本申請涉及鋰離子電池，特別是涉及一種電池保持率的彈性網絡回歸模型的構建方法、裝置和設備。

背景技術：

1、鋰離子電池具有高能量密度、長循環壽命和環境友好性的特點，被廣泛應用于便攜式電子設備、電動車輛和儲能系統等領域，但隨著鋰離子電池使用時間的增加，鋰離子電池的容量會逐漸衰減，導致電池終止使用，因此，對鋰離子電池進行容量保持率的預測對于評估電池性能、指導電池設計、優化電池管理、發現潛在問題以及降低開發成本和時間具有重要意義。

2、通常，通過采集鋰離子電池全生命周期的數據訓練機器學習模型，利用訓練好的機器學習模型對鋰離子電池的容量保持率進行預測。

3、然而，傳統技術存在對鋰離子電池的容量保持率進行預測的預測效率低的問題。

技術實現思路

1、基于此，有必要針對上述技術問題，提供一種能夠提高預測效率的電池保持率的彈性網絡回歸模型的構建方法、裝置和設備。

2、第一方面，本申請提供了一種電池保持率的彈性網絡回歸模型的構建方法，包括：

3、獲取樣本電池的樣本數據和初始彈性網絡回歸模型；

4、將所述樣本數據輸入至所述初始彈性網絡回歸模型，輸出預測結果；

5、根據所述預測結果確定所述初始彈性網絡回歸模型的目標損失；所述目標損失包括誤差項和正則化項；

6、根據所述目標損失對所述初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。

7、在其中一個實施例中，所述獲取樣本電池的樣本數據，包括：

8、獲取所述樣本電池的初始數據；

9、對所述初始數據中的多個初始特征進行相關性篩選，確定所述樣本電池的多個中間特征；

10、根據所述中間特征的多重共線性對所述中間特征進行篩選，確定所述樣本數據。

11、在其中一個實施例中，所述根據所述中間特征的多重共線性對所述中間特征進行篩選，確定所述樣本數據，包括：

12、確定各所述中間特征的方差膨脹因子；

13、根據各所述中間特征的方差膨脹因子和第一預設閾值的中間特征，確定所述樣本數據。

14、在其中一個實施例中，所述確定各所述中間特征的方差膨脹因子，包括：

15、根據各所述中間特征的平均值和各所述中間特征，確定各所述中間特征的數據波動量和數據變異量；

16、根據各所述中間特征的數據波動量和數據變異量，確定各所述中間特征的決定系數；

17、根據各所述中間特征的決定系數的平方值，確定各所述中間特征的方差膨脹因子。

18、在其中一個實施例中，所述對所述初始數據中的多個初始特征進行相關性篩選，確定所述樣本電池的多個中間特征，包括：

19、確定各所述初始特征與容量保持率之間的皮爾遜相關系數；

20、將所述皮爾遜相關系數大于第二預設閾值的初始特征，確定為所述中間特征。

21、在其中一個實施例中，所述方法還包括：

22、獲取待預測電池的特征信息，并對所述待預測電池的特征信息進行標準化處理，得到處理后的特征信息；

23、將所述處理后的特征信息輸入至所述訓練后的彈性網絡回歸模型，確定所述待預測電池的容量保持率。

24、第二方面，本申請還提供了一種電池保持率的彈性網絡回歸模型的構建裝置，包括：

25、獲取模塊，用于獲取樣本電池的樣本數據和初始彈性網絡回歸模型；

26、第一預測模塊，用于將所述樣本數據輸入至所述初始彈性網絡回歸模型，輸出預測結果；

27、確定模塊，用于根據所述預測結果確定所述彈性網絡回歸模型的目標損失；所述目標損失包括誤差項和正則化項；

28、訓練模塊，用于根據所述目標損失對所述初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。

29、第三方面，本申請還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現以下步驟：

30、獲取樣本電池的樣本數據和初始彈性網絡回歸模型；

31、將所述樣本數據輸入至所述初始彈性網絡回歸模型，輸出預測結果；

32、根據所述預測結果確定所述初始彈性網絡回歸模型的目標損失；所述目標損失包括誤差項和正則化項；

33、根據所述目標損失對所述初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。

34、第四方面，本申請還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現以下步驟：

35、獲取樣本電池的樣本數據和初始彈性網絡回歸模型；

36、將所述樣本數據輸入至所述初始彈性網絡回歸模型，輸出預測結果；

37、根據所述預測結果確定所述初始彈性網絡回歸模型的目標損失；所述目標損失包括誤差項和正則化項；

38、根據所述目標損失對所述初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。

39、第五方面，本申請還提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現以下步驟：

40、獲取樣本電池的樣本數據和初始彈性網絡回歸模型；

41、將所述樣本數據輸入至所述初始彈性網絡回歸模型，輸出預測結果；

42、根據所述預測結果確定所述初始彈性網絡回歸模型的目標損失；所述目標損失包括誤差項和正則化項；

43、根據所述目標損失對所述初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。

44、上述電池保持率的彈性網絡回歸模型的構建方法、裝置和設備，獲取樣本電池的樣本數據和初始彈性網絡回歸模型；將樣本數據輸入至初始彈性網絡回歸模型，輸出預測結果；根據預測結果確定初始彈性網絡回歸模型的目標損失；目標損失包括誤差項和正則化項；根據目標損失對初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。通過在正則化項中引入對回歸系數的懲罰，控制彈性網絡回歸模型的復雜度，防止彈性網絡回歸模型過擬合，從而提高了對初始彈性網絡回歸模型進行訓練的效率，并且由于對回歸模型進行訓練所需的樣本數據的數量較少，降低了對初始彈性網絡回歸模型進行訓練的復雜度，從而進一步地提高了對初始彈性網絡回歸模型進行訓練的效率。

技術特征：

1.一種電池保持率的彈性網絡回歸模型的構建方法，其特征在于，所述方法包括：

2.根據權利要求1所述的方法，其特征在于，所述獲取樣本電池的樣本數據，包括：

3.根據權利要求2所述的方法，其特征在于，所述根據所述中間特征的多重共線性對所述中間特征進行篩選，確定所述樣本數據，包括：

4.根據權利要求3所述的方法，其特征在于，所述確定各所述中間特征的方差膨脹因子，包括：

5.根據權利要求2所述的方法，其特征在于，所述對所述初始數據中的多個初始特征進行相關性篩選，確定所述樣本電池的多個中間特征，包括：

6.根據權利要求1-5任一項所述的方法，其特征在于，所述方法還包括：

7.一種電池保持率的彈性網絡回歸模型的構建裝置，其特征在于，所述裝置包括：

8.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6中任一項所述的方法的步驟。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。

10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。

技術總結
本申請涉及一種電池保持率的彈性網絡回歸模型的構建方法、裝置和設備。所述方法包括：獲取樣本電池的樣本數據和初始彈性網絡回歸模型；將樣本數據輸入至初始彈性網絡回歸模型，輸出預測結果；根據預測結果確定初始彈性網絡回歸模型的目標損失；目標損失包括誤差項和正則化項；根據目標損失對初始彈性網絡回歸模型進行訓練，得到訓練后的彈性網絡回歸模型。通過在正則化項中引入對回歸系數的懲罰，控制彈性網絡回歸模型的復雜度，防止彈性網絡回歸模型過擬合，從而提高了對初始彈性網絡回歸模型進行訓練的效率，并且由于對回歸模型進行訓練所需的樣本數據的數量較少，降低了對初始彈性網絡回歸模型進行訓練的復雜度。

技術研發人員：焦君宇
受保護的技術使用者：深圳屹艮科技有限公司
技術研發日：
技術公布日：2025/3/10