本发明涉及新能源及节能，具体而言，涉及一种用于充电桩的异常检测方法、装置和非易失性存储介质。
背景技术：
1、随着黑客技术的发展，软件漏洞数量稳步增加目前，专家通过分析软件来发现漏洞。然而，分析软件和查找漏洞需要相当长的时间。为解决技术上对专家的依赖，降低漏洞检测成本，研究基于深度学习的方法去自动分析漏洞，最大限度地减少专家干预，成为软件漏洞检测的新趋势。
2、然而，现在的神经网络模型在训练时调参耗时长，且存在容易过拟合问题；同时，传统遗传算法容易陷入过早收敛和局部收敛性差的问题。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种用于充电桩的异常检测方法、装置和非易失性存储介质，以至少解决相关技术中神经网络模型训练时调参耗时长和容易过拟合的技术问题。
2、根据本发明实施例的一个方面，提供了一种用于充电桩的异常检测方法，包括：获取充电桩操作系统的异常运行数据，其中，异常运行数据表征充电桩操作系统运行过程中存在异常的数据，其中，数据包括以下至少之一：异常日志记录、网络状态和系统配置信息；将异常运行数据输入至初始神经网络模型中，得到初始神经网络模型的多组初始网络参数，其中，多组初始网络参数中任意一组网络参数包括多个参数类别对应的数据；基于多组初始网络参数和适应度函数，确定目标神经网络模型参数；基于目标神经网络模型参数和异常运行数据，调整初始神经网络模型的权重，得到目标神经网络模型，其中，目标神经网络模型用于检测充电桩操作系统中的异常数据。
3、可选地，将异常运行数据输入至初始神经网络模型中，得到初始神经网络模型的多组初始网络参数，其中，多组初始网络参数中任意一组网络参数包括多个参数类别对应的数据，包括：基于异常运行数据，提取包含异常信息的数据片段；在数据片段的长度大于预设固定长度的情况下，对数据片段进行切割，得到异常数据集；将异常数据集输入至初始神经网络模型中，得到初始神经网络模型的多组初始网络参数。
4、可选地，在数据片段的长度小于预设固定长度的情况下，包括：对数据片段进行填充，得到异常数据集。
5、可选地，基于多组初始网络参数和适应度函数，确定目标神经网络模型参数，包括：基于适应度函数，计算多组初始网络参数各自对应的多个参数类别对应的参数值的适应度；在多组初始网络参数中，基于多个参数类别各自对应的参数值中适应度最大的两个参数值，确定多个参数类别各自对应的新的参数值，得到第一网络参数；调整第一网络参数，得到第二网络参数；重复上述得到第二网络参数的操作，直至满足停止条件的情况下，停止调整，选择多个参数类别各自对应的适应度最大的网络参数作为目标神经网络模型参数。
6、可选地，在多组初始网络参数中，基于多个参数类别各自对应的参数值中适应度最大的两个参数值，确定多个参数类别各自对应的新的参数值，得到第一网络参数，包括：基于预设的第一调整操作概率函数，计算第一调整操作的发生概率；生成随机数；在随机数小于第一调整操作的发生概率的情况下，在多个参数类别各自对应的参数值中选择适应度最大的两个参数值进行第一调整操作，确定多个参数类别各自对应的新的参数值，得到第一网络参数。
7、可选地，在随机数不小于第一调整操作的发生概率的情况下，在多个参数类别各自对应的参数值中选择适应度最大的参数值作为多个参数类别各自对应的新的参数值，得到第一网络参数。
8、可选地，调整第一网络参数，得到第二网络参数，包括：基于预设的第二调整操作概率函数，计算第二调整操作的发生概率；生成随机数；在随机数小于所述第二调整操作的发生概率的情况下，对第一网络参数进行第二调整操作，得到第二网络参数。
9、可选地，在随机数不小于第二调整操作的发生概率的情况下，将第一网络参数作为第二网络参数。
10、可选地，获取充电桩操作系统中待检测运行数据；将待检测运行数据输入目标神经网络模型，得到检测结果，其中，检测结果表征充电桩操作系统是否运行异常。
11、根据本发明实施例的另一方面，还提供了一种用于充电桩的异常检测装置，包括：获取模块，用于获取充电桩操作系统的异常运行数据，其中，异常运行数据表征充电桩操作系统运行过程中存在异常的数据，其中，数据包括以下至少之一：异常日志记录、网络状态和系统配置信息；输入模块，用于将异常运行数据输入至初始神经网络模型中，得到初始神经网络模型的多组初始网络参数，其中，多组初始网络参数中任意一组网络参数包括多个参数类别对应的数据；确定模块，用于基于多组初始网络参数和适应度函数，确定目标神经网络模型参数；调整模块，用于基于目标神经网络模型参数和异常运行数据，调整初始神经网络模型的权重，得到目标神经网络模型，其中，目标神经网络模型用于检测充电桩操作系统中的异常数据。
12、根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项用于充电桩的异常检测方法。
13、根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项用于充电桩的异常检测方法。
14、根据本发明实施例的再一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述中任意一项用于充电桩的异常检测方法。
15、在本发明实施例中，采用用于充电桩的异常检测方法，通过获取充电桩操作系统的异常运行数据，其中，异常运行数据表征充电桩操作系统运行过程中存在异常的数据，其中，数据包括以下至少之一：异常日志记录、网络状态和系统配置信息；将异常运行数据输入至初始神经网络模型中，得到初始神经网络模型的多组初始网络参数，其中，多组初始网络参数中任意一组网络参数包括多个参数类别对应的数据；基于多组初始网络参数和适应度函数，确定目标神经网络模型参数；基于目标神经网络模型参数和异常运行数据，调整初始神经网络模型的权重，得到目标神经网络模型，其中，目标神经网络模型用于检测充电桩操作系统中的异常数据，达到了对神经网络模型的初始参数进行优化的目的，从而实现了提高模型的拟合能力、训练速度以及预测准确率的技术效果，进而解决了相关技术中神经网络模型训练时调参耗时长和容易过拟合的技术问题。
1.一种用于充电桩的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述异常运行数据输入至初始神经网络模型中，得到初始神经网络模型的多组初始网络参数，其中，所述多组初始网络参数中任意一组网络参数包括多个参数类别对应的数据，包括：
3.根据权利要求2所述的方法，其特征在于，在所述数据片段的长度小于预设固定长度的情况下，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述多组初始网络参数和适应度函数，确定目标神经网络模型参数，包括：
5.根据权利要求4所述的方法，其特征在于，所述在多组初始网络参数中，基于所述多个参数类别各自对应的参数值中所述适应度最大的两个参数值，确定所述多个参数类别各自对应的新的参数值，得到第一网络参数，包括：
6.根据权利要求5所述的方法，其特征在于，在所述随机数不小于所述第一调整操作的发生概率的情况下，在所述多个参数类别各自对应的参数值中选择适应度最大的参数值作为所述多个参数类别各自对应的新的参数值，得到所述第一网络参数。
7.根据权利要求4所述的方法，其特征在于，所述调整所述第一网络参数，得到第二网络参数，包括：
8.根据权利要求7所述的方法，其特征在于，在所述随机数不小于所述第二调整操作的发生概率的情况下，将所述第一网络参数作为所述第二网络参数。
9.根据权利要求1至8任一项所述的方法，其特征在于，包括：
10.一种用于充电桩的异常检测装置，其特征在于，包括：
11.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至9中任意一项所述用于充电桩的异常检测方法。
12.一种计算机设备，其特征在于，包括：存储器和处理器，
13.一种计算机程序产品，包括计算机程序，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9中任意一项所述用于充电桩的异常检测方法。
