本公開涉及區(qū)塊鏈，具體地，涉及一種電動汽車充電狀態(tài)監(jiān)測方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著電動汽車的普及，對電動汽車充電狀態(tài)的監(jiān)測和安全預(yù)警需求日益增加。充電狀態(tài)的監(jiān)測對于保障電池性能、延長電池壽命以及提高充電效率至關(guān)重要。并且，電動汽車充電過程中可能出現(xiàn)的安全隱患，例如過度充電、過度放電、及溫度異常等問題，對電動汽車的電池和整車的安全性構(gòu)成威脅。因此，開發(fā)一種有效的充電狀態(tài)監(jiān)測與安全預(yù)警方法對于推動電動汽車技術(shù)的發(fā)展和保障用戶安全至關(guān)重要。

2、在傳統(tǒng)的充電狀態(tài)監(jiān)測方法中，通常使用傳感器等硬件設(shè)備來獲取車輛和電池的實時數(shù)據(jù)。然而，電動汽車充電的數(shù)據(jù)分布廣泛，不同制造商的車輛和不同充電樁運營商的設(shè)備往往具有不同的特性和使用模式，在此基礎(chǔ)上訓(xùn)練得到的監(jiān)測模型存在不全面、不可靠的問題。

技術(shù)實現(xiàn)思路

1、本公開的目的是提供一種電動汽車充電狀態(tài)監(jiān)測方法、裝置、設(shè)備及介質(zhì)，提高了電動汽車充電狀態(tài)監(jiān)測的準(zhǔn)確性。

2、為了實現(xiàn)上述目的，根據(jù)本公開實施例的第一方面，提供一種電動汽車充電狀態(tài)監(jiān)測方法，應(yīng)用于區(qū)塊鏈網(wǎng)絡(luò)中的任一節(jié)點，所述區(qū)塊鏈網(wǎng)絡(luò)中存儲有全局模型參數(shù)，所述全局模型參數(shù)由所述區(qū)塊鏈網(wǎng)絡(luò)中各個節(jié)點根據(jù)歷史充電數(shù)據(jù)在本地訓(xùn)練得到的局部模型參數(shù)聚合得到；

3、所述電動汽車充電狀態(tài)監(jiān)測方法包括：

4、獲取所述電動汽車的充電數(shù)據(jù)；

5、從所述區(qū)塊鏈網(wǎng)絡(luò)中獲取所述全局模型參數(shù)，并確定所述全局模型參數(shù)對應(yīng)的目標(biāo)全局模型；

6、將所述充電數(shù)據(jù)輸入本地訓(xùn)練得到的局部模型，得到所述局部模型輸出的本地預(yù)測結(jié)果，以及將所述充電數(shù)據(jù)輸入所述目標(biāo)全局模型，得到所述目標(biāo)全局模型輸出的全局預(yù)測結(jié)果；

7、根據(jù)所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果之間偏差值的大小，確定所述電動汽車的充電狀態(tài)。

8、可選地，所述方法還包括：

9、確定所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果之間的標(biāo)準(zhǔn)偏差和平均絕對誤差；

10、確定所述標(biāo)準(zhǔn)偏差和所述平均絕對誤差之間的殘差偏差值，所述殘差偏差值作為所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果之間的偏差值；

11、所述根據(jù)所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果之間偏差值的大小，確定所述電動汽車的充電狀態(tài)，包括：

12、在所述殘差偏差值大于預(yù)設(shè)安全閾值的情況下，確定所述電動汽車的充電狀態(tài)異常。

13、可選地，所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果均有多個；針對多個所述本地預(yù)測結(jié)果和多個所述全局預(yù)測結(jié)果，計算得到的標(biāo)準(zhǔn)偏差和平均絕對誤差有多個；

14、所述確定所述標(biāo)準(zhǔn)偏差和所述平均絕對誤差之間的殘差偏差值，包括：

15、確定表征多個所述標(biāo)準(zhǔn)偏差和多個所述平均絕對誤差之間均值偏差的第一殘差偏差值；

16、基于所述第一殘差偏差值，確定表征多個所述標(biāo)準(zhǔn)偏差和多個所述平均絕對誤差之間的數(shù)據(jù)分布偏差的第二殘差偏差值；

17、所述根據(jù)所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果之間偏差值的大小，確定所述電動汽車的充電狀態(tài)，包括：

18、在所述第一殘差偏差值和所述第二殘差偏差值均大于預(yù)設(shè)安全閾值的情況下，確定所述電動汽車的充電狀態(tài)異常。

19、可選地，所述區(qū)塊鏈網(wǎng)絡(luò)中存儲的所述全局模型參數(shù)是密態(tài)全局模型參數(shù)，所述區(qū)塊鏈網(wǎng)絡(luò)中部署有第一智能合約，所述第一智能合約用于獲取所述密態(tài)全局模型參數(shù)對應(yīng)的目標(biāo)全局模型；所述密態(tài)全局模型參數(shù)是對所述區(qū)塊鏈網(wǎng)絡(luò)中各個節(jié)點在本地訓(xùn)練得到的局部模型參數(shù)添加了噪聲后得到的隱私局部模型參數(shù)進行密態(tài)聚合得到的；

20、所述從所述區(qū)塊鏈網(wǎng)絡(luò)中獲取所述全局模型參數(shù)，并確定所述全局模型參數(shù)對應(yīng)的目標(biāo)全局模型，包括：

21、調(diào)用所述第一智能合約，獲得所述區(qū)塊鏈網(wǎng)絡(luò)中存儲的密態(tài)全局模型參數(shù)對應(yīng)的目標(biāo)全局模型，所述目標(biāo)全局模型是對所述密態(tài)全局模型參數(shù)進行解密以及去除噪聲后獲得的。

22、可選地，所述區(qū)塊鏈網(wǎng)絡(luò)中存儲的所述全局模型參數(shù)是密態(tài)全局模型參數(shù)，所述密態(tài)全局模型參數(shù)是對所述區(qū)塊鏈網(wǎng)絡(luò)中各個節(jié)點在本地訓(xùn)練得到的局部模型參數(shù)添加了噪聲后得到的隱私局部模型參數(shù)進行密態(tài)聚合得到的，所述區(qū)塊鏈網(wǎng)絡(luò)中部署有第二智能合約，所述第二智能合約用于對所述隱私局部模型參數(shù)進行密態(tài)聚合；

23、所述方法還包括：

24、獲取所述電動汽車的歷史充電數(shù)據(jù)和所述歷史充電數(shù)據(jù)對應(yīng)的充電狀態(tài)標(biāo)簽；

25、從所述區(qū)塊鏈網(wǎng)絡(luò)中獲取所述全局模型參數(shù)，并將所述全局模型參數(shù)對應(yīng)的目標(biāo)全局模型作為待訓(xùn)練的局部模型；

26、根據(jù)所述歷史充電數(shù)據(jù)和所述充電狀態(tài)標(biāo)簽對所述待訓(xùn)練的局部模型進行迭代訓(xùn)練，并根據(jù)每次迭代訓(xùn)練結(jié)果調(diào)整所述待訓(xùn)練的局部模型的局部模型參數(shù)，直到滿足訓(xùn)練結(jié)束條件，得到訓(xùn)練完成的局部模型；

27、對所述訓(xùn)練完成的局部模型的局部模型參數(shù)添加噪聲，得到隱私局部模型參數(shù)；

28、調(diào)用所述第二智能合約，以將本地得到的所述隱私局部模型參數(shù)和所述區(qū)塊鏈網(wǎng)絡(luò)中其他節(jié)點訓(xùn)練得到的其他隱私局部模型參數(shù)進行密態(tài)聚合，得到密態(tài)全局模型參數(shù)；

29、其中，所述第二智能合約還用于將在所述區(qū)塊鏈網(wǎng)絡(luò)中達(dá)成共識的密態(tài)全局模型參數(shù)上鏈存儲。

30、可選地，所述待訓(xùn)練的局部模型包括待訓(xùn)練的卷積運算子模型和待訓(xùn)練的雙向循環(huán)門控單元子模型；

31、所述根據(jù)所述歷史充電數(shù)據(jù)和所述充電狀態(tài)標(biāo)簽對所述待訓(xùn)練的局部模型進行迭代訓(xùn)練，并根據(jù)每次迭代訓(xùn)練結(jié)果調(diào)整所述待訓(xùn)練的局部模型的局部模型參數(shù)，直到滿足訓(xùn)練結(jié)束條件，得到訓(xùn)練完成的局部模型，包括：

32、將所述歷史充電數(shù)據(jù)進行數(shù)據(jù)標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)充電數(shù)據(jù)；

33、將所述標(biāo)準(zhǔn)充電數(shù)據(jù)輸入所述待訓(xùn)練的卷積運算子模型，得到所述待訓(xùn)練的卷積運算子模型輸出的中間特征向量；

34、將所述中間特征向量輸入所述待訓(xùn)練的雙向循環(huán)門控單元子模型，得到所述待訓(xùn)練的雙向循環(huán)門控單元子模型輸出的充電狀態(tài)預(yù)測結(jié)果；

35、根據(jù)所述充電狀態(tài)預(yù)測結(jié)果和所述充電狀態(tài)標(biāo)簽計算損失值，并根據(jù)所述損失值調(diào)整所述待訓(xùn)練的卷積運算子模型的卷積訓(xùn)練參數(shù)和所述待訓(xùn)練的雙向循環(huán)門控單元子模型的門控訓(xùn)練參數(shù)；

36、返回執(zhí)行將所述標(biāo)準(zhǔn)充電數(shù)據(jù)輸入所述待訓(xùn)練的卷積運算子模型到計算損失值的步驟，直到滿足訓(xùn)練結(jié)束條件，得到訓(xùn)練完成的局部模型；

37、其中，所述訓(xùn)練完成的局部模型包括訓(xùn)練完成的卷積運算子模型和訓(xùn)練完成的雙向循環(huán)門控單元子模型，所述訓(xùn)練完成的局部模型的局部模型參數(shù)包括所述訓(xùn)練完成的卷積運算子模型的卷積訓(xùn)練參數(shù)和訓(xùn)練完成的雙向循環(huán)門控單元子模型的門控訓(xùn)練參數(shù)。

38、可選地，在對所述訓(xùn)練完成的局部模型的局部模型參數(shù)添加噪聲之前，所述方法還包括：

39、從所述區(qū)塊鏈網(wǎng)絡(luò)中獲取權(quán)重裁剪閾值；

40、根據(jù)所述權(quán)重裁剪閾值對所述訓(xùn)練完成的局部模型的局部訓(xùn)練參數(shù)進行權(quán)重裁剪。

41、根據(jù)本公開實施例的第二方面，提供一種電動汽車充電狀態(tài)監(jiān)測裝置，應(yīng)用于區(qū)塊鏈網(wǎng)絡(luò)中的任一節(jié)點，所述區(qū)塊鏈網(wǎng)絡(luò)中存儲有全局模型參數(shù)，所述全局模型參數(shù)由所述區(qū)塊鏈網(wǎng)絡(luò)中各個節(jié)點根據(jù)歷史充電數(shù)據(jù)在本地訓(xùn)練得到的局部模型參數(shù)聚合得到；

42、所述電動汽車充電狀態(tài)監(jiān)測裝置包括：

43、第一獲取模塊，用于獲取所述電動汽車的充電數(shù)據(jù)；

44、第二獲取模塊，用于從所述區(qū)塊鏈網(wǎng)絡(luò)中獲取所述全局模型參數(shù)，并確定所述全局模型參數(shù)對應(yīng)的目標(biāo)全局模型；

45、輸入模塊，用于將所述充電數(shù)據(jù)輸入本地訓(xùn)練得到的局部模型，得到所述局部模型輸出的本地預(yù)測結(jié)果，以及將所述充電數(shù)據(jù)輸入所述目標(biāo)全局模型，得到所述目標(biāo)全局模型輸出的全局預(yù)測結(jié)果；

46、第一確定模塊，用于根據(jù)所述本地預(yù)測結(jié)果和所述全局預(yù)測結(jié)果之間偏差值的大小，確定所述電動汽車的充電狀態(tài)。

47、根據(jù)本公開實施例的第三方面，提供一種非臨時性計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)上述第一方面中任一項所述方法的步驟。

48、根據(jù)本公開實施例的第四方面，提供一種電子設(shè)備，包括：

49、存儲器，其上存儲有計算機程序；

50、處理器，用于執(zhí)行所述存儲器中的所述計算機程序，以實現(xiàn)上述第一方面中任一項所述方法的步驟。

51、通過上述技術(shù)方案，在區(qū)塊鏈網(wǎng)絡(luò)中使用聯(lián)邦學(xué)習(xí)技術(shù)訓(xùn)練得到全局模型，全局模型參數(shù)由區(qū)塊鏈網(wǎng)絡(luò)中各個節(jié)點根據(jù)歷史充電數(shù)據(jù)在本地訓(xùn)練得到的局部模型參數(shù)聚合得到，由此融合了各種車型以及充電樁的共性特征。在此基礎(chǔ)上，通過融合了各種共性特征的全局模型參數(shù)對應(yīng)的目標(biāo)全局模型和節(jié)點本地訓(xùn)練得到的局部模型對電動汽車的充電數(shù)據(jù)進行預(yù)測，分別得到全局預(yù)測結(jié)果和本地預(yù)測結(jié)果，并結(jié)合兩者之間的偏差值來綜合確定電動汽車的充電狀態(tài)，可以確保監(jiān)測的準(zhǔn)確性。

52、這樣，無需針對各種車型以及充電樁特性單獨設(shè)計模型以及收集數(shù)據(jù)，降低了開發(fā)成本，并且可以基于區(qū)塊鏈可追溯、不可篡改的特性訓(xùn)練得到安全健壯的全局模型，從而在降低開發(fā)成本的基礎(chǔ)上提高電動汽車充電狀態(tài)監(jiān)測的準(zhǔn)確性，為電動汽車充電過程的安全和可靠性提供了有效的支持。

53、本公開的其他特征和優(yōu)點將在隨后的具體實施方式部分予以詳細(xì)說明。