：
[0023]
获取一次充电过程的第二预设时长的第一子充电数据样本和两次充电过程的所述第一预设时长的第二子充电数据样本，其中，所述第二预设时长为所述第一预设时长的2倍；
[0024]
采用所述第一子充电数据样本和所述第二子充电数据样本对初始特征提取模型进行训练，得到训练的特征提取模型，其中，所述初始特征提取模型包括：所述初始特征提取模块和初始对比预测模块，所述训练的特征提取模型包括：所述中间特征提取模块和训练后的对比预测模块。
[0025]
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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第一方面任一项所述的方法的步骤。
[0026]
第四方面，本发明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存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
[0027]
在本发明实施例中，提供了一种电池安全检测的方法，包括：在对车辆的电池进行直流充电时，获取电池当前的第一预设时长的充电数据；采用电池安全检测模型对充电数据进行电池安全检测，得到电池的安全检测结果，其中，电池安全检测模型包括：特征提取模块和电池安全检测模块，且电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，中间特征提取模块能够挖掘充电数据的充电规律特征。通过上述描述可知，本发明的电池安全检测模型是先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，该电池安全检测模型的特征提取模块能够挖掘充电数据的充电规律特征，进而通过挖掘到的充电规律特征再进行电池安全检测时，检测得到的电池的安全检测结果更加准确，相比于直接通过有监督的训练方法和充电数据样本训练得到的电池安全检测模型，本发明的电池安全检测模型的鲁棒性好，因为其能挖掘得到充电数据的充电规律特征，该充电规律特征能够明显的区分电池是否存在异常，这样，最终确定的电池的安全检测结果的准确性好，缓解了现有技术得到的电池安全检测模型鲁棒性差，无法对电池进行准确的安全检测的技术问题。
附图说明
[0028]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
[0029]
图1为本发明实施例提供的一种电池安全检测的方法的流程图；
[0030]
图2为本发明实施例提供的特征提取模型的网络结构示意图；
[0031]
图3为本发明实施例提供的特征提取模块的网络结构示意图；
[0032]
图4为本发明实施例提供的电池安全检测模型的网络结构示意图；
[0033]
图5为本发明实施例提供的一种电池安全检测的装置的示意图；
[0034]
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
[0035]
下面将结合实施例对本发明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发明一部分实施例，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做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。
[0036]
目前，直接通过充电数据样本对电池安全检测模型进行有监督的训练，得到的电池安全检测模型的鲁棒性差，无法对电池进行准确的安全检测。
[0037]
基于此，本发明的电池安全检测模型是先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，该电池安全检测模型的特征提取模块能够挖掘充电数据的充电规律特征，进而通过挖掘到的充电规律特征再进行电池安全检测时，检测得到的电池的安全检测结果更加准确，相比于直接通过有监督的训练方法和充电数据样本训练得到的电池安全检测模型，本发明的电池安全检测模型的鲁棒性好，因为其能挖掘得到充电数据的充电规律特征，该充电规律特征能够明显的区分电池是否存在异常，这样，最终确定的电池的安全检测结果的准确性好。
[0038]
为便于对本实施例进行理解，首先对本发明实施例所公开的一种电池安全检测的方法进行详细介绍。
[0039]
实施例一：
[0040]
根据本发明实施例，提供了一种电池安全检测的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0041]
图1是根据本发明实施例的一种电池安全检测的方法的流程图，如图1所示，该方法包括如下步骤：
[0042]
步骤s102，在对车辆的电池进行直流充电时，获取电池当前的第一预设时长的充电数据；
[0043]
在本发明实施例中，上述电池安全检测的方法可以应用于充电桩，在充电桩对车辆的电池进行直流充电时，可以与车辆的电池管理系统进行交互，从而获取电池当前的第一预设时长的充电数据。
[0044]
上述充电数据包括：时间步、需求电压、需求电流、实际电压、实际电流、bms电压、bms电流、单体最高电压、最高温度、最低温度、充电量、最高温度单体编号、最低温度单体编号、最高电压单体编号、最高电压单体组号。
[0045]
上述时间步是指充电的时间戳，也可以为表示时间的序号，例如，一分钟获取一个充电数据的报文，那么上述时间步就可以为1，2，3，
…
，表示第一分钟、第二分钟、第三分钟，
…
；上述需求电压和需求电流是指电池充电时的需要的电压和电流；实际电压和实际电流是指充电桩给电池充电时的实际电压和电流；bms电压和bms电流是指bms检测得到的充
电的电压和电流。
[0046]
上述第一预设时长可以为连续5分钟，本发明实施例对上述第一预设时长不进行具体限制。
[0047]
步骤s104，采用电池安全检测模型对充电数据进行电池安全检测，得到电池的安全检测结果，其中，电池安全检测模型包括：特征提取模块和电池安全检测模块，且电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，中间特征提取模块能够挖掘充电数据的充电规律特征。
[0048]
在本发明实施例中，电池安全检测模型包括：特征提取模块和电池安全检测模块，其中，先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，得到中间特征提取模块，该中间特征提取模块能够挖掘充电数据的充电规律特征，进而再通过有监督的迁移学习方法和第二充电数据样本对中间特征提取模块和初始电池安全检测模块进行训练，就能得到本发明的电池安全检测模型，其中的特征提取模块能够挖掘充电数据的充电规律特征，该充电规律特征能够明显的区分电池是否存在异常，这样，电池安全检测模块通过挖掘到的充电规律特征再进行电池安全检测时，确定的电池的安全检测结果的准确性好。
[0049]
在本发明实施例中，提供了一种电池安全检测的方法，包括：在对车辆的电池进行直流充电时，获取电池当前的第一预设时长的充电数据；采用电池安全检测模型对充电数据进行电池安全检测，得到电池的安全检测结果，其中，电池安全检测模型包括：特征提取模块和电池安全检测模块，且电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，中间特征提取模块能够挖掘充电数据的充电规律特征。通过上述描述可知，本发明的电池安全检测模型是先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，该电池安全检测模型的特征提取模块能够挖掘充电数据的充电规律特征，进而通过挖掘到的充电规律特征再进行电池安全检测时，检测得到的电池的安全检测结果更加准确，相比于直接通过有监督的训练方法和充电数据样本训练得到的电池安全检测模型，本发明的电池安全检测模型的鲁棒性好，因为其能挖掘得到充电数据的充电规律特征，该充电规律特征能够明显的区分电池是否存在异常，这样，最终确定的电池的安全检测结果的准确性好，缓解了现有技术得到的电池安全检测模型鲁棒性差，无法对电池进行准确的安全检测的技术问题。
[0050]
上述内容对本发明的电池安全检测的方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。
[0051]
在本发明的一个可选实施例中，对初始特征提取模块的训练过程包括：
[0052]
(1)获取一次充电过程的第二预设时长的第一子充电数据样本和两次充电过程的第一预设时长的第二子充电数据样本，其中，第二预设时长为第一预设时长的2倍；
[0053]
具体的，上述第二预设时长可以为连续10分钟，上述第一预设时长可以为连续5分
钟，本发明实施例对上述第二预设时长和上述第一预设时长不进行具体限制。
[0054]
若第二预设时长为连续10分钟，那么就获取一次充电过程的连续10分钟的充电数据作为第一子充电数据样本，并获取一次充电过程的连续5分钟的充电数据(作为前5分钟的充电数据)和另一次充电过程(相同车辆或不同车辆)的连续5分钟的充电数据(作为后5分钟的充电数据)作为第二子充电数据样本。
[0055]
(2)采用第一子充电数据样本和第二子充电数据样本对初始特征提取模型进行训练，得到训练的特征提取模型，其中，初始特征提取模型包括：初始特征提取模块和初始对比预测模块，训练的特征提取模型包括：中间特征提取模块和训练后的对比预测模块。
[0056]
初始特征提取模块的主要作用是将15维的充电数据经过卷积和全连接等处理后，提取得到8维的充电规律特征；
[0057]
经过初始特征提取模块处理后，从前5分钟的充电数据中提取8维的充电规律特征z0，从后5分钟的充电数据中提取8维充电规律特征z1，将z0输入gru层(门控循环单元)后，预测得到后5分钟的8维充电规律特征的预测值将z1和输入cpc层(对比预测模块)，以二者的内积为依据生成损失函数，训练特征提取模型。
[0058]
gru：gated recurrent unit，即门控循环单元，是一种门控循环神经网络。gru可以捕捉时序数据中间隔较大的依赖关系，用于解决循环神经网络的隐含层变量梯度存在消失和爆炸的问题。
[0059]
cpc：contrastive predictive coding，即对比预测模块，是deep mind团队于2018年研究出的无监督表示学习方法，用于学习数据的表征，以便于在分类和回归等有监督学习时更容量提取有效的特征信息。
[0060]
下面对特征提取模型的结构以及其中各层的功能进行详细描述：
[0061]
特征提取模型的网络结构如图2所示，其中，input_5：样本前5分钟的15维的充电数据作为输入；input_6：样本后5分钟的15维的充电数据作为输入；time_distributed_3：样本前5分钟的15维的充电数据经过初始特征提取模块提取8维充电规律特征z0；time_distributed_4：样本后5分钟的15维的充电数据经过初始特征提取模块提取8维充电规律特征z1(关于特征提取模块的具体结构将在下文中进行介绍)；ar_context，z_t_0/1/2/3/4，lambda_2：通过gru时序数据预测，利用前5分钟的8维充电规律特征z0，预测得到后5分钟的8维充电规律特征cpc_layer_2：通过cpc对比预测模块，以z1和为输入，建立对比预测模块。
[0062]
特征提取模块的具体结构如图3所示，其中，input layer输入层：15维的充电数据样本作为输入；conv1d一维卷积层：从15维的充电数据样本中，通过卷积操作提取32维的基础特征；batch normalization批标准化层：由于数据分布会对训练产生影响，因此通过标准化操作，让每一层的数值都在有效的范围内传递下去，达到优化神经网络的目的；leaky relu激活层：leaky relu将所有的负值赋予一个非零的斜率，其余值不变；flatten展平层：作为卷积层向全连接层的过渡，用于减小通道数；dense全连接层：通过全连接层进一步提取64维的抽象特征；batch normalization批标准化层：用途同上；leaky relu激活层：用途同上；dense全连接层：通过全连接层提取8维充电规律特征，作为特征提取模块的最终输出。
[0063]
训练特征提取模型时的损失函数为：
[0064]
其中，j表示某批次中的某个充电数据样本，l表示计算在充电数据样本上的损失值，n表示该批次中的充电数据样本总数，m表示该批次中的任一充电数据样本，m＝1，
……
，n，n表示某充电数据样本时间序列中的已知部分，从第1步开始，目前已经进行到第n步，k表示某充电数据样本时间序列中要预测的长度，k表示某充电数据样本时间序列中要预测的某一步，从第n 1开始，一直预测到第n k步，f表示相似度度量函数，z表示基于初始特征提取模块提取某充电数据样本某个时间步的8维特征，表示初始对比预测模块的门控循环单元预测的充电数据样本某个时间步的8维特征。-1：对于一个良好的网络，上述公式中分子部分的相似度应该很高，对应的f计算值很大，而分母部分的每一项，除了当m＝j时，其余项的f计算值应该很小。因此，乘以-1，作为最终的损失函数，用于优化网络。
[0065]
上述训练的过程中，batch数可以选择128，epoch数可以选择10。
[0066]
上述过程为：以海量的充电过程数据为样本，利用自监督表示学习方法，从数据中学习充电规律特征，得到中间特征提取模块。
[0067]
在本发明的一个可选实施例中，该方法还包括：
[0068]
(1)获取事故电池和/或高危电池的第一预设时长的充电数据的正样本和正常电池的第一预设时长的充电数据的负样本；
[0069]
上述正样本的标签可以为1，负样本的标签可以为0。
[0070]
(2)采用正样本和负样本对初始电池安全检测模型进行训练，得到电池安全检测模型，其中，初始电池安全检测模型包括：中间特征提取模块和初始电池安全检测模块。
[0071]
具体的，以上述的中间特征提取模块为预训练模型，再扩展时序gru层、全连接层作为电池安全检测模块，建立电池安全检测模型。即在中间特征提取模块基础上，增加分类器，建立电池安全检测模型。
[0072]
具体的网络结构如图4所示，其中，input_10：以充电过程5分钟的15维时序充电数据的正样本和负样本作为输入；time_distributed_5：经过中间特征提取模块，提取8维的充电规律特征；ar_context，dense_10：基于8维充电规律特征进行电池安全检测，得到电池的安全检测结果，即本次5分钟的充电过程的异常概率值。
[0073]
上述模型训练的batch数可以选择128，epoch数可以选择10。
[0074]
在实际应用时，在车辆直流充电时，只要充电时长超过5分钟(包括5分钟)，即可进行电池的实时安全检测，在检测时，取连续5分钟的充电数据(时间步、需求电压、需求电流、实际电压、实际电流、bms电压、bms电流、单体最高电压、最高温度、最低温度、充电量、最高温度单体编号、最低温度单体编号、最高电压单体编号、最高电压单体组号)，输入训练好的电池安全检测模型，就能得到电池的安全检测结果(为0到1之间的概率值，0表示正常；1表示异常)。
[0075]
在本发明实施例中，若当前充电过程的充电时长为m分钟，电池的安全检测结果为：
[0076][0077]
例如，当前充电过程的充电时长为60分钟，第一预设时长为连续5分钟，电池的安
全检测结果为：即将60分钟的充电时长中每5分钟得到的电池的安全检测结果先进行求和，之后再求平均即为该次充电过程的电池的安全检测结果。
[0078]
实施例二：
[0079]
本发明实施例还提供了一种电池安全检测的装置，该电池安全检测的装置主要用于执行本发明实施例一中所提供的电池安全检测的方法，以下对本发明实施例提供的电池安全检测的装置做具体介绍。
[0080]
图5是根据本发明实施例的一种电池安全检测的装置的示意图，如图5所示，该装置主要包括：获取单元10和电池安全检测单元20，其中：
[0081]
获取单元，用于在对车辆的电池进行直流充电时，获取电池当前的第一预设时长的充电数据；
[0082]
电池安全检测单元，用于采用电池安全检测模型对充电数据进行电池安全检测，得到电池的安全检测结果，其中，电池安全检测模型包括：特征提取模块和电池安全检测模块，且电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，中间特征提取模块能够挖掘充电数据的充电规律特征。
[0083]
在本发明实施例中，提供了一种电池安全检测的装置，包括：在对车辆的电池进行直流充电时，获取电池当前的第一预设时长的充电数据；采用电池安全检测模型对充电数据进行电池安全检测，得到电池的安全检测结果，其中，电池安全检测模型包括：特征提取模块和电池安全检测模块，且电池安全检测模型为先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，中间特征提取模块能够挖掘充电数据的充电规律特征。通过上述描述可知，本发明的电池安全检测模型是先通过自监督的表示学习方法和第一充电数据样本对初始特征提取模块进行训练后，再将训练的中间特征提取模块和初始电池安全检测模块通过有监督的迁移学习方法和第二充电数据样本训练得到的，该电池安全检测模型的特征提取模块能够挖掘充电数据的充电规律特征，进而通过挖掘到的充电规律特征再进行电池安全检测时，检测得到的电池的安全检测结果更加准确，相比于直接通过有监督的训练方法和充电数据样本训练得到的电池安全检测模型，本发明的电池安全检测模型的鲁棒性好，因为其能挖掘得到充电数据的充电规律特征，该充电规律特征能够明显的区分电池是否存在异常，这样，最终确定的电池的安全检测结果的准确性好，缓解了现有技术得到的电池安全检测模型鲁棒性差，无法对电池进行准确的安全检测的技术问题。
[0084]
可选地，该装置还用于：获取一次充电过程的第二预设时长的第一子充电数据样本和两次充电过程的第一预设时长的第二子充电数据样本，其中，第二预设时长为第一预设时长的2倍；采用第一子充电数据样本和第二子充电数据样本对初始特征提取模型进行训练，得到训练的特征提取模型，其中，初始特征提取模型包括：初始特征提取模块和初始对比预测模块，训练的特征提取模型包括：中间特征提取模块和训练后的对比预测模块。
[0085]
可选地，训练特征提取模型时的损失函数为：征提取模型时的损失函数为：其中，j表示某批次中的某个充电数据样本，l表示计算在充电数据样本上的损失值，n表示该批次中的充电数据样本总数，m表示该批次中的任一充电数据样本，m＝1，
……
，n，n表示某充电数据样本时间序列中的已知部分，从第1步开始，目前已经进行到第n步，k表示某充电数据样本时间序列中要预测的长度，k表示某充电数据样本时间序列中要预测的某一步，从第n 1开始，一直预测到第n k步，f表示相似度度量函数，z表示基于初始特征提取模块提取某充电数据样本某个时间步的8维特征，表示初始对比预测模块的门控循环单元预测的充电数据样本某个时间步的8维特征。
[0086]
可选地，该装置还用于：获取事故电池和/或高危电池的第一预设时长的充电数据的正样本和正常电池的第一预设时长的充电数据的负样本；采用正样本和负样本对初始电池安全检测模型进行训练，得到电池安全检测模型，其中，初始电池安全检测模型包括：中间特征提取模块和初始电池安全检测模块。
[0087]
可选地，充电数据包括：时间步、需求电压、需求电流、实际电压、实际电流、bms电压、bms电流、单体最高电压、最高温度、最低温度、充电量、最高温度单体编号、最低温度单体编号、最高电压单体编号、最高电压单体组号。
[0088]
可选地，若当前充电过程的充电时长为m分钟，电池的安全检测结果为：
[0089][0090]
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0091]
如图6所示，本技术实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述电池安全检测的方法的步骤。
[0092]
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述电池安全检测的方法。
[0093]
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储
器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
[0094]
对应于上述电池安全检测的方法，本技术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存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述电池安全检测的方法的步骤。
[0095]
本技术实施例所提供的电池安全检测的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本技术实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
[0096]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0097]
再例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、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。在这点上，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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
[0098]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0099]
另外，在本技术提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0100]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、
随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0101]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0102]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的范围。都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。