[发明专利]一种充电异常确定方法和装置

权利要求书

1.一种充电异常确定方法，其特征在于，所述方法包括：

获取多个电池柜中充电的电池上传的心跳数据；

将所述心跳数据转换为深度神经网络可接受的输入数据；

将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

对所述输出特征进行孤立森林，得到心跳异常值；

统计在第一预定时间周期中的心跳异常值；

将在第一预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障；

统计在第二预定时间周期中的心跳异常值，其中，所述第二预定时间周期大于第一预定时间周期；

在同一格口中电池已经更改，但格口仍被确定为心跳异常值，则确定格口充电异常；

在同一电池在不同格口中，都被确定为心跳异常值，则确定电池充电异常；

其中，所述心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据包括以下至少之一：电压、电流、温度、电量，第一类别特征数据包括以下至少之一：城市、 经纬度、电柜号、格口号、电池号。

2.根据权利要求1所述的方法，其特征在于，将所述心跳数据转换为深度神经网络可接受的输入数据，包括：

对第一数值特征数据做哈希编码，得到哈希结果数据；

对所述哈希结果数据进行分桶处理，得到第二类别特征数据；

对所述第一类别特征数据和所述第二类别特征数据进行交叉，得到交叉结果数据；

对所述交叉结果数据进行分桶，得到训练特征数据。

3.根据权利要求2所述的方法，其特征在于，在对所述交叉结果数据进行分桶，得到训练特征数据之后，还包括：

对所述训练特征数据进行onehot编码；

对onehot编码后的数据，进行特征embedding，得到深度神经网络可接受的输入数据。

4.根据权利要求1所述的方法，其特征在于，所述深度神经网络为BiLSTM，将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征，包括：

将所述可接受的输入数据输入第一层LSTM，得到第一层输出；

将所述可接受的输入数据和所述第一层输出，输入第二层LSTM，得到第二层输出；

将第二层输出输入第三层LSTM，得到输出特征。

5.根据权利要求1所述的方法，其特征在于，对所述输出特征进行孤立森林，得到心跳异常值，包括：

获取用户输入的异常值比例；

对所述输出特征进行孤立森林，输出满足所述异常值比例的心跳异常值。

6.一种充电异常确定装置，其特征在于，包括：

获取模块，用于获取多个电池柜中充电的电池上传的心跳数据；

转换模块，用于将所述心跳数据转换为深度神经网络可接受的输入数据；

输入模块，用于将所述可接受的输入数据输入深度神经网络中，进行特征提取，得到输出特征；

确定模块，用于对所述输出特征进行孤立森林，得到心跳异常值；

统计在第一预定时间周期中的心跳异常值；

将在第一预定时间周期中，同一充电柜中同一格口中大于等于两次属于心跳异常值的格口及格口中的电池确定为电池充电故障；

统计在第二预定时间周期中的心跳异常值，其中，所述第二预定时间周期大于第一预定时间周期；

在同一格口中电池已经更改，但格口仍被确定为心跳异常值，则确定格口充电异常；

在同一电池在不同格口中，都被确定为心跳异常值，则确定电池充电异常；

其中，所述心跳数据包括：第一数值特征数据和第一类别特征数据，其中，第一数值特征数据包括以下至少之一：电压、电流、温度、电量，第一类别特征数据包括以下至少之一：城市、 经纬度、电柜号、格口号、电池号。