使用递增容量分析和支持向量回归确定电池健康状态的方法和装置与流程

使用递增容量分析和支持向量回归确定电池健康状态的方法和装置
1.本技术要求2019年6月14日提交的美国申请no.62/861,504的权益，其全部内容通过引用而并入。
技术领域
2.本公开的某些实施方式致力于电池分析。更特别地，本公开的一些实施方式提供了使用递增容量分析和支持向量回归来确定电池健康状态的系统和方法。


背景技术：

3.本公开的某些实施方式致力于电池分析。更特别地，本公开的一些实施方式提供了使用递增容量分析和支持向量回归来确定电池健康状态的系统和方法。仅作为示例，本公开的一些实施方式已经被应用于诊断电池。但是应认识到，本公开具有更宽泛范围的应用，诸如用于其它类型的蓄能装置。
4.在各种用例中，诸如在移动蓄能(例如，电动车辆)、固定蓄能(例如，电网蓄能)以及便携式蓄能(例如，个人电子装置)应用中，蓄能装置的健康状态(a state of health，soh)是该蓄能装置的健康状况的指示。对于许多电池管理系统(battery management systems，bms)，soh是关键信息。在一些场景中，与新电芯(cell)相比，soh对应于总容量的降低和/或内阻的升高。作为示例，新电芯(例如，下线或成品)通常具有100％或接近100％(例如，高于90％、95％或99％)的初始soh，而老化电芯(例如，已经充放电至少一个循环)具有小于初始soh的老化soh。监测soh适用于多种蓄能装置，包括但不限于，锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。在一些用例中，使用于快速、准确、鲁棒和/或实时预测soh的系统和/或方法(例如，soh估计算法)自适应对于电池健康诊断和预兆(prognostic)是非常合乎需要的。


技术实现要素：

5.本公开的某些实施方式致力于电池分析。更特别地，本公开的一些实施方式提供了使用递增容量分析和支持向量回归来确定电池健康状态的系统和方法。仅作为示例，本公开的一些实施方式已经被应用于诊断电池。但是应认识到，本公开具有更宽泛范围的应用，诸如用于其它类型的蓄能装置。
6.在各种实施方式中，提供了一种用于建立经训练的健康状态(soh)估计模型的计算机实现方法，该方法包括以下步骤：采集第一soh下的训练电池在充电循环期间在预定电压范围内的电压容量(qv)数据；至少基于所采集的qv数据来获得递增容量(ic)数据；从ic数据提取ica面积和ica峰；将所提取的ica面积和ica峰输入到ica数据库中；针对一个或更多个附加soh下的训练电池重复采集过程、获得过程、提取过程以及输入过程；以及通过至少基于ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立经训练的
soh估计模型。
7.在一些实施方式中，该计算机实现方法还包括以下步骤：在获得ic数据的过程之后并且在从ic数据提取ica面积和ica峰的过程之前，对ic数据进行预处理。
8.在一些实施方式中，对ic数据进行预处理的步骤包括：使ic数据变平滑。
9.在一些实施方式中，至少基于所采集的qv数据来获得ic数据的步骤包括：将所采集的容量对所采集的电压求微分。
10.在一些实施方式中，从ic数据提取ica面积和ica峰的步骤包括：从ic数据提取多个ica次级面积以及多个次级ica次级峰，其中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
11.在一些实施方式中，训练电池是第一电池类型的。在一些示例中，经训练的soh估计模型被建立为对第一电池类型的电池的预测soh进行预测。
12.在一些实施方式中，第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
13.在一些实施方式中，所述方法还包括：针对多个soh下的所述一个或更多个附加训练电池重复采集过程、获得过程、提取过程以及输入过程。
14.在各种实施方式中，提供了一种用于建立经训练的soh估计模型的系统，该系统包括：qv数据采集模块，该qv数据采集模块被配置成获得第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据；ic数据获得模块，该ic数据获得模块被配置成至少基于所采集的qv数据来获得ic数据；提取模块，该提取模块被配置成从ic数据提取ica面积和ica峰；输入模块，该输入模块被配置成将所提取的ica面积和ica峰输入到ica数据库中；以及建立模块，该建立模块被配置成通过至少基于ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立经训练的soh估计模型。
15.在一些实施方式中，该系统还包括预处理模块，该预处理模块被配置成对ic数据进行预处理。
16.在一些实施方式中，该预处理模块被配置成使ic数据变平滑。
17.在一些实施方式中，该提取模块还被配置成从ic数据提取多个ica次级面积以及多个次级ica次级峰，其中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
18.在一些实施方式中，训练电池是第一电池类型的，并且其中，该建立模块被配置成建立经训练的soh估计模型，以对第一电池类型的电池的预测soh进行预测。
19.在一些实施方式中，第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
20.在各种实施方式中，提供了一种其上存储有指令的非暂时性计算机可读介质，该指令在由处理器执行时，使该处理器执行包括以下的过程：采集第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据；至少基于所采集的qv数据来获得ic数据；从ic数据提取ica面积和ica峰；将所提取的ica面积和ica峰输入到ica数据库中；针对一个或更多个附加soh下的训练电池重复采集过程、获得过程、提取过程以及输入过程；以及通过至少
基于ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立经训练的soh估计模型。
21.在一些实施方式中，该非暂时性计算机可读介质在由处理器执行时，还执行以下过程：在获得ic数据的过程之后并且在从ic数据提取ica面积和ica峰的过程之前，对ic数据进行预处理。
22.在一些实施方式中，对ic数据进行预处理的步骤包括：使ic数据变平滑。
23.在一些实施方式中，至少基于所采集的qv数据来获得递增容量(ic)数据的步骤包括：将所采集的容量对所采集的电压求微分。
24.在一些实施方式中，该非暂时性计算机可读介质在由处理器执行时，还执行以下过程：从ic数据提取多个ica次级面积以及多个次级ica次级峰，其中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
25.在一些实施方式中，训练电池是第一电池类型的，并且其中，该非暂时性计算机可读介质在由处理器执行时，执行建立经训练的soh估计模型的过程包括：建立经训练的soh估计模型，以对第一电池类型的电池的预测soh进行预测。
26.在一些实施方式中，第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
27.在各种实施方式中，提供了一种用于对电池的预测健康状态(p-soh)进行预测的计算机实现方法，该方法包括以下步骤：建立经训练的soh估计模型；采集待确定soh(tbd-soh)下的电池在充电循环期间在预定电压范围内的qv数据；至少基于所采集的qv数据来获得ic数据；对ic数据进行预处理；从ic数据提取ica面积和ica峰；以及至少基于使用经训练的健康状态估计模型对所提取的ica面积和ica峰进行分析，来预测与tbd-soh相对应的p-soh。
28.在各种实施方式中，提供了一种用于对电池的预测健康状态(p-soh)进行预测的系统，该系统包括：模型建立模块，该模型建立模块被配置成建立经训练的soh估计模型；qv数据采集模块，该qv数据采集模块被配置成获得待确定soh(tbd-soh)下的电池在充电循环期间在预定电压范围内的qv数据；ic数据获得模块，该ic数据获得模块被配置成至少基于所采集的qv数据来获得ic数据；预处理模块，该预处理模块被配置成对ic数据进行预处理；提取模块，该提取模块被配置成从ic数据提取ica面积和ica峰；以及预测模块，该预测模块被配置成至少基于使用经训练的健康状态估计模型对所提取的ica面积和ica峰进行分析，来预测与tbd-soh相对应的p-soh。
29.在各种实施方式中，提供了一种其上存储有指令的非暂时性计算机可读介质，该指令在由处理器执行时，使该处理器执行包括以下的过程：建立经训练的soh估计模型；采集待确定soh(tbd-soh)下的电池在充电循环期间在预定电压范围内的qv数据；至少基于所采集的qv数据来获得ic数据；对ic数据进行预处理；从ic数据提取ica面积和ica峰；以及至少基于使用经训练的健康状态估计模型对所提取的ica面积和ica峰进行分析，来预测与tbd-soh相对应的p-soh。
附图说明
30.图1是示出根据本公开的一些实施方式的用于对电池的预测健康状态进行预测的方法的简化图。
31.图2是示出根据本公开的一些实施方式的用于建立经训练的健康状态(soh)估计模型的方法的简化图。
32.图3是示出在电池的充电循环期间采集的电压容量(qv)数据的表示图。
33.图4是示出至少基于图3的qv数据获得的递增容量(ic)数据的表示图。
34.图5是示出至少基于使图4的ic数据变平滑而获得的经平滑的ic数据的表示图。
35.图6是示出nmc-石墨锂离子电池的插入图的表示图。
36.图7是示出图5的经平滑的ic数据的ica面积和ica峰的表示图。
37.图8是示出至少基于在多个soh下采集的多个qv数据而获得的多个ic数据的表示图。
38.图9是示出根据本公开的一些实施方式的用于建立经训练的soh估计模型的方法的例示图。
39.图10是示出根据本公开的一些实施方式的用于对电池的预测健康状态进行预测的系统的简化图。
40.图11是示出根据本公开的一些实施方式的用于建立经训练的健康状态(soh)估计模型的系统的简化图。
具体实施方式
41.本公开的某些实施方式致力于电池分析。更特别地，本公开的一些实施方式提供了使用递增容量分析和支持向量回归来确定电池健康状态的系统和方法。仅作为示例，本公开的一些实施方式已经被应用于诊断电池(例如，可再充电电池)。但是应认识到，本公开具有更宽泛范围的应用，诸如用于其它类型的蓄能装置。
42.在各种示例中，将递增容量分析(ica)用于通过跟踪电芯的一个或更多个电化学性质来调查电池状态(例如，电池的soh)的变化。例如，所述一个或更多个电化学性质包括容量和/或内阻。在各种实施方式中，ica以可量化方式来提供对电池退化的洞察。在某些示例中，ica包括：例如在充电循环期间采集(例如，测量)电池的电压容量(qv)数据，然后计算预定条件(例如，电压范围)下电池容量(q)针对电池电压(v)的微分。在一些示例中，ica包括：检查微分结果随着电池老化(例如，已充电循环的增加)的演变，该演变可以被表示为ic曲线(例如，dq/dv对v曲线)，以及监测电池的soh与ica面积(a)和ica峰(p)之间的相关性。在各种示例中，ica面积表示ic曲线下的面积值(例如，ic曲线的积分)，而ica峰表示ic曲线的峰(例如，最高峰)的容量值。
43.在一些示例中，在预定条件(诸如预定电压范围)下，从ic曲线确定(例如，提取)ica面积和/或ica峰。换句话说，根据各种实施方式，ica面积和/或ica峰可以从部分ica曲线确定，而无需完整的ica曲线。在某些示例中，预定电压范围小于充电电压范围，例如，预定电压范围小于充电电压范围的90％、80％、70％、60％、50％、40％、30％、20％或10％。作为示例，对于2v到4v的充电电压范围，预定电压范围可以从2.5v到3.5v。在一些实施方式中，针对部分(例如，未充电到100％h荷电状态)而不是完全(例如，充电到100％荷电状态)
的充电循环所获得的ica曲线足以提取ica面积和/或ica峰，由此使得能够估计电池的soh而无需对电池进行完全充电。
44.在各种示例中，支持向量回归(support vector regression，svr)被用于建立经训练的soh估计模型。在某些示例中，svr被用作对被用于ica特性(例如，ica面积和/或ica峰)的线性和/或非线性回归分析的数据进行分析的机器学习方法。在一些示例中，svr模型被开发成标识电池soh与ica特性之间的非线性相关性。在某些实施方式中，ica和svr的使用减少了soh估计误差，诸如由电池电芯变化和测量噪声所导致的误差，由此改进了用于对电池的soh进行预测的系统和/或方法的鲁棒性。在一些实施方式中，ica和svr的使用例如通过基本上消除对电池充电或放电来获得用于电池soh估计的足够数据的需要，增加了电池soh估计的速度。
45.图1是示出根据本公开的一些实施方式的用于对电池(例如，可再充电电池)的预测健康状态进行预测的方法100的简化图。该图仅是示例，其不应不适当地限制权利要求的范围。本领域普通技术人员将认识到许多变化、另选以及修改。在一些示例中，方法100包括：建立经训练的健康状态(soh)估计模型的过程110，采集待确定健康状态(tbd-soh)下的电池的电压容量(qv)数据的过程120，基于所采集的qv数据来获得递增容量(ic)数据的过程130，对所获得的ic数据进行预处理的过程140，从所获得的ic数据提取ica面积和ica峰的过程150，以及至少基于使用经训练的soh估计模型对所提取的ica面积和ica峰进行分析，来预测与tbd-soh相对应的预测soh(p-soh)的过程160。尽管上面已经示出了使用该方法的一组选定过程，但是可以存在许多另选、修改以及变化。例如，可以扩展和/或组合一个或更多个过程。可以将一个或更多个过程插入到上面提到的那些过程中。可以去除一个或更多个过程。根据实施方式，过程的顺序可以与被替换的其它过程进行互换。
46.在各种实施方式中，图2描绘建立经训练的soh估计模型的过程110。图2是示出根据本公开的一些实施方式的用于建立经训练的soh估计模型的方法200的简化图。该图仅是示例，其不应不适当地限制权利要求的范围。本领域普通技术人员将认识到许多变化、另选以及修改。在一些示例中，方法200包括：采集第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据的过程210，至少基于所采集的qv数据来获得ic数据的过程220，对ic数据进行预处理的过程230，从ic数据提取ica面积和ica峰的过程240，将所提取的ica面积和ica峰输入到ica数据库中的过程250，针对一个或更多个附加soh下的训练电池以及可选地针对多个soh下的一个或更多个附加训练电池，重复采集过程、获得过程、提取过程以及输入过程的过程260，以及通过至少基于ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立经训练的soh估计模型的过程270。尽管上面已经示出了使用该方法的一组选定过程，但是可以存在许多另选、修改以及变化。例如，可以扩展和/或组合一个或更多个过程。可以将一个或更多个过程插入到上面提到的那些过程中。可以去除一个或更多个过程。根据实施方式，过程的顺序可以与被替换的其它过程进行互换。在某些另选实施方式中，建立经训练的soh估计模型的过程110包括：从模型源(例如，服务器、外部存储驱动器)接收经训练的soh估计模型。
47.在各种实施方式中，采集第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据(例如，出于建立经训练的soh估计模型的目的)的过程210包括：测量qv数据，该qv数据包括训练电池在充电循环期间在目标电压范围内的电池电压数据以及对应的电池
容量数据。作为示例，图3示出了电池在约2.9v至4.2v的充电电压范围内在充电循环期间所采集的qv数据的qv曲线(例如，在v对q曲线图上标绘的v数据)。在某些示例中，充电循环是恒定电流充电循环。在某些另选实施方式中，过程210包括：采集训练电池在放电循环(例如，恒定电流放电循环)期间的qv数据。在一些示例中，第一soh是已知的soh或参考soh。
48.在各种实施方式中，至少基于所采集的qv数据来获得ic数据的过程220包括：将所采集的电池容量对电池电压求微分，诸如取qv数据的qv曲线的一阶导数：
[0049][0050]
其中，k选自1至k的范围，其中，k是qv数据对的总数量。作为示例，图4示出了至少基于图3的qv数据采集的ic数据的ic曲线(例如，在dq/dv对q曲线图上标绘的iv数据)。
[0051]
在各种实施方式中，对ic数据进行预处理的过程230包括：使ic数据变平滑。在一些示例中，使得ic数据变平滑是使用高斯平滑算法来执行的。在某些示例中，使得ic数据变平滑的步骤包括：基于预处理模型(例如，人工智能模型)来降低噪声、去除异常值和/或改变曲线。作为示例，图5示出了图4的ic曲线的经预处理的ic曲线。
[0052]
在一些实施方式中，获得电池的ic曲线(例如，经预处理的ic曲线)的步骤包括：获得一个或更多个峰，各个峰皆对应于对应的ic数据的一个或更多个峰值中的一个峰值。ic数据的峰值可以被称为ica峰。作为示例，图5的经平滑的ic曲线示出了三个峰，各个峰皆对应于电化学过程。图6是示出nmc-石墨锂离子电池的插入图的表示图。nmc代表锂镍锰钴氧化物，它是该电化学电偶(electrochemical couple)中的阴极材料。如图所示，对于nmc-石墨锂离子电池，可以将三个电化学过程映射到nmc-石墨锂离子电池的ic曲线上(例如，参见图5)。具体地，图5中的最高峰对应于图6中的2*2电化学过程，图5中的第二最高峰对应于图6中的1*1电化学过程，并且图5中的第三最高峰对应于图6中的2*5电化学过程。在某些实施方式中，随着电池老化，ic曲线的一个或更多个峰在幅度上减小并且可以消失，这表明其对应的电化学过程基本上被抑制，从而导致可回收(recoupable)电池容量的损失。在一些示例中，监测电化学过程的损失或减少提供了对电池退化的可量化洞察。在某些示例中，电化学过程的损失或减少指示诸如在锂离子电池中的锂离子存量(例如，可在阴极与阳极之间运输)的损失。
[0053]
在各种实施方式中，方法200包括：监测所述一个或更多个峰，诸如这些峰沿着递增容量轴(例如，图5的y轴)的幅度减小或者沿着电压轴(例如，图5的x轴)的位置偏移。在某些实施方式中，沿着递增容量轴的幅度减小指示可再充电电池容量的损失，这表明电池老化；而沿着电压轴的位置偏移，诸如朝着较高电压(例如，过电位的增加)指示电池内阻的增加，这也表明电池老化。
[0054]
在各种实施方式中，从ic数据提取ica面积和ica峰的过程240包括：将ic曲线(例如，经平滑的ic曲线)的峰值提取为ica峰，并且将ic曲线的面积值提取为ica面积。图7是示出图5的经平滑的ic数据的ica面积和ica峰的表示图。在一些示例中，ica峰对应于ic曲线的最高峰。在某些示例中，ica峰对应于在预定电压范围内(诸如在第一电压值(v1)和第二电压值(v2)内)的ic曲线的峰。在某些示例中，ica面积是在预定电压范围内(诸如在v1和v2内)的ic曲线下方的面积。在各种示例中，从ica曲线提取多个ica峰和多个ica面积。
[0055]
在各种实施方式中，将所提取的ica面积和ica峰输入到ica数据库中的过程250包
括：在采集qv数据(从中提取ica面积和ica峰)时，相对于与电池的电池健康相对应的soh值来输入所提取的ica面积和ica峰。在一些示例中，使ica面积与ica峰配对，其中，该对对应于电池的一个soh。
[0056]
在各种实施方式中，过程260包括：重复采集训练电池在充电循环期间在预定电压范围内的另一soh下的另一qv数据的过程、至少基于另一qv数据获得另一ic数据的过程、对该另一ic数据进行预处理的过程、从该另一ic数据(例如，经平滑的)中提取另一ica面积和另一ica峰的过程、以及将该另一ica面积和该另一ica峰输入到ica数据库中的过程。在一些实施方式中，对训练电池执行过程260的步骤包括：采集训练电池的多个soh下的多个qv数据、获得多个对应的ic数据、提取多个对应的ica面积和ica峰、以及将多个对应的ica面积和ica峰输入到数据库中。作为示例，图8是示出至少基于在同一经训练的电池的多个soh下采集的多个qv数据而获得的多个ic数据的表示图。如图所示，随着电池老化，ica峰(例如，最高峰)的幅度减小，同时过电位增加，如沿着电压轴朝右的峰位置偏移所指示的。值得注意的是，第二最高峰随着电池老化而迅速消失，指示电化学过程中的损失，这进一步表明退化的电池。要理解，图3至图8仅是示例，其不应不适当地限制权利要求的范围。在不脱离所公开的公开内容的情况下，本领域普通技术人员将认识到许多变化(例如，对于其它蓄能装置)。
[0057]
在一些实施方式中，过程260可选地包括：重复采集一个或更多个附加训练电池在充电循环期间在预定电压范围内的另一soh下的另一qv数据的过程、至少基于另一qv数据获得另一ic数据的过程、对该另一ic数据进行预处理的过程、从该另一ic数据(例如，经平滑的)中提取另一ica面积和另一ica峰的过程、以及将该另一ica面积和该另一ica峰输入到ica数据库中的过程。在一些实施方式中，对所述一个或更多个附加训练电池执行过程260的步骤包括：采集所述一个或更多个附加训练电池的多个soh下的多个qv数据、获得多个对应的ic数据、提取多个对应的ica面积和ica峰、以及将多个对应的ica面积和ica峰输入到数据库中。图9是示出根据本公开的一些实施方式的用于建立经训练的soh估计模型的方法的例示图。在一些示例中，获得所述一个或更多个附加训练电池的qv数据的步骤包括：在多个测试条件下获得qv数据，其中，所述一个或更多个附加训练电池中的各个附加训练电池皆在不同的测试条件下进行测试和/或所述一个或更多个附加训练电池中的各个附加训练电池皆在多于一个测试条件下进行测试(例如，顺序地)。在某些示例中，所述多个测试条件包括：(例如，电池和/或测试环境的)多个测试温度、多个输入电流、多个放电深度、测试环境的多个湿度水平。
[0058]
在某些实施方式中，训练电池以及可选地所述一个或更多个附加训练电池是第一电池类型(例如，可再充电或二次电池)，并且经训练的soh估计模型被建立以对第一电池类型的电池的预测soh进行预测(仅预测)。这种经训练的soh估计模型可以被称为类型特定模型。在各种示例中，所述第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0059]
如图9所示，从例示图左侧开始，检查多个训练电池(即，电芯1、电芯2、
…
、电芯n)，并且各个训练电池皆针对多次测试(即，rpt 1、rpt 2、
…
、rpt m)被检查。在一些示例中，在不同的soh下执行各个测试以获得ic数据，对应的ic面积和对应的ic峰从该ic数据被提取。
一旦针对多个测试和多个电芯提取了ic面积和ic峰，就将它们输入到ica数据库中。
[0060]
进一步参照图9，在某些实施方式中，通过至少基于ica数据库使用支持向量回归对基础soh估计模型进行训练和测试来建立经训练的soh估计模型的过程270包括：对ica数据库进行置乱(shuffling)、形成训练组和测试组、使用训练组来训练基础soh估计模型，以及测试各个迭代模型(例如，从基础soh估计模型起迭代)并修改一个或更多个svr参数，直到建立令人满意的经训练soh估计模型。在某些示例中，执行训练和测试(例如，另选地)，直到迭代soh估计模型达到预定性能目标。在一些示例中，预定性能目标包括：置信度水平、准确度水平和/或速度。在某些示例中，一旦迭代soh估计模型满足预定性能目标，就将该迭代soh估计模型选择为经训练的soh估计模型。
[0061]
返回至图1，采集待确定健康状态(tbd-soh)下的电池的qv数据的过程120包括：测量qv数据，该qv数据包括电池(例如，车载电池)在充电循环期间在预定电压范围内的电池电压数据以及对应的电池容量数据。例如，对电池的qv数据进行测量是由bms来执行的。在某些示例中，充电循环是恒定电流充电循环。在某些另选实施方式中，过程210包括：采集训练电池在放电循环(例如，恒定电流放电循环)期间的qv数据。
[0062]
在各种实施方式中，基于所采集的qv数据来获得ic数据的过程130包括：将所采集的电池容量对电池电压求微分，诸如取qv数据的qv曲线的一阶导数：
[0063][0064]
其中，k选自1至k的范围，其中，k是qv数据对的总数量。
[0065]
在各种实施方式中，对所获得的ic数据进行预处理的过程140包括：使ic数据变平滑。在一些示例中，使得ic数据变平滑是使用高斯平滑算法来执行的。在某些示例中，使得ic数据变平滑的步骤包括：基于预处理模型(例如，人工智能模型)来降低噪声、去除异常值和/或改变曲线。
[0066]
在各种实施方式中，从所获得的ic数据提取ica面积和ica峰的过程150：将ic曲线(例如，经平滑的ic曲线)的峰值提取为ica峰，并且将ic曲线的面积值提取为ica面积。在一些示例中，ica峰对应于ic曲线的最高峰。在某些示例中，ica峰对应于在预定电压范围内(诸如在第一电压值(v1)和第二电压值(v2)内)的ic曲线的峰。在某些示例中，ica面积是在预定电压范围内(诸如在v1和v2内)的ic曲线下方的面积。在各种示例中，从ica曲线提取多个ica峰和多个ica面积。
[0067]
在各种实施方式中，至少基于使用经训练的soh估计模型对所提取的ica面积和ica峰进行分析，来预测与tbd-soh相对应的p-soh的过程160包括：使用根据方法200建立的经训练的soh估计模型。在一些示例中，p-soh是值(例如，p-soh＝80％)。在其它示例中，p-soh是范围(例如，小于或等于20％、10％、5％或1％的范围，例如，p-soh＝80％～85％)。在某些示例中，对p-soh进行预测的过程160诸如是由用于对p-soh进行预测的系统自动执行的。
[0068]
图10是示出根据本公开的一些实施方式的用于对p-soh进行预测的系统10的简化图。该图仅是示例，其不应不适当地限制权利要求的范围。本领域普通技术人员将认识到许多变化、另选以及修改。在一些示例中，系统10包括：模型建立模块11、qv数据采集模块12、预处理模块13、ic数据获得模块14、提取模块15以及预测模块16。尽管上面已经示出了使用
该系统的一组选定组件，但是可以存在许多另选、修改以及变化。例如，可以扩展和/或组合这些组件中的一些组件。其它组件可以插入到上面提到的那些组件中。根据实施方式，组件的布置可以与被替换的其它布置进行互换。
[0069]
在各种实施方式中，系统10被配置成执行方法100，模型建立模块11被配置成执行建立经训练的soh估计模型的过程110，qv数据采集模块12被配置成执行采集tbd-soh下的电池的qv数据的过程120，预处理模块13被配置成执行基于所采集的qv数据来获得ic数据的过程130，ic数据获得模块14被配置成执行对所获得的ic数据进行预处理的过程140，提取模块15被配置成执行从所获得的ic数据提取ica面积和ica峰的过程150，和/或预测模块16被配置成执行至少基于使用经训练的soh估计模型对所提取的ica面积和ica峰进行分析，来预测与tbd-soh相对应的p-soh的过程160。
[0070]
图11是示出根据本公开的一些实施方式的用于建立经训练的soh估计模型的系统20的简化图。该图仅是示例，其不应不适当地限制权利要求的范围。本领域普通技术人员将认识到许多变化、另选以及修改。在一些示例中，系统20包括：qv数据采集模块21、ic数据获得模块22、预处理模块23、提取模块24、输入模块25以及建立模块26。尽管上面已经示出了使用该系统的一组选定组件，但是可以存在许多另选、修改以及变化。例如，可以扩展和/或组合这些组件中的一些组件。其它组件可以被插入到上面提到的那些组件中。根据实施方式，组件的布置可以与被替换的其它布置进行互换。
[0071]
在各种实施方式中，系统20被配置成执行方法200，qv数据采集模块21被配置成执行采集第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据的过程210，ic数据获得模块22被配置成执行至少基于所采集的qv数据来获得ic数据的过程220，预处理模块23被配置成执行对ic数据进行预处理的过程230，提取模块24被配置成执行从ic数据提取ica面积和ica峰的过程240，输入模块25被配置成执行将所提取的ica面积和ica峰输入到ica数据库中的过程250，和/或建立模块26被配置成执行通过至少基于ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立经训练的soh估计模型的过程270。在一些示例中，系统20被配置成诸如通过使用qv数据采集模块21、ic数据获得模块22、预处理模块23、提取模块24以及输入模块25，来对一个或更多个附加soh下的训练电池以及可选地对多个soh下的一个或更多个附加训练电池执行重复采集过程、获得过程、预处理过程、提取过程以及输入过程的过程260。
[0072]
在一些示例中，采集电池的qv数据的步骤包括：连接和/或启用与电池测试设备(诸如恒电位仪)的预先建立的连接。在各种示例中，采集电池的qv数据的步骤包括：如果在充电循环期间，则提供从初始工作电压到目标电压的电流，或者如果在放电循环期间，则提取从初始工作电压到目标电压的电流。在各种实施方式中，确定电池(诸如用于建立soh估计模型的训练电池)的soh的步骤包括：监测电芯阻抗、电芯电导、来自预先记录的初始状态的容量损失、充电-放电能量比、充电和放电电压曲线(诸如过电位或台阶电压(plateau voltage))、自放电的速率和/或幅度、和/或除气。在一些示例中，使ic数据平滑的处理包括：去除偏离落在预定可接受去噪范围内的剩余数据点的离群值。
[0073]
下面列出了本公开的范围内的附加示例。
[0074]
示例1.一种用于建立经训练的健康状态(soh)估计模型的计算机实现方法，所述方法包括以下步骤：采集第一soh下的训练电池在充电循环期间在预定电压范围内的电压
容量(qv)数据；至少基于所采集的qv数据来获得递增容量(ic)数据；从所述ic数据提取ica面积和ica峰；将所提取的ica面积和所述ica峰输入到ica数据库中；针对一个或更多个附加soh下的所述训练电池以及可选地针对多个soh下的一个或更多个附加训练电池，重复所述采集过程、所述获得过程、所述提取过程以及所述输入过程；以及通过至少基于所述ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立所述经训练的soh估计模型。在一些示例中，所述方法是根据图2的方法200来实现的。在某些示例中，所述方法是由图11的系统20来实现的。
[0075]
示例2.根据示例1所述的计算机实现方法，所述方法还包括以下步骤：在获得所述ic数据的过程之后并且在从所述ic数据提取所述ica面积和所述ica峰的过程之前，对所述ic数据进行预处理。
[0076]
示例3.根据示例2所述的计算机实现方法，其中，对所述ic数据进行预处理的步骤包括：使所述ic数据变平滑。
[0077]
示例4.根据示例1至3中的任一示例所述的计算机实现方法，其中，至少基于所采集的qv数据来获得所述ic数据的步骤包括：将所采集的容量对所采集的电压求微分。
[0078]
示例5.根据示例1至4中的任一示例所述的计算机实现方法，其中，从所述ic数据提取ica面积和ica峰的步骤包括：从所述ic数据提取多个ica次级面积以及多个次级ica次级峰。在一些示例中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
[0079]
示例6.根据示例1至5中的任一示例所述的计算机实现方法，其中，所述训练电池以及可选地所述一个或更多个附加训练电池是第一电池类型的。在一些示例中，所述经训练的soh估计模型被建立以对所述第一电池类型的电池的预测soh进行预测。
[0080]
示例7.根据示例6所述的计算机实现方法，其中，所述第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0081]
示例8.一种用于建立经训练的soh估计模型的系统，所述系统包括：qv数据采集模块，所述qv数据采集模块被配置成获得第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据；ic数据获得模块，所述ic数据获得模块被配置成至少基于所采集的qv数据来获得ic数据；提取模块，所述提取模块被配置成从所述ic数据提取ica面积和ica峰；输入模块，所述输入模块被配置成将所提取的ica面积和所述ica峰输入到ica数据库中；以及建立模块，所述建立模块被配置成通过至少基于所述ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立所述经训练的soh估计模型。在一些示例中，所述系统是根据图11的系统20来实现的。
[0082]
示例9.根据示例8所述的系统，所述系统还包括预处理模块，所述预处理模块被配置成对所述ic数据进行预处理。
[0083]
示例10.根据示例9所述的系统，其中，所述预处理模块被配置成使所述ic数据变平滑。
[0084]
示例11.根据示例8至10中的任一示例所述的系统，其中，所述提取模块还被配置成从所述ic数据提取多个ica次级面积以及多个次级ica次级峰。在一些示例中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级
峰。
[0085]
示例12.根据示例8至11中的任一示例所述的系统，其中，所述训练电池以及可选地所述一个或更多个附加训练电池是第一电池类型，并且其中，所述建立模块被配置成建立所述经训练的soh估计模型，以对所述第一电池类型的电池的预测soh进行预测。
[0086]
示例13.根据示例12所述的系统，其中，所述第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0087]
示例14.一种其上存储有指令的非暂时性计算机可读介质，所述指令在由处理器执行时，使所述处理器执行包括以下项的步骤：采集第一soh下的训练电池在充电循环期间在预定电压范围内的qv数据；至少基于所采集的qv数据来获得ic数据；从所述ic数据提取ica面积和ica峰；将所提取的ica面积和所述ica峰输入到ica数据库中；针对一个或更多个附加soh下的所述训练电池以及可选地针对多个soh下的一个或更多个附加训练电池，重复所述采集过程、所述获得过程、所述提取过程以及所述输入过程；以及通过至少基于所述ica数据库使用支持向量回归对基础soh估计模型进行训练和测试，来建立所述经训练的soh估计模型。
[0088]
示例15.根据示例14所述的非暂时性计算机可读介质，在由所述处理器执行时，还执行以下过程：在获得所述ic数据的过程之后并且在从所述ic数据提取所述ica面积和所述ica峰的过程之前，对所述ic数据进行预处理。
[0089]
示例16.根据示例15所述的非暂时性计算机可读介质，其中，对所述ic数据进行预处理的步骤包括：使所述ic数据变平滑。
[0090]
示例17.根据示例14至16中的任一示例所述的非暂时性计算机可读介质，其中，至少基于所采集的qv数据来获得所述递增容量(ic)数据的步骤包括：将所采集的容量对所采集的电压求微分。
[0091]
示例18.根据示例14至17中的任一示例所述的非暂时性计算机可读介质，在由所述处理器执行时，还执行以下过程：从所述ic数据提取多个ica次级面积以及多个次级ica次级峰。在一些示例中，所述多个ica次级面积中的各个ica次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
[0092]
示例19.根据示例14至18中的任一示例所述的非暂时性计算机可读介质，其中，所述训练电池以及可选地所述一个或更多个附加训练电池是第一电池类型的，并且其中，该非暂时性计算机可读介质在由所述处理器执行时，执行建立所述经训练的soh估计模型的过程包括：建立所述经训练的soh估计模型，以对所述第一电池类型的电池的预测soh进行预测。
[0093]
示例20.根据示例19所述的非暂时性计算机可读介质，其中，所述第一电池类型是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0094]
示例21.一种用于对电池的预测健康状态(p-soh)进行预测的计算机实现方法，所述方法包括以下步骤：建立经训练的健康状态(soh)估计模型；采集待确定健康状态soh(tbd-soh)下的所述电池在充电循环期间在预定电压范围内的电压容量(qv)数据；至少基于所采集的qv数据来获得递增容量(ic)数据；从所述ic数据提取ica面积和ica峰；以及至
少基于使用所述经训练的soh估计模型对所述提取的ica面积和ica峰进行分析，来预测与所述tbd-soh相对应的所述预测soh(p-soh)。
[0095]
示例22.根据示例21所述的计算机实现方法，所述方法还包括以下步骤：在获得所述ic数据的过程之后并且在从所述ic数据提取所述ica面积和所述ica峰的过程之前，对所述ic数据进行预处理。
[0096]
示例22.根据示例22所述的计算机实现方法，其中，对所述ic数据进行预处理的步骤可以包括：使所述ic数据变平滑。
[0097]
示例23.根据示例20至22中的任一示例所述的计算机实现方法，其中，对所述ic数据进行预处理的步骤包括：使所述ic数据变平滑。
[0098]
示例24.根据示例20至23中的任一示例所述的计算机实现方法，其中，至少基于所采集的qv数据来获得所述ic数据的步骤包括：将所采集的容量对所采集的电压求微分。
[0099]
示例25.根据示例20至24中的任一示例所述的计算机实现方法，其中，从所述ic数据提取ica面积和ica峰的步骤包括：从所述ic数据提取多个ica次级面积以及多个次级ica次级峰，其中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
[0100]
示例26.根据示例20至25中的任一示例所述的计算机实现方法，其中，所述电池是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0101]
示例27.一种用于对电池的预测健康状态(p-soh)进行预测的系统，所述方法包括：模型建立模块，所述模型建立模块被配置成建立经训练的健康状态(soh)估计模型；电压容量(qv)数据采集模块，所述qv数据采集模块被配置成获得待确定健康状态(tbd-soh)下的电池在充电循环期间在预定电压范围内的qv数据；递增容量(ic)数据获得模块，所述ic数据获得模块被配置成至少基于所采集的qv数据来获得递增容量(ic)数据；提取模块，所述提取模块被配置成从所述ic数据提取ica面积和ica峰；以及预测模块，所述预测模块被配置成至少基于使用所述经训练的soh估计模型对所提取的ica面积和ica峰进行分析，来预测与所述tbd-soh相对应的所述预测soh(p-soh)。
[0102]
示例28.根据权利要求27所述的系统，所述系统还包括预处理模块，所述预处理模块被配置成对所述ic数据进行预处理。
[0103]
示例29.根据权利要求28所述的系统，其中，所述预处理模块被配置成使所述ic数据变平滑。
[0104]
示例30.根据权利要求27至29中的任一项所述的系统，其中，所述提取模块还被配置成从所述ic数据提取多个ica次级面积以及多个次级ica次级峰。在一些示例中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
[0105]
示例31.根据权利要求27至30中的任一项所述的系统，其中，所述电池是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0106]
示例32.一种其上存储有指令的非暂时性计算机可读介质，所述指令在由处理器执行时，使所述处理器执行包括以下步骤的过程：建立经训练的健康状态(soh)估计模型；
采集待确定健康状态soh(tbd-soh)下的所述电池在充电循环期间在预定电压范围内的电压容量(qv)数据；至少基于所采集的qv数据来获得递增容量(ic)数据；从所述ic数据提取ica面积和ica峰；以及至少基于使用所述经训练的soh估计模型对所提取的ica面积和ica峰进行分析，来预测与所述tbd-soh相对应的所述预测soh(p-soh)。
[0107]
示例33.根据权利要求32所述的非暂时性计算机可读介质，在由所述处理器执行时，还执行以下过程：在获得所述ic数据的过程之后并且在从所述ic数据提取所述ica面积和所述ica峰的过程之前，对所述ic数据进行预处理。
[0108]
示例34.根据权利要求33所述的非暂时性计算机可读介质，其中，对所述ic数据进行预处理的步骤包括：使所述ic数据变平滑。
[0109]
示例35.根据权利要求32至34中的任一项所述的非暂时性计算机可读介质，其中，至少基于所采集的qv数据来获得所述递增容量(ic)数据的步骤包括：将所采集的容量对所采集的电压求微分。
[0110]
示例36.根据权利要求32至35中的任一项所述的非暂时性计算机可读介质，在由所述处理器执行时，还执行以下过程：从所述ic数据提取多个ica次级面积以及多个次级ica次级峰。在一些示例中，所述多个ica次级面积中的各个次级面积皆对应于所述多个次级ica次级峰中的一个次级ica次级峰。
[0111]
示例37.根据权利要求32至36中的任一项所述的非暂时性计算机可读介质，所述电池是选自由以下项组成的组中的一者：锂离子电池、钠离子电池、超级电容器、燃料电池、液流电池、金属空气电池、熔盐电池、镍金属氢化物电池、钠硫电池以及铅酸电池。
[0112]
要理解，本公开的各个实施方式的一些或全部组件皆单独地和/或与至少另一组件组合地使用一个或更多个软件组件、一个或更多个硬件组件和/或软件组件和硬件组件的一个或更多个组合来实现。在另一示例中，本公开的各个实施方式的一些或全部组件皆单独地和/或与至少另一组件组合地在一个或更多个电路中(诸如一个或更多个模拟电路和/或一个或更多个数字电路)中实现。在又一示例中，虽然上述实施方式涉及特定特征，但是本公开的范围也包括具有特征的不同组合的实施方式和不包括全部所描述的特征的实施方式。在又一示例中，可以组合本公开的各个施方式和/或示例。
[0113]
另外，本文所描述的方法和系统可以通过包括可由装置处理子系统执行的程序指令的程序代码在许多不同类型的处理装置上实现。软件程序指令可以包括源代码、目标代码、机器代码、或者可操作以使处理系统执行本文所描述的方法和操作的任何其它所存储的数据。然而，也可以使用其它的实现，诸如固件甚或被配置成执行本文所描述的方法和系统的经恰当设计的硬件。
[0114]
可以将系统的和方法的数据(例如，关联、映射、数据输入、数据输出、中间数据结果、最终数据结果等)存储和实现在一个或更多个不同类型的计算机实现数据存储库中，诸如不同类型的存储装置和编程构造(例如，ram、rom、eeprom、闪存、平面文件、数据库、编程数据结构、编程变量、if-then(或类似类型)语句构造、应用编程接口等)。应注意，数据结构描述用于在数据库、程序、存储器或者供计算机程序使用的其它计算机可读介质中组织和存储数据的格式。
[0115]
该系统和方法可以通过许多不同类型的计算机可读介质来提供，该计算机可读介质包括计算机存储机构(例如，cd-rom、磁盘、ram、闪存、计算机的硬盘驱动器、dvd等)，该计
算机存储机构包含供处理器执行以执行所述方法的操作和实现本文所描述的系统的指令(例如，软件)。本文所描述的计算机组件、软件模块、功能、数据存储以及数据结构可以直接或间接地彼此连接，以便允许它们的操作所需的数据流动。还应注意，模块或处理器包括执行软件操作的代码单元，并且例如可以被实现为代码的子例程单元、或者代码的软件功能单元、或者对象(如在面向对象的范例中)、或者小应用程序、或者计算机脚本语言、或者另一类型的计算机代码。根据当前情形，软件组件和/或功能可以位于单个计算机上或者跨多个计算机分布。
[0116]
该计算系统可以包括客户端装置和服务器。客户端装置和服务器通常彼此远离，并且典型地通过通信网络进行交互。客户端装置与服务器的关系依靠在相应计算机上运行的并且彼此具有客户端装置-服务器关系的计算机程序而出现。
[0117]
本说明书包含特定实施方式的许多具体细节。本说明书中在单独实施方式的背景下描述的某些特征还可以在单个实施方式中组合实现。相反地，在单个实施方式的背景下描述的各种特征还可以单独地或者以任何适当的子组合在多个实施方式中加以实现。此外，尽管上面可以将特征描述为以某些组合起作用，但是在一些情况下，来自组合的一个或更多个特征可以从该组合中去除，并且组合例如可以致力于子组合或子组合的变体。
[0118]
类似地，虽然在附图中以特定次序描绘了多个操作，但是这不应被理解为需要按所示特定次序或者按顺序次序执行这种操作，或者执行所有例示的操作来实现希望结果。在某些境况下，多任务处理和并行处理可能是有利的。此外，上面描述的实施方式中的各种系统组件的分离不应被理解为在所有实施方式中都需要这种分离，而应理解，所描述的程序组件和系统通常可以共同集成在单个软件产品中或者封装到多个软件产品中。
[0119]
尽管已经描述了本公开的具体实施方式，但是本领域技术人员应理解，存在等同于所描述的实施方式的其它实施方式。因此，要理解，本公开不受具体例示实施方式限制。