机器学习模型构建方法技术

本发明专利技术公开了一种机器学习模型构建方法

【技术实现步骤摘要】
机器学习模型构建方法、电池健康度预测方法以及装置


[0001]本申请涉及电池
、
新能源车辆
、
车联网
、
机器学习等
，尤其涉及一种机器学习模型构建方法
、
电池健康度预测方法以及装置
。

技术介绍

[0002]随着新能源汽车的普及，锂电池成为重要的动力源
。
锂电池的健康度（
State of Health
，
SOH
）是影响电池性能和寿命的关键因素，因此，对电池健康度进行预测的准确性和稳定性，要求越来越高
。
随着电池使用年限增加，电池健康度不断下降，能准确并实时地预测电池健康度具有重要意义
。
相关技术在预测电池健康度时，预测结果不够准确
。

技术实现思路

[0003]鉴于上述问题，本申请提供一种机器学习模型构建方法
、
电池健康度预测方法
、
装置
、
电子设备
、
存储介质及程序产品，能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种机器学习模型构建方法，其特征在于，所述机器学习模型适用于预测电池健康度，所述机器学习模型构建方法包括：获取电池在充电过程中的电池特征数据，作为电池样本数据；处理所述电池样本数据，得到与所述电池样本数据对应的电池健康度标签；基于所述电池样本数据和模型参数，分别构建至少一个机器学习模型；以及基于每个机器学习模型输出的电池健康度预测结果与所述电池健康度标签之间的偏差，从所述机器学习模型中确定目标机器学习模型
。2. 根据权利要求1所述的机器学习模型构建方法，其特征在于，所述电池样本数据包括至少一个连续充电数据；所述处理所述电池样本数据，得到与所述电池样本数据对应的电池健康度标签包括：基于预设的充电量阈值，从所述至少一个连续充电数据中确定目标连续充电数据，其中，所述目标连续充电数据的充电量大于或等于所述预设的充电量阈值；以及处理所述目标连续充电数据，得到所述电池健康度标签
。3.
根据权利要求2所述的机器学习模型构建方法，其特征在于，所述目标连续充电数据包括多个目标连续充电数据；所述处理所述目标连续充电数据，得到所述电池健康度标签包括：分别处理所述多个目标连续充电数据，得到与所述多个目标连续充电数据一一对应的多个电池健康度；确定所述多个电池健康度之间差异数据；以及在所述差异数据小于预设差异数据的情况下，将所述多个电池健康度的均值作为所述电池健康度标签
。4. 根据权利要求3所述的机器学习模型构建方法，其特征在于，每个目标连续充电数据包括实际充电量比例数据和实际充电容量数据；所述分别处理所述多个目标连续充电数据，得到与所述多个目标连续充电数据一一对应的多个电池健康度包括：基于所述实际充电容量数据和所述实际充电量比例数据之间的比值，得到电池在充满电状态下的参考充电容量数据；以及基于所述参考充电容量数据与标准充电容量数据之间的比值，得到所述电池健康度
。5.
根据权利要求1所述的机器学习模型构建方法，其特征在于，所述机器学习模型构建方法还包括：对所述电池样本数据进行预处理；所述对所述电池样本数据进行预处理包括以下至少一项：在所述电池样本数据包括采集的电池剩余容量数据和采集的电压数据的情况下，基于电池容量和电压之间的真实关联关系，确定与采集的电压数据对应的真实电池容量数据，并将所述真实电池容量数据添加至所述电池样本数据中；在所述电池健康度标签表示电池健康度小于预设健康度阈值的情况下，将与所述电池健康度标签对应的所述电池样本数据进行删除；去除所述电池样本数据中的异常数据
。6.
根据权利要求1所述的机器学习模型构建方法，其特征在于，所述获取电池在充电过程中的电池特征数据，作为电池样本数据包括：获取电池在充电过程中的初始特征数据，其中，所述初始特征数据包括多个指标数据；
将与所述初始特征数据对应的初始健康度标签为参考，确定每个指标数据的重要度，其中，所述重要度用于表征指标数据对电池健康度的影响程度；基于所述重要度，从所述多个指标数据中筛选出目标指标数据；以及将所述目标指标数据确定为所述电池样本数据，其中，所述初始健康度标签为与所述电池样本数据对应的电池健康度标签
。7.
根据权利要求6所述的机器学习模型构建方法，其特征在于，所述将与所...

【专利技术属性】
技术研发人员：丁瑜欣，杨晓君，刘照喆，
申请(专利权)人：宁德时代新能源科技股份有限公司，
类型：发明
国别省市：