一种异常数据检测方法、装置、电子设备以及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115837862A(43)申请公布日2023.03.24(21)申请号202111111850.5(22)申请日2021.09.18(71)申请人北京车和家信息技术有限公司地址101300北京市顺义区高丽营镇恒兴路4号院1幢103室（科技创新功能区）(72)发明人杨磊(74)专利代理机构北京开阳星知识产权代理有限公司11710专利代理师王艳斌(51)Int.Cl.B60L58/12(2019.01)B60L3/00(2019.01)G06F18/214(2023.01)G06F18/2411(2023.01)权利要求书2页说明书11页附图4页(54)发明名称一种异常数据检测方法、装置、电子设备以及存储介质(57)摘要本发明实施例涉及一种异常数据检测方法、装置、电子设备以及存储介质，方法包括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；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。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。CN115837862ACN115837862A权利要求书1/2页1.一种电池异常数据检测方法，其特征在于，包括：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；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。2.根据权利要求1所述的异常数据检测方法，其特征在于，所述无监督学习模型包括单分类支持向量机模型。3.根据权利要求2所述的异常数据检测方法，其特征在于，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：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；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；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：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。4.根据权利要求1所述的异常数据检测方法，其特征在于，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。5.根据权利要求1所述的异常数据检测方法，其特征在于，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。6.根据权利要求5所述的异常数据检测方法，其特征在于，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：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；对所述历史电池数据进行数据清洗；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；将所述历史电池二维数据分为训练集以及验证集；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。7.根据权利要求6所述的异常数据检测方法，其特征在于，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：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。8.一种异常数据检测方法，其特征在于，包括：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；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2CN115837862A权利要求书2/2页果；根据所述预测结果，确定所述电池二维数据是否异常。9.根据权利要求1所述的异常数据检测方法，其特征在于，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。10.一种异常数据检测装置，其特征在于，包括：第一获取模块，用于实时获取车辆发送的电池二维数据；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；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；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。11.一种异常数据检测装置