趙顯赫，耿光超，林 達(dá)，李志浩，張 楊

（1.浙江大學(xué) 電氣工程學(xué)院，杭州 310027；2.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014；3.國網(wǎng)浙江省電力有限公司，杭州 310007）

0 引言

鋰離子電池具有能量密度高、輸出電壓高、允許使用溫度范圍大、循環(huán)壽命長、自放電現(xiàn)象不明顯、污染較小等優(yōu)點[1]，因而被廣泛應(yīng)用于電網(wǎng)儲能、電動汽車、通信基站、商用儲能等眾多民用領(lǐng)域及航天、航空、航海等軍工領(lǐng)域[2-3]。

在使用過程中，鋰離子電池的性能會隨其內(nèi)部電化學(xué)成分的不可逆退化而下降，這被稱為電池老化。電池老化帶了電池的安全性與可靠性問題，導(dǎo)致用電設(shè)備性能下降或系統(tǒng)故障，甚至引發(fā)起火或爆炸的問題。為確保電池的安全性與可靠性，鋰離子電池的健康管理技術(shù)開始不斷發(fā)展。電池的SOH（健康狀態(tài)）與電池的RUL（剩余使用壽命）是電池健康管理的兩個重要評價指標(biāo)，二者均可反映電池在使用過程中的健康狀況。已有大量學(xué)者對鋰離子電池的SOH 估計與RUL 預(yù)測進(jìn)行研究，目前的主流方法分為基于物理模型的電池健康狀態(tài)評估和基于數(shù)據(jù)驅(qū)動的電池健康狀態(tài)評估兩類[4]。

隨著大數(shù)據(jù)及機器學(xué)習(xí)技術(shù)的蓬勃發(fā)展，數(shù)據(jù)驅(qū)動技術(shù)已成為當(dāng)前電池健康分析的主要研究方向，數(shù)據(jù)驅(qū)動預(yù)測技術(shù)的一般流程如圖1 所示。首先采集大量電池使用數(shù)據(jù)，利用特征工程方法提取電池退化相關(guān)特征，借助數(shù)據(jù)驅(qū)動算法，訓(xùn)練出與電池老化特性一致的模型，對電池進(jìn)行離線或在線的退化分析及健康管理。相比于傳統(tǒng)基于物理模型的分析方法，數(shù)據(jù)驅(qū)動不需要對電池內(nèi)部復(fù)雜的電化學(xué)機理進(jìn)行精確建模，無需進(jìn)行電池自身參數(shù)辨識，具有較高的可遷移性、魯棒性與自適應(yīng)性?；跀?shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)評估過程如圖2 所示。

圖1 數(shù)據(jù)驅(qū)動預(yù)測技術(shù)的一般流程

圖2 基于數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)評估過程

目前，國內(nèi)外已有部分學(xué)者對鋰離子電池健康狀態(tài)評估方法進(jìn)行綜述[6-10]，文獻(xiàn)[6-8]綜述了基于物理模型及數(shù)據(jù)驅(qū)動模型的電池健康管理問題研究方法，但在數(shù)據(jù)驅(qū)動技術(shù)方法介紹較為簡略，文獻(xiàn)[9]對鋰離子電池的數(shù)據(jù)驅(qū)動方法進(jìn)行對比綜述，但只討論了三種典型建模方法，對方法的總結(jié)不夠全面。文獻(xiàn)[10]介紹了電池SOH 與SOC（荷電狀態(tài)）預(yù)測的機器學(xué)習(xí)方法，但缺少電池退化特征提取過程的介紹?？傮w來看，目前國內(nèi)單獨對數(shù)據(jù)驅(qū)動的電池健康狀態(tài)評估技術(shù)詳細(xì)歸納的文獻(xiàn)較少，且較多文獻(xiàn)對數(shù)據(jù)驅(qū)動的全過程把握不足。因此，有必要從數(shù)據(jù)驅(qū)動的角度出發(fā)，對電池健康狀態(tài)評估技術(shù)進(jìn)行系統(tǒng)的綜述。

本文首先通過分析鋰離子電池的退化機理列舉了電池老化的影響因素，并概述了電池健康狀態(tài)的定義。其次歸納了數(shù)據(jù)驅(qū)動過程中電池退化特征的提取方法。然后綜述了基于數(shù)據(jù)驅(qū)動的電池SOH 估計及電池RUL 預(yù)測方法，對各類方法進(jìn)行了比較。最后分析了現(xiàn)有數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)分析方法存在的挑戰(zhàn)，并提出了未來趨勢及展望。

1 電池退化機理分析

1.1 鋰離子電池的性能衰退機理分析

目前，國內(nèi)外已有大量學(xué)者對鋰離子電池的退化機理進(jìn)行研究。目前主流的觀點認(rèn)為鋰離子沉淀、SEI（固體電解質(zhì)界面）膜厚度變化和電解液降解等是造成電池老化和容量衰減的主要原因[5]。在鋰離子電池使用過程中，其使用時間、電壓、充放電電流強度、溫度、充放電深度等條件是影響鋰離子電池使用壽命的主要外部因素[11]，圖3 總結(jié)了鋰離子電池外部因素、衰減機制及電池性能退化間的關(guān)系。研究鋰離子電池退化機理對于電池健康狀態(tài)評估具有重要意義。

圖3 鋰離子電池外部因素、衰減機制及電池性能退化情況間的相互關(guān)系

1.2 電池健康狀態(tài)定義

電池的SOH 是表征電池當(dāng)前性能及退化程度的重要指標(biāo)。隨著電池的使用次數(shù)增加，其最大可用容量降低，內(nèi)阻不斷提高，因此行業(yè)內(nèi)一般使用容量與內(nèi)阻對電池的SOH 進(jìn)行定義。

從電池容量角度對電池SOH 的定義如式（1）所示，目前，該定義在電池行業(yè)中認(rèn)可度最高[12]。

式中：Qcurr為電池當(dāng)前最大可用容量；Qnew為電池出廠最大可用容量。

此外，也可從電池內(nèi)阻角度對電池SOH 進(jìn)行定義[13]，表達(dá)式如式（2）所示：

式中：REOL為電池壽命結(jié)束時的內(nèi)阻；Rcurr為電池當(dāng)前內(nèi)阻；Rnew為電池出廠時的內(nèi)阻。

電池RUL 指在當(dāng)前使用條件下電池工作至報廢所需要的循環(huán)次數(shù)，通常作為表征電池的健康狀態(tài)的另一個重要指標(biāo)。一般認(rèn)為，當(dāng)鋰離子電池當(dāng)前容量小于出廠容量的80%時，則判定電池報廢[14]。

2 電池數(shù)據(jù)的退化特征生成

特征生成是電池健康狀態(tài)數(shù)據(jù)驅(qū)動建模過程中的重要一環(huán)，通過從電池數(shù)據(jù)中提取反映電池老化信息的特征參數(shù)作為模型訓(xùn)練的輸入，參與模型的訓(xùn)練。根據(jù)鋰離子電池SOH 的定義，電池的最大容量、內(nèi)阻等參數(shù)可直接作為表征鋰離子電池退化情況的特征參與模型訓(xùn)練。但通常情況下，這些參數(shù)在電池使用過程中無法直接測得，因此，往往還需要以下退化特征的生成方法。

2.1 基于ICA/DVA 的特征生成

ICA（容量增量分析）和DVA（電壓差分分析）是最常用的兩種電池退化特征生成方法[15]。ICA通過分析電池在不同循環(huán)周期中電壓與電池增量容量之間關(guān)系的變化趨勢，提取出電池的退化特征參數(shù)[16]。DVA 則通過電壓對容量的導(dǎo)數(shù)與電池循環(huán)退化過程中的峰谷變化，分析電池容量隨使用時間增長的衰減趨勢[17]。此外，DTV（差分熱伏安法）是一種改進(jìn)的基于ICA 的電池退化特征生成方法，它將ICA 手段與溫度測量相結(jié)合，對電極材料的熱力學(xué)信息進(jìn)行推斷[18-19]，進(jìn)而提取出電池的退化特征?；贗CA/DVA 生成的退化特征能夠反映電池內(nèi)部的物理狀態(tài)，且數(shù)據(jù)容易獲得，具有較高的實用性。但I(xiàn)CA/DVA 僅限在較低充放電倍率條件進(jìn)行，同時，該方法對于噪聲及測量誤差較為敏感，需要借助合理的濾波手段對曲線平滑處理才能提取更穩(wěn)定的退化特征。

2.2 基于統(tǒng)計學(xué)方法的特征生成

通過各種統(tǒng)計學(xué)方法對采集的電池電壓、電流、溫度等數(shù)據(jù)進(jìn)行分析計算可作為一種電池退化特征的生成手段，其優(yōu)點在于可利用有限的電池數(shù)據(jù)生成大量電池退化相關(guān)特征。文獻(xiàn)[20]通過分析電池第100 次循環(huán)與第10 次循環(huán)差值曲線的最大值、平均值、散度值、偏度值、峰態(tài)系數(shù)等統(tǒng)計學(xué)指標(biāo)，以及溫度、充放電量等曲線，生成了20 個表征電池退化特征的統(tǒng)計學(xué)參數(shù)，僅利用電池前100 個周期的測試數(shù)據(jù)回歸預(yù)測了電池的RUL，誤差小于9.1%。文獻(xiàn)[21]通過灰色關(guān)聯(lián)度和主成分分析的統(tǒng)計方法，提取出5 個電池HI（健康因子）作為反映電池健康狀態(tài)的特征，最終利用神經(jīng)網(wǎng)絡(luò)得到了誤差小于2%的SOH 預(yù)測精度。

使用統(tǒng)計學(xué)手段進(jìn)行特征生成的缺點在于，該方法過于依賴先驗經(jīng)驗，且部分所提取的特征可能與預(yù)測目標(biāo)相關(guān)性很小甚至無明顯相關(guān)性，導(dǎo)致模型訓(xùn)練后預(yù)測效果變差。為避免這一問題，需通過一定的正則化方法削弱無關(guān)特征對模型的影響，如文獻(xiàn)[20]采用彈性網(wǎng)絡(luò)弱化了與預(yù)測相關(guān)性較小的特征對模型的影響，提高了預(yù)測的準(zhǔn)確度與可信度。但正則化過程也增加了模型訓(xùn)練的難度，增加了訓(xùn)練時間。

2.3 直接以外部參數(shù)作為特征

對于一部分機器學(xué)習(xí)模型而言，其模型本身具有從輸入數(shù)據(jù)中提取隱含退化信息的能力，可直接使用電池的電壓、電流、溫度等外部參數(shù)作為特征進(jìn)行模型訓(xùn)練，無需額外進(jìn)行電池退化特征生成。文獻(xiàn)[22]使用DCNN（深度卷積神經(jīng)網(wǎng)絡(luò)）將在線監(jiān)測的電池電壓、電流、溫度等外部參數(shù)直接作為模型訓(xùn)練的輸入，實現(xiàn)了鋰離子電池容量的實時在線預(yù)測；文獻(xiàn)[23]利用不同的數(shù)據(jù)驅(qū)動模型，使用BMS（電池管理系統(tǒng)）直接測量的電流、電壓、溫度訓(xùn)練機器學(xué)習(xí)模型，在動態(tài)運行條件下進(jìn)行電池健康評估。直接外部參數(shù)輸入作為特征的缺點在于過分依賴模型的分析能力，模型計算復(fù)雜程度高。

不同鋰離子電池數(shù)據(jù)退化特征生成方式比較如表1 所示。

表1 3 種鋰離子電池數(shù)據(jù)退化特征生成方式優(yōu)缺點比較

3 數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)評估建模方法

數(shù)據(jù)驅(qū)動的電池健康狀態(tài)評估一般通過回歸分析方法或機器學(xué)習(xí)的算法，建立電池退化特征或HI 與電池健康狀態(tài)的關(guān)聯(lián)模型。以電池數(shù)據(jù)中提取出的退化狀態(tài)特征作為模型輸入，電池的最大容量或內(nèi)阻作為模型輸出，得到關(guān)聯(lián)二者耦合關(guān)系及演變規(guī)律的模型，從而實現(xiàn)對電池未來SOH 的估計。通過判斷電池容量循環(huán)曲線到達(dá)容量退化閾值的循環(huán)次數(shù)，可進(jìn)而對電池RUL 進(jìn)行預(yù)測。

數(shù)據(jù)驅(qū)動方法不需要考慮電池內(nèi)部的復(fù)雜電化學(xué)反應(yīng)與非線性退化機理，避免了不同鋰離子電池內(nèi)部結(jié)構(gòu)、化學(xué)成分、制造工藝、使用條件、個體差異等困難參的數(shù)辨識過程，僅依靠電池在線監(jiān)測或離線積累的數(shù)據(jù)即可建立電池的數(shù)學(xué)模型，并對電池健康狀態(tài)進(jìn)行分析預(yù)測，具有極強的魯棒性與自適應(yīng)性。本節(jié)將詳細(xì)介紹目前對電池SOH 估計及RUL 預(yù)測的數(shù)據(jù)驅(qū)動建模方法并進(jìn)行對比分析。

3.1 自回歸類方法

AR（自回歸）是一類對時間序列預(yù)測問題建模的方法，通過對過去系統(tǒng)狀態(tài)作為輸入進(jìn)行回歸分析，得模型參數(shù)與系統(tǒng)階數(shù)，建立含多個電池健康特征的時序模型，并對當(dāng)前時刻系統(tǒng)狀態(tài)進(jìn)行預(yù)測。常用的AR 類模型有ARMA（自回歸滑動平均）、ARIMA（差分整合移動平均自回歸）等[24]。

在電池SOH 評估及RUL 預(yù)測方面，文獻(xiàn)[25]介紹了一種基于AR 的多元時間序列模型用于電池SOH 的預(yù)測，并達(dá)到了90%以上的置信精度；文獻(xiàn)[26]通過提取等幅壓升時間，等幅流降時間等特征建立電動汽車電池SOH 的多元AR 模型，使得模型預(yù)測的MAE（平均絕對值誤差）小于3%，RMSE（均方根誤差）小于4%。一些研究在傳統(tǒng)的AR 模型基礎(chǔ)上進(jìn)行改進(jìn)與優(yōu)化，提高了模型的預(yù)測效果。文獻(xiàn)[27]提出了一種結(jié)合EMD（經(jīng)驗?zāi)B(tài)分解）的ARIMA 模型的來預(yù)測RUL，對電池的容量恢復(fù)過程實現(xiàn)了高精度預(yù)測，先比與傳統(tǒng)ARIMA 方法，平均誤差下降了83.08%。

AR 類模型具有模型參數(shù)少、計算復(fù)雜度低、訓(xùn)練時間短等優(yōu)點，一般用于電池樣本數(shù)據(jù)量較小的應(yīng)用場景中。但自回歸模型無法分析多個輸入特征間的隱含關(guān)系，結(jié)果置信程度與預(yù)測精度較低，甚至可能出現(xiàn)預(yù)測結(jié)果違背實際物理規(guī)律的問題。

3.2 人工神經(jīng)網(wǎng)絡(luò)

ANN（人工神經(jīng)網(wǎng)絡(luò)）是以數(shù)學(xué)形式模擬人類大腦思考過程，將神經(jīng)元以一定方式相互連接形成的網(wǎng)絡(luò)通過大量數(shù)據(jù)對神經(jīng)元間的閾值及權(quán)重進(jìn)行訓(xùn)練得到預(yù)測模型，ANN 的基本結(jié)構(gòu)如圖4所示，包含輸入層、輸出層、隱藏層三層。ANN適用于多相關(guān)特征復(fù)雜非線性建模問題，具有自主學(xué)習(xí)能力強、預(yù)測精度高的優(yōu)點。在電池健康狀態(tài)評估領(lǐng)域中，ANN 目前已成為一種主流的數(shù)據(jù)驅(qū)動技術(shù)，且具有優(yōu)異的預(yù)測性能。常見的ANN 模型有FNN（前饋神經(jīng)網(wǎng)絡(luò)）、RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）、CNN（卷積神經(jīng)網(wǎng)絡(luò)）以及其他改進(jìn)神經(jīng)網(wǎng)絡(luò)模型。

圖4 ANN 基本結(jié)構(gòu)示意

大量文獻(xiàn)應(yīng)用神經(jīng)網(wǎng)絡(luò)對電池健康狀態(tài)進(jìn)行估計及預(yù)測。文獻(xiàn)[28]使用ANN 模型建立了電池最大可用容量與溫度、電池循環(huán)充放電量、放電深度等因素之間的模型，進(jìn)而對電動汽車動力電池的SOH 進(jìn)行準(zhǔn)確估計。文獻(xiàn)[29]使用模擬退火算法改進(jìn)的FNN，分析了微分電壓、循環(huán)次數(shù)等健康因子對電池SOH 的影響，改善了傳統(tǒng)FNN在訓(xùn)練過程中容易陷入局部最優(yōu)的問題，降低了預(yù)測誤差。相比于FNN，RNN 通過網(wǎng)絡(luò)參數(shù)循環(huán)反饋機制，能在一定時間內(nèi)保留網(wǎng)絡(luò)的重要信息并更新，在電池退化這類時間序列問題建模中更具優(yōu)勢。文獻(xiàn)[30]利用GRU-RNN（門控循環(huán)神經(jīng)網(wǎng)絡(luò)）建立電壓時序特征與電池SOH 的映射規(guī)律，實現(xiàn)了MAE 小于1.25%的預(yù)測精度。文獻(xiàn)[31]使用RNN 類中的LSTM（長短期記憶神經(jīng)網(wǎng)絡(luò)）神經(jīng)網(wǎng)絡(luò)對磷酸鐵鋰離子電池進(jìn)行SOH 估計和RUL預(yù)測，該方法能分析出電池測試數(shù)據(jù)與壽命的長期依賴關(guān)系，相比傳統(tǒng)RNN 方法，LSTM 方法的預(yù)測效果提高了20%～50%。

ANN 的方法在電池健康狀態(tài)預(yù)測過程中具有出色的表現(xiàn)，但仍存在以下不足：首先，由于ANN 網(wǎng)絡(luò)參數(shù)復(fù)雜，所需訓(xùn)練時間與計算資源隨數(shù)據(jù)量增長急劇增加，對于小樣本數(shù)據(jù)的預(yù)測能力差；其次，ANN 在訓(xùn)練過程中，容易陷入?yún)?shù)局部最優(yōu)，導(dǎo)致過擬合問題；同時ANN 的表現(xiàn)效果與選取的模型網(wǎng)絡(luò)結(jié)構(gòu)高度相關(guān)，而目前缺乏選取網(wǎng)絡(luò)結(jié)構(gòu)的明確方法，通常需借助一定先驗經(jīng)驗或多模型比較確定最終網(wǎng)絡(luò)結(jié)構(gòu)。

3.3 支持向量機

SVM（支持向量機）是一種目前常用數(shù)據(jù)分析算法，其通過核函數(shù)將低維空間的非線性問題映射至高維空間中的線性問題，從而對復(fù)雜的非線性系統(tǒng)建模，其原理示意如圖5 所示。

圖5 SVM 方法的原理示意

與ANN 相比，SVM 具有更嚴(yán)格的數(shù)學(xué)證明，計算復(fù)雜度較低，收斂速度較快。同時，SVM 克服了ANN 易陷入局部參數(shù)最優(yōu)的問題，對小樣本數(shù)據(jù)的訓(xùn)練能力強[32]，預(yù)測精度高，因此在電池健康狀態(tài)評估領(lǐng)域受到廣泛關(guān)注。

文獻(xiàn)[33]使用了等充電電壓差時間間隔和等放電電壓差時間間隔兩個實時可測的HI，通過SVM 對健康指標(biāo)與在線容量之間的關(guān)系進(jìn)行建模，從而實現(xiàn)了RMSE 小于1.97%的預(yù)測RUL。

SVM 方法也存在很多不足，如核參數(shù)復(fù)雜難以選取、對交叉訓(xùn)練及正則化方法的依賴程度高等。另外，SVM 對訓(xùn)練過程中的缺失數(shù)據(jù)敏感，在實際應(yīng)用中對原始電池數(shù)據(jù)質(zhì)量及數(shù)據(jù)預(yù)處理方法要求較高。

3.4 相關(guān)向量機

RVM（相關(guān)向量機）與SVM 的基本原理相同，但采用稀疏貝葉斯理論框架得到網(wǎng)絡(luò)權(quán)重，因此其輸出形式為概率密度估計而非點估計。RVM 具有SVM 相似的計算精度高、運算復(fù)雜度低等優(yōu)點，且由于其概率預(yù)測的輸出形式，受到鋰離子電池預(yù)測領(lǐng)域的廣泛關(guān)注。文獻(xiàn)[34]提取電池放電表面溫度特征的HI，使用RVM 模型對電池RUL 實現(xiàn)了預(yù)測，RMSE 小于2.84%。文獻(xiàn)[35]提出了一種RVM 增量在線學(xué)習(xí)策略，通過在線電壓、電流、溫度數(shù)據(jù)的實時輸入對模型進(jìn)行更新，以實現(xiàn)RMSE 小于1.95%的RUL 在線精確預(yù)測，并較少了50%的訓(xùn)練時間。

總的來說，RVM 算法模型精度高，運算復(fù)雜性低，并能輸出概率形式的預(yù)測，在電池健康狀態(tài)建模中具有出色的表現(xiàn)。但由于RVM 模型矩陣過于稀疏，其對訓(xùn)練數(shù)據(jù)量的需求相對較高，預(yù)測結(jié)果穩(wěn)定性較差。

3.5 高斯過程回歸

GPR（高斯過程回歸）是一種基于貝葉斯框架與先驗知識對系統(tǒng)行為過程進(jìn)行回歸分析的概率估計模型。與RVM 模型相似，GPR 的輸出也為概率密度估計形式，可用作電池老化健康狀態(tài)估計的一種方法。文獻(xiàn)[36]針對容量再生現(xiàn)象影響鋰離子電池健康狀態(tài)建模精度的問題，提出一種基于EMD（經(jīng)驗?zāi)B(tài)分解）的能量加權(quán)的GPR 方法，利用EMD 分解獲得樣本的能量分布情況，建立基于能量加權(quán)GPR 的鋰離子電池SOH 預(yù)測模型。文獻(xiàn)[37]從恒流恒壓充電過程中提取3 個健康因子，用通過統(tǒng)計學(xué)相關(guān)系數(shù)分析健康因子與電池容量之間的相關(guān)性，以健康因子和容量數(shù)據(jù)建立GPR 模型以預(yù)測容量，獲得電池RUL 預(yù)測結(jié)果。

總的來說，GPR 具有模型預(yù)測精度高，預(yù)測結(jié)果為概率密度形式等優(yōu)點。但由于其模型固有結(jié)構(gòu)導(dǎo)致在分析電池數(shù)據(jù)量較大的問題時，計算復(fù)雜度較高。同時，該模型超參數(shù)較多，訓(xùn)練時超參數(shù)調(diào)整過程繁瑣。

3.6 各種數(shù)據(jù)驅(qū)動方法比較

綜上所述，基于數(shù)據(jù)驅(qū)動的鋰離子健康狀態(tài)評估技術(shù)目前已比較成熟，不同數(shù)據(jù)驅(qū)動方法具備各自優(yōu)點與適用場景。從圖6 對各種模型的預(yù)測精度進(jìn)行對比可知，AR 類模型的預(yù)測精度相對最低，其他四類方法在情況合適的條件下均有較出色的預(yù)測效果。ANN 類模型雖然預(yù)測平均精度最高、但預(yù)測的穩(wěn)定性較差，其預(yù)測效果與所選取的網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)性很大。各類模型性能比較如表2 所示。

圖6 不同數(shù)據(jù)驅(qū)動的電池健康狀態(tài)建模方法的精確度比較

表2 鋰離子健康狀態(tài)評估數(shù)學(xué)驅(qū)動模型性能比較

4 挑戰(zhàn)與展望

總的來說，目前對于基于數(shù)據(jù)驅(qū)動的鋰離子電池SOH 估計與RUL 預(yù)測技術(shù)目前已比較成熟，各類方法的驗證也較為充分。但仍面臨以下挑戰(zhàn)：

首先，數(shù)據(jù)驅(qū)動的鋰離子電池SOH 一般屬于“黑盒模型”，對模型的物理可解釋性較差。目前，已有部分研究使用數(shù)據(jù)驅(qū)動與物理模型相結(jié)合的方式進(jìn)行鋰離子電池健康或電荷狀態(tài)進(jìn)行分析[38-39]，但仍無法準(zhǔn)確描繪電池的電化學(xué)特性，且兩種模型結(jié)合方式的合理性有待驗證。隨著電池老化機理研究的日益完備與人工智能算法的不斷更新，物理模型與數(shù)據(jù)驅(qū)動相結(jié)合的方法將是未來電池SOH 評估的主流發(fā)展趨勢。

其次，數(shù)據(jù)驅(qū)動估計對數(shù)據(jù)有效性要求較很高，在預(yù)測過程中，當(dāng)出現(xiàn)訓(xùn)練數(shù)據(jù)中不包含的電池工作模式時，往往模型預(yù)測效果很差。目前數(shù)據(jù)驅(qū)動的電池SOH 評估的研究一般都使用數(shù)據(jù)相對完整、電池循環(huán)次數(shù)較多、充放電模式規(guī)范的電池公共數(shù)據(jù)集或?qū)嶒炇覝y試的數(shù)據(jù)進(jìn)行方法驗證，而很少有研究直接采用實際儲能應(yīng)用場景的隨機性高、波動性強、缺乏部分工況、測量誤差較大、完整性差的真實數(shù)據(jù)。因此，對于電池的SOH 研究仍多局限于實驗室測試條件下的理想情況。未來主流的發(fā)展趨勢是借助工業(yè)大數(shù)據(jù)、云邊協(xié)同計算、數(shù)字孿生等先進(jìn)技術(shù)，通過對海量實際應(yīng)用場景電池數(shù)據(jù)進(jìn)行分析，得到具有普適性的電池退化規(guī)律模型，進(jìn)而提升電池SOH 分析評估水平。

最后，目前的電池數(shù)據(jù)驅(qū)動建模大多只使用電池的電壓、電流、溫度、內(nèi)阻等測量參數(shù)進(jìn)行分析。但由于電池多種老化因素的復(fù)雜非線性耦合方式，這些測量參數(shù)中隱含的電池退化信息難以被充分提取出來。X 射線、紅外成像、核磁檢測、聲紋識別等非侵入式檢測技術(shù)可直接檢測電池內(nèi)部結(jié)構(gòu)改變、溫度分布、電解質(zhì)降解程度、電池噪聲等直接反映電池健康情況的信息，可應(yīng)用于新一代BMS 中作為電池SOH 監(jiān)測的手段。

5 結(jié)論

本文針對基于數(shù)據(jù)驅(qū)動的鋰離子電池SOH評估方法開展綜述性研究，可得出以下結(jié)論：

（1）鋰離子電池退化機理主要為鋰離子沉淀、SEI 膜厚度變化和電解液降解等，這與電池使用的時間、電壓、電流、溫度等外部因素有關(guān)。

（2）電池退化特征生成的主要方法有ICA/DVA法、統(tǒng)計學(xué)方法、直接外部參數(shù)輸入等方法，其中前兩種方法使用較為廣泛，能提取多個有效的電池退化特征；后者對模型復(fù)雜度要求較高，一般用于ANN 等復(fù)雜模型。

（3）目前鋰離子電池健康狀態(tài)評估的數(shù)據(jù)驅(qū)動建模方法主要包括AR，ANN，SVM，RVM，GPR 等方法，不同模型具備各自的優(yōu)缺點與應(yīng)用場景，目前ANN，SVM，GPR 是目前最主流的3種數(shù)據(jù)驅(qū)動的鋰離子健康狀態(tài)評估模型。

（4）數(shù)據(jù)驅(qū)動的電池健康狀態(tài)評估領(lǐng)域仍存在模型可解釋性差、數(shù)據(jù)質(zhì)量要求高、電池測試方法有限等挑戰(zhàn)，隨著科技的不斷進(jìn)步，數(shù)據(jù)驅(qū)動的電池健康狀態(tài)評估將具有更廣闊的應(yīng)用前景。