一种异常数据检测方法、装置、电子设备以及存储介质与流程

1.本发明实施例涉及汽车技术领域，具体涉及一种异常数据检测方法、装置、电子设备以及存储介质。


背景技术：

2.随着电动汽车行业迅速发展，电动汽车的保有量越来越高，电池系统作为电动汽车的重要部分，其安全性尤为重要。对于电池系统来说，电池的电压数据、温度数据作为直接反应电池运行状态的指标，对其研究和分类预警显得尤为重要。
3.目前电池异常情况的检测主要以电池电压、电池温度随时间或电池荷电状态的变化率为标准，随后再通过设置固定阈值，例如在电池电压或电池温度与固定阈值的比较确定电池是否异常。
4.但在车辆运行过程中，车辆工况、外界温度、热管理状态均会导致电池电压、电池温度存在波动。而实际行车过程中电池电压和电池温度数据的波动往往有一定相关性。仅通过对电池电压或电池温度与固定阈值的比较确定电池是否异常，有可能出现电池异常的漏检。即，现有的各参数单独检测可能无法检测出部分异常电池，检测结果不准确。此外，现有的检测方式对电池电压、电池温度变化率需要进行秒级的计算，对系统的运算能力要求高。


技术实现要素：

5.为了解决现有技术存在的至少一个问题，本公开的至少一个实施例提供了一种异常数据检测方法、装置、电子设备以及存储介质。
6.第一方面，本发明实施例提出一种异常数据检测方法，包括：
7.实时获取车辆发送的电池二维数据；其中，所述电池二维数据包括具有内在关联的两个电池参数数据；
8.将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果；
9.根据所述预测结果，确定所述电池二维数据是否异常。
10.可选的，所述无监督学习模型包括单分类支持向量机模型。
11.可选的，所述将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果，包括：
12.将所述电池二维数据输入所述单分类支持向量机模型，获取所述电池二维数据与所述单分类支持向量机模型的超球体中心点之间的距离；
13.根据所述电池二维数据与所述单分类支持向量机模型的超球体中心点之间的距离与超球体半径的比较结果输出预测结果；
14.所述根据所述预测结果，确定所述电池二维数据是否异常，包括：
15.在所述预测结果为所述电池二维数据与所述单分类支持向量机模型的超球体中
心点之间的距离大于超球体半径时，将所述电池二维数据确定为异常数据。
16.可选的，所述电池二维数据包括电池电压和电池温度二维数据、电池电流和电池温度二维数据、电池荷电状态和电池温度二维数据，或电池电流和电池荷电状态二维数据中的至少一种。
17.可选的，在获取预先训练的无监督学习模型之前，还包括：
18.根据历史电池二维数据训练生成所述无监督学习模型。
19.可选的，所述根据历史电池二维数据训练生成所述无监督学习模型，包括：
20.获取历史电池数据，所述历史电池数据包括历史电池第一参数数据以及历史电池第二参数数据；
21.对所述历史电池数据进行数据清洗；
22.将数据清洗后的历史电池数据的历史电池第一参数数据和历史电池第二参数数据组合生成历史电池二维数据；
23.将所述历史电池二维数据分为训练集以及验证集；
24.通过所述训练集训练，通过所述验证集验证，以迭代优化所述无监督学习模型。
25.可选的，在通过所述训练集训练，通过所述验证集验证，以迭代优化所述无监督学习模型之后，还包括：
26.获取多个预设异常电池二维数据，并输入所述无监督学习模型，若所述无监督学习模型的输出准确率大于预设值，则将其确定为最优无监督学习模型。
27.可选的，若采用所述无监督学习模型对所述电池二维数据进行异常数据检测的结果为异常，则向车辆端发送异常预警信息。
28.第二方面，本发明实施例提出一种异常数据检测方法，包括：
29.实时监测电池二维数据；其中，所述电池二维数据包括具有内在关联的两个电池参数数据；
30.将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果；
31.根据所述预测结果，确定所述电池二维数据是否异常。
32.可选的，若确定所述电池二维数据异常，则向服务器发送所述电池二维数据，和/或，生成异常预警信息。
33.第三方面，本发明实施例提出一种异常数据检测装置，包括：
34.第一获取模块，用于实时获取车辆发送的电池二维数据；
35.第一预测模块，用于将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果；
36.第一异常判断模块，用于根据所述预测结果，确定所述电池二维数据是否异常；
37.其中，所述电池二维数据包括具有内在关联的两个电池参数数据。
38.第四方面，本发明实施例提出一种异常数据检测装置，包括：
39.第二获取模块；用于实时监测电池二维数据；
40.第二预测模块，用于将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果；
41.第二异常判断模块，用于根据所述预测结果，确定所述电池二维数据是否异常；
42.其中，所述电池二维数据包括具有内在关联的两个电池参数数据。
43.第五方面，本发明实施例提出一种电子设备，包括：一个或多个处理器，以及存储装置；
44.存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面任意实施例所述的异常数据检测方法，或者实现如第二方面任意实施例所述的异常数据检测方法。
45.第六方面，本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由处理器执行时用于实现如第一方面任意实施例所述的异常数据检测方法，或者如第二方面任意实施例所述的异常数据检测方法。
46.可见，本公开的至少一个实施例中，通过实时获取车辆端发送的电池二维数据，将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果，根据所述预测结果，确定所述电池二维数据是否异常。其中，电池二维数据包括具有内在关联的两个电池参数数据。本公开采用无监督学习模型对电池二维数据进行异常数据检测，可以实现对电动汽车中的电池自动实时监督。由于电池二维数据包括具有内在关联的两个电池参数数据，因此可以更贴近电池的真实情况，提高检测准确性。此外，无监督学习模型已预先训练，因此对于硬件结构的运算能力要求低。
附图说明
47.为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
48.图1为本发明实施例提供的异常数据检测方法的流程示意图；
49.图2为本发明实施例提供的一种无监督学习模型的训练过程示意图；
50.图3为历史电池二维数据分布图；
51.图4为one-class-svm机器学习无监督模型筛选数据分布图；
52.图5为本发明实施例提供的又一种异常数据检测方法的流程示意图；
53.图6为本发明实施例提供的一种异常数据检测装置的结构框图；
54.图7为本发明实施例提供的一种异常数据检测装置的结构框图；
55.图8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
56.为了能够更清楚地理解本公开的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。基于所描述的本公开的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。
57.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
58.随着电动汽车行业迅速发展，电动汽车的保有量越来越高，电池系统作为电动汽车的重要部分，其安全性尤为重要。对于电池系统来说，电池的电压数据、温度数据作为直接反应电池运行状态的指标，对其研究和分类预警显得尤为重要。在车辆运行过程中，车辆工况、外界温度、热管理状态均会导致电池电压、电池温度存在波动。而实际行车过程中电池电压和电池温度数据的波动往往有一定相关性。但现有对目前电池异常情况的检测主要以电池电压、电池温度随时间或电池荷电状态的变化率为标准，随后再通过设置固定阈值，例如在电池电压或电池温度与固定阈值的比较确定电池是否异常。这种各参数拆开检测可能无法检测出部分异常电池，检测结果不准确，并且现有的检测方式对硬件的运算能力要求高。
59.鉴于以上所述现有技术的缺点，本发明实施例提供一种异常数据检测方法。在详细介绍本公开的具体实施方式之前，首先对本公开的应用场景进行以下说明，本公开可以应用于电动车辆，该电动车辆可以是自动驾驶车辆，也可以是非自动驾驶车辆。本发明实施例提供的异常数据检测方法的方案，可应用于电动车辆的行驶过程中或者充电过程中的实时检测。
60.图1为本发明实施例提供的异常数据检测方法的流程示意图。本发明实施例提供的异常数据检测方法的执行主体为服务端，例如云端服务器。如图1所示，异常数据检测方法包括s110至s130：
61.s110、实时获取车辆发送的电池二维数据。
62.在车辆行驶过程中或者充电过程中，车辆端可以实时将电池二维数据发送至服务端。其中，电池二维数据包括具有内在关联的两个电池参数数据。例如电池二维数据包括电池电压和电池温度二维数据。电池电压和电池温度之间存在内在关联。行车过程中电池电压和电池温度的波动往往有一定相关性。电池电压数据以及电池温度均可以分别反映出电池的运行状态。但由于电池电压和电池温度之间存在内在关联，有时电池电压数据以及电池温度都在电池的正常工作参数标准范围内时，电池也有可能出现运行故障。
63.s120、将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果。
64.s130、根据所述预测结果，确定电池是否异常。
65.其中，无监督学习模型是指训练数据是无标签的学习模型，无监督学习模型可以在一堆数据中不断挖掘并寻找数据之间的关系，不需要通过选取自变量预测因变量。因此，无监督学习模型可以发现数据内在联系，根据类别未知的训练样本解决模式识别中的各种问题。
66.本公开实施例将训练好的无监督学习模型部署在服务端，在进行异常数据检测时，服务端实时调取预先训练的无监督学习模型，将电池二维数据输入预先训练的无监督学习模型，无监督学习模型可输出的预测结果，服务端然后根据预测结果，确定电池二维数据是否异常。相比于现有技术仅通过一维电池数据与固定阈值的比较确定电池是否异常的方式，本公开实施例由于可以对具有内在关联的两个电池参数数据进行异常数据检测，因此可以避免电池各参数单独检测导致电池异常漏检的问题。由于车辆电池的正常数据相对容易得到，人工标注异常数据将会花费大量的人工成本，并且车辆电池的各参数之间的内在关联很难适用特征函数进行描述，因此本发明实施例将电池二维数据输入预先训练的无
监督学习模型，得到无监督学习模型输出的预测结果，进而根据预测结果确定电池否异常，可以避免监督学习模型预测导致人工成本高以及监督学习训练合适特征函数较为困难的问题。并且相比于现有常规无监督学习模型直接采用高维数据或者进行降维映射处理，本公开实施例直接选用具有内在关联的两个电池参数数据作为输入，能够减小运算复杂度，且更贴近真实电池性能。
67.在一个实施例中，可选的，无监督学习模型例如可以包括单分类支持向量机模型，即one-class-svm机器学习无监督模型。one-class-svm机器学习无监督模型不需要标记训练集的输出标签，没有类别标签。其通过寻找一个超球体将样本中的正例圈出来，采用该超球体做决策，超球体圈内的样本即为正样本。one-class-svm机器学习无监督模型只关注与样本的相似或者匹配程度，对于未知的部分不妄下结论，因此对于本发明实施例中具有内在关联的两个电池参数数据的电池二维数据的自动异常检测可以具有准确的判断。
68.在一个实施例中，可选的，若无监督学习模型为单分类支持向量机模型，那么s120将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果，包括：
69.将所述电池二维数据输入所述单分类支持向量机模型，获取所述电池二维数据与所述单分类支持向量机模型的超球体中心点之间的距离；
70.根据所述电池二维数据与所述单分类支持向量机模型的超球体中心点之间的距离与超球体半径的比较结果输出预测结果。
71.相应的，s130根据所述预测结果，确定所述电池二维数据是否异常，包括：在所述预测结果为所述电池二维数据与所述单分类支持向量机模型的超球体中心点之间的距离大于超球体半径时，将所述电池二维数据确定为异常数据。
72.单分类支持向量机模型训练好之后，超球体的中心点以及超球体的半径为已知。假单分类支持向量机模型的超球体中心点为o，超球体半径为r，那么可以根据电池二维数据与单分类支持向量机模型的超球体中心点之间的距离与超球体半径r的比较结果输出预测结果。例如电池二维数据与单分类支持向量机模型的超球体中心点之间的距离小于等于超球体半径r，则输出预测结果为+1，电池二维数据与单分类支持向量机模型的超球体中心点之间的距离大于等于超球体半径r，则输出预测结果为-1。若输入的电池二维数据与超球体中心点之间的距离大于超球体半径，说明电池二维数据位于超球体圈外，那么将电池二维数据确定为异常数据。
73.在一个实施例中，可选的，电池二维数据包括电池电压和电池温度二维数据、电池电流和电池温度二维数据、电池荷电状态和电池温度二维数据，或电池电流和电池荷电状态二维数据。
74.电池参数数据中，电池电压和电池温度具有内在关联、电池电流和电池温度具有内在关联、电池荷电状态和电池温度具有内在关联、电池电流和电池荷电状态具有内在关联，因此在对电池异常数据检测时，可以设置，电池二维数据包括电池电压和电池温度二维数据、电池电流和电池温度二维数据、电池荷电状态和电池温度二维数据，或电池电流和电池荷电状态二维数据中的至少一种。
75.在一个实施例中，可选的，在获取预先训练的无监督学习模型之前，还包括：根据历史电池二维数据训练生成所述无监督学习模型。
76.利用车辆行驶过程中或者充电过程中产生的历史电池二维数据进行无监督学习模型的训练。历史电池二维数据同样也包括具有内在关联的两个电池参数数据，例如包括电池电压和电池温度二维数据、电池电流和电池温度二维数据、电池荷电状态和电池温度二维数据，或电池电流和电池荷电状态二维数据中的至少一种。
77.在一个实施例中，可选的，图2为本发明实施例提供的一种无监督学习模型的训练过程示意图。如图2所示，即根据历史电池二维数据训练生成所述无监督学习模型，包括：
78.s210、获取历史电池数据，所述历史电池数据包括历史电池第一参数数据以及历史电池第二参数数据。
79.例如可以采用服务器中存储的车辆在行使过程中或者充电过程中产生的历史电池数据。历史电池数据包括历史电池第一参数数据以及历史电池第二参数数据。历史电池第一参数数据以及历史电池第二参数数据具有内在关联。历史电池第一参数数据例如可以是历史电池电压数据，历史电池第二参数数据例如可以是历史电池温度数据。
80.s220、对所述历史电池数据进行数据清洗。
81.对历史电池数据进行数据清洗例如包括对空值数据、重复数据的剔除等操作。可选的，例如若使用行车过程中某一时刻电池电芯单体电压数据和对应电池单体温度数据，若电动汽车的设计是多个电芯共用一个温度传感器，那么需要对获取的温度传感器获取的温度数据进行拆分。即将共用一个温度传感器的多个电芯，赋予该温度传感器采集的温度数据。若采集的温度数据以及电压数据为行存储，那么可以根据需要进行行列转换，以便后续的模型训练的数据输入。
82.s230、将数据清洗后的历史电池数据的历史电池第一参数数据和历史电池第二参数数据组合生成历史电池二维数据。
83.该步骤将数据清洗后的历史电池数据的历史电池第一参数数据和历史电池第二参数数据组合生成历史电池二维数据，转成后续模型训练需要的数组格式，例如转成numpy数组格式。
84.s240、将所述历史电池二维数据分为训练集以及验证集。
85.可以将历史电池二维数据分为训练集以及验证集，本实施例对数据拆分比例不做具体限定，例如训练集与验证集的数据比例为7：3。训练集用于进行模型训练，验证集用于验证迭代优化模型。
86.s250、通过所述训练集训练，通过所述验证集验证，以迭代优化所述无监督学习模型。
87.将训练集样本输入模型后，对模型的各参数进行设置，需要调节设置的模型参数，例如包括训练中异常点比例nu、核函数kernel、核函数γ参数gamma，并通过验证集进行验证，通过不断得改变异常点比例nu、核函数kernel、核函数γ参数gamma训练，迭代优化得到无监督学习模型。
88.可选的，在进行模型训练时，可以建立以python为编程语言的脚本文件，同时引入numpy、matplotlib、sklearn软件包，进行模型训练过程中的数据处理。例如在模型训练后，可以使用matplotlib内置作图模块，对one-class-svm机器学习无监督模型效果进行查看。图3为历史电池二维数据分布图，图4为one-class-svm机器学习无监督模型筛选数据分布图。从图4中可以看出，one-class-svm机器学习无监督模型能够通过对异常点进行二分类，
即区分出是异常数据点还是正常数据点，从而完成具有内在关联的两个电池参数数据的异常数据筛选。其中，图3中横坐标表示电池电压，纵坐标表示电池温度。
89.在一个实施例中，可选的，在通过所述训练集训练，通过所述验证集验证，以迭代优化所述无监督学习模型之后，还可以包括：
90.获取多个预设异常电池二维数据，并输入所述无监督学习模型，若所述无监督学习模型的输出准确率大于预设值，则将其确定为最优无监督学习模型。
91.例如可以使用numpy软件包中的随机函数，创建产生多个预设异常车辆二维数据，用来检测模型的检出能力。若无监督学习模型的输出准确率大于预设值，则将其确定为最优无监督学习模型，否则继续通过上述训练集以及集验证，训练调试模型参数，迭代优化无监督学习模型。
92.下面通过一个具体实例对单分类支持向量机模型的训练过程进行详细说明。
93.以下为单分类支持向量机模型训练的部分代码：
94.clf.fit(x_train)对训练集的样本数据进行训练；
95.y_pred_train＝clf.predict(x_train)用训练集带入模型得到训练集的预测值
96.y_pred_test＝clf.predict(x_test)用测试集带入模型得到测试集的预测值
97.y_pred_outliers＝clf.predict(x_outliers)向模型中输入异常点得到预测值
98.n_error_train＝y_pred_train[y_pred_train＝＝-1].size训练集预测值的异常数量
[0099]
n_error_test＝y_pred_test[y_pred_test＝＝-1].size验证集预测值的异常数量
[0100]
n_error_outlier＝y_pred_outliers[y_pred_outliers＝＝-1].size人工输入异常点中预测值的异常数量
[0101]
其中，train表示训练集，test表示预测集。
[0102]
clf.fit(x_train)表示根据训练样本、异常点比例nu以及核函数γ参数gamma探测超球体的边界。
[0103]
y_pred_train＝clf.predict(x_train)表示用训练集带入单分类支持向量机模型得到训练集的预测值。
[0104]
y_pred_test＝clf.predict(x_test)表示用测试集带入单分类支持向量机模型得到测试集的预测值。
[0105]
y_pred_outliers＝clf.predict(x_outliers)表示向单分类支持向量机模型中输入异常点得到预测值。
[0106]
n_error_train＝y_pred_train[y_pred_train＝＝-1].size表示训练集对应预测值的异常数量。
[0107]
n_error_test＝y_pred_test[y_pred_test＝＝-1].size表示验证集对应预测值的异常数量。
[0108]
n_error_outlier＝y_pred_outliers[y_pred_outliers＝＝-1].size表示人工输入预设异常车辆二维数据对应预测值的异常数量。
[0109]
在一个实施例中，可选的，若采用无监督学习模型对电池二维数据进行异常数据检测的结果为异常，则向车辆端发送异常预警信息。
[0110]
若服务端通过用无监督学习模型对电池二维数据进行异常数据检测的结果为异常，那么说明此时电池有可能出现异常，因此向车辆端发送异常预警信息，以提示车辆端用户。车辆端用户可以选择在通过其它数据源方式进行验证，也可以直接去维修点监测维修，避免电池在异常情况下继续运行，导致电池或者车辆其他部件的损伤。
[0111]
本发明实施例提供的异常数据检测方法还可以在车辆端执行，即将具有检测异常数据的装置部署在车辆端。图5为本发明实施例提供的又一种异常数据检测方法的流程示意图。本发明实施例提供的异常数据检测方法的执行主体为车辆端。如图5所示，异常数据检测方法包括s310至s330：
[0112]
s310、实时监测电池二维数据。
[0113]
在车辆行驶过程中或者充电过程中，例如可以通过各传感器实时监测电池二维数据。其中，电池二维数据包括具有内在关联的两个电池参数数据。例如电池电压和电池温度之间存在内在关联。行车过程中电池电压和电池温度的波动往往有一定相关性。
[0114]
s320、将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果。
[0115]
本发明实施例可以预先训练无监督学习模型，将训练好的无监督学习模型部署在车辆端。在进行异常数据检测时，车端实时调取预先训练的无监督学习模型。无监督学习模型可以在一堆数据中不断挖掘并寻找数据之间的关系，不需要通过选取自变量预测因变量。因此，无监督学习模型可以发现数据内在联系，根据类别未知的训练样本解决模式识别中的各种问题。对于本公开中包括具有内在关联的两个电池参数数据的电池二维数据可以实现很好的异常数据的分类。
[0116]
s330、根据所述预测结果，确定所述电池二维数据是否异常。
[0117]
本发明实施例通过将训练好的无监督学习模型部署在车辆端，在进行异常数据检测时，车辆端实时调取预先训练的无监督学习模型，将电池二维数据输入预先训练的无监督学习模型，无监督学习模型可输出的预测结果，车辆端然后根据预测结果，确定电池二维数据是否异常。相比于现有技术仅通过一维电池数据与固定阈值的比较确定电池是否异常的方式，本公开实施例由于可以对具有内在关联的两个电池参数数据进行异常数据检测，因此可以避免电池各参数单独检测导致电池异常漏检的问题。由于车辆电池的正常数据相对容易得到，人工标注异常数据将会花费大量的人工成本，并且车辆电池的各参数之间的内在关联很难适用特征函数进行描述，因此本发明实施例将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果，进而根据预测结果确定电池否异常，可以避免监督学习模型预测导致人工成本高以及监督学习训练合适特征函数较为困难的问题。并且相比于现有常规无监督学习模型直接采用高维数据或者进行降维映射处理，本公开实施例直接选用具有内在关联的两个电池参数数据作为输入，能够减小运算复杂度，且更贴近真实电池性能。此外，无监督学习模型已预先训练，因此对于硬件结构的运算能力要求低。
[0118]
可选的，本发明实施例中无监督学习模型同样也可以包括单分类支持向量机模型。
[0119]
可选的，本发明实施例中电池二维数据可以包括电池电压和电池温度二维数据、电池电流和电池温度二维数据、电池荷电状态和电池温度二维数据，或电池电流和电池荷
电状态二维数据中的至少一种。
[0120]
可选的，本发明实施例中在获取预先训练的无监督学习模型之前，还包括：根据历史电池二维数据训练生成所述无监督学习模型。
[0121]
可选的，本发明实施例中根据历史电池二维数据训练生成所述无监督学习模型，包括：
[0122]
获取历史电池数据，所述历史电池数据包括历史电池第一参数数据以及历史电池第二参数数据；所述历史电池第一参数数据以及历史电池第二参数数据具有内在关联；
[0123]
对所述历史电池数据进行数据清洗；
[0124]
将数据清洗后的历史电池数据的历史电池第一参数数据和历史电池第二参数数据组合生成历史电池二维数据；
[0125]
将所述历史电池二维数据分为训练集以及验证集；
[0126]
通过所述训练集训练，通过所述验证集验证，以迭代优化所述无监督学习模型。
[0127]
可选的，本发明实施例中在通过所述训练集训练，通过所述验证集验证，以迭代优化所述无监督学习模型之后，还包括：
[0128]
获取多个预设异常电池二维数据，并输入所述无监督学习模型，若所述无监督学习模型的输出准确率大于预设值，则将其确定为最优无监督学习模型。
[0129]
可选的，若确定所述电池二维数据异常，则向服务器发送该异常数据，和/或，生成异常预警信息。
[0130]
车辆端采用无监督学习模型对实时监测的电池二维数据进行异常数据检测的结果为异常，那么可以向服务器发送该异常数据，以便服务器进行统计分析确定电池异常类型，或者在本地生成异常预警信息，以提示本地驾驶员。
[0131]
本发明实施例还提供一种异常数据检测装置，该异常数据检测装置可以配置在服务端。图6为本发明实施例提供的一种异常数据检测装置的结构框图，包括第一获取模块11、第一预测模块12和第一异常判断模块13。
[0132]
其中，第一获取模块11用于实时获取车辆发送的电池二维数据。第一预测模块12用于将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果。第一异常判断模块13用于根据所述预测结果，确定所述电池二维数据是否异常。其中，电池二维数据包括具有内在关联的两个电池参数数据。
[0133]
需要说明的是，前述对应用于部署在服务端的异常数据检测方法实施例的解释说明也适用于本实施例的异常数据检测装置。关于异常数据检测装置实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0134]
本发明实施例还提供又一种异常数据检测装置，该异常数据检测装置可以配置在服务端。图7为本发明实施例提供的一种异常数据检测装置的结构框图，包括第二获取模块21、第二预测模块22和第二异常判断模块23。
[0135]
其中，第二获取模块21用于实时监测电池二维数据。第二预测模块22用于将电池二维数据输入预先训练的无监督学习模型，得到无监督学习模型输出的预测结果。第二异常判断模块23用于根据所述预测结果，确定所述电池二维数据是否异常。其中，电池二维数据包括具有内在关联的两个电池参数数据。
[0136]
需要说明的是，前述对应用于部署在车辆端的异常数据检测方法实施例的解释说明也适用于本实施例的异常数据检测装置。关于异常数据检测装置实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0137]
本发明实施例还提供一种电子设备，包括一个或多个处理器，以及存储装置。存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现应用于服务端的任意实施例所述的异常数据检测方法，或者实现应用于车辆端任意实施例所述的异常数据检测方法。
[0138]
图8为本发明实施例提供的一种电子设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性电子设备的框图。图8显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0139]
如图8所示，电子设备的组件可以包括但不限于：一个或者多个处理器或者处理器31，存储器32，连接不同系统组件的总线33。可选的，该电子设备还可以包括输入/输出(i/o)接口34，以及通信组件35中的一者或多者。
[0140]
总线33表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0141]
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0142]
存储器32可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线33相连。存储器32可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0143]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由处理器执行时用于实现应用于服务端的任意实施例所述的异常数据检测方法，或者实现应用于车辆端任意实施例所述的异常数据检测方法。
[0144]
在上述各实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。
[0145]
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、闪存或光存储器等。易失性存储器可包括随机存
取存储器(random access memory，ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，比如静态随机存取存储器(static random access memory，sram)和动态随机存取存储器(dynamic random access memory，dram)等。
[0146]
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。
[0147]
以上所述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发明专利范围的限制。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，本技术专利的保护范围应以所附权利要求为准。