CN112230146A - 电池充电剩余时间的预测方法、系统及设备 - Google Patents

Abstract

本发明涉及电池技术领域，其实施方式提供了一种电池充电剩余时间的预测方法，所述预测方法包括：获取所述电池的充电影响因素的状态参数；将所述状态参数输入支持向量时序模型，得到每个充电影响因素在所述状态参数下对应的单因素充电剩余时间，所述支持向量时序模型中包括充电影响因素中所述状态参数与单因素充电剩余时间的对应关系；将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间，所述多元线性回归模型中包括每个充电影响因素对于所述充电剩余时间的解释贡献率。同时还提供了一种对应的电池充电剩余时间的预测系统及设备。本发明的实施方式用于预测电池的充电剩余时间。

Description

电池充电剩余时间的预测方法、系统及设备

技术领域

本发明涉及电池技术领域，特别涉及一种电池充电剩余时间的预测方法、一种电池充电剩余时间的预测系统以及一种电池充电剩余时间的预测设备。

背景技术

新能源汽车是现在世界各国都在大力推动发展的行业，动力电池是新能源汽车的核心部件。动力电池可以多次充电，然而充电过饱和或者欠饱和都会对动力电池寿命造成影响，动力电池寿命的缩短不仅会带来经济损失，还可能导致重大事故的发生。因此对每次充电剩余时间的准确预测十分重要，可以防止动力电池寿命缩短，提高新能源汽车的安全性和稳定性。

当前充电剩余时间的计算方法有：1.根据当前电池的剩余容量和动力电池的充电电流所得，但是该方法的缺点是电池剩余容量由电池剩余电量(SOC)所得，但是SOC的计算是存在误差的，并且动力电池的充电电流并非恒定的，会对充电剩余时间的计算造成较大误差；2.考虑电池本身的充电规律和电池的损耗，通过动力电池单位充电电量的方式预测剩余时间，但是这种方法需要大量的数据采集和计算，给系统带来较大负担。

发明内容

有鉴于此，本发明旨在提出一种电池充电剩余时间的预测方法、系统及设备，以至少解决电池在充电过程中的现有充电剩余时间预测的不准确，误差较大的问题。

在本发明的第一方面，提供了一种电池充电剩余时间的预测方法，所述预测方法包括：

获取所述电池的充电影响因素的状态参数；

将所述状态参数输入支持向量时序模型，得到每个充电影响因素在所述状态参数下对应的单因素充电剩余时间，所述支持向量时序模型中包括充电影响因素中所述状态参数与单因素充电剩余时间的对应关系；

将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间，所述多元线性回归模型中包括每个充电影响因素对于所述充电剩余时间的解释贡献率。

可选的，所述充电影响因素包括：

电池的电芯端电压,充电请求电流，充电装置输出电流，电池的电芯输入充电电流，充电装置输出电压和电芯充电过程中的温度变化量。

可选的，所述充电影响因素还包括以下的一种或多种：

电池的电芯当前温度、电池的电芯健康状态以及所述电池的电芯种类。

可选的，将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间，包括：

以充电影响因素所对应的解释贡献率作为其对应的单因素充电剩余时间的权重；

对所述单因素充电剩余时间进行加权求和；

计算结果即为所述电池的充电剩余时间。

可选的，所述解释贡献率通过以下方式获得：

以所述充电影响因素为自变量，充电剩余时间为因变量，建立线性回归函数；

根据所述线性回归函数计算所述充电影响因素对应的解释贡献率。

可选的，在所述计算所述充电影响因素对应的解释贡献率之前，所述方法还包括：

计算各个所述充电影响因素的方差膨胀因子；

去除方差膨胀因子大于设定阈值的充电影响因素。

可选的，所述支持向量时序模型为多个，每个所述支持向量时序模型对应于所述电池的不同充电阶段；对应的，在所述获取所述电池的充电影响因素的状态参数之后，所述方法还包括：

根据所述电池的状态参数，选择支持向量时序模型。

可选的，所述支持向量时序模型中包括的单因素充电剩余时间为当前充电阶段中的阶段单因素充电剩余时间，每个支持向量时序模型均对应于一个多元线性回归模型，则将所述阶段单因素充电剩余时间输入对应的多元线性回归模型，得到的将是所述电池的阶段充电剩余时间，所述方法还包括：

确定所述当前充电阶段不是充电完成阶段；

获取所述电池从所述当前充电阶段至充电完成阶段所经历的充电阶段对应支持向量时序模型所得到的阶段单因素充电剩余时间，并通过对应的多元线性回归模型得到对应的阶段充电剩余时间；

将获取到的阶段充电剩余时间进行累加，得到所述电池的充电剩余时间。

在本发明的第二方面，还提供了一种电池充电剩余时间的预测系统，该预测系统包括：

控制模块，用于获取当前电池的充电影响因素的状态参数，根据前述的预测方法，获得所述电池的充电剩余时间。

在本发明的第三方面，还提供了一种电池充电剩余时间的预测设备，包括：

至少一个处理器；

存储器，与所述至少一个处理器连接；

其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的电池充电剩余时间的预测方法。

本发明第四方面还提供一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的电池充电剩余时间的预测方法。

通过本发明提供的上述技术方案，具有以下有益效果：

1)本方案未采用SOC计算充电时间，避免了SOC计算所带来的误差；

2)本方案考虑了多种因素对充电时间的影响，具有通用性；

3)本方案所建立的模型可以适用于不同电芯的充电数据，提高了模型的复用率；

4)本方案根据不同充电阶段来建模，提高了充电时间的计算精度。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1是本发明一种实施方式提供的电池充电剩余时间的预测方法的流程示意图；

图2是本发明一种实施方式提供的电池充电剩余时间的预测方法的模型结构图；

图3是本发明一种实施方式提供的电池充电剩余时间的预测系统的结构示意图；

图4是本发明一种实施方式提供的电池充电剩余时间的预测方法的实施例图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1是本发明一种实施方式提供的电池充电剩余时间的预测方法的流程示意图，如图1所示。本实施方式提供一种电池充电剩余时间的预测方法，所述预测方法包括：

获取所述电池的充电影响因素的状态参数；

将所述状态参数输入支持向量时序模型，得到每个充电影响因素在所述状态参数下对应的单因素充电剩余时间，所述支持向量时序模型中包括充电影响因素中所述状态参数与单因素充电剩余时间的对应关系；

将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间，所述多元线性回归模型中包括每个充电影响因素对于所述充电剩余时间的解释贡献率。

如此，本方案预测充电剩余时间首先采用支持向量时序模型计算出单因素充电剩余时间T，再然后利用多元线性回归模型可以计算出各个影响因素的解释贡献率e，接着将单因素充电剩余时间与解释贡献率进行加权处理，以此来减小计算误差，最后得到误差较小的充电剩余时间。通过建立适配的充电时间计算模型，以得到与实际充电剩余时间差距更小的充电剩余时间。

具体的，图2是本发明一种实施方式提供的电池充电剩余时间的预测方法的模型结构图，如图2所示，本发明提供的实施方式通过建立的支持向量时序模型和多元线性回归模型对采集的充电状态参数进行处理。充电的剩余时间受到多种因素的影响，当某一充电影响因素发生变化时，其最终的充电时间也会发生相应的改变。本发明的实施方式通过支持向量时序模型对充电影响因素和该影响因素对应的单因素充电剩余时间之间的关联关系进行拟合，能够充分利用SVM(支持向量机)模型对非线性化数据的处理优势。进一步考虑到多个充电影响因素对充电剩余时间的影响各不相同，再通过多元线性回归模型对数据之间的线性关系进行精准确定，该拟合关系基于该电池充电过程的历史数据，以使该多元线性回归模型更贴合电池的实际情况。通过以上两种模型的解算，通过确定当前电池的充电参数，以获取到更加准确的充电剩余时间。

在本发明提供的一种实施方式中，所述充电影响因素包括：电池的电芯端电压,充电请求电流，充电装置输出电流，电池的电芯输入充电电流，充电装置输出电压和电芯充电过程中的温度变化量。充电影响因素的共同作用决定了充电剩余时间，通过纳入更多的充电影响因素的考虑，能将充电剩余时间的估计更为精准。

在本发明提供的一种实施方式中，所述充电影响因素还包括以下的一种或多种：电池的电芯当前温度、电池的电芯健康状态以及所述电池的电芯种类。此处将电芯的可能温度分不同的温度区间，不同的温度对应不同充电剩余时间，即一个温度对应一个充电剩余时间；影响因素还应考虑电池的健康状态，即一个健康状态对应一个充电剩余时间；影响因素还应考虑区别不同类型的动力电池，如：磷酸铁锂，三元锂电池等，即一种类型的电池对应一个充电剩余时间。如前述，考虑到的充电影响因素越多，更能包括对充电剩余时间的影响，使充电剩余时间的预测更加准确。

在本发明提供的一种实施方式中，将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间，包括：以充电影响因素所对应的解释贡献率作为其对应的单因素充电剩余时间的权重；对所述单因素充电剩余时间进行加权求和；将计算结果作为所述电池的充电剩余时间。在数据分析中，其结果往往是多个变量共同作用下得到的结果。解释贡献率这个概念是用于量化各个因素的影响大小，表示的是某一因素对整体贡献大小的量化度量。单维度下各项因素的解释贡献率总和一定等于100％。解释贡献率多用于判断分析方向，缩小分析范围以及产出分析结论。此处的具体计算公式为：

充电剩余时间＝∑(单因素充电剩余时间*解释贡献率)。

在本发明提供的一种实施方式中，所述解释贡献率通过以下方式获得：

以所述充电影响因素为自变量，充电剩余时间为因变量，建立线性回归函数；根据所述线性回归函数计算所述充电影响因素对应的解释贡献率。建立线性回归函数T＝∑a_iM_i(t)+b，其中充电时间T作为响应变量，i为充电影响因素的数目，a_i为回归系数，b为回归常数，M_i(t)作为回归因子，其包括：充电时的电芯端电压U_b,充电请求电流I_r，充电枪输出电流I_o，流过电芯充电电流I_c，充电枪输出电压U_c和电芯充电过程中的温度变化量ΔTemp，然后逐步计算出各个影响因素的解释贡献率e，其中解释贡献率e与回归系数a_i相关。

在本发明提供的一种实施方式中，在所述计算所述充电影响因素各自的解释贡献率之前，所述方法还包括：计算各个所述充电影响因素的方差膨胀因子；去除方差膨胀因子大于设定阈值的充电影响因素。方差膨胀因子(variance inflation factor，VIF)是衡量多元线性回归模型中复(多重)共线性严重程度的一种度量。它表示回归系数估计量的方差与假设自变量间不线性相关时方差相比的比值。为了减小共线性对结果的干扰，得到更加准确的结果，需要将方差膨胀因子大于设定阈值的影响因素依次去掉，此处的设定阈值优选为5。

在本发明提供的一种实施方式中，所述支持向量时序模型为多个，每个所述支持向量时序模型对应于所述电池的不同充电阶段；对应的，在所述获取所述电池的充电影响因素的状态参数之后，所述方法还包括：根据所述电池的状态参数，选择支持向量时序模型。以下以6个充电影响因素、3个充电阶段为例，对本实施方式进行说明。充电过程的划分如下：在充电过程中，先进行恒流充电，再进行恒压充电。刚开始充电到充电电流稳定时期为充电初期；充电电流稳定后到电芯端电压到达截止电压时期为充电中期；电芯端电压为截止电压到充电电流为零(即充电结束)时期为充电后期。根据不同的充电阶段建立模型，分别得出单个因素的充电时间T_X与电芯端电压U_b，充电请求电流I_r，充电枪输出电流I_o，流过电芯充电电流I_c，充电枪输出电压U_c和电芯充电过程中的温度变化量ΔTemp的函数关系式，如下所示：

通过所述电池的状态参数确定电池属于初期、中期或者后期中的何种阶段，以此选择对应的支持向量时序模型，并采用该支持向量时序模型的参数。此处的所划分的阶段不限于前述的3个。通过多个支持向量时序模型，能够根据电池的不同充电阶段选择更加合适的模型，提升充电剩余时间的预测准确性。

在本发明提供的一种实施方式中，所述支持向量时序模型中包括的单因素充电剩余时间为当前充电阶段中的阶段单因素充电剩余时间，每个支持向量时序模型均对应于一个多元线性回归模型，则将所述阶段单因素充电剩余时间输入对应的多元线性回归模型，得到的将是所述电池的阶段充电剩余时间，所述方法还包括：确定所述当前充电阶段不是充电完成阶段；获取所述电池从所述当前充电阶段至充电完成阶段所经历的充电阶段对应支持向量时序模型所得到的阶段单因素充电剩余时间，并通过对应的多元线性回归模型得到对应的阶段充电剩余时间；将获取到的阶段充电剩余时间进行累加，得到所述电池的充电剩余时间。本实施方式中的阶段充电剩余时间为本充电阶段对应的充电剩余时间，具有分段的性质，因此本实施方式中需要对其进行叠加。具体如下：前述的多元线性回归模型包括有多个阶段的单因素充电剩余时间，其公式为：T_j＝∑a_iM_i(t)+b,(0≤i≤6,0≤j≤3)，其中，参数如前述，j表示充电阶段数，此处优选为3，i为充电影响因素的数目，此处优选为6。对应的，本实施方式中的解释贡献率e也具有分段性，示例如下：

将计算出的解释贡献率加权到充电时间上，得到不同阶段的充电剩余时间，充电初期的充电时间：

T₁＝e₁₁A₁₁U_b+e₁₂A₂₁I_r+e₁₃A₃₁I_o+e₁₄A₄₁I_c+e₁₅A₅₁U_c+e₁₆A₆₁ΔTemp (1)

充电中期的充电时间：

T₂＝e₂₁A₁₂U_b+e₂₂A₂₂I_r+e₂₃A₃₂I_o+e₂₄A₄₂I_c+e₂₅A₅₂U_c+e₂₆A₆₂ΔTemp (2)

充电后期的充电时间：

T₃＝e₃₁A₁₃U_b+e₃₂A₂₃I_r+e₃₃A₃₃I_o+e₃₄A₄₃I_c+e₃₅A₅₃U_c+e₃₆A₆₃ΔTemp (3)

最后，将获取到的阶段充电剩余时间T₁、T₂、T₃进行累加，得到所述电池的充电剩余时间：

T＝T₁+T₂+T₃ (4)

图3是本发明一种实施方式提供的电池充电剩余时间的预测系统的结构示意图，如图3所示。在本发明提供的一种实施方式中，一种电池充电剩余时间的预测系统，该预测系统包括：控制模块，用于获取当前电池的充电影响因素的状态参数，根据前述的预测方法，获得所述电池的充电剩余时间。控制模块还可以与外围模块相连，例如：电池参数采集模块，用于采集当前的电池充电状态，以及充电条件采集模块，用于采集对所述电池施加的充电条件，例如充电电流和充电电压等。

在本发明提供的一种实施方式中，一种电池充电剩余时间的预测设备，包括：

至少一个处理器；

存储器，与所述至少一个处理器连接；

其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的电池充电剩余时间的预测方法。此处的控制模块或控制设备具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。此处控制模块或控制设备可以例如为单片机、芯片或处理器等常用硬件，更常用的情况下，就是智能终端或者PC的处理器。在此处，该装置可以是PMS(电池包管理系统)或BMS(电池管理系统)中的现有控制器，其实现的功能为该控制器的子功能。其具体形式为依赖于现有PMS中控制器的硬件运行环境中的一段软件代码。

在本发明提供的实施方式中，还提供一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的电池充电剩余时间的预测方法。

图4是本发明一种实施方式提供的电池充电剩余时间的预测方法的实施例图，如图4所示。对图4中方法的描述如前文所述，此处不再重复。

本发明上述的多种实施方式，能够结合电池的自身阻抗特性，根据电芯端电压U_b,充电请求电流I_r，充电枪输出电流I_o，流过电芯充电电流I_c，充电枪输出电压U_c和电芯充电过程中的温度变化量ΔTemp通过多段式支持向量时序模型计算出各阶段的充电剩余时间。利用多元线性回归模型计算各因素(电芯端电压U_b,充电请求电流I_r，充电枪输出电流I_o，流过电芯充电电流I_c，充电枪输出电压U_c和电芯充电过程中的温度变化量ΔTemp)的解释贡献率。多段式支持向量时序模型和多元线性回归模型结合，计算充电剩余时间，提高计算精度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种电池充电剩余时间的预测方法，其特征在于，所述预测方法包括：

获取所述电池的充电影响因素的状态参数；

将所述状态参数输入支持向量时序模型，得到每个充电影响因素在所述状态参数下对应的单因素充电剩余时间，所述支持向量时序模型中包括充电影响因素中所述状态参数与单因素充电剩余时间的对应关系；

将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间；所述多元线性回归模型中包括每个充电影响因素对于所述充电剩余时间的解释贡献率。

2.根据权利要求1所述的预测方法，其特征在于，所述充电影响因素包括：

电池的电芯端电压,充电请求电流，充电装置输出电流，电池的电芯输入充电电流，充电装置输出电压和电芯充电过程中的温度变化量。

3.根据权利要求2所述的预测方法，其特征在于，所述充电影响因素还包括以下的一种或多种：

电池的电芯当前温度、电池的电芯健康状态以及所述电池的电芯种类。

4.根据权利要求1所述的预测方法，其特征在于，将所述单因素充电剩余时间输入多元线性回归模型，得到所述电池的充电剩余时间，包括：

以充电影响因素所对应的解释贡献率作为其对应的单因素充电剩余时间的权重；

对所述单因素充电剩余时间进行加权求和；

将计算结果作为所述电池的充电剩余时间。

5.根据权利要求4所述的预测方法，其特征在于，所述解释贡献率通过以下方式获得：

以所述充电影响因素为自变量，充电剩余时间为因变量，建立线性回归函数；

根据所述线性回归函数计算所述充电影响因素对应的解释贡献率。

6.根据权利要求5所述的预测方法，其特征在于，在所述根据所述线性回归函数计算所述充电影响因素对应的解释贡献率之前，所述方法还包括：

计算各个所述充电影响因素的方差膨胀因子；

去除方差膨胀因子大于设定阈值的充电影响因素。

7.根据权利要求1所述的预测方法，其特征在于，所述支持向量时序模型为多个，每个所述支持向量时序模型对应于所述电池的不同充电阶段；对应的，在所述获取所述电池的充电影响因素的状态参数之后，所述方法还包括：

根据所述电池的状态参数，选择支持向量时序模型。

8.根据权利要求7所述的预测方法，其特征在于：所述支持向量时序模型中包括的单因素充电剩余时间为当前充电阶段中的阶段单因素充电剩余时间，每个支持向量时序模型均对应于一个多元线性回归模型，则将所述阶段单因素充电剩余时间输入对应的多元线性回归模型，得到的是所述电池的阶段充电剩余时间，所述方法还包括：

确定所述当前充电阶段不是充电完成阶段；

获取所述电池从所述当前充电阶段至充电完成阶段所经历的充电阶段对应支持向量时序模型所得到的阶段单因素充电剩余时间，并通过对应的多元线性回归模型得到对应的阶段充电剩余时间；

将获取到的阶段充电剩余时间进行累加，得到所述电池的充电剩余时间。

9.一种电池充电剩余时间的预测系统，其特征在于，该预测系统包括：

控制模块，用于获取当前电池的充电影响因素的状态参数，根据权利要求1至8中任一项权利要求所述的预测方法，获得所述电池的充电剩余时间。

10.一种电池充电剩余时间的预测设备，其特征在于，包括：

至少一个处理器；

存储器，与所述至少一个处理器连接；

其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至8中任意一项权利要求所述的电池充电剩余时间的预测方法。

Images