一种三元锂离子电池容量突变点预测方法与流程

1.本发明涉及锂离子电池健康状态管理技术领域，特别涉及一种三元锂离子电池容量突变点预测方法。


背景技术：

2.三元锂离子电池在运行过程中可能会经历加速老化，三元锂离子电池的加速老化会降低电池性能并导致安全问题。并且目前三元锂离子电池的容量突变点预测不准，现有的预测方法难以解决三元锂离子电池容量突变点预测问题。三元锂离子电池容量加速衰退会伴随着容量快速衰减，以及内部锂离子和正负极材料的大量损失。因此急需一种能够准确预测三元锂离子电池容量突变点的方法。


技术实现要素：

3.针对现有技术中存在的缺陷，本发明的目的在于提供一种三元锂离子电池容量突变点预测方法，从已有的电池加速老化数据中提取与新的电池具有共性知识的迁移样本用于新的电池的容量突变点预测。容量突变点预测方法包括加速老化模式判断以及样本选择。老化模式判断利用从三元锂离子电池放电容量
‑
电压曲线，容量增量曲线，电压差分曲线上提取表征锂离子电池的健康状态的17个特征参数，除了17个特征外还有循环温度以及放电电流倍率，一共19个特征。首先分析17个老化特征与ruk之间的关系，选择重要特征，判断存在多少加速老化模式。然后利用机器学习算法对三元锂离子电池的加速老化模式进行早期判断，然后根据加速老化模式判断结果从已有的电池加速老化数据中进行样本选择，训练机器学习模型，最终对新的电池进行容量突变点预测。
4.为达到以上目的，本发明采取的技术方案是：
5.一种三元锂离子电池容量突变点预测方法，包括以下步骤：
6.步骤s1、选取三元锂离子电池样本，对不同三元锂离子电池样本在不同温度和不同放电倍率条件下进行电池循环衰退试验，得到三元锂离子电池样本在不同循环时期的放电容量
‑
电压曲线，放电容量增量曲线和放电电压差分曲线；
7.步骤s2、利用第n次循环的放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线分别与第15次的放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线做差，得到放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线；
8.从三元锂离子电池放电容量
‑
电压曲线，放电容量增量曲线和放电电压差分曲线的早期变化曲线上提取能够反映三元电池内部老化机理的特征参数；
9.步骤s3、分别提取放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线在电压区间2.9v
‑
4v上的最大值，最小值，平均值，标准差，偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化，一共提取出17个老化特征参数；
10.步骤s4、对提取的17个老化特征参数进行标准化，得到三元锂离子电池样本的特征矩阵；
11.分析从三元锂离子电池放电容量
‑
电压曲线，放电容量增量曲线和放电电压差分曲线的早期变化曲线上提取能够反映三元锂离子电池内部老化机理的老化特征参数与ruk之间的关系。提取和ruk之间具有明显相关性的特征，根据特征参数和ruk之间的关系判断加速老化模式的种类。
12.步骤s5、分析17个老化特征参数与ruk之间的关系，提取与ruk之间具有明显相关性的老化特征参数，作为重要特征，重要特征与ruk之间存在两种关系，一种是近似线性关系，一种是非线性关系，根据重要特征与ruk之间的关系分析已有的三元锂离子电池的加速老化模式；
13.步骤s6、确定决策树分类模型的输入：将19个特征参数作为决策树分类模型的输入，19个特征参数包括：对提取的17个老化特征参数进行标准化后的特征、循环温度和循环放电电流倍率；
14.步骤s7、在步骤s6的基础上，通过决策树分类模型判断新的三元锂离子电池加速老化模式，通过新的三元锂离子电池加速老化模式确定出新的三元锂离子电池中的重要特征与ruk之间的关系；
15.步骤s8、从已有的三元锂离子电池样本中进行迁移样本选择，选择与新的三元锂离子电池具有相同加速老化模式的电池样本，作为共性样本；
16.步骤s9、利用挑选的共性样本训练决策树回归模型，然后对新的三元锂离子电池的容量突变点进行预测，共性样本中的特征为与ruk相关的重要特征。
17.在上述方案的基础上，步骤s3中分别提取放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线在电压区间2.9v
‑
4v上的最大值、最小值、平均值、标准差、偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化的具体过程为：
18.δq
n
(v
i
)＝q
n
(v
i
)
‑
q
15
(v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
19.δdv/dt
n
(v
i
)＝dv/dt
n
(v
i
)
‑
dv/dt
15
(v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
20.δdq/dv
n
(v
i
)＝dq/dv
n
(v
i
)
‑
dq/dv
15
(v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021][0022][0023][0024][0025]
feature2＝ln(|max(δq
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0026]
feature3＝ln(|min(δq
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0027]
[0028][0029][0030]
feature7＝ln(|max(δdq/dv
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0031]
feature8＝ln(|min(δdq/dv
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0032][0033][0034][0035]
feature12＝ln(|max(δdv/dt
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0036]
feature13＝ln(|min(δdv/dt
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0037][0038][0039]
feature16＝t
n
‑
t
15
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0040]
feature17＝q
disn
‑
q
dis15
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0041]
其中，q
n
(v
i
)为第n圈放电容量
‑
电压曲线，q
15
(v
i
)为第15圈放电容量
‑
电压曲线，δq
n
(v
i
)为第n圈放电容量
‑
电压曲线与第15圈放电容量
‑
电压曲线之差，作为放电容量
‑
电压曲线的早期变化曲线，dv/dt
n
(v
i
)为第n圈放电电压差分曲线，dv/dt
15
(v
i
)为第15圈放电电压差分曲线，δdv/dt
n
(v
i
)为第n圈放电电压差分曲线与第15圈放电电压差分曲线之差，作为放电电压差分曲线的早期变化曲线，dq/dv
n
(v
i
)为第n圈放电容量增量曲线，dq/dv
15
(v
i
)为第15圈放电容量增量曲线，δdq/dv
n
(v
i
)为第n圈放电容量增量曲线与第15圈放电容量增量曲线之差，作为放电容量增量曲线的早期变化曲线；t
n
为第n次循环的总放电时间，t
15
为第15次循环的总放电时间，q
disn
为n次循环的总放电容量，q
dis15
为第15次循环的总放电容量，为放电容量
‑
电压曲线的早期变化曲线的平均值，为放电电压差分曲线的早期变化曲线的平均值，为放电容量增量曲线的早期变化曲线的平均值，k为放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线的上的电压个数，i＝1，2，3，
…
，k，feature1为放电容量
‑
电压曲线的早期变化曲线的平均值的绝对值的对数，feature2为放电容量
‑
电压曲线的早期变化曲线的最大值的绝对值的对数，feature3为放电容量
‑
电压曲线的早期变化曲线的最小值的绝对值的对数，feature4为放
电容量
‑
电压曲线的早期变化曲线的标准差的绝对值的对数，feature5为放电容量
‑
电压曲线的早期变化曲线的偏度，feature6为放电容量增量曲线的早期变化曲线的平均值的绝对值的对数，feature7为放电容量增量曲线的早期变化曲线的最大值的绝对值的对数，feature8为放电容量增量曲线的早期变化曲线的最小值的绝对值的对数，feature9为放电容量增量曲线的早期变化曲线的标准差的绝对值的对数，feature10为放电容量增量曲线的早期变化曲线的偏度，feature11为放电电压差分曲线的早期变化曲线的平均值的绝对值的对数，feature12为放电电压差分曲线的早期变化曲线的最大值的绝对值的对数，feature13为放电电压差分曲线的早期变化曲线的最小值的绝对值的对数，feature14为放电电压差分曲线的早期变化曲线的标准差的绝对值的对数，feature15为放电电压差分曲线的早期变化曲线的偏度，feature16为第n次循环相对于第15次循环的放电时间变化，feature17为第n次循环相对于第15次循环的放电容量变化，v
i
代表第n次循环的放电电压差分曲线、放电容量增量曲线和放电容量
‑
电压曲线的电压，v
i
∈(2.9v
‑
4v)。
[0042]
在上述方案的基础上，所述三元锂离子电池样本的特征矩阵具体如下式所示：
[0043][0044]
其中，表示第w个电池第n次循环试验提取的第k1个特征，n为循环次数，k1＝1，2，...，17，label
wn
表示第n次循环的第w个电池的特征样本所对应的标签，特征样本为17个老化特征参数组成的样本，在判断加速老化模式时样本标签为加速老化模式的编号，在预测容量突变点时样本标签为锂离子电池的ruk，在预测完ruk后，将ruk加上其对应的循环次数得到容量突变点对应的循环次数。
[0045]
本发明所达到的有益效果为：
[0046]
本发明提出了一种三元锂离子电池容量突变点预测方法，从已有的电池加速老化数据中提取与新的电池具有共性知识的迁移样本用于新的电池的容量突变点预测。容量突变点预测方法包括加速老化模式判断以及样本选择。老化模式判断利用从三元锂离子电池放电容量
‑
电压曲线，容量增量曲线，电压差分曲线上提取表征锂离子电池的健康状态的17个反映老化机理的特征参数，除了17个反映老化机理的特征外还有循环温度以及放电电流倍率，一共19个特征。然后利用机器学习算法对三元锂离子电池的加速老化模式进行早期判断，然后根据加速老化模式判断结果从已有的电池加速老化数据中进行样本选择，训练机器学习模型，最终对新的电池进行容量突变点预测。
附图说明
[0047]
本发明有如下附图：
[0048]
图1为一种三元锂离子电池容量突变点预测方法流程图；
[0049]
图2为feature1和ruk之间的关系示意图；
[0050]
图3为feature2和ruk之间的关系示意图；
[0051]
图4为feature3和ruk之间的关系示意图；
[0052]
图5为feature4和ruk之间的关系示意图；
[0053]
图6为feature5和ruk之间的关系示意图；
[0054]
图7为feature6和ruk之间的关系示意图；
[0055]
图8为feature7和ruk之间的关系示意图；
[0056]
图9为feature8和ruk之间的关系示意图；
[0057]
图10为feature9和ruk之间的关系示意图；
[0058]
图11为feature10和ruk之间的关系示意图；
[0059]
图12为feature11和ruk之间的关系示意图；
[0060]
图13为feature12和ruk之间的关系示意图；
[0061]
图14为feature13和ruk之间的关系示意图；
[0062]
图15为feature14和ruk之间的关系示意图；
[0063]
图16为feature15和ruk之间的关系示意图；
[0064]
图17为feature16和ruk之间的关系示意图；
[0065]
图18为feature17和ruk之间的关系示意图；
[0066]
图19为特征13和ruk之间的两种关系模式示意图。
具体实施方式
[0067]
以下结合附图1
‑
19对本发明作进一步详细说明。
[0068]
机器学习用于各种预测以及模式识别问题，因此机器学习算法适合进行三元锂离子电池加速老化早期诊断以及拐点预测，在已有大量关于锂离子电池加速老化和正常老化的历史数据的前提下，利用历史数据训练机器学习模型可以实现锂离子电池的早期加速老化诊断以及拐点预测。寿命模型适合于锂离子电池寿命预测，但是对于加速老化电池，基于寿命模型的方法的寿命预测准确度不高。并且目前的寿命模型训练的过程中已有的老化数据利用率不高造成大量实验数据的浪费。因此本发明提出样本迁移的寿命预测方法，提高加速老化电池的寿命预测精度以及提高已有老化电池样本的利用率。
[0069]
基于此，本发明提供一种三元锂离子电池容量突变点预测方法，参见图1，包括如下步骤：
[0070]
步骤1：选取三元锂离子电池样本，对不同三元锂离子电池样本在不同温度和不同放电倍率条件下进行电池循环衰退试验，得到三元锂离子电池样本在不同循环时期的放电容量
‑
电压曲线，放电容量增量曲线和放电电压差分曲线；
[0071]
容量增量曲线可以表示为dq/dv关于电压v的函数，容量增量曲线各个峰以及对应面积的变化对应了三元电池内部不同的衰退模式。
[0072]
电压差分曲线可以表示为dv/dq关于容量q的函数，电压差分曲线各个谷以及对应面积的变化对应了三元电池内部不同的衰退模式。
[0073]
放电容量
‑
电压曲线反映了电池的电化学过程。
[0074]
常见的三元锂离子电池内部衰退模式包括锂离子损失，正极材料损失以及负极材料损失。
[0075]
步骤2：利用第n次循环的放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线分别与第15次的放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线做差，得
到放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线；
[0076]
步骤3：分别提取放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线在电压区间2.9v
‑
4v上的最大值，最小值，平均值，标准差，偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化，一共提取出17个老化特征参数；
[0077]
步骤4：对提取的17个老化特征参数进行标准化，得到三元锂离子电池样本的特征矩阵；
[0078]
步骤5：分析17个老化特征参数与ruk之间的关系，提取与ruk之间具有明显相关性的老化特征参数，作为重要特征，重要特征与ruk之间存在两种关系，一种是近似线性关系，一种是非线性关系，根据重要特征与ruk之间的关系分析已有的三元锂离子电池的加速老化模式；
[0079]
步骤6：确定决策树分类模型的输入：将19个特征参数作为决策树分类模型的输入，19个特征参数包括：对提取的17个老化特征参数进行标准化后的特征、循环温度和循环放电电流倍率；
[0080]
步骤7：在步骤6的基础上，通过决策树分类模型判断新的三元锂离子电池加速老化模式，通过新的三元锂离子电池加速老化模式确定出新的三元锂离子电池中的重要特征与ruk之间的关系；
[0081]
步骤8：从已有的三元锂离子电池样本中进行迁移样本选择，选择与新的三元锂离子电池具有相同加速老化模式的电池样本，作为共性样本；
[0082]
步骤9：利用挑选的共性样本训练决策树回归模型，然后对新的三元锂离子电池的容量突变点进行预测，共性样本中的特征为与ruk相关的重要特征。
[0083]
进一步的，步骤s3中分别提取放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线在电压区间2.9v
‑
4v上的最大值、最小值、平均值、标准差、偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化的具体过程为：
[0084]
δq
n
(v
i
)＝q
n
(v
i
)
‑
q
15
(v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0085]
δdv/dt
n
(v
i
)＝dv/dt
n
(v
i
)
‑
dv/dt
15
(v
i
)
ꢀꢀꢀꢀꢀ
(2)
[0086]
δdq/dv
n
(v
i
)＝dq/dv
n
(v
i
)
‑
dq/dv
15
(v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0087][0088][0089][0090][0091]
feature2＝ln(|max(δq
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0092]
feature3＝ln(|min(δq
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0093]
[0094][0095][0096]
feature7＝ln(|max(δdq/dv
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀ
(13)
[0097]
feature8＝ln(|min(δdq/dv
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀ
(14)
[0098][0099][0100][0101]
feature12＝ln(|max(δdv/dt
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0102]
feature13＝ln(|min(δdv/dt
n
(v
i
)|)
ꢀꢀꢀꢀꢀꢀ
(19)
[0103][0104][0105]
feature16＝t
n
‑
t
15
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0106]
feature17＝q
disn
‑
q
dis15
ꢀꢀꢀꢀꢀꢀ
(23)
[0107]
其中，q
n
(v
i
)为第n圈放电容量
‑
电压曲线，q
15
(v
i
)为第15圈放电容量
‑
电压曲线，δq
n
(v
i
)为第n圈放电容量
‑
电压曲线与第15圈放电容量
‑
电压曲线之差，作为放电容量
‑
电压曲线的早期变化曲线，dv/dt
n
(v
i
)为第n圈放电电压差分曲线，dv/dt
15
(v
i
)为第15圈放电电压差分曲线，δdv/dt
n
(v
i
)为第n圈放电电压差分曲线与第15圈放电电压差分曲线之差，作为放电电压差分曲线的早期变化曲线，dq/dv
n
(v
i
)为第n圈放电容量增量曲线，dq/dv
15
(v
i
)为第15圈放电容量增量曲线，δdq/dv
n
(v
i
)为第n圈放电容量增量曲线与第15圈放电容量增量曲线之差，作为放电容量增量曲线的早期变化曲线；t
n
为第n次循环的总放电时间，t
15
为第15次循环的总放电时间，q
disn
为n次循环的总放电容量，q
dis15
为第15次循环的总放电容量，为放电容量
‑
电压曲线的早期变化曲线的平均值，为放电电压差分曲线的早期变化曲线的平均值，为放电容量增量曲线的早期变化曲线的平均值，k为放电容量
‑
电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线的上的电压个数，i＝1，2，3，
…
，k，feature1为放电容量
‑
电压曲线的早期变化曲线的平均值的绝对值的对数，feature2为放电容量
‑
电压曲线的早期变化曲线的最大值的绝对值的对数，feature3为放电容量
‑
电压曲线的早期变化曲线的最小值的绝对值的对数，feature4为放
电容量
‑
电压曲线的早期变化曲线的标准差的绝对值的对数，feature5为放电容量
‑
电压曲线的早期变化曲线的偏度，feature6为放电容量增量曲线的早期变化曲线的平均值的绝对值的对数，feature7为放电容量增量曲线的早期变化曲线的最大值的绝对值的对数，feature8为放电容量增量曲线的早期变化曲线的最小值的绝对值的对数，feature9为放电容量增量曲线的早期变化曲线的标准差的绝对值的对数，feature10为放电容量增量曲线的早期变化曲线的偏度，feature11为放电电压差分曲线的早期变化曲线的平均值的绝对值的对数，feature12为放电电压差分曲线的早期变化曲线的最大值的绝对值的对数，feature13为放电电压差分曲线的早期变化曲线的最小值的绝对值的对数，feature14为放电电压差分曲线的早期变化曲线的标准差的绝对值的对数，feature15为放电电压差分曲线的早期变化曲线的偏度，feature16为第n次循环相对于第15次循环的放电时间变化，feature17为第n次循环相对于第15次循环的放电容量变化，v
i
代表第n次循环的放电电压差分曲线、放电容量增量曲线和放电容量
‑
电压曲线的电压，v
i
∈(2.9v
‑
4v)。
[0108]
进一步的，三元锂离子电池样本的特征矩阵具体如下式所示：
[0109][0110]
其中，表示第w个电池第n次循环试验提取的第k1个特征，n为循环次数，k1＝1，2，...，17，label
wn
表示第n次循环的第w个电池的特征样本所对应的标签，特征样本为17个老化特征参数组成的样本，在判断加速老化模式时样本标签为加速老化模式的编号，在预测容量突变点时样本标签为锂离子电池的ruk，在预测完ruk后，将ruk加上其对应的循环次数就可以得到容量突变点对应的循环次数。
[0111]
实施例
[0112]
现对国内某厂家额定116ah和38ah的三元锂离子电池进行循环试验并进行容量突变点预测，具体实施步骤如下：
[0113]
步骤1：开展三元锂离子电池在不同温度，不同放电倍率下的电池循环衰退试验，一共36块锂离子电池。温度范围是10℃
‑
55℃，放电倍率范围是0.5c
‑
2c。挑选出36块锂离子电池中的15块加速老化电池进行容量突变预测，这15块加速老化电池标记为1
‑
15号电池。1号
‑
12号电池作为源域样本。13，14，15号电池作为目标域样本。源域样本数据用于训练决策树分类模型，分析与ruk相关的重要特征，目标域样本用于验证容量突变点预测准确度。
[0114]
步骤2：从三元锂离子电池放电容量
‑
电压曲线，放电容量增量曲线和放电电压差分曲线的早期变化曲线上提取能够反映三元电池内部老化机理的特征参数，包括：放电容量电压曲线、放电容量增量曲线和放电电压差分曲线的早期变化曲线的最大值，最小值，平均值，方差，偏度，以及第n次循环相对于第15次循环的放电容量变化和放电时间变化。一共17个老化特征参数，反映电池老化机理，对提取的17个老化特征参数进行标准化，得到三元锂离子电池样本的特征矩阵。除这17个老化特征参数，循环温度以及循环放电电流倍率也作为特征，一个19个特征参数。
[0115]
步骤3：提取完17个老化特征参数后，分析17个老化特征参数与ruk之间的关系模
式，然后提取与ruk之间高度相关的特征参数。17个反映机理的老化特征参数与ruk之间的关系如图2
‑
18所示。从图14可以分析发现特征13(对应feature13)与ruk之间存在两种关系，一种近似线性关系，一种为非线性关系，其他特征与ruk之间的关系不明显。特征13与ruk之间的两种关系在图19中进行了标识，近似线性的关系标记为加速老化模式1，非线性的关系标记为加速老化模式2。进行加速老化模式判断时特征样本的标签为0或1，加速老化模式1的样本的标签为0，加速老化模式2的样本的标签为1。因此选择特征13作为预测容量突变点的样本中的特征参数。
[0116]
步骤4：通过决策树分类模型判断锂离子电池加速老化模式以及对加速老化电池进行拐点预测。其中判断加速老化模式所用加速老化电池样本中的特征为19个。拐点预测时所用的加速老化电池样本中的特征为17个反映电池老化机理的特征中与ruk高度相关的特征。训练加速老化模式判断模型以及容量突变点模型所用数据为源域数据集，验证容量突变点预测准确度采用目标域数据集。
[0117]
表1为本发明实施例中基于决策树分类模型的目标域电池的加速老化模式判断结果。由结果可知目标域13，14和15号电池的加速老化模式为第2种非线性的加速老化模式。因此目标域13，14和15号电池的特征13与ruk之间具有非线性关系。
[0118]
表1 基于决策树的加速老化模式判断结果
[0119][0120]
步骤5：最后选择源域数据集中同样具有加速老化模式2的样本数据进行训练决策树回归模型。然后再在验证集上进行容量突变点预测。表2为加速老化电池的容量突变点预测结果，训练集上的容量突变点预测平均相对误差为1.26％，验证集上的容量突变点预测平均相对误差为5.81％。
[0121]
表2 基于决策树的加速老化电池的拐点结果
[0122][0123]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。