[发明专利]一种基于大数据机器学习的电池健康度预测方法

权利要求书

1.一种基于大数据机器学习的电池健康度预测方法，其特征在于，包括如下步骤：

步骤一，收集某一车型下多个车辆的充电过程明细数据；

步骤二，对收集到的充电过程数据进行处理，计算得到每辆车每次充电时的累计SOC差值和预估电池容量；

步骤三，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型；

步骤四，基于建立的数学模型，分析该车型的电池SOH衰减规律，得到SOH衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；

步骤五：基于得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；

步骤六：将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。

2.根据权利要求1所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述步骤一中，充电过程明细数据包括车辆VIN、充电开始时间、充电结束时间、充电时长、充电开始SOC、充电结束SOC、充电电量。

3.根据权利要求1所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述步骤二的具体方法如下：

(1)计算每辆车每次充电的SOC差值；

(2)计算每辆车逐次充电过程时的累计SOC差值和累计充电量；

(3)通过累计充电量除以累计SOC差值，得到每辆车每次充电时的预估电池容量。

4.根据权利要求1所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述步骤三中，建立的数学模型采用BP神经网络回归算法和多项式回归算法，针对每一个车型，比较这两类算法的精度，选择最优的算法。

5.根据权利要求4所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述BP神经网络回归算法中，采用了2层神经网络，隐藏层包含10个隐藏单元。

6.根据权利要求5所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述BP神经网络回归算法中，相关的技术参数如下：

学习率选择：0.1/0.01/0.001；

激活函数选择：Sigmoid/Relu；

输入数据归一化；

优化器选择：Batch Gradient Descent；

迭代次数：20000次。