机器学习模型构建方法、电池健康度预测方法以及装置与流程

本技术涉及电池、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。

背景技术：

1、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 ofhealth，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

1、鉴于上述问题，本技术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，能够缓解电池健康度预测不够准确的问题。

2、第一方面，本技术提供了机器学习模型构建方法，所述机器学习模型适用于预测电池健康度，所述方法包括：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；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，从所述至少一个机器学习模型中确定目标机器学习模型。

3、本技术实施例的技术方案中，将电池特征数据作为电池样本数据构建机器学习模型，机器学习模型能够用于预测电池健康度，提高了电池健康度的预测准确性，实现了对电池健康度的远程监控，便于针对健康度较低的电池提前采取相关应对措施以降低对车辆驾驶的影响。

4、在一些实施例中，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；处理所述目标连续充电数据，得到所述电池健康度标签。

5、本技术实施例的技术方案中，基于预设的充电量阈值，从多个连续充电数据中选择满足条件的目标连续充电数据来进行电池健康度标签的计算，提高了电池健康度标签的准确性，进而提高了机器学习模型的预测准确性。

6、在一些实施例中，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；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。

7、本技术实施例的技术方案中，将差异性较小的电池健康度的均值作为电池健康度标签，提高了电池健康度标签的准确性。

8、在一些实施例中，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；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。

9、在一些实施例中，所述方法还包括：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。

10、本技术实施例的技术方案中，计算电池的真实电池容量数据以扩充电池样本数据，提高了电池样本数据的多样性，且使得电池样本数据更好地反映电池的特征，通过对电池样本数据进行预处理，提高了电池样本数据的准确性，进而提高了机器学习模型的预测准确性。

11、在一些实施例中，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；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。

12、本技术实施例的技术方案中，从多个指标数据中筛选出对电池健康度的影响程度大的目标指标数据作为用于构建机器学习模型的电池样本数据，提高了机器学习模型的预测准确性和稳定性。

13、在一些实施例中，所述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包括：利用多个评价模型，分别以所述初始健康度标签为参考对每个指标数据进行评价，得到针对每个指标数据的多个重要度，所述多个重要度与所述多个评价模型一一对应。

14、本技术实施例的技术方案中，通过多个评价模型分别对每个指标数据进行评价，即通过多个评价模型对指标数据进行投票以筛选出重要的指标数据，提高了指标数据的筛选准确性。

15、在一些实施例中，所述基于所述重要度，从所述多个指标数据中筛选出目标指标数据包括：在所述多个重要度中至少具有预设数量个重要度满足重要度阈值条件的情况下，将对应的指标数据确定为所述目标指标数据。

16、在一些实施例中，所述多个评价模型包括以下至少两个：回归模型、特征选择模型、随机森林模型。

17、在一些实施例中，所述机器学习模型包括随机森林模型；所述模型参数包括与所述至少一个机器学习模型一一对应的至少一组模型参数，每一组模型参数是利用网格搜索方式从候选模型参数中搜索得到的。

18、本技术实施例的技术方案中，在构建机器学习模型的过程中，通过网格搜索方式搜索得到多组模型参数，将每组模型参数对应的机器学习模型预测得到的电池健康度预测结果与电池健康度标签进行对比，以便从至少一个机器学习模型中选择预测准确性最高的目标机器学习模型，提高了模型的准确性和鲁棒性。

19、在一些实施例中，所述电池样本数据包括以下至少一个：电池电压数据、电池电流数据、电池温度数据、电池容量数据。

20、另一方面，本技术提供了一种电池健康度预测方法，所述方法包括：获取电池在充电过程中的电池特征数据；将所述电池特征数据输入机器学习模型中，由所述机器学习模型预测电池健康度，其中，所述机器学习模型是利用上述机器学习模型构建方法构建得到的。

21、另一方面，本技术提供了一种机器学习模型构建装置，所述机器学习模型适用于预测电池健康度，所述装置包括：获取模块、处理模块、构建模块和确定模块。获取模块，用于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；处理模块，用于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；构建模块，用于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；确定模块，用于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，从所述至少一个机器学习模型中确定目标机器学习模型。

22、另一方面，本技术提供了一种电池健康度预测装置，所述装置包括：获取模块和预测模块。获取模块，用于获取电池在充电过程中的电池特征数据；预测模块，用于将所述电池特征数据输入机器学习模型中，由所述机器学习模型预测电池健康度，其中，所述机器学习模型是利用上述机器学习模型构建装置构建得到的。

23、另一方面，本技术提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项实施方式所述的方法的步骤。

24、另一方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施方式所述的方法的步骤。

25、另一方面，本技术提供了一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被计算机设备的处理器执行时，使得所述计算机设备能够执行上述任一项实施方式所述的方法的步骤。

26、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。