CN111448467B - 用于对电池容量进行建模和估计的方法及系统 - Google Patents

Abstract

本发明涉及一种用于对电池容量进行建模的方法，其包括：获取充电数据，以生成容量增量曲线；选择与所述容量增量曲线中的峰相关的参数作为自变量并选择电池可用容量作为因变量，以形成数据集；针对电池容量建立回归模型，并基于所述数据集对所述回归模型进行训练优化以获得优化的回归模型。本发明所提供的上述方法与现有技术相比，能够基于对电池容量所建立的数学模型而根据正常的日常充电过程(这仅需要部分充电过程)所采集的数据来确定电池容量，尤其是诸如EV/HEV中的电池组中各个单体电池的容量。

Description

用于对电池容量进行建模和估计的方法及系统

技术领域

本发明涉及电池测量检测技术，更具体地，涉及用于对电池容量进行建模和估计的方法、装置及系统。

背景技术

诸如锂离子电池(LiB)之类的电池已广泛应用于电动或混合动力电动汽车(EV/HEV)中。EV/HEV中的电池组通常包括数十到数百个单体电池。电池寿命随时间以及不同的电气负载而变化。EV/HEV上的电池组所包含的多个电池会以不同的速度老化，并且在不同的充电状态(SOC)下工作。因此，提供电池管理系统(BMS)来确定或预测电池组的状态是至关重要的。实时应用电池管理系统的一个重要的挑战是如何确定电池的老化状态，即，电池可用容量(最大可用容量)。

要获得电池准确的实际可用容量，需要将电池连接特定的电池测试设备，做完整区间的充电或放电(即，满充满放)测试。在现有技术中，确定电池可用容量的常规方法是以小电流完全充电和放电。然而，这种常规的电池可用容量确定方法的问题在于，在不将EV/HEV上的电池组拆卸成单体电池的情况下，直接对电池组中的各个单体电池满充满放是不现实的。此外，在电动汽车的实际使用中，考虑到电池的寿命问题与实际使用情况，动力电池往往也不能被放电至空电状态，因此也无法通过测量设备直接测量电池的实际可用容量。

发明内容

本发明正是为了解决现有技术中确定电池容量的常规方法所存在的上述问题，而提供了用于对电池容量进行建模和估计的方法、装置及系统。

根据本发明的一方面，提供了一种用于对电池容量进行建模的方法，包括：获取充电数据，以生成容量增量曲线；选择与所述容量增量曲线中的峰相关的参数作为自变量并选择电池可用容量作为因变量，以形成数据集；针对电池容量建立回归模型，并基于所述数据集对所述回归模型进行训练优化以获得优化的回归模型。

根据本发明的另一方面，还提供了一种用于对电池容量进行建模的系统，所述系统包括：存储器，其存储有可执行指令；处理器，其耦合到所述存储器，所述指令在由所述处理器执行时使得所述处理器执行上述方法。

根据本发明的另一方面，还提供了一种用于对电池容量进行建模的装置，包括：曲线生成模块，其用于获取充电数据以生成容量增量曲线；自变量选择模块，其用于选择与所述容量增量曲线中的峰相关的参数作为自变量并选择电池可用容量作为因变量，以形成数据集；以及回归模型建立优化模块，其用于针对电池容量建立回归模型，并基于所述数据集对所述回归模型进行训练优化，以获得优化的回归模型。

根据本发明的另一方面，还提供了一种用于估计电池容量的系统，所述系统包括：采集设备，其采集电池的充电数据；存储设备，其存储上述方法所获得的回归模型；以及电池管理设备，其被配置为：利用所采集的充电数据来生成容量增量曲线，根据所生成的容量增量曲线计算所述回归模型中的自变量的值；利用所述回归模型和所计算的自变量的值来确定电池的可用容量。

根据本发明的另一方面，还提供了一种用于估计电池容量的方法，包括：获取电池的充电数据，以生成容量增量曲线；根据所生成的容量增量曲线计算上述方法所获得的回归模型中的自变量的值；以及利用所述回归模型和所计算的自变量的值来确定电池的可用容量。

根据本发明的另一方面，还提供了一种计算机可读存储介质，其上具有可执行指令，当所述可执行指令被执行时，使得处理器执行上述方法。

从以上描述可以看出，本发明所提供的上述方案与现有技术相比，能够通过对电池容量所建立的数学模型而根据正常的日常充电过程(这仅需要部分充电过程)所采集的数据来精确估计电池实际的可用容量，尤其是诸如EV/HEV中的电池组中各个单体电池的实际可用容量。根据本发明所提供的上述方法及装置可以很容易地应用于在线BMS或基于云的监控系统，以非常低的计算能力来执行电池容量确定，而无需额外的测试工作。

附图说明

本发明的其它特征、特点、益处和优点通过以下结合附图的详细描述将变得更加显而易见。其中：

图1示出了根据本发明一实施例的用于对电池容量进行建模的方法的流程图；

图2示出了根据本发明一实施例的容量增量(IC)曲线图；

图3示出了根据本发明一实施例的生成IC曲线图的方法的流程图；

图4示出了根据本发明一实施例的包含自变量和因变量的数据集的数据表；

图5示出了根据本发明另一实施例的用于对电池容量进行建模的方法的流程图；

图6示出了对训练优化后的回归模型进行验证的测试图；

图7示出了根据本发明一实施例的用于对电池容量进行建模的系统的示意图；

图8示出了根据本发明一实施例的用于对电池容量进行建模的装置的示意图；

图9示出了根据本发明另一实施例的用于对电池容量进行建模的装置的示意图；

图10示出了根据本发明一实施例的用于估计电池容量的系统的示意图。

图11示出了根据本发明一实施例的用于估计电池容量的方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明提供的用于对电池容量进行建模和估计的方法、装置以及系统进行详细描述。下述各个实施例及其特征在没有明确表示相互矛盾的情况下，可相互组合、替换等。

首先，结合图1-图4来具体描述本发明在一实施例中所提供的用于对电池容量进行建模的方法100。此外，可以理解的是，该电池容量建模方法100和下述的建模方法500或其对应的下述操作均可加载或运行在图7所示的建模系统700的处理器702中，从而可由处理器702来执行以下方法或操作，稍后将对此进行详细描述。

如图1所示，方法100首先在块101处，基于循环实验来获取实验电池的充电数据，并基于充电数据计算出针对每次循环实验的容量增量(IC)曲线(充电量增量曲线)。

在本发明的一优选实施例中，可首先在实验室中将电池测试站和实验电池(例如，锂离子电池)相连接，随后通过对实验电池进行满充满放衰退老化(寿命)循环实验，并利用本领域公知的电压、电流、充电容量(充电量)等测量仪器作为采集设备来实时采集实验电池的充放电数据，并提取出所需的充电数据。所提取或导出的充电数据可包括例如针对每次循环的电压、电流、充电容量、以及电池可用容量等。

可以利用每次循环的充电数据通过计算来生成针对每次循环的IC曲线，即，充电容量变化率(dQ/dV)与电压(V)的关系曲线，如图2所示。电池的IC曲线为容量增量分析法的重要分析工具，容量增量分析法的优点是将传统充放电电压曲线上涉及电池一阶相变的电压平台转化成容量增量曲线上能明确识别的dQ/dV峰。因此，在充电电压曲线上不易发现的微小的变化都可以在容量增量曲线上反应出来。

在本发明的一优选实施例中，可采用以下方法300来生成IC曲线，如图3所示。

在块301处，根据所测得的充电数据来获取充电容量(Q)和对应的电池电压(V)，通过充电容量Q对电压V求导，从而求得充电容量变化率(dQ/dV)。在一优选实施例中，可以通过差分计算来求得dQ/dV，如下式(1)所示。

在块302处，根据计算出的dQ/dV，在直角坐标系中，以电池电压V作为水平轴而以dQ/dV作为纵轴来绘制IC曲线，如图2所示。

IC曲线随电池的不同电极材料而变化，在图2中，仅示例性示出了锂离子电池的IC曲线。可以根据图2中的IC曲线识别出数个峰，例如在图2中的1号峰1、2号峰2、3号峰3、以及与相应峰所对应的峰值(峰高度，即峰的纵坐标)、峰位置(即，峰对应的横坐标(电压))、面积(例如，1号峰面积4、2号峰面积7以及3号峰面积10)、左右侧斜率(例如，1号峰左侧斜率5和右侧斜率6、2号峰左侧斜率8和右侧斜率9)等。另外，如图2所示，1号峰的左边界为1号峰左侧曲线斜率变化率(即，曲线的二次导数)等于0的点，1、2号峰的分界为1、2号峰之间的极小值处(即，曲线导数等于0处)，2、3号峰的分界为2峰右侧曲线极小值处(曲线导数等于0处)。3号峰右边界为充电截止处。相应峰所对应的左右侧斜率可基于峰值与左右边界点连直线后求斜率。相应峰的面积为各峰曲线与左右边界之间包裹的面积，可在各个峰确定左右侧边界之后，对曲线进行积分而得出。

本领域技术人员基于以上限定可相应求得图2中与相应峰所对应的峰值、峰位置、面积、左右侧斜率等，为了不模糊本发明的主题，这里不再一一赘述。同时，在这里需要说明的是，尽管在图2中示出了锂离子电池容量增量曲线中3个峰以及与相应峰相关的参数，然而，对于本领域技术人员可以预期的是，对于不同电池材料、不同使用时间的IC曲线也可具有其它数量的峰(如4个、5个等)以及对应的参数值。此外，也可以根据需要来定义与峰相关的其它参数，并进行计算。

再次回到图1，接下来，在块102处，选择与IC曲线中的峰相关的参数作为下述回归模型的自变量，并选择每个循环中的电池可用容量作为下述回归模型的因变量，从而形成包含自变量和因变量的数据集。

如上所述，与IC曲线中的峰相关的参数可以例如为上述峰的高度、位置、面积或左/右侧斜率等参数。在针对锂离子电池的优选示例中，优选将容量增量曲线中峰的峰值、面积、位置、和左右侧斜率选取为自变量。这是因为，本发明人认识到锂离子电池的老化一般分为热力学特性的改变和动力学特性的改变。在热力学特性方面，电池容量的损失可以分为锂离子的损失和活性材料的损失，而两者的改变在容量增量曲线上对应着曲线不同的变化：锂离子的损失通常只会导致某一个容量增量峰在峰值上的减小，进而导致该峰所对应的容量减小，而其他的峰不受影响；活性材料的损失会导致容量增量曲线上的每一个峰的高度都减小。在动力学特性方面，主要体现为锂离子电池阻抗的增加，在容量增量曲线上的体现为曲线整体的偏移，对于充电过程中的容量增量曲线，若阻抗增加，则曲线向右侧(高电压方向)偏移。因此所选参数与电池老化衰退具有对应关系。图4示出了包含峰的峰值、面积、位置、和左右侧斜率这样的数据集的一个数据表，其中，数据表的第1列为针对实验电池进行满充满放的循环次数，最后1列为该次循环的电池可用容量，即最大可用容量，中间列为上述所选的自变量。

在这里需要说明的是，尽管在图4示出的数据表中示出了峰值、面积、位置等11个参数作为自变量，然而，本发明并不旨在限制于此，对于本领域技术人员可以理解的是，针对不同的电池及其特性，也可以选择与峰相关的其它参数，或仅选择该数据表中的若干参数作为自变量。

接下来，在块103处，针对电池容量建立回归模型，并基于上述所形成的数据集对该回归模型进行训练优化，从而获得优化的回归模型。

在本发明的一优选实施例中，针对电池容量所建立的回归模型的容量公式可表示为：

h(X)＝θ^TX            等式(2)

其中h是目标值(即，估计出的电池可用容量)，θ是待优化或计算的回归模型参数，X是来自数据集的输入值(即，所选的自变量)。其中，在所选的自变量X为多个时，该回归模型即为多元线性回归模型。基于在块102处所形成的数据集对所建立的上述回归模型(即等式(2))进行训练优化，从而获得优化的回归模型。

在本发明的一优选实施例中，可基于所形成的数据集并利用损失函数(cost函数)对所建立的回归模型进行训练优化，从而计算出优化的回归模型参数θ，从而获得优化的回归模型，即，实现最佳估计状态。损失函数是参数优化的优化目标，即，当损失函数达到最小时，实现最佳估计状态。损失函数可表示为：

其中m是训练数据的总数量(即，针对实验电池的总循环次数)，X_i是第i组输入数据(即，第i次循环所对应的自变量)，h(Xi)是第i组回归模型的输出数据(即，第i次循环所估计的电池可用容量)，y_i是第i组真实因变量数据(即，第i次循环实测的电池可用容量)。损失函数表示在所有输入数据上预期输出与真实输出的最小平方差之和。利用损失函数对回归模型进行训练优化的具体过程如下：

首先，可将等式(2)代入等式(3)从而将等式(3)演变为以下等式(4)：

对于本领域技术人员而言已知上述损失函数为凸函数，因此，在数值空间中该凸函数必有一个最小值点，由此回归模型参数调优的目的为寻找此损失函数的最小值点。对该凸函数求空间最小值的标准方法可采用本领域已知的梯度下降法，来求得该损失函数的最小值，此时得到的回归模型参数θ值即为回归模型优化的参数，即各自变量的系数。

在这里需要说明的是，尽管在上述优选实施例中，采用损失函数来计算自变量与因变量之间的相关性，然而，本发明并不旨在限制于此，对于本领域技术人员可以预期的是，也可以采用本领域已知的其它函数来对回归模型参数θ进行调优，来获得优化的回归模型。

下面，结合图5来具体描述本发明在另一实施例中所提供的用于对电池容量进行建模的方法500。该建模方法500中的块501、502中的操作与上述块101、102中的操作相同，这里不再赘述。下面仅针对建模方法500与100的不同之处进行具体描述。

方法500在块502处，如上所述，形成包含自变量(也可称为备选自变量)和因变量的数据集之后，行进到块503。在块503处，计算每个自变量(备选自变量)与因变量的相关性，并选择相关性高的自变量作为回归模型最终的自变量(即，最终自变量)。

在本发明的一优选实施例中，该相关性高的自变量优选为相关性最高的一个自变量或前几个自变量，即，相关性最高的一个自变量或相关性高的前几个自变量，例如，前两个、前三个、前四个、或前五个自变量等。

在本发明的一优选实施例中，可采用皮尔逊(Pearson)相关系数来评估每个自变量与因变量之间的相关性。皮尔逊相关系数越高，从一个变量去预测另一个变量的精确度就越高。皮尔逊相关系数可如下表示为：

其中X和Y为两个变量，COV(X,Y)是两个变量的协方差，σ_X，σ_Y是X和Y的标准偏差。皮尔逊相关系数ρ_X，Y在-1和1之间，其中ρ_X，Y>0表示正相关，ρ_X，Y<0表示负相关，ρ_X，Y＝0表示不相关。

根据上述等式(5)，计算每个自变量和因变量的皮尔逊相关系数，并从自变量中选择相关性最高(皮尔逊相关系数的绝对值最大)的一个或前几个自变量作为回归模型最终的自变量。例如，在25Ah三元电池的示例中，可确定出IC曲线中最高峰的峰高度与最大可用容量呈高度正相关。

在这里需要说明的是，尽管在上述优选实施例中，采用皮尔逊相关系数来计算自变量与因变量之间的相关性，然而，本发明并不旨在限制于此，对于本领域技术人员可以理解的是，也可以采用本领域已知的其它相关系数计算方法来计算自变量与因变量之间的相关性。

接下来，在块504处，基于所选的最终自变量来对在块502处形成的数据集进行更新。

在本发明的一优选实施例中，采用以下方式对数据集进行更新：将数据集中未选的自变量及对应的数据删除，留下所选的自变量(即，最终自变量)、因变量及对应的数据。在本发明的另一优选实施例中，对数据集进行更新的方式也可以是提取出所选的自变量(即，最终自变量)、因变量及对应的数据而构成新的数据集。

接下来，方法500行进到块505处，块505处的操作与上述块103处的操作基本相同，不同之处在于基于所更新的数据集对所建立的回归模型进行训练和优化，从而获得优化的回归模型。对于本领域技术人员可以理解的是，在方法100中，在块103处采用在块102处形成的数据集进行相关操作，而在本实施例中，在块505处均采用更新后的数据集进行相关操作，为了使本发明简明，这里不再赘述。

在本发明的一优选实施例中，可按比例将更新后的数据集分为训练数据集和验证数据集，其中，训练数据集可用于训练所建立的回归模型，测试数据集可用于验证训练优化后的回归模型的准确性。进一步优选地，可根据循环次数按比例将数据集分为训练数据集和验证数据集。该比例可优选为8:2、9:1等。

可选择所划分的验证数据集作为输入值来测试优化后的回归模型的准确性。如图6所示，测试结果的绝对平均误差在0.2Ah以内，从而表明该训练优化后的回归模型在电容容量估计中的高准确度。

在本发明的一优选实施例中，可将训练优化后的回归模型进行存储以用于电池容量的估计，其中所存储的回归模型包括计算出或优化的回归模型参数θ以及回归模型中所选的自变量X。

上述建模方法500相对于建模方法100而言，一方面减少了回归模型中所选的自变量X个数，从而进一步节省了处理器的计算能力，另一方面利用相关性计算而进一步提高了对电池容量估计的准确度。

图7示出了按照本发明一实施例的用于对电池容量进行建模的系统的示意图。如图7所示，该建模系统700可以包括处理器701和与处理器701耦合的存储器702。其中，存储器702存储有可执行指令，该可执行指令当被执行时使得处理器701可执行前述方法100、300以及500所包括的操作。

图8示出了按照本发明一实施例的用于对电池容量进行建模的装置的示意图。图8所示的建模装置800可以利用软件、硬件或软硬件结合的方式来执行。该建模装置800包括曲线生成模块801、自变量选择模块802、以及回归模型建立优化模块803。

曲线生成模块801基于循环实验获取实验电池的充电数据，并针对每次循环实验生成对应的IC曲线。

自变量选择模块802根据曲线生成模块801所生成的IC曲线来选择与IC曲线中的峰相关的参数作为回归模型的自变量并选择电池可用容量作为回归模型的因变量，从而形成包含自变量和因变量的数据集。

回归模型建立优化模块803针对电池容量建立回归模型，并基于所形成的数据集对回归模型进行训练优化。

图9示出了根据本发明另一实施例的用于对电池容量进行建模的装置的示意图。图9所示的建模装置900包括曲线生成模块901、自变量选择模块902、相关性计算模块903、数据集更新模块904以及回归模型建立优化模块905。其中，曲线生成模块901和自变量选择模块902与建模装置800中的曲线生成模块801和自变量选择模块802的功能相同，这里不再赘述。

相关性计算模块903根据自变量选择模块902所选择的自变量来计算每个自变量与因变量的相关性，并从每个自变量中选择相关性高的自变量作为回归模型最终的自变量(即，最终自变量)。

数据集更新模块904基于由相关性计算模块903选择的最终自变量对所形成的数据集进行更新。优选地，将数据集中未选的自变量及对应的数据删除，留下所选的最终自变量、因变量及对应的数据。

回归模型建立优化模块905与回归模型建立优化模块803的功能基本相同，不同之处在于其基于由数据集更新模块904更新的数据集对回归模型进行训练，从而获得最优回归模型。

下面具体描述基于所建立并优化后的回归模型来估计电池容量的系统和方法。

首先，结合图10来描述本发明一实施例的用于估计电池容量的系统1000。该电池容量估计系统1000包括采集设备1001、存储设备1002以及电池管理设备1003。采集设备1001和存储设备1002可分别通过有线或无线方式与电池管理设备1003通信连接。

采集设备1001用于在待估计电池进入充电状态时采集电池的充电数据。采集设备可采用本领域公知的电压、电流、充电容量等测量仪器。该充电数据可包括在满充或部分充电过程中测量或采集的电压和与其对应的充电容量等。

存储设备1002用于存储根据上述方法100或500针对电池容量所建立并训练优化后的回归模型，其中该回归模型具有优化的参数矢量θ以及所选的自变量X。存储设备可以是诸如硬盘驱动器、随机存取存储器(RAM)和/或光只读存储器等本地计算机可读存储介质，也可以是诸如云端硬盘、存储器、服务器等网络存储介质。

电池管理设备1003利用所采集的待估计电池的充电数据来生成容量增量曲线，并根据所生成的容量增量曲线计算出所存储的回归模型中所选的自变量的值(即，输入值)。对于本领域技术人员可理解的是，在实际电池可用容量估计过程中，由于并不需要实际测量电池的可用容量，因此也无需进行满充满放整个完整区间的充电数据测量，而仅需要在充电过程(满充或部分充电)期间测得充电数据，并根据所测的充电数据来绘制容量增量曲线从而计算出所存储的回归模型所选的自变量。随后，电池管理设备1003调用存储设备1002中存储的回归模型，并利用该回归模型和所计算的自变量的值来估计电池的实际可用容量。

接下来，结合图11来进一步描述本发明一实施例的用于估计电池容量的方法1100。

在实际应用中，如图11所示，方法1100在块1101处，利用上述采集设备1001采集待估计电池的充电数据。具体来说，当电池进入充电状态时，利用上述采集设备1001采集并记录充电过程中电池的电压和与电压相对应的充电容量等。在一示例中，当对EV/HEV中的电池组可用容量进行估计时，可分别采集电池组中各个单体电池的电压和与电压相对应的充电容量。在另一示例中，当对EV/HEV中的电池组可用容量进行估计时，也可采集整个电池组的电压和与电压相对应的充电容量。

在充电过程完成后，在块1102处，电池管理设备1003可利用所采集的充电容量和电压来生成IC曲线，并根据所生成的IC曲线计算存储在存储设备1002中的回归模型中所选的自变量的值。

最后，在块1103处，电池管理设备1003利用所存储的回归模型和计算出的自变量的值来确定或估计出待估计电池的可用容量。例如，在针对EV/HEV中的电池组中，可估计出电池组或电池组中每个单体电池的实际可用容量。

利用本发明的上述方法和系统，能够基于对电池容量预先建立好的回归模型而根据正常的日常充电过程(这仅需要部分充电过程)所测量或采集的充电数据来精确估计电池实际的最大可用容量，而无需对电池组或电池完整充放电或放电至空电状态，提高了电池可用容量估计的安全性和精确性，同时还节省了时间，并易于电池管理系统对电池的监控和管理。

此外，本发明实施例还提供一种计算机可读存储介质，其上具有可执行指令，当所述可执行指令被执行时，使得处理器执行如上所述的方法100、300、500以及1100。

以上结合具体实施例对本发明进行了详细描述。显然，以上描述以及在附图中示出的实施例均应被理解为是示例性的，而不构成对本发明的限制。对于本领域技术人员而言，可以在不脱离本发明的精神的情况下对其进行各种变型或修改，这些变型或修改均不脱离本发明的范围。因此，本发明的保护范围由所附的权利要求书来限定。

Claims (13)

1.一种用于对电池容量进行建模的方法，包括：

获取充电数据，以生成容量增量曲线，其中，所述充电数据是通过对实验电池进行满充满放的循环实验来获取的所述实验电池的充电数据，并且其中，所述容量增量曲线是基于所述充电数据针对每次循环实验计算出的容量增量曲线；

选择与所述容量增量曲线中的峰相关的参数作为自变量并选择电池可用容量作为因变量，以形成数据集；

针对电池容量建立回归模型，其中所述回归模型包括所述自变量、所述因变量以及回归模型参数，并且基于所述数据集对所述回归模型进行训练优化以获得优化的回归模型，其中，所述优化的回归模型用于待估计电池的可用容量的估计，并且其中，通过所述优化的回归模型并根据所述待估计电池在部分充电过程中所采集的充电数据来估计所述待估计电池的可用容量。

2.如权利要求1所述的方法，其中，所述生成容量增量曲线包括：

根据所述充电数据来获取充电容量和电压，通过所述充电容量对所述电压求导以得到充电容量变化率；

以所述电压作为水平轴而以所述充电容量变化率作为纵轴来生成所述容量增量曲线。

3.如权利要求1所述的方法，其中，所述基于所述数据集对所述回归模型进行训练优化以获得优化的回归模型包括基于所述数据集并利用损失函数对回归模型进行训练优化，并对优化的回归模型进行存储。

4.如权利要求1-3中的任一项所述的方法，其中，所述参数为与相应峰所对应的峰值、位置、面积以及左右侧斜率。

5.如权利要求1-3中的任一项所述的方法，在所述形成数据集之后且在所述建立回归模型之前，所述方法还包括：

计算每个所述自变量与所述因变量的相关性，并选择相关性最高的一个自变量或前几个自变量作为最终自变量；以及

基于所选的最终自变量对所形成的数据集进行更新，

其中，所述基于数据集对所述回归模型进行训练优化是基于更新后的数据集对所述回归模型进行训练优化。

6.如权利要求5所述的方法，其中，采用皮尔逊相关系数来计算每个所述自变量与所述因变量之间的相关性，并选择相关性最高的一个自变量或前几个自变量作为最终自变量。

7.如权利要求5所述的方法，其中，按比例将更新后的数据集分为训练数据集和验证数据集，并利用按比例划分的所述训练数据集对所述回归模型进行训练，并利用按比例划分的验证数据集来验证所述回归模型的准确性。

8.一种用于对电池容量进行建模的系统，所述系统包括：

存储器，其存储有可执行指令；

处理器，其耦合到所述存储器，所述指令在由所述处理器执行时使得所述处理器执行如权利要求1-7中的任一项所述的方法。

9.一种用于对电池容量进行建模的装置，包括：

曲线生成模块，其用于获取充电数据以生成容量增量曲线，其中，所述充电数据是通过对实验电池进行满充满放的循环实验来获取的所述实验电池的充电数据，并且其中，所述容量增量曲线是基于所述充电数据针对每次循环实验计算出的容量增量曲线；

自变量选择模块，其用于选择与所述容量增量曲线中的峰相关的参数作为自变量并选择电池可用容量作为因变量，以形成数据集；以及

回归模型建立优化模块，其用于针对电池容量建立回归模型，其中所述回归模型包括所述自变量、所述因变量以及回归模型参数，并且所述回归模型建立优化模块基于所述数据集对所述回归模型进行训练优化，以获得优化的回归模型，其中，所述优化的回归模型用于待估计电池的可用容量的估计，并且其中，通过所述优化的回归模型并根据所述待估计电池在部分充电过程中所采集的充电数据来估计所述待估计电池的可用容量。

10.如权利要求9所述的装置，还包括：

相关性计算模块，其用于计算所述自变量与所述因变量的相关性，并选择相关性最高的一个自变量或前几个自变量作为最终自变量；以及

数据集更新模块，其用于基于所选定的最终自变量对所形成的数据集进行更新，

其中，所述回归模型建立优化模块基于更新后的数据集对所述回归模型进行训练优化。

11.一种用于估计电池容量的系统，所述系统包括：

采集设备，其用于在待估计电池进入充电状态时采集待估计电池的充电数据；

存储设备，其存储如权利要求1-7中的任一项所述的方法所获得的优化的回归模型；以及

电池管理设备，其被配置为：

利用所采集的充电数据来生成容量增量曲线，根据所生成的容量增量曲线计算所述优化的回归模型中的自变量的值；

利用所述优化的回归模型和所计算的自变量的值来确定所述待估计电池的可用容量，其中，基于所述优化的回归模型并根据所述待估计电池在部分充电过程中所采集的充电数据来估计所述待估计电池的可用容量。

12.一种用于估计电池容量的方法，包括：

获取电池的充电数据，以生成容量增量曲线；

根据所生成的容量增量曲线计算如权利要求1-7中任一项所述的方法所获得的优化的回归模型中的自变量的值；以及

利用所述优化的回归模型和所计算的自变量的值来确定所述待估计电池的可用容量，其中，基于所述优化的回归模型并根据所述待估计电池在部分充电过程中所采集的充电数据来估计所述待估计电池的可用容量。

13.一种计算机可读存储介质，其上具有可执行指令，当所述可执行指令被执行时，使得处理器执行如权利要求1-7、12中的任一项所述的方法。

Images