电池安全的检测方法及电池安全检测模型的生成方法与流程

1.本技术涉及电池技术领域，特别是涉及一种电池安全的检测方法及电池安全检测模型的生成方法。


背景技术：

2.电池安全评估是新能源产业的一个重要问题。电池安全评估，具体可以根据电池在实际使用工况中采集的充放电时的电压电流的变化曲线等实时数据，和大量历史数据进行比较，从而估计电池中的各个电芯的状态。
3.相关技术中，电池安全评估可以通过建立相关的电池安全检测模型来实现。该电池安全检测模型主要专家进行人工建模。针对定义支持向量机、极度梯度提升树(extreme gradient boosting，xgboost)模型等传统机器学习模型，通常通常可以由专家人为定义其中的特征，从而生成安全检测模型。
4.然而，由于电池充放电涉及电池内部极其复杂的电化学反应，人工建立的电池安全检测模型，通常无法容纳实际应用中的复杂使用工况和环境条件，从而造成电池安全检测模型的安全检测的准确度不高。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高电池安全检测模型的安全检测的准确度的电池安全的检测方法及电池安全检测模型的生成方法。
6.第一方面，本技术提供了一种电池安全的检测方法。所述方法包括：
7.获取待检测电池的各个电芯的充放电数据；
8.将所述各个电芯的充放电数据输入电池安全检测模型中，并获取所述电池安全检测模型输出的所述各个电芯的安全检测信息，所述电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，所述第一样本集中包括所述待检测电池的相同型号的电池的各个电芯的历史充放电数据；
9.根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果。
10.在其中一个实施例中，所述电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，所述安全检测结果包括所述充放电数据与所述目标分布数据之间的离群度；
11.其中，所述对抗生成网络用于通过所述第一样本集的训练，学习所述充放电数据对应的目标分布数据；所述鉴别器模型用于确定所述离群度，所述离群度用于表征所述各个电芯的充放电数据符合所述目标分布数据的概率。
12.在其中一个实施例中，所述根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果，包括：
13.若目标电芯的离群度小于阈值，则确定所述目标电芯的状态异常，所述目标电芯为所述待检测电池中的任意电芯；
14.若所述目标电芯的离群度大于等于阈值，则确定所述目标电芯安全。
15.在其中一个实施例中，所述电池安全检测模型包括后验分类器模型，所述安全检测信息包括类型标签；
16.所述后验分类器模型是通过第二样本集训练后生成的，所述第二样本集中包括正样本和负样本；所述类型标签用于指示所述各个电芯的充放电数据是否符合所述目标分布数据；
17.其中，所述正样本包括训练后的对抗生成网络中的生成器模型生成并经过所述训练后的对抗生成网络中的鉴别器判别为正常状态的充放电数据；
18.所述负样本包括：训练后的对抗生成网络中的生成器模型生成并经过所述训练后的对抗生成网络中的鉴别器模型判别为异常状态的充放电数据，从目标系统中获取的已确认为负样本的充放电数据，或者，电池仿真系统根据电化学参数模型模拟的故障电池的充放电数据。
19.在其中一个实施例中，所述根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果，包括：
20.若目标电芯的类型标签指示所述目标电芯的充放电数据符合所述目标分布数据，则确定所述目标电芯安全；
21.若所述目标电芯的类型标签指示所述目标电芯的充放电数据不符合所述目标分布数据，则确定所述目标电芯的状态异常。
22.在其中一个实施例中，所述充放电数据为时间序列数据，所述充放电数据包括单体电芯电压的时间序列数据。
23.在其中一个实施例中，所述充放电数据还包括辅助时间序列数据，所述辅助时间序列数据包括以下至少一项：电流的时间序列数据、电芯温度的时间序列数据、油门踏板开度的时间序列数据、刹车踏板开度的时间序列数据、驾驶室温度的时间序列数据。
24.在其中一个实施例中，所述电池安全检测模型的生成方式，包括：
25.获取所述第一样本集；
26.使用所述第一样本集训练对抗生成网络，以使所述对抗生成网络学习充放电数据对应的目标分布数据；
27.根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型。
28.在其中一个实施例中，所述根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型，包括：
29.将所述训练后的对抗生成网络中的鉴别器模型作为所述电池安全检测模型。
30.在其中一个实施例中，所述根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型，包括：
31.使用所述训练后的对抗生成网络中的生成器模型生成初始样本；
32.使用所述训练后的对抗生成网络中的生成器模型，将所述初始样本划分为正样本和负样本；
33.根据所述正样本和所述负样本数据，生成第二样本集；
34.使用所述第二样本集对后验分类器模型进行训练，以生成所述电池安全检测模型。
35.第二方面，本技术提供了一种电池安全检测模型的生成方法。所述方法包括：
36.获取第一样本集，所述第一样本集包括待检测电池的相同型号的电池的各个电芯的历史充放电数据；
37.使用所述第一样本集训练对抗生成网络，以使所述对抗生成网络学习充放电数据对应的目标分布数据；
38.根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型，所述生成器用于根据所述目标分布数据生成充放电数据的初始样本，所述鉴别器模型用于确定充放电数据与所述目标分布数据的离群度。
39.第三方面，本技术提供了一种电池安全的检测装置。所述方法包括：
40.第一获取模块，用于获取待检测电池的各个电芯的充放电数据；
41.检测模块，用于将所述各个电芯的充放电数据输入电池安全检测模型中，并获取所述电池安全检测模型输出的所述各个电芯的安全检测信息，所述电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，所述第一样本集中包括所述待检测电池的相同型号的电池的各个电芯的历史充放电数据；
42.确定模块，用于根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果。
43.在其中一个实施例中，所述电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，所述安全检测结果包括所述充放电数据与所述目标分布数据之间的离群度；
44.其中，所述对抗生成网络用于通过所述第一样本集的训练，学习所述充放电数据对应的目标分布数据；所述鉴别器模型用于确定所述离群度，所述离群度用于表征所述各个电芯的充放电数据符合所述目标分布数据的概率。
45.在其中一个实施例中，所述确定模块，具体用于若目标电芯的离群度小于阈值，则确定所述目标电芯的状态异常，所述目标电芯为所述待检测电池中的任意电芯；若所述目标电芯的离群度大于等于阈值，则确定所述目标电芯安全。
46.在其中一个实施例中，所述电池安全检测模型包括后验分类器模型，所述安全检测信息包括类型标签；
47.所述后验分类器模型是通过第二样本集训练后生成的，所述第二样本集中包括正样本和负样本；所述类型标签用于指示所述各个电芯的充放电数据是否符合所述目标分布数据；
48.其中，所述正样本包括训练后的对抗生成网络中的生成器模型生成并经过所述训练后的对抗生成网络中的鉴别器判别为正常状态的充放电数据；
49.所述负样本包括：训练后的对抗生成网络中的生成器模型生成并经过所述训练后的对抗生成网络中的鉴别器模型判别为异常状态的充放电数据，从目标系统中获取的已确认为负样本的充放电数据，或者，电池仿真系统根据电化学参数模型模拟的故障电池的充放电数据。
50.在其中一个实施例中，所述确定模块，具体用于若目标电芯的类型标签指示所述目标电芯的充放电数据符合所述目标分布数据，则确定所述目标电芯安全；若所述目标电芯的类型标签指示所述目标电芯的充放电数据不符合所述目标分布数据，则确定所述目标电芯的状态异常。
51.在其中一个实施例中，所述充放电数据为时间序列数据，所述充放电数据包括单体电芯电压的时间序列数据。
52.在其中一个实施例中，所述充放电数据还包括辅助时间序列数据，所述辅助时间序列数据包括以下至少一项：电流的时间序列数据、电芯温度的时间序列数据、油门踏板开度的时间序列数据、刹车踏板开度的时间序列数据、驾驶室温度的时间序列数据。
53.在其中一个实施例中，所述电池安全检测装置，还包括：
54.训练模块，用于获取所述第一样本集；使用所述第一样本集训练对抗生成网络，以使所述对抗生成网络学习充放电数据对应的目标分布数据；根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型。
55.在其中一个实施例中，所述训练模块，具体用于将所述训练后的对抗生成网络中的鉴别器模型作为所述电池安全检测模型。
56.在其中一个实施例中，所述训练模块，具体用于使用所述训练后的对抗生成网络中的生成器模型生成初始样本；使用所述训练后的对抗生成网络中的生成器模型，将所述初始样本划分为正样本和负样本；根据所述正样本和所述负样本数据，生成第二样本集；使用所述第二样本集对后验分类器模型进行训练，以生成所述电池安全检测模型。
57.第四方面，本技术提供了一种电池安全检测模型的生成装置。所述方法包括：
58.第二获取模块，用于获取第一样本集，所述第一样本集包括待检测电池的相同型号的电池的各个电芯的历史充放电数据；
59.学习模块，用于使用所述第一样本集训练对抗生成网络，学习充放电数据对应的目标分布数据，以生成生成器模型和鉴别器模型，所述生成器用于根据所述目标分布数据生成充放电数据的初始样本，所述鉴别器模型用于确定充放电数据与所述目标分布数据的离群度；
60.生成模块，用于根据所述生成器模型和/或所述鉴别器模型，生成所述电池安全检测模型。
61.第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的电池安全的检测方法，或者，第二方面所述的电池安全检测模型的生成方法。
62.第六方面，本技术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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的电池安全的检测方法，或者，第二方面所述的电池安全检测模型的生成方法。
63.第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的电池安全的检测方法，或者，第二方面所述的电池安全检测模型的生成方法。
64.上述电池安全的检测方法、电池安全检测模型的生成方法、装置、计算机设备、计算机可读存储介质及计算机程序产品，首先获取待检测电池的各个电芯的充放电数据。随后，将所述各个电芯的充放电数据输入电池安全检测模型中，并获取所述电池安全检测模型输出的所述各个电芯的安全检测信息，所述电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，所述第一样本集中包括所述待检测电池的相同型号的电池的各个电芯的历史充放电数据。最后，根据所述各个电芯的安全检测信息，确
定所述各个电芯的安全检测结果。通过该方式，由于电池安全检测模型是通过学习充放电数据对应的目标分布数据后自动生成的，并且在学习过程中没有对第一样本集中的相关数据提取特征的要求，避免了人为因素，进而提高了电池安全检测模型的精度，提高了电池安全的检测的精确度。
附图说明
65.图1为本技术实施例提供的一种电池安全的检测方法的应用环境图；
66.图2为本技术实施例提供的一种电池安全的检测方法的的流程示意图；
67.图3a-3f为本技术实施例提供的一种时间序列数据的示意图；
68.图4a-4b为本技术实施例提供的一种离散点的示意图；
69.图5为本技术实施例提供的一种电池安全检测模型的生成方法的流程图；
70.图6为本技术实施例提供的一种抗生成网络的结构示意图；
71.图7为本技术实施例提供的另一种电池安全检测模型的生成方法的流程图；
72.图8为本技术实施例提供的一种电池安全的检测装置的结构示意图；
73.图9为本技术实施例提供的一种电池安全检测模型的生成装置的结构示意图；
74.图10为本技术实施例提供的一种计算机设备的内部结构图。
具体实施方式
75.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
76.本技术实施例提供的电池安全的检测方法，可以应用于如图1所示的应用环境中。其中，车载终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
77.车载终端102可以在不同场景下实时采集车辆的电池的各个电芯的充放电数据，并将电池的各个电芯的充放电数据上传给服务器104。服务器104在接收到电池的各个电芯的充放电数据后，可以将电池的各个电芯的充放电数据输入电池安全检测模型，从而对电池的各个电芯的状态进行检测，确定各个电芯的安全检测信息。随后，服务器104可以根据各个电芯的安全检测信息，确定各个电芯的安全检测结果。服务器104可以将各个电芯的安全检测结果进行保存，若出现任意电芯的安全检测结果异常，也可以向车载终端102发出提示信息，以提示用户对电池进行检修或更换。
78.其中，上述服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
79.在一个实施例中，如图2所示，提供了一种电池安全的检测方法方法，以该方法应用于图1中的服务器为例进行说明，包括步骤s201-s203：
80.s201、获取待检测电池的各个电芯的充放电数据。
81.在本步骤中，当需要进行电池安全检测时，车载终端可以获取电池的各个电芯的充放电数据，以使服务器从车载终端获取该充放电数据。
82.应理解，由于每个电池通常是由上百个单体电芯串联组成，相应的，在进行电池安全检测时，服务器可以获取电池中每个电芯的充放电数据，以对各个电芯的状态进行检测，从而确定整个电池的安全状态。
83.需要说明的是，本技术实施例对于上述充放电数据对应的使用场景不做限制，示例性的，上述充放电数据可以为电池充电场景下的数据、驾驶时能量回收场景下的数据、驾驶时加速状态下的数据等。
84.其中，上述充放电数据可以为时间序列数据，即，按照预设的时间间隔采集一系列的充放电数据。该预设时间可以为1秒、2秒、5秒等。在一些实施例中，充放电数据包括单体电芯电压的时间序列数据。
85.在另一些实施例中，上述充放电数据中除了可以包括单体电芯电压的时间序列数据，还可以包括辅助时间序列数据，辅助时间序列数据包括以下至少一项：电流的时间序列数据、电芯温度的时间序列数据、油门踏板开度的时间序列数据、刹车踏板开度的时间序列数据、驾驶室温度的时间序列数据。
86.示例性的，在电池充电时，车载终端可以每隔2秒采集一次电池中各个电芯的电压数据，并将采集到的各个时间点的电压数据以电芯为单位，按照时间顺序组成各个电芯对应的电压的时间序列数据。随后，终端设备可以将该电压的时间序列数据作为充放电数据上传给服务器。
87.应理解，服务器可以仅获取单体电压的时间序列数据，也可以获取除了单体电压的时间序列数据以外的，一个或多个辅助时间序列数据，例如同时获取单体电芯电压的时间序列数据、电流的时间序列数据、温度的时间序列数据。
88.应理解，电池在各个使用场景下，各个电芯的电流、单体电芯电压和温度均可以对安全状态产生影响。如公式(1)所示，为单体电芯电压与安全状态的关系表达式。
[0089][0090]
其中，v为单体电芯电压，i为电流，t为电芯的温度，soc为充电状态，sos为安全状态，sos为一个逻辑量，真代表安全，假代表不安全。另外，没有在公式(1)所示的模型中显性体现的重要影响因素，比如极化电阻变化，是以隐含关系体现在因子soc和sos中的。
[0091]
示例性的，通过对公式(1)的关系求逆可以推测出电池的安全状态的定性关系，如公式(2)所示，可以通过所有可观测到的变量的时间变化推测电池安全状态sos。
[0092][0093]
s202、将各个电芯的充放电数据输入电池安全检测模型中，并获取电池安全检测模型输出的各个电芯的安全检测信息。
[0094]
在本步骤中，当服务器获取待检测电池的各个电芯的充放电数据后，可以将各个电芯的充放电数据输入电池安全检测模型中，并获取电池安全检测模型输出的各个电芯的安全检测信息。
[0095]
其中，电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的第一样本集中包括待检测电池的相同型号的电池的各个电芯的历史充放电数据。
[0096]
需要说明的是，上述第一样本集中包含有正常状态的充放电数据，也包含异常状
态的充放电数据，本技术实施例对此不做限制。
[0097]
下面对于如何生成电池安全检测模型进行说明。
[0098]
在一些实施例中，服务器可以首先获取第一样本集，随后，使用第一样本集训练对抗生成网络，以使对抗生成网络学习充放电数据对应的目标分布数据。最后，根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成电池安全检测模型。
[0099]
应理解，上述对抗生成网络在训练时采用无监督学习，相应的，上述第一样本集中的待检测电池的相同型号的电池的各个电芯的历史充放电数据，可以包含正常状态的充放电数据和异常状态的充放电数据，也无需进行人工标注。
[0100]
应理解，本技术实施例对于上述对抗生成网络的结构不做限制，在一些实施例中，上述对抗生成网络可以由多个自回归并发网络组成。示例性的，上述对抗生成网络可以包括重构网络(recovery)、鉴别网络(discriminator)、监督网络(supervisor)、内嵌编码网络(embedding)和生成网络(generator)组成。
[0101]
在本技术实施例中，当对抗生成网络经过第一样本集训练后，可以学习充放电数据对应的目标分布数据，此时，对抗生成网络中的生成器模型和/或鉴别器模型，可以用于生成上述电池安全检测模型。
[0102]
在一些实施例中，电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，相应的，服务器可以直接将训练后的对抗生成网络中的鉴别器模型作为电池安全检测模型。鉴别器模型用于确定充放电数据与目标分布数据的离群度，该离群度用于表征各个电芯的充放电数据符合目标分布数据的概率。即，该离群度可以用来确定电芯的状态，可以作为上述安全检测信息。
[0103]
在另一些实施例中，电池安全检测模型包括后验分类器(post hoc)模型，生成器模型安全检测信息包括类型标签。
[0104]
其中，生成器模型后验分类器模型是通过第二样本集训练后生成的，生成器模型第二样本集中包括正样本和负样本；生成器模型类型标签用于指示生成器模型各个电芯的充放电数据是否符合生成器模型目标分布数据；
[0105]
其中，正样本包括训练后的对抗生成网络中的生成器模型生成并经过训练后的对抗生成网络中的鉴别器判别为正常状态的充放电数据；
[0106]
负样本包括：训练后的对抗生成网络中的生成器模型生成并经过训练后的对抗生成网络中的鉴别器模型判别为异常状态的充放电数据，从目标系统中获取的已确认为负样本的充放电数据，或者，电池仿真系统根据电化学参数模型模拟的故障电池的充放电数据。
[0107]
应理解，上述目标系统可以为专家系统或其他确认样本的系统。
[0108]
示例性的，服务器可以使用训练后的对抗生成网络中的生成器模型生成初始样本，使用生成器模型训练后的对抗生成网络中的生成器模型，将生成器模型初始样本划分为正样本和负样本。随后，服务器根据正样本和负样本数据，生成第二样本集。最后，服务器使用第二样本集对后验分类器模型进行训练，以生成电池安全检测模型。
[0109]
应理解，通过第二样本集训练后的后验分类器模型，可以进行准确识别，并输出相应的类型标签，该类型标签用于指示各个电芯的充放电数据是否符合目标分布数据。即，该类型标签可以用来确定电芯的状态，可以作为上述安全检测信息。
[0110]
需要说明的是，上述正样本和负样本的标注数据，可以通过添加标注数据来生成，
从而提高后验分类器模型的分类准确性。
[0111]
在本技术中，对抗生成网络训练形成的生成模型是直接根据原始的样本数据自动生成的，吸收了第一样本集中的数据，避免了不精确模型带来的偏差，同时也可根据实际的真实数据进行动态的调整。
[0112]
并且，由于采用对抗生成网络进行无监督学习来生成电池安全检测模型，可以避免手动对样本数据进行标注，节约了人工成本和时间成本，大大缩短了电池安全检测模型生成的时间。
[0113]
此外，由于无监督学习的方法，不存在对第一训练集中的数据的特征提取的要求，对抗生成网络形成的生成器所用的时间序列特征是端到端训练获得，符合生成器和鉴别器精确需求，符合最终所需的安全检测结果。
[0114]
在另一些实施例中，上述对抗生成网络还可以替换为去噪扩散(denoising diffusion)模型，或者替换为并行的变换器(transformer)模型。
[0115]
s203、根据各个电芯的安全检测信息，确定各个电芯的安全检测结果。
[0116]
在本步骤中，当服务器获取电池安全检测模型输出的各个电芯的安全检测信息后，可以根据各个电芯的安全检测信息，确定各个电芯的安全检测结果。
[0117]
应理解，本技术实施例中涉及的电池安全检测模型可以包括训练后的对抗生成网络中的鉴别器模型，或者，也可以包括后验分类器模型。不同类型的电池安全检测模型输出的安全检测信息不同，相应的，不同安全检测信息确定各个电芯的安全检测结果方式也不不同。
[0118]
在一些实施例中，若电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，则相应的，安全检测信息可以为充放电数据与目标分布数据的离群度。由于离群度用于表征各个电芯的充放电数据符合目标分布数据的概率，当离群度数据接近1时，可以认为充放电数据符合目标分布数据，该充放电数据是正常数据；当离群度数据接近0时，可以认为充放电数据不符合目标分布数据，该充放电数据是异常数据，该充放电数据对应的电芯的状态异常。
[0119]
相应的，本技术实施例中可以通过将离群度与阈值进行比较，来确定充放电数据是否异常数据。示例性的，若目标电芯的离群度小于阈值，则确定目标电芯的状态异常，若目标电芯的离群度大于等于阈值，则确定目标电芯安全。其中，目标电芯为待检测电池中的任意电芯。
[0120]
应理解，本技术实施例对于上述阈值不做限制，可以为0.4、0.5、0.6等，可以根据实际的数据分布确定。示例性的，假设有10000个电池包，所有数据按离群度排序，可以取离群度最大的千分之一的数据点，或者离群度最大的10个数据点。
[0121]
示例性的，图3a-3f为本技术实施例提供的一种时间序列数据的示意图，如图3a-3f所示，分别将不同类型的待检测电池的各个电芯的时间序列数据和目标分布数据进行比较。其中，图3a所示的为单体电芯电压的时间序列数据，图3b所示的为电流的时间序列数据，图3c所示的为电芯温度的时间序列数据，图3d所示的为油门踏板开度的时间序列数据，图3e所示的为刹车踏板开度的时间序列数据，图3f所示的为驾驶室温度的时间序列数据。
[0122]
根据图3a-3f，可以生成如图4a-4b所示的可视化结果的离散点的示意图和主分量分析结果的离散点的示意图。上述可视化结果的离散点的示意图和主分量分析结果的离散
点的示意图的横纵坐标，分别为不同的高维特征。通过确定离散点的位置，可以确定目标电芯的离群度。
[0123]
在另一些实施例中，若电池安全检测模型包括后验分类器模型，则相应的，安全检测信息可以为类型标签，该类型标签用于指示各个电芯的充放电数据是否符合目标分布数据。相应的，若目标电芯的类型标签指示目标电芯的充放电数据符合目标分布数据，则确定目标电芯安全。若目标电芯的类型标签指示目标电芯的充放电数据不符合目标分布数据，则确定目标电芯的状态异常。
[0124]
本技术实施例提供的电池安全的检测方法，首先获取待检测电池的各个电芯的充放电数据。随后，将各个电芯的充放电数据输入电池安全检测模型中，并获取电池安全检测模型输出的各个电芯的安全检测信息，电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，第一样本集中包括待检测电池的相同型号的电池的各个电芯的历史充放电数据。最后，根据各个电芯的安全检测信息，确定各个电芯的安全检测结果。通过该方式，由于电池安全检测模型是通过学习充放电数据对应的目标分布数据后自动生成的，并且在学习过程中没有对第一样本集中的相关数据提取特征的要求，避免了人为因素，进而提高了电池安全检测模型的精度，提高了电池安全的检测的精确度。
[0125]
下面对于如何生成电池安全检测模型进行说明。图5为本技术实施例提供的一种电池安全检测模型的生成方法的流程图。如图5所示，电池安全检测模型的生成方法包括s301-s303：
[0126]
s301、获取第一样本集。
[0127]
其中，第一样本集包括待检测电池的相同型号的电池的各个电芯的历史充放电数据。
[0128]
在一些实施例中，历史充放电数据也可以包括单体电芯电压的时间序列数据。
[0129]
在另一些实施例中，历史充放电数据中除了可以包括单体电芯电压的时间序列数据，还可以包括辅助时间序列数据，辅助时间序列数据包括以下至少一项：电流的时间序列数据、电芯温度的时间序列数据、油门踏板开度的时间序列数据、刹车踏板开度的时间序列数据、驾驶室温度的时间序列数据。
[0130]
应理解，由于对抗生成网络在训练时采用无监督学习，相应的，上述第一样本集中的待检测电池的相同型号的电池的各个电芯的历史充放电数据，可以包括正常的充放电数据和异常的充放电数据，也无需进行人工标注。
[0131]
需要说明的是，本技术实施例中的第一数据集中的历史充放电数据，与待检测的电池的各个电芯的充放电数据的数据格式应保持一致。
[0132]
示例性的，若第一数据集中仅包含单体电芯电压的时间序列数据，则待检测的电池的各个电芯的充放电数据也相应的仅可以包含单体电芯电压的时间序列数据。
[0133]
s302、使用第一样本集训练对抗生成网络，以使对抗生成网络学习充放电数据对应的目标分布数据
[0134]
应理解，本技术实施例对于上述对抗生成网络的结构不做限制，在一些实施例中，上述对抗生成网络可以由多个自回归并发网络组成。示例性的，如图6所示为对抗生成网络的结构示意图，如图6所示，上述对抗生成网络可以包括重构网络(recovery)、鉴别网络(discriminator)、监督网络(supervisor)、内嵌编码网络(embedding)和生成网络
(generator)组成。
[0135]
本技术实施例对于如何确定对抗生成网络完成训练不做限制，在一些实施例中，可以通过纳什均衡来实现。当对抗生成网络中的生成器和鉴别器达到纳什均衡状态时，对抗生成网络即完成训练，此时对抗生成网络获取对应历史充放电数据的概率统计分布模型。
[0136]
在一些实施例中，本技术实施例涉及的对抗生成网络的可以采用自编码的方式压缩参数空间。
[0137]
在另一些实施例中，上述对抗生成网络还可以替换为去噪扩散(denoising diffusion)模型，或者替换为并行的变换器(transformer)模型。
[0138]
s303、根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成电池安全检测模型。
[0139]
其中，生成器用于生成充放电数据的初始样本，鉴别器模型用于确定充放电数据与目标分布数据的离群度。
[0140]
在一些实施例中，电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，相应的，服务器可以直接将训练后的对抗生成网络中的鉴别器模型作为电池安全检测模型。鉴别器模型用于确定充放电数据与目标分布数据的离群度，该离群度用于表征各个电芯的充放电数据符合目标分布数据的概率。即，该离群度可以用来确定电芯的状态，可以作为上述安全检测信息。
[0141]
在另一些实施例中，电池安全检测模型包括后验分类器(post hoc)模型。相应的，可以用过另一种生成方式来生成电池安全检测模型，如图7所示，该生成方式包括：s3031-s3032：
[0142]
s3031、使用生成器模型训练后的对抗生成网络中的生成器模型生成初始样本。
[0143]
应理解，由于训练后的对抗生成网络学习了充放电数据对应的目标分布数据，相应的，训练后的对抗生成网络学习中的生成器模型输出的正常的充放电数据和异常的充放电数据作为初始样本。
[0144]
s3032、使用生成器模型训练后的对抗生成网络中的生成器模型，将生成器模型初始样本划分为正样本和负样本。
[0145]
在本步骤中，服务器可以使用生成器模型训练后的对抗生成网络中的生成器模型，确定初始样本的离群度，并通过初始样本的离群度将初始样本划分为正样本和负样本。
[0146]
在另一些实施例中，上述负样本还可以包括从专家系统或其他系统得到的已知的负样本，比如已检测到的确认为故障电池的充放电数据；或者，上述负样本还可以包括从电池仿真系统按电化学参数模型模拟的故障电池的充放电数据。
[0147]
s3033、根据正样本和负样本数据，生成第二样本集。
[0148]
s3034、使用第二样本集对后验分类器模型进行训练，以生成电池安全检测模型。
[0149]
应理解，通过第二样本集训练后的后验分类器模型，可以进行准确识别，并输出相应的类型，该类型标签用于指示生成器模型各个电芯的充放电数据是否符合生成器模型目标分布数据。即，该类型标签可以用来确定电芯的状态，可以作为上述安全检测信息。
[0150]
本技术实施例提供的电池安全的检测方法，首先获取待检测电池的各个电芯的充放电数据。随后，将各个电芯的充放电数据输入电池安全检测模型中，并获取电池安全检测
模型输出的各个电芯的安全检测信息，电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，第一样本集中包括待检测电池的相同型号的电池的各个电芯的历史充放电数据。最后，根据各个电芯的安全检测信息，确定各个电芯的安全检测结果。通过该方式，由于电池安全检测模型是通过学习充放电数据对应的目标分布数据后自动生成的，并且在学习过程中没有对第一样本集中的相关数据提取特征的要求，避免了人为因素，进而提高了电池安全检测模型的精度，提高了电池安全的检测的精确度。
[0151]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0152]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电池安全的检测方法的电池安全的检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池安全的检测装置实施例中的具体限定可以参见上文中对于电池安全的检测方法的限定，在此不再赘述。
[0153]
在一个实施例中，如图8所示，提供了一种电池安全的检测装置400，包括：第一获取模块401、检测模块402、确定模块403和训练模块404，其中：
[0154]
第一获取模块401，用于获取待检测电池的各个电芯的充放电数据；
[0155]
检测模块402，用于将生成器模型各个电芯的充放电数据输入电池安全检测模型中，并获取生成器模型电池安全检测模型输出的生成器模型各个电芯的安全检测信息，生成器模型电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，生成器模型第一样本集中包括生成器模型待检测电池的相同型号的电池的各个电芯的历史充放电数据；
[0156]
确定模块403，用于根据生成器模型各个电芯的安全检测信息，确定生成器模型各个电芯的安全检测结果。
[0157]
在其中一个实施例中，生成器模型电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，生成器模型安全检测结果包括生成器模型充放电数据与生成器模型目标分布数据之间的离群度。
[0158]
其中，生成器模型对抗生成网络用于通过生成器模型第一样本集的训练，学习生成器模型充放电数据对应的目标分布数据；生成器模型鉴别器模型用于确定生成器模型离群度，生成器模型离群度用于表征生成器模型各个电芯的充放电数据符合生成器模型目标分布数据的概率。
[0159]
在其中一个实施例中，生成器模型确定模块403，具体用于若目标电芯的离群度小于阈值，则确定生成器模型目标电芯的状态异常，生成器模型目标电芯为生成器模型待检测电池中的任意电芯；若生成器模型目标电芯的离群度大于等于阈值，则确定生成器模型目标电芯安全。
[0160]
在其中一个实施例中，生成器模型电池安全检测模型包括后验分类器模型，生成
器模型安全检测信息包括类型标签。
[0161]
生成器模型后验分类器模型是通过第二样本集训练后生成的，生成器模型第二样本集中包括正样本和负样本；生成器模型类型标签用于指示生成器模型各个电芯的充放电数据是否符合生成器模型目标分布数据。
[0162]
其中，正样本包括训练后的对抗生成网络中的生成器模型生成并经过训练后的对抗生成网络中的鉴别器判别为正常状态的充放电数据；
[0163]
负样本包括：训练后的对抗生成网络中的生成器模型生成并经过训练后的对抗生成网络中的鉴别器模型判别为异常状态的充放电数据，从目标系统中获取的已确认为负样本的充放电数据，或者，电池仿真系统根据电化学参数模型模拟的故障电池的充放电数据。
[0164]
在其中一个实施例中，生成器模型确定模块403，具体用于若目标电芯的类型标签指示生成器模型目标电芯的充放电数据符合生成器模型目标分布数据，则确定生成器模型目标电芯安全；若生成器模型目标电芯的类型标签指示生成器模型目标电芯的充放电数据不符合生成器模型目标分布数据，则确定生成器模型目标电芯的状态异常。
[0165]
在其中一个实施例中，生成器模型充放电数据为时间序列数据，生成器模型充放电数据包括单体电芯电压的时间序列数据。
[0166]
在其中一个实施例中，生成器模型充放电数据还包括辅助时间序列数据，生成器模型辅助时间序列数据包括以下至少一项：电流的时间序列数据、电芯温度的时间序列数据、油门踏板开度的时间序列数据、刹车踏板开度的时间序列数据、驾驶室温度的时间序列数据。
[0167]
在其中一个实施例中，生成器模型电池安全检测装置，还包括：
[0168]
训练模块404，用于获取生成器模型第一样本集；使用生成器模型第一样本集训练对抗生成网络，以使生成器模型对抗生成网络学习充放电数据对应的目标分布数据；根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成生成器模型电池安全检测模型。
[0169]
在其中一个实施例中，生成器模型训练模块404，具体用于将生成器模型训练后的对抗生成网络中的鉴别器模型作为生成器模型电池安全检测模型。
[0170]
在其中一个实施例中，生成器模型训练模块404，具体用于使用生成器模型训练后的对抗生成网络中的生成器模型生成初始样本；使用生成器模型训练后的对抗生成网络中的生成器模型，将生成器模型初始样本划分为正样本和负样本；根据生成器模型正样本和生成器模型负样本数据，生成第二样本集；使用生成器模型第二样本集对后验分类器模型进行训练，以生成生成器模型电池安全检测模型。
[0171]
上述电池安全的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0172]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电池安全检测模型的生成方法的电池安全检测模型的生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池安全检测模型的生成装置实施例中的具体限定可以参见上文中对于电池安全检测模型的生成方法的限定，在此不再赘述。
[0173]
在一个实施例中，如图9所示，提供了一种电池安全检测模型的生成装置500，包括：第二获取模块501、学习模块502和生成模块503，其中：
[0174]
第二获取模块501，用于获取第一样本集，生成器模型第一样本集包括待检测电池的相同型号的电池的各个电芯的历史充放电数据；
[0175]
学习模块502，用于使用生成器模型第一样本集训练对抗生成网络，学习充放电数据对应的目标分布数据，以生成生成器模型和鉴别器模型，生成器模型生成器用于根据生成器模型目标分布数据生成充放电数据的初始样本，生成器模型鉴别器模型用于确定充放电数据与生成器模型目标分布数据的离群度；
[0176]
生成模块503，用于根据生成器模型或生成器模型鉴别器模型，生成生成器模型电池安全检测模型。
[0177]
上述电池安全检测模型的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0178]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池安全的检测方法，或者电池安全检测模型的生成方法。
[0179]
本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0180]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述电池安全的检测方法，或者，上述电池安全检测模型的生成方法。
[0181]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电池安全的检测方法，或者，上述电池安全检测模型的生成方法。
[0182]
在一个实施例中，提供了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上述电池安全的检测方法，或者，上述电池安全检测模型的生成方法。
[0183]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易
失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0184]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0185]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种电池安全的检测方法，其特征在于，所述方法包括：获取待检测电池的各个电芯的充放电数据；将所述各个电芯的充放电数据输入电池安全检测模型中，并获取所述电池安全检测模型输出的所述各个电芯的安全检测信息，所述电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，所述第一样本集中包括所述待检测电池的相同型号的电池的各个电芯的历史充放电数据；根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果。2.根据权利要求1所述的方法，其特征在于，所述电池安全检测模型包括训练后的对抗生成网络中的鉴别器模型，所述安全检测结果包括所述充放电数据与所述目标分布数据之间的离群度；其中，所述对抗生成网络用于通过所述第一样本集的训练，学习所述充放电数据对应的目标分布数据；所述鉴别器模型用于确定所述离群度，所述离群度用于表征所述各个电芯的充放电数据符合所述目标分布数据的概率。3.根据权利要求2所述的方法，其特征在于，所述根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果，包括：若目标电芯的离群度小于阈值，则确定所述目标电芯的状态异常，所述目标电芯为所述待检测电池中的任意电芯；若所述目标电芯的离群度大于等于阈值，则确定所述目标电芯安全。4.根据权利要求1所述的方法，其特征在于，所述电池安全检测模型包括后验分类器模型，所述安全检测信息包括类型标签；所述后验分类器模型是通过第二样本集训练后生成的，所述第二样本集中包括正样本和负样本；所述类型标签用于指示所述各个电芯的充放电数据是否符合所述目标分布数据；其中，所述正样本包括训练后的对抗生成网络中的生成器模型生成并经过所述训练后的对抗生成网络中的鉴别器判别为正常状态的充放电数据；所述负样本包括：训练后的对抗生成网络中的生成器模型生成并经过所述训练后的对抗生成网络中的鉴别器模型判别为异常状态的充放电数据，从目标系统中获取的已确认为负样本的充放电数据，或者，电池仿真系统根据电化学参数模型模拟的故障电池的充放电数据。5.根据权利要求4所述的方法，其特征在于，所述根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果，包括：若目标电芯的类型标签指示所述目标电芯的充放电数据符合所述目标分布数据，则确定所述目标电芯安全；若所述目标电芯的类型标签指示所述目标电芯的充放电数据不符合所述目标分布数据，则确定所述目标电芯的状态异常。6.根据权利要求1所述的方法，其特征在于，所述充放电数据为时间序列数据，所述充放电数据包括单体电芯电压的时间序列数据。7.根据权利要求6所述的方法，其特征在于，所述充放电数据还包括辅助时间序列数据，所述辅助时间序列数据包括以下至少一项：电流的时间序列数据、电芯温度的时间序列
数据、油门踏板开度的时间序列数据、刹车踏板开度的时间序列数据、驾驶室温度的时间序列数据。8.根据权利要求1-7任一项所述的方法，其特征在于，所述电池安全检测模型的生成方式，包括：获取所述第一样本集；使用所述第一样本集训练对抗生成网络，以使所述对抗生成网络学习充放电数据对应的目标分布数据；根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型。9.根据权利要求8所述的方法，其特征在于，所述根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型，包括：将所述训练后的对抗生成网络中的鉴别器模型作为所述电池安全检测模型。10.根据权利要求8所述的方法，其特征在于，所述根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型，包括：使用所述训练后的对抗生成网络中的生成器模型生成初始样本；使用所述训练后的对抗生成网络中的生成器模型，将所述初始样本划分为正样本和负样本；根据所述正样本和所述负样本数据，生成第二样本集；使用所述第二样本集对后验分类器模型进行训练，以生成所述电池安全检测模型。11.一种电池安全检测模型的生成方法，其特征在于，所述方法包括：获取第一样本集，所述第一样本集包括待检测电池的相同型号的电池的各个电芯的历史充放电数据；使用所述第一样本集训练对抗生成网络，以使所述对抗生成网络学习充放电数据对应的目标分布数据；根据训练后的对抗生成网络中的生成器模型和/或鉴别器模型，生成所述电池安全检测模型，所述生成器用于根据所述目标分布数据生成充放电数据的初始样本，所述鉴别器模型用于确定充放电数据与所述目标分布数据的离群度。12.一种电池安全的检测装置，其特征在于，所述装置包括：第一获取模块，用于获取待检测电池的各个电芯的充放电数据；检测模块，用于将所述各个电芯的充放电数据输入电池安全检测模型中，并获取所述电池安全检测模型输出的所述各个电芯的安全检测信息，所述电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，所述第一样本集中包括所述待检测电池的相同型号的电池的各个电芯的历史充放电数据；确定模块，用于根据所述各个电芯的安全检测信息，确定所述各个电芯的安全检测结果。13.一种电池安全检测模型的生成装置，其特征在于，所述装置包括：第二获取模块，用于获取第一样本集，所述第一样本集包括待检测电池的相同型号的电池的各个电芯的历史充放电数据；学习模块，用于使用所述第一样本集训练对抗生成网络，学习充放电数据对应的目标
分布数据，以生成生成器模型和鉴别器模型，所述生成器用于根据所述目标分布数据生成充放电数据的初始样本，所述鉴别器模型用于确定充放电数据与所述目标分布数据的离群度；生成模块，用于根据所述生成器模型和/或所述鉴别器模型，生成所述电池安全检测模型。14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。16.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。

技术总结
本申请涉及一种电池安全的检测方法及电池安全检测模型的生成方法。方法包括：获取待检测电池的各个电芯的充放电数据；将各个电芯的充放电数据输入电池安全检测模型中，并获取电池安全检测模型输出的各个电芯的安全检测信息，电池安全检测模型是通过学习第一样本集确定充放电数据对应的目标分布数据后生成的，目标分布数据为状态正常的电芯的充放电数据对应的分布数据，第一样本集中包括待检测电池的相同型号的电池的各个电芯的历史充放电数据；根据各个电芯的安全检测信息，确定各个电芯的安全检测结果。通过该方式，可以提高电池安全的检测的精确度。安全的检测的精确度。安全的检测的精确度。


技术研发人员：忻斌健
受保护的技术使用者：上海前晨汽车科技有限公司
技术研发日：2023.06.06
技术公布日：2023/8/14