电池异常检测方法、装置、电子设备及计算机存储介质与流程

1.本发明涉及电池技术领域，尤其是涉及一种电池异常检测方法、装置、电子设备及计算机存储介质。


背景技术：

2.现有的电池异常检测方法，通常是基于单个电池指标如电压、温度、压差或温差等，通过无监督技术进行异常识别。然而这种电池异常检测方法对异常电池的识别准确率较低，部分异常电池无法识别出来。


技术实现要素：

3.本发明的目的在于提供一种电池异常检测方法、装置、电子设备及计算机存储介质，以提高对异常电池的识别准确率。
4.第一方面，本发明实施例提供了一种电池异常检测方法，包括：
5.获取待检测电池在本次充电过程的目标指标数据，目标指标数据包括与多个统计指标对应的指标特征，待检测电池为新能源车辆电池；
6.基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理，得到多个目标特征；
7.将多个目标特征分别输入预训练的多个有监督分类模型，得到每个有监督分类模型对应的分类结果；
8.根据各个有监督分类模型对应的分类结果，确定待检测电池的异常检测结果。
9.进一步地，上述基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理，得到多个目标特征，包括：
10.确定待检测电池所属的目标车辆对应的目标区域车型信息，目标区域车型信息包括目标车辆所属的区域信息和目标车辆的车型信息；
11.根据目标区域车型信息，确定待检测电池对应的目标标准化数据，目标标准化数据包括每个统计指标对应的均值和标准差；
12.根据目标标准化数据，对目标指标数据中相应统计指标对应的指标特征进行z-score标准化处理，得到多个目标特征。
13.进一步地，上述有监督分类模型对应的分类结果为异常或正常，异常检测结果包括风险等级；根据各个有监督分类模型对应的分类结果，确定待检测电池的异常检测结果的步骤，包括：
14.对各个有监督分类模型对应的分类结果，进行异常的数量统计，得到异常结果数量；
15.根据异常结果数量，确定待检测电池的风险等级。
16.进一步地，上述有监督分类模型为两个；根据异常结果数量，确定待检测电池的风险等级的步骤，包括：
17.当异常结果数量为2时，确定待检测电池的风险等级为高风险；
18.当异常结果数量为1时，确定待检测电池的风险等级为中风险；
19.当异常结果数量为0时，确定待检测电池的风险等级为低风险。
20.进一步地，上述有监督分类模型包括高斯过程分类模型和lgbm分类模型；在将多个目标特征分别输入预训练的多个有监督分类模型，得到每个有监督分类模型对应的分类结果的步骤之前，上述电池异常检测方法还包括：
21.获取多个样本数据和相应标签，样本数据包括一次充电过程的样本指标数据；
22.将多个样本数据划分为两部分，分别作为训练数据集和验证数据集；
23.基于同区域同车型对应的标准化数据，对每个样本数据进行标准化处理，得到每个样本数据对应的多个样本特征；
24.以训练数据集中的每个样本数据对应的多个样本特征为输入，以相应标签为输出，分别对初始高斯过程分类模型和初始lgbm分类模型进行模型训练，得到预训练的高斯过程分类模型和lgbm分类模型；
25.根据验证数据集，确定高斯过程分类模型对应的异常概率阈值和lgbm分类模型对应的异常概率阈值。
26.进一步地，上述根据验证数据集，确定高斯过程分类模型对应的异常概率阈值和lgbm分类模型对应的异常概率阈值的步骤，包括：
27.以验证数据集中的每个样本数据对应的多个样本特征为输入，对高斯过程分类模型进行模型验证，得到不同阈值下的精准率和召回率，并将精准率和召回率相等时的第一阈值，确定为高斯过程分类模型对应的异常概率阈值；
28.以验证数据集中的每个样本数据对应的多个样本特征为输入，对lgbm分类模型进行模型验证，得到不同阈值下的精准率和召回率，并将精准率和召回率相等时的第二阈值，确定为lgbm分类模型对应的异常概率阈值。
29.进一步地，上述统计指标包括电池最高温度、电池最低温度、电池最大温差、单体最高电压、最大温升、最大需求电压、最大需求电流、最大实际电流、最大实际电压、最大温升率、最小温升率、最大soc变化率、最小soc变化率、最大单体电压变化率和最小单体电压变化率。
30.第二方面，本发明实施例还提供了一种电池异常检测装置，包括：
31.获取模块，用于获取待检测电池在本次充电过程的目标指标数据，目标指标数据包括与多个统计指标对应的指标特征，待检测电池为新能源车辆电池；
32.标准化模块，用于基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理，得到多个目标特征；
33.分类模块，用于将多个目标特征分别输入预训练的多个有监督分类模型，得到每个有监督分类模型对应的分类结果；
34.确定模块，用于根据各个有监督分类模型对应的分类结果，确定待检测电池的异常检测结果。
35.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，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面的电池异常检测方法。
36.第四方面，本发明实施例还提供了一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器运行时执行第一方面的电池异常检测方法。
37.本发明实施例提供的电池异常检测方法、装置、电子设备及计算机存储介质，在进行电池异常检测时，先获取待检测电池在本次充电过程的目标指标数据，该目标指标数据包括与多个统计指标对应的指标特征，待检测电池为新能源车辆电池；然后基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理，得到多个目标特征；进而将多个目标特征分别输入预训练的多个有监督分类模型，得到每个有监督分类模型对应的分类结果；最后根据各个有监督分类模型对应的分类结果，确定待检测电池的异常检测结果。本发明实施例提供的电池异常检测方法、装置、电子设备及计算机存储介质，基于同区域同车型对应的标准化数据，对待检测电池在本次充电过程的目标指标数据进行了标准化处理，该目标指标数据包括与多个统计指标对应的指标特征，并综合多个有监督分类模型进行电池异常检测，这样能够消除不同区域、不同车型和不同指标之间的差异，充分挖掘出异常电池的充电过程数据中的数据规律，因此提高了对异常电池的识别准确率。
附图说明
38.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。
39.图1为本发明实施例提供的一种电池异常检测方法的流程示意图；
40.图2为本发明实施例提供的预训练的高斯过程分类模型在不同阈值下的精准率和召回率；
41.图3为本发明实施例提供的预训练的lgbm分类模型在不同阈值下的精准率和召回率；
42.图4为本发明实施例提供的一种电池异常检测装置的结构示意图；
43.图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
44.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。
45.新能源车辆电池的安全性是支撑新能源车辆的高效可靠运行的必备条件，因此需要对新能源车辆电池进行电池异常检测，以及时、全面和准确的监控电池状态。目前现有的电池异常检测方法，通常是基于单个电池指标如电压、温度、压差或温差等，通过无监督技术进行异常识别，比如通过将电池的当前电池指标值与预设的一个指标阈值进行比对，当电池的当前电池指标值超过该指标阈值时，判定该电池为异常电池。
46.这种基于单个电池指标和无监督技术的电池异常检测方法，无法利用现有的安全异常车辆，安全异常车辆指包含异常电池的新能源车辆；目前已经积累了较多的安全异常
车辆样本，其中部分安全异常车辆通过现有的电池异常检测方法无法识别。基于此，本发明实施例提供的一种电池异常检测方法、装置、电子设备及计算机存储介质，基于已有的安全异常车辆样本，综合多个有监督分类模型进行电池异常检测，可以充分挖掘安全异常车辆样本的数据规律，提高对异常电池的识别准确率。
47.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异常检测方法进行详细介绍。
48.本发明实施例提供了一种电池异常检测方法，该方法可以由具有数据处理能力的电子设备执行。参见图1所示的一种电池异常检测方法的流程示意图，该方法主要包括如下步骤s102～步骤s108：
49.步骤s102，获取待检测电池在本次充电过程的目标指标数据，该目标指标数据包括与多个统计指标对应的指标特征。
50.上述待检测电池可以为新能源车辆电池，例如待检测电池为电动汽车上的动力电池。上述统计指标可以包括电池最高温度、电池最低温度、电池最大温差、单体最高电压、最大温升、最大需求电压、最大需求电流、最大实际电流、最大实际电压、最大温升率、最小温升率、最大soc(state of charge，荷电状态)变化率、最小soc变化率、最大单体电压变化率和最小单体电压变化率中的多个。
51.为了便于理解，下面以电动汽车上的动力电池为例，对上述各个统计指标进行介绍：
52.电池最高温度、电池最低温度：电动汽车一次充电过程中，bms(battery management system，电池管理系统)传递给非车载充电机的动力电池温度的最大值、最小值。
53.电池最大温差：电动汽车充电过程中，bms传递给非车载充电机的同一时刻最高动力电池温度与最低动力电池温度的差值，该差值就是这一时刻的温差。在一次充电过程中，温差的最大值，即是电池最大温差。
54.单体最高电压：电动汽车充电过程中，bms传递给非车载充电机的同一时刻最高单体动力电池电压，即是这一时刻的单体最高电压。在一次充电过程中，单体最高电压的最大值，即是这一次充电过程的单体最高电压。
55.最大温升：电动汽车一次充电过程中，电池最高温度的最大值与最小值的差。
56.最大需求电压、最大需求电流：在一次充电过程中，bms传递给非车载充电机的需求电压的最大值和需求电流的最大值。
57.最大实际电压、最大实际电流：在一次充电过程中，非车载充电机为动力电池输送的实际电压的最大值和实际电流的最大值。
58.最大温升率、最小温升率：电动汽车充电过程中，单位时间(如1分钟)内电池最高温度的变化值，即是温升率。在一次充电过程中，温升率的最大值和最小值，即是这一次充电过程的最大温升率、最小温升率。
59.最大soc变化率、最小soc变化率：soc表示当前动力电池中按照规定放电条件可以释放的容量占可用容量的百分比。电动汽车充电过程中，单位时间(如1分钟)内soc的变化值，即是soc变化率。在一次充电过程中，soc变化率的最大值和最小值，即是这一次充电过程的最大soc变化率、最小soc变化率。
60.最大单体电压变化率、最小单体电压变化率：电动汽车充电过程中，单位时间(如1分钟)内单体最高电压的变化值，即是单体电压变化率。在一次充电过程中，单体电压变化率的最大值和最小值，即是这一次充电过程的最大单体电压变化率、最小单体电压变化率。
61.在一些可能的实施例中，可以选择上述15个统计指标对应的指标特征作为目标指标数据。
62.步骤s104，基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理，得到多个目标特征。
63.为了消除不同统计指标的差异，需要对目标指标数据进行标准化处理；为了消除不同区域、不同车型的差异，本实施例基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理。
64.在一些可能的实施例中，可以采用z-score标准化方法来消除量纲(即消除不同统计指标的差异)，z-score标准化可以使得数据变换为均值为0，方差为1。基于此，上述步骤s104可以通过如下过程实现：确定待检测电池所属的目标车辆对应的目标区域车型信息，目标区域车型信息包括目标车辆所属的区域信息和目标车辆的车型信息；根据目标区域车型信息，确定待检测电池对应的目标标准化数据，目标标准化数据包括每个统计指标对应的均值和标准差；根据目标标准化数据，对目标指标数据中相应统计指标对应的指标特征进行z-score标准化处理，得到多个目标特征。
65.具体实现时，可以基于已有车辆样本的充电过程数据，预先确定不同区域车型信息与标准化数据的对应关系，在进行电池异常检测时，可以通过在该对应关系中查找目标区域车型信息，得到待检测电池对应的目标标准化数据。在确定该对应关系时，可以先按照区域车型信息对车辆样本进行分类，再针对每一类车辆样本，计算得到充电过程数据中每个统计指标对应的均值和标准差，即得到相应区域车型信息对应的标准化数据，从而得到不同区域车型信息与标准化数据的对应关系。
66.步骤s106，将多个目标特征分别输入预训练的多个有监督分类模型，得到每个有监督分类模型对应的分类结果。
67.上述有监督分类模型对应的分类结果可以为异常或正常，例如输出为0表示正常，输出为1表示异常。有监督分类模型是基于已有样本数据及相应标签训练得到的。有监督分类模型可以包括高斯过程分类模型和lgbm(light gradient boosting machines，光梯度提升机)分类模型等模型。
68.步骤s108，根据各个有监督分类模型对应的分类结果，确定待检测电池的异常检测结果。
69.在一些可能的实施例中，上述异常检测结果可以包括风险等级；基于此，步骤s108可以通过如下过程实现：对各个有监督分类模型对应的分类结果，进行异常的数量统计，得到异常结果数量；根据异常结果数量，确定待检测电池的风险等级。
70.当有监督分类模型为两个时，风险等级可以包括高风险、中风险和低风险三档，具体地，当异常结果数量为2时，确定待检测电池的风险等级为高风险；当异常结果数量为1时，确定待检测电池的风险等级为中风险；当异常结果数量为0时，确定待检测电池的风险等级为低风险。
71.当有监督分类模型为两个以上时，风险等级从高到低可以包括一级、二级、三级
等；风险等级与异常结果数量可以是一一对应的，也可以是一对多的关系，即不同风险等级对应的异常结果数量不同，不同异常结果数量可以对应一个风险等级。例如，有监督分类模型为5个，当异常结果数量为5时，风险等级为一级，当异常结果数量为4或3时，风险等级为二级，当异常结果数量为2或1时，风险等级为三级，当异常结果数量为0时，风险等级为四级。
72.需要说明的是，上述高风险、中风险和低风险也可以转换为一级、二级和三级。
73.本发明实施例提供的电池异常检测方法，基于同区域同车型对应的标准化数据，对待检测电池在本次充电过程的目标指标数据进行了标准化处理，该目标指标数据包括与多个统计指标对应的指标特征，并综合多个有监督分类模型进行电池异常检测，这样能够消除不同区域、不同车型和不同指标之间的差异，充分挖掘出异常电池的充电过程数据中的数据规律，因此提高了对异常电池的识别准确率。
74.以有监督分类模型包括高斯过程分类模型和lgbm分类模型为例，本发明实施例还提供了有监督分类模型的训练过程，具体如下：
75.1、获取多个样本数据和相应标签，该样本数据包括一次充电过程的样本指标数据，样本指标数据包括与多个统计指标对应的指标特征。
76.优选地，正常电池对应的样本数据和异常电池对应的样本数据的比例接近1：1，以提高模型的分类效果。
77.2、将多个样本数据划分为两部分，分别作为训练数据集和验证数据集。
78.3、基于同区域同车型对应的标准化数据，对每个样本数据进行标准化处理，得到每个样本数据对应的多个样本特征。
79.此处标准化处理的具体过程可以参照前述实施例中的相应内容，这里不再赘述。
80.4、以训练数据集中的每个样本数据对应的多个样本特征为输入，以相应标签为输出，分别对初始高斯过程分类模型和初始lgbm分类模型进行模型训练，得到预训练的高斯过程分类模型和lgbm分类模型。
81.5、根据验证数据集，确定高斯过程分类模型对应的异常概率阈值和lgbm分类模型对应的异常概率阈值。
82.异常概率阈值用于模型的分类过程，例如，当模型的预测值大于或等于异常概率阈值时，模型的输出为1(异常)；当模型的预测值小于异常概率阈值时，模型的输出为0(正常)。
83.在一些可能的实施例中，高斯过程分类模型对应的异常概率阈值的确定过程可以如下：以验证数据集中的每个样本数据对应的多个样本特征为输入，对高斯过程分类模型进行模型验证，得到不同阈值下的精准率和召回率，并将精准率和召回率相等时的第一阈值，确定为高斯过程分类模型对应的异常概率阈值。
84.lgbm分类模型对应的异常概率阈值的确定过程可以如下：以验证数据集中的每个样本数据对应的多个样本特征为输入，对lgbm分类模型进行模型验证，得到不同阈值下的精准率和召回率，并将精准率和召回率相等时的第二阈值，确定为lgbm分类模型对应的异常概率阈值。
85.为了便于理解，下面以有监督分类模型包括高斯过程分类模型和lgbm分类模型为例，对上述电池异常检测方法的整体实施过程进行详细介绍：
86.整体实施过程包括四部分：样本数据清洗、建立高斯过程分类模型、建立lgbm分类模型、综合两个模型进行电池异常检测。
87.(1)样本数据清洗
88.1)选择一次充电过程的15个统计指标的数据作为指标特征，该15个统计指标包括电池最高温度、电池最低温度、电池最大温差、单体最高电压、最大温升、最大需求电压、最大需求电流、最大实际电流、最大实际电压、最大温升率、最小温升率、最大soc变化率、最小soc变化率、最大单体电压变化率和最小单体电压变化率。
89.2)基于同区域同车型对应的标准化数据，对上述15个指标特征进行标准化处理。
90.3)样本数据的标签：针对安全异常车辆，其标签定义为1；针对正常车辆，其标签定义为0。
91.(2)建立高斯过程分类模型
92.1)高斯过程分类模型的参数选择：核函数选择rbf(radial basis function，径向基函数)，其中的高斯核超参数均设置为1。
93.2)以上述15个标准化处理后的指标特征作为输入，以相应标签作为输出，进行高斯过程分类模型的模型训练。
94.3)在验证数据集上，确定分类的异常概率阈值：如图2所示，当异常概率阈值＝0.57时，精准率和召回率达到平衡，分类效果最优。
95.(3)建立lgbm分类模型
96.1)lgbm分类模型的参数选择：
97.·
学习率：0.1
98.·
l1正则化参数：0.1
99.·
l2正则化参数：0.2
100.·
叶节点最少样本数量：100
101.·
树的最大深度：10
102.·
目标函数：binary
103.2)以上述15个标准化处理后的指标特征作为输入，以相应标签作为输出，进行lgbm分类模型的模型训练。
104.3)在验证数据集上，确定分类的异常概率阈值：如图3所示，当异常概率阈值＝0.5时，精准率和召回率达到平衡，分类效果最优。
105.(4)综合两个模型进行电池异常检测
106.在目标车辆充电结束时，基于充电过程的目标指标数据进行异常检测，过程如下：
107.1)统计本次充电过程的15个指标特征；
108.2)基于同区域同车型下每个统计指标对应的均值和标准差，对本次充电的15个指标特征进行标准化；
109.3)将标准化后的指标数据输入高斯过程分类模型，得到对应的异常检测结果；
110.4)将标准化后的指标数据输入lgbm分类模型，得到对应的异常检测结果；
111.5)综合判定：
112.i.如果两个模型都判定为异常，则定义该目标车辆内电池的异常等级为高风险；
113.ii.如果只有一个模型判定为异常，则定义异常等级为中风险；
114.iii.否则，定义异常等级为无风险。
115.本发明实施例中，基于已有的安全异常车辆样本，通过不同的机器学习方法，建立了高斯过程分类模型和lgbm分类模型，综合两个模型，进行电池异常检测，可以充分挖掘安全异常车辆样本的数据规律，提高对异常电池的识别准确率。
116.对应于上述的电池异常检测方法，本发明实施例还提供了一种电池异常检测装置。参见图4所示的一种电池异常检测装置的结构示意图，该装置包括：
117.获取模块42，用于获取待检测电池在本次充电过程的目标指标数据，目标指标数据包括与多个统计指标对应的指标特征，待检测电池为新能源车辆电池；
118.标准化模块44，用于基于同区域同车型对应的标准化数据，对目标指标数据进行标准化处理，得到多个目标特征；
119.分类模块46，用于将多个目标特征分别输入预训练的多个有监督分类模型，得到每个有监督分类模型对应的分类结果；
120.确定模块48，用于根据各个有监督分类模型对应的分类结果，确定待检测电池的异常检测结果。
121.本发明实施例提供的电池异常检测装置，基于同区域同车型对应的标准化数据，对待检测电池在本次充电过程的目标指标数据进行了标准化处理，该目标指标数据包括与多个统计指标对应的指标特征，并综合多个有监督分类模型进行电池异常检测，这样能够消除不同区域、不同车型和不同指标之间的差异，充分挖掘出异常电池的充电过程数据中的数据规律，因此提高了对异常电池的识别准确率。
122.进一步地，上述标准化模块44具体用于：确定待检测电池所属的目标车辆对应的目标区域车型信息，目标区域车型信息包括目标车辆所属的区域信息和目标车辆的车型信息；根据目标区域车型信息，确定待检测电池对应的目标标准化数据，目标标准化数据包括每个统计指标对应的均值和标准差；根据目标标准化数据，对目标指标数据中相应统计指标对应的指标特征进行z-score标准化处理，得到多个目标特征。
123.进一步地，上述有监督分类模型对应的分类结果为异常或正常，异常检测结果包括风险等级；上述确定模块48具体用于：对各个有监督分类模型对应的分类结果，进行异常的数量统计，得到异常结果数量；根据异常结果数量，确定待检测电池的风险等级。
124.进一步地，上述有监督分类模型为两个；上述确定模块48还用于：当异常结果数量为2时，确定待检测电池的风险等级为高风险；当异常结果数量为1时，确定待检测电池的风险等级为中风险；当异常结果数量为0时，确定待检测电池的风险等级为低风险。
125.进一步地，上述有监督分类模型包括高斯过程分类模型和lgbm分类模型；上述装置还包括训练模块，该训练模块用于：获取多个样本数据和相应标签，样本数据包括一次充电过程的样本指标数据；将多个样本数据划分为两部分，分别作为训练数据集和验证数据集；基于同区域同车型对应的标准化数据，对每个样本数据进行标准化处理，得到每个样本数据对应的多个样本特征；以训练数据集中的每个样本数据对应的多个样本特征为输入，以相应标签为输出，分别对初始高斯过程分类模型和初始lgbm分类模型进行模型训练，得到预训练的高斯过程分类模型和lgbm分类模型；根据验证数据集，确定高斯过程分类模型对应的异常概率阈值和lgbm分类模型对应的异常概率阈值。
126.进一步地，上述训练模块具体用于：以验证数据集中的每个样本数据对应的多个
样本特征为输入，对高斯过程分类模型进行模型验证，得到不同阈值下的精准率和召回率，并将精准率和召回率相等时的第一阈值，确定为高斯过程分类模型对应的异常概率阈值；以验证数据集中的每个样本数据对应的多个样本特征为输入，对lgbm分类模型进行模型验证，得到不同阈值下的精准率和召回率，并将精准率和召回率相等时的第二阈值，确定为lgbm分类模型对应的异常概率阈值。
127.进一步地，上述统计指标包括电池最高温度、电池最低温度、电池最大温差、单体最高电压、最大温升、最大需求电压、最大需求电流、最大实际电流、最大实际电压、最大温升率、最小温升率、最大soc变化率、最小soc变化率、最大单体电压变化率和最小单体电压变化率。
128.本实施例所提供的电池异常检测装置，其实现原理及产生的技术效果和前述电池异常检测方法实施例相同，为简要描述，电池异常检测装置实施例部分未提及之处，可参考前述电池异常检测方法实施例中相应内容。
129.参见图5，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
130.其中，存储器51可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory，简称nvm)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
131.总线52可以是工业标准体系结构(industry standard architecture，简称isa)总线、外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
132.其中，存储器51用于存储程序，处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
133.处理器50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50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50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发明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。结合本发明实施例所公开的电池异常检测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51，处理器50读取存储器51
中的信息，结合其硬件完成上述电池异常检测方法的步骤。
134.本发明实施例还提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的电池异常检测方法。该计算机存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、ram、磁碟或者光盘等各种可以存储程序代码的介质。
135.在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
136.附图中的流程图和框图显示了根据本发明的多个实施例的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。
137.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。
138.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。
139.另外，在本发明各个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。
140.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。