CN116819347A

CN116819347A - 基于短时间放电数据的电池容量估计方法、系统及介质

Info

Publication number: CN116819347A
Application number: CN202311098989.XA
Authority: CN
Inventors: 张旭东; 樊杰; 张树纯; 赵志颖; 邹渊; 左咏辉; 赵锐娜
Original assignee: Beijing Institute of Technology BIT; Beijing North Vehicle Group Corp
Current assignee: Beijing Institute of Technology BIT; Beijing North Vehicle Group Corp
Priority date: 2023-08-30
Filing date: 2023-08-30
Publication date: 2023-09-29

Abstract

本发明公开一种基于短时间放电数据的电池容量估计方法、系统及介质，涉及电池容量估计领域，方法包括：获取电池在全寿命周期中不同电池容量状态下的前几分钟的电压数据时间序列，并对每一数据序列均分成多个shapelet数据片段；计算每一shapelet数据片段与所属的电压数据时间序列之间的距离；应用MRMR算法选择出代表性shapelet数据片段；以每一代表性shapelet数据片段与所属的电压数据时间序列之间的距离为输入，以电池容量为输出训练电池容量估计模型；基于电池容量估计模型估计电池容量。本发明，能够基于前几分钟的放电电压数据进行电池容量的估计，可实现对电池容量的快速、准确估计。

Description

基于短时间放电数据的电池容量估计方法、系统及介质

技术领域

本发明涉及电池容量估计领域，特别是涉及一种基于短时间恒流放电数据的动力电池容量估计方法、系统及介质。

背景技术

锂离子电池以其高能量密度、长循环寿命和低自放电率成为电动汽车的最佳电源。然而，锂离子电池的健康状态（State-of-Health，SoH）（通常以容量来评估）不可避免地会随着电池的使用而下降，这将直接影响其应用性能的可靠性。因此，准确估计电池容量对于确保其安全运行和延长使用寿命具有重要意义。

目前基于数据驱动的电池SoH估计方法通常依赖于大数据量，通常，数据需要覆盖整个充电或放电范围。然而，获取整个充电数据可能需要大约数小时，这在实际应用中有时是难以实现的。

增量容量（Incremental Capacity，IC）分析是仅利用部分充放电数据即可实现容量估算的有效方法。因为IC曲线上的特征（通常是峰值），出现在特定的荷电状态（State-of-Charge，SoC）范围，所以不需要获取整个充电或放电数据。尽管IC分析可以利用部分充电或放电数据进行有效分析，但IC曲线上的特征通常出现在相对较低的SoC范围，这并不是电池应用（如电动汽车中的“里程焦虑”）的常见情况。此外，确定IC曲线上的峰值等特征仍然需要一定的数据量，这仍然面临一定的不便。因此，亟需一种能够利用合理电池SOC区间短时间数据实现电池容量估算的方法。

发明内容

本发明的目的是提供一种基于短时间放电数据的电池容量估计方法、系统及介质，可利用不同电池容量状态下，电池从100%SoC状态放电的前几分钟的恒流放电电压数据进行电池容量的估计，大大减小了估计所需的数据量，可实现对电池容量的快速、准确估计。

为实现上述目的，本发明提供了如下方案：

一种基于短时间放电数据的电池容量估计方法，所述方法包括：

获取电池在全寿命周期中不同电池容量状态下的电压数据时间序列，并将每一所述电压数据时间序列均分成多个shapelet数据片段；一种电池容量状态对应一个电压数据时间序列；所述电压数据时间序列是在任一电池容量状态下，电池从100%SoC状态放电的前T分钟的恒流放电电压数据；T∈[1，10]；

对每一所述电压数据时间序列，计算每一所述shapelet数据片段与所属的所述电压数据时间序列之间的距离；

对每一所述电压数据时间序列，应用MRMR算法选择出代表性shapelet数据片段；所述代表性shapelet数据片段与电池容量的相关性高于非代表性shapelet数据片段与电池容量的相关性；

对每一所述电压数据时间序列，以每一所述代表性shapelet数据片段与所属的所述电压数据时间序列之间的距离为输入，以对应的电池容量为输出训练电池容量估计模型；所述电池容量估计模型是基于XGBoot构建的；

将待估计电压数据时间序列中的每一所述代表性shapelet数据片段与所属的所述待估计电压数据时间序列之间的距离输入至所述电池容量估计模型，得到电池容量估计值。

可选的，对每一所述电压数据时间序列，计算每一所述shapelet数据片段与所属的所述电压数据时间序列之间的距离，具体包括：

对每一所述电压数据时间序列，计算任意两个所述shapelet数据片段之间的距离，记为数据片段间距离；

对每一所述shapelet数据片段，选取当前所述shapelet数据片段与其他所述shapelet数据片段之间的所述数据片段间距离的最小值为当前所述shapelet数据片段与所属的所述电压数据时间序列之间的距离。

可选的，对每一所述电压数据时间序列，应用MRMR算法选择出代表性shapelet数据片段，具体包括：

对每一所述电压数据时间序列，计算每一所述shapelet数据片段与对应的电池容量之间的互信息；

选取互信息最大的所述shapelet数据片段为第1个所述代表性shapelet数据片段；

计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值；所述剩余shapelet数据片段指所述电压数据时间序列中除当前所有所述代表性shapelet数据片段之外的shapelet数据片段；

选取最大的MRMR值对应的所述剩余shapelet数据片段为第g个所述代表性shapelet数据片段；g=2，3，...，N；N表示当前所有所述代表性shapelet数据片段的数量；

判断当前所有所述代表性shapelet数据片段的数量是否达到预设值；

若否，则令g=g+1，返回步骤“计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值”；

若是，则输出所有的所述代表性shapelet数据片段。

可选的，计算所述互信息的表达式为：

其中，MI表示第i个shapelet数据片段f_i和电池容量y之间的互信息；f_i表示电压数据时间序列中的第i个shapelet数据片段；m为一个电压数据时间序列中shapelet数据片段的数量；y表示电池容量；p(f_i，y)表示第i个shapelet数据片段f_i和电池容量y之间的联合概率分布函数；p(f_i)表示第i个shapelet数据片段f_i的边缘分布函数；p(y)表示电池容量y的边缘分布函数。

可选的，计算所述冗余度的表达式为：

R(f_i，f_j)表示剩余的第i个shapelet数据片段f_i与当前所有所述代表性shapelet数据片段f_j之间的冗余度；MI(f_i，f_j)表示剩余的第i个shapelet数据片段f_i与当前所有所述代表性shapelet数据片段f_j之间的互信息；p(f_i，f_j)表示剩余的第i个shapelet数据片段f_i和第j个代表性shapelet数据片段f_j之间的联合概率分布函数；p(f_i)表示剩余的第i个shapelet数据片段f_i的边缘分布函数；p(f_j)表示第j个代表性shapelet数据片段f_j的边缘分布函数。

可选的，所述MRMR值的表达式为：

其中，H(f_i)和H(f_j)分别是剩余的第i个shapelet数据片段f_i和第j个代表性shapelet数据片段f_j的信息熵值。

本发明提供一种基于短时间放电数据的电池容量估计系统，所述系统包括：

放电数据获取模块，用于获取电池在全寿命周期中不同电池容量状态下的电压数据时间序列，并将每一所述电压数据时间序列均分成多个shapelet数据片段；一种电池容量状态对应一个电压数据时间序列；所述电压数据时间序列是在任一电池容量状态下，电池从100%SoC状态放电的前T分钟的恒流放电电压数据；T∈[1，10]；

距离计算模块，用于对每一所述电压数据时间序列，计算每一所述shapelet数据片段与所属的所述电压数据时间序列之间的距离；

代表性数据片段筛选模块，用于对每一所述电压数据时间序列，应用MRMR算法选择出代表性shapelet数据片段；所述代表性shapelet数据片段与电池容量的相关性高于非代表性shapelet数据片段与电池容量的相关性；

模型训练模块，用于对每一所述电压数据时间序列，以每一所述代表性shapelet数据片段与所属的所述电压数据时间序列之间的距离为输入，以对应的电池容量为输出训练电池容量估计模型；所述电池容量估计模型是基于XGBoot构建的；

电池容量估计模块，用于将待估计电压数据时间序列中的每一所述代表性shapelet数据片段与所属的所述待估计电压数据时间序列之间的距离输入至所述电池容量估计模型，得到电池容量估计值。

可选的，所述距离计算模块具体包括：

数据片段间距离计算单元，用于对每一所述电压数据时间序列，计算任意两个所述shapelet数据片段之间的距离，记为数据片段间距离；

数据片段与时间序列间的距离计算单元，用于对每一所述shapelet数据片段，选取当前所述shapelet数据片段与其他所述shapelet数据片段之间的所述数据片段间距离的最小值为当前所述shapelet数据片段与所属的所述电压数据时间序列之间的距离。

可选的，所述代表性数据片段筛选模块具体包括：

互信息计算单元，用于对每一所述电压数据时间序列，计算每一所述shapelet数据片段与对应的电池容量之间的互信息；

第一个代表性数据片段确定单元，用于选取互信息最大的所述shapelet数据片段为第1个所述代表性shapelet数据片段；

MRMR值计算单元，用于计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值；所述剩余shapelet数据片段指所述电压数据时间序列中除当前所有所述代表性shapelet数据片段之外的shapelet数据片段；

第g个代表性数据片段确定单元，用于选取最大的MRMR值对应的所述剩余shapelet数据片段为第g个所述代表性shapelet数据片段；g=2，3，...，N；N表示当前所有所述代表性shapelet数据片段的数量；

数量判断单元，用于判断当前所有所述代表性shapelet数据片段的数量是否达到预设值；若否，则令g=g+1，返回执行所述MRMR值计算单元中的“计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值”；若是，则输出所有的所述代表性shapelet数据片段。

本发明提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现所述的基于短时间放电数据的电池容量估计方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种基于短时间放电数据的电池容量估计方法、系统及介质，可利用不同电池容量状态下，电池从100%SoC状态放电的前几分钟的恒流放电电压数据进行电池容量的估计，大大减小了估计所需的数据量，可实现对电池电容的快速估计，并且利用了shapelet数据片段的思想，有助于实现对不同老化状态下，电池电压特征的区分，可实现对电池容量的准确估计。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种基于短时间放电数据的电池容量估计方法构思图；

图2为本发明实施例一提供的一种基于短时间放电数据的电池容量估计方法流程图；

图3为本发明实施例二提供的一种基于短时间放电数据的电池容量估计系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1所示，示出了本发明利用短时间恒流放电数据进行动力电池容量估计的方法框架流程图（构思图）。

在训练阶段，提取电池全寿命周期中从100% SoC状态放电的前几分钟电压数据，并将其表示为时间序列；然后，将每个时间序列均分获得shapelet数据片段，计算每个shapelet数据片段与时间序列之间的距离，并基于MRMR算法对shapelet进行排序，筛选与容量相关性较高的shapelet数据片段；最后，使用XGBoost构建从shaplet的距离到电池容量的回归模型映射。shaplet的距离指筛选出的shapelet数据片段与时间序列之间的距离。

在预测阶段，将提取测试电池在充满电状态下放电的前几分钟电压数据，并将其相对于训练阶段所选shaplet的距离作为特征导出，然后将shapelet距离输入到经过训练的XGBoost，以输出估计的电池容量。

具体的，本发明提供一种基于短时间放电数据的电池容量估计方法，如图2所示，所述方法包括：

S1：获取电池在全寿命周期中不同电池容量状态下的电压数据时间序列，并对每一所述电压数据时间序列均分成多个shapelet数据片段；一种电池容量状态对应一个电压数据时间序列；所述电压数据时间序列是在任一电池容量状态下，电池从100%SoC状态放电的前T分钟的恒流放电电压数据。其中，T∈[1，10]；例如，T=1，2，3，4，5，6，7，8，9，10。最优选的，T=4。

本实施例中，假设所使用的部分放电数据从100% SoC状态开始，并且假设放电电流是恒定的。将最初几分钟放电期间的电压视为电压时间序列t，将其均分为若干shapelet数据片段s_k，即：

其中，下角标m是电压时间序列中的shapelet数量。每个shapelet的长度在此设置为l，即：

其中，v表示电池的端电压。

S2：对每一所述电压数据时间序列，计算每一所述shapelet数据片段与所属的所述电压数据时间序列之间的距离。

要选择与电池容量相关性最高的shapelet数据片段，需要定义不同shapelet数据片段之间的距离以及shapelet数据片段与所属电压时间序列之间的距离。则步骤S2具体包括：

S21：对每一所述电压数据时间序列，计算任意两个所述shapelet数据片段之间的距离，记为数据片段间距离。

假设两个shapelet数据片段s_p和s_q之间的欧氏距离用d(s_p，s_q)表示，即：

。

S22：对每一所述shapelet数据片段，选取当前所述shapelet数据片段与其他shapelet数据片段之间的所述数据片段间距离的最小值为当前所述shapelet数据片段与所属的所述电压数据时间序列之间的距离。

shapelet与电压时间序列之间的距离定义为当前所述shapelet数据片段s_i相对于电压时间序列t中任何shapelet的最小距离：

，i=1，2，...，m。

S3：对每一所述电压数据时间序列，应用MRMR算法选择出代表性shapelet数据片段；所述代表性shapelet数据片段与电池容量的相关性高于非代表性shapelet数据片段与电池容量的相关性。

在确定shapelet数据片段与电压时间序列之间的距离后，需要选择能够表示电池老化趋势的代表性shapelet数据片段。一个好的shapelet数据片段应具有以下特征：即在整个电池寿命期间，其相对于电压时间序列的距离应与电池容量退化具有很强的相关性，同时筛选出的shapelet数据片段之间应具有最小的相关性，以避免特征冗余。为了满足以上两个要求，MRMR算法被用来选择与电池容量高度相关的shapelet数据片段，同时减少冗余。

定义shapelet数据片段与电池容量的相关性以及shapelet数据片段之间的相似性：

在MRMR算法中，假设待选的shapelet特征集合B中有m个特征，表示为{f₁，f₂，f₃，....，f_m}，在这里每一个特征fi表示对应的一个shapelet数据片段，y是目标变量，在这里目标变量为电池的容量，指每次采集数据时对应此次电池能够达到的电容容量。特征变量fi和目标变量y之间的联合概率分布函数为p(f_i，y)，那么fi和y（即第i个shapelet数据片段和对应的电池容量）之间的相关性可以用如下定义的互信息MI来表征：

上式选择的特征变量之间可能存在冗余，因此定义特征f_i和特征f_j之间（即不同电压shapelet数据片段之间）的冗余R(f_i，f_j)，以量化特征相似性：

其中，R(f_i，f_j)表示剩余的第i个shapelet数据片段f_i与当前所有所述代表性shapelet数据片段f_j之间的冗余度；MI(f_i，f_j)表示剩余的第i个shapelet数据片段f_i与当前所有所述代表性shapelet数据片段f_j之间的互信息；p(f_i，f_j)表示剩余的第i个shapelet数据片段f_i和第j个代表性shapelet数据片段f_j之间的联合概率分布函数；p(f_i)表示剩余的第i个shapelet数据片段f_i的边缘分布函数；p(f_j)表示第j个代表性shapelet数据片段f_j的边缘分布函数。

MRMR算法的核心目标是找到一组特征变量（即找到一组代表性的电压shapelet数据片段），其中特征不仅需要与目标最大相关，还需要最小冗余（即找到的代表性电压shaplet需要与电池容量高度相关，同时代表性电压shapelet两两之间的相关度较低）。但实际上，在大多数情况下，这两个条件不能同时实现。为了解决这个问题，这两个条件通常会被组合成一个约束。约束表达式为：

在实际应用中，基于MRMR算法对特征集中的特征分别进行顺序选择（即需要从特征集合B中筛选出一些具有代表性的shaplet数据片段，通过以下迭代步骤进行筛选），这个过程称为一阶贪婪算法。因此，步骤S3具体包括：

S31：对每一所述电压数据时间序列，计算每一所述shapelet数据片段与对应的电池容量之间的互信息。

S32：选取互信息最大的所述shapelet数据片段为第1个所述代表性shapelet数据片段。

对于第一个特征（即第一个代表性shapelet数据片段）的选择：根据计算要选择的每个特征与目标变量之间的相互信息。然后，所选特征集F_e中的第一个选定特征是与目标变量具有最大互信息的特征。

S33：计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值；所述剩余shapelet数据片段指所述电压数据时间序列中除当前所有所述代表性shapelet数据片段之外的shapelet数据片段。

S34：选取最大的MRMR值对应的所述剩余shapelet数据片段为第g个所述代表性shapelet数据片段；g=2，3，...，N；N表示当前所有所述代表性shapelet数据片段的数量。

基于上述两个选择的特征，所选特征集F_e与目标函数之间的相关性可由给出，而所选特征之间的冗余度可通过/>给出。选择下一个特征需要最大化所选特征集F_e中各特征与目标变量之间的相关性并最小化所选特征集F_e中各特征的冗余，需要满足MRMR约束，并重复执行步骤S33至步骤S34。符合要求的特征依次添加到所选特征集F_e中，直到所选特征的数量符合要求。

例如，对于第二个特征的选择：根据计算其他每一待选特征与所选特征集F_e中选定的第一个特征之间的冗余度，进一步根据/>计算MRMR值，即计算。然后，所选特征集F_e中的第二个选定特征是MRMR值最高的特征。选择第二个特征时，由于仅选取出了一个代表性shapelet数据片段，则N取值为1。

例如，对于第三个特征的选择：根据计算其他每一待选特征与所选特征集F_e中选定的所有特征（即第一个特征和第二个特征）之间的冗余度，N取值为2，j=1，2。进一步根据/>计算其他每一待选特征的MRMR值，即计算。然后，所选特征集F_e中的第三个选定特征是当前MRMR值最高的特征。

例如，对于第四个特征的选择：根据计算其他每一待选特征与所选特征集F_e中选定的所有特征（即第一个特征、第二个特征和第三个特征）之间的冗余度，N取值为3，j=1，2，3。进一步根据/>计算其他每一待选特征的MRMR值，即计算。然后，所选特征集F_e中的第四个选定特征是当前MRMR值最高的特征。

S35：判断当前所有所述代表性shapelet数据片段的数量是否达到预设值。

若否，则令g=g+1，返回步骤S33中“计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值”。

若是，则输出所有的所述代表性shapelet数据片段。

S4：对每一所述电压数据时间序列，以每一所述代表性shapelet数据片段与所属的所述电压数据时间序列之间的距离为输入，以对应的电池容量为输出训练电池容量估计模型；所述电池容量估计模型是基于XGBoot构建的。

以代表性shapelet数据片段与所属电压时间序列之间的距离为输入，以电池容量为输出，以XGBoost为电池容量估计模型，在训练阶段通过已知的输入和输出对XGBoost模型进行标定。

S5：将待估计电压数据时间序列中的每一所述代表性shapelet数据片段与所属的所述待估计电压数据时间序列之间的距离输入至所述电池容量估计模型，得到电池容量估计值。

本实施例中，首先，获取较短时间的放电数据，基于shapelet数据片段思想，使用最大相关最小冗余（Maximum Relevance Minimum Redundancy，MRMR）算法选择与电池老化强相关的代表性shapalet，然后用eXtreme梯度增强（XGBoost，eXtreme gradientboosting）构建回归模型，实现电池容量的估计。本发明能够用较短时间的放电数据，结合shapelet数据片段的思想，利用shapelet数据片段的思想，对不同老化状态下，电池电压特征的区分，从而实现对电池容量的快速、准确估计。

实施例二

如图3所示，本实施例提供一种基于短时间放电数据的电池容量估计系统，所述系统包括：

放电数据获取模块M1，用于获取电池在全寿命周期中的不同电池容量状态下的电压数据时间序列，并对每一所述电压数据时间序列均分成多个shapelet数据片段；一种电池容量状态对应一个电压数据时间序列；所述电压数据时间序列是在任一电池容量状态下，电池从100%SoC状态放电的前T分钟的恒流放电电压数据。T∈[1，10]。

距离计算模块M2，用于对每一所述电压数据时间序列，计算每一所述shapelet数据片段与所属的所述电压数据时间序列之间的距离。

其中，所述距离计算模块M2具体包括：

数据片段间距离计算单元M21，用于对每一所述电压数据时间序列，计算任意两个所述shapelet数据片段之间的距离，记为数据片段间距离。

数据片段与时间序列间的距离计算单元M22，用于对每一所述shapelet数据片段，选取当前所述shapelet数据片段与其他shapelet数据片段之间的所述数据片段间距离的最小值为当前所述shapelet数据片段与所属的所述电压数据时间序列之间的距离。

代表性数据片段筛选模块M3，用于对每一所述电压数据时间序列，应用MRMR算法选择出代表性shapelet数据片段；所述代表性shapelet数据片段与电池容量的相关性高于非代表性shapelet数据片段与电池容量的相关性。

其中，所述代表性数据片段筛选模块M3具体包括：

互信息计算单元M31，用于对每一所述电压数据时间序列，计算每一所述shapelet数据片段与对应的电池容量之间的互信息。

第一个代表性数据片段确定单元M32，用于选取互信息最大的所述shapelet数据片段为第1个所述代表性shapelet数据片段。

MRMR值计算单元M33，用于计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值；所述剩余shapelet数据片段指所述电压数据时间序列中除当前所有所述代表性shapelet数据片段之外的shapelet数据片段。

第g个代表性数据片段确定单元M34，用于选取最大的MRMR值对应的所述剩余shapelet数据片段为第g个所述代表性shapelet数据片段；g=2，3，...，N；N表示当前所有所述代表性shapelet数据片段的数量。

数量判断单元M35，用于判断当前所有所述代表性shapelet数据片段的数量是否达到预设值；若否，则令g=g+1，返回执行所述MRMR值计算单元M33中的“计算每一当前剩余shapelet数据片段与当前所有所述代表性shapelet数据片段之间的冗余度，根据所述冗余度计算每一所述剩余shapelet数据片段对应的MRMR值”；若是，则输出所有的所述代表性shapelet数据片段。

模型训练模块M4，用于对每一所述电压数据时间序列，以每一所述代表性shapelet数据片段与所属的所述电压数据时间序列之间的距离为输入，以对应的电池容量为输出训练电池容量估计模型；所述电池容量估计模型是基于XGBoot构建的。

电池容量估计模块M5，用于将待估计电压数据时间序列中的每一所述代表性shapelet数据片段与所属的所述待估计电压数据时间序列之间的距离输入至所述电池容量估计模型，得到电池容量估计值。

实施例三

本实施例提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于短时间放电数据的电池容量估计方法。

另外，本发明实施例还提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的基于短时间放电数据的电池容量估计方法。

可选地，上述电子设备可以是服务器。

本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种基于短时间放电数据的电池容量估计方法，其特征在于，所述方法包括：

获取电池在全寿命周期中不同电池容量状态下的电压数据时间序列，并将每一所述电压数据时间序列均分成多个shapelet数据片段；一种电池容量状态对应一个所述电压数据时间序列；所述电压数据时间序列是在任一电池容量状态下，电池从100%SoC状态放电的前T分钟的恒流放电电压数据；T∈[1，10]；

2.根据权利要求1所述的方法，其特征在于，对每一所述电压数据时间序列，计算每一所述shapelet数据片段与所属的所述电压数据时间序列之间的距离，具体包括：

3.根据权利要求1所述的方法，其特征在于，对每一所述电压数据时间序列，应用MRMR算法选择出代表性shapelet数据片段，具体包括：

若是，则输出所有的所述代表性shapelet数据片段。

4.根据权利要求3所述的方法，其特征在于，计算所述互信息的表达式为：

5.根据权利要求3所述的方法，其特征在于，计算所述冗余度的表达式为：

6.根据权利要求5所述的方法，其特征在于，所述MRMR值的表达式为：

7.一种基于短时间放电数据的电池容量估计系统，其特征在于，所述系统包括：

放电数据获取模块，用于获取电池在全寿命周期中不同电池容量状态下的电压数据时间序列，并将每一所述电压数据时间序列均分成多个shapelet数据片段；一种电池容量状态对应一个所述电压数据时间序列；所述电压数据时间序列是在任一电池容量状态下，电池从100%SoC状态放电的前T分钟的恒流放电电压数据；T∈[1，10]；

8.根据权利要求7所述的系统，其特征在于，所述距离计算模块具体包括：

9.根据权利要求7所述的系统，其特征在于，所述代表性数据片段筛选模块具体包括：

10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的基于短时间放电数据的电池容量估计方法。