姜華強 潘垂宇 李學(xué)達 許楠

（1.吉林大學(xué)汽車仿真與控制國家重點實驗室，長春 130022；2.中國第一汽車股份有限公司新能源開發(fā)院，長春 130013）

主題詞：動力電池 數(shù)據(jù)驅(qū)動 大數(shù)據(jù) 狀態(tài)估計

縮略詞

BMS Battery Management System

SOC State of Charge

SOE State of Energy

SOH State of Health

SOP State of Power

SOT State of Temperature

SCT Static Capacity Test

HPPC Hybrid Pulse Power Characteristic

DST Dynamic Stress Test

RUL Remaining Useful Life

NN Neural Network

GA Genetic Algorithm

GPR Gaussian Process Regression

FL Fuzzy Logic

SVM Support Vector Machine

LSTM Long Short Term Memory

SVR Support Vector Regression

TDNN Time Delay Neural Network

UDDS Urban Dynamometer Driving Schedule

PSO Particle Swarm Optimization

ANN Artificial Neural Network

ICA Incremental Capacity Analysis

OCV Open Circuit Voltage

ELM Extreme Learning Machine

MAPE Maximum Average Error Percentage

RMSE Root Mean Square Error

RVM Relevance Vector Machine

1 前言

近年來，為了減少環(huán)境污染、緩解能源短缺，新能源汽車尤其是電動汽車在我國得到了迅猛發(fā)展。作為電動汽車的關(guān)鍵部件之一，鋰離子電池對電動汽車的產(chǎn)業(yè)化和市場化至關(guān)重要[1]。然而，電動汽車的里程焦慮問題和電池壽命衰減問題阻礙了消費者的購買熱情，需要一種更加先進、智能的電池管理系統(tǒng)（Battery Management System,BMS）實現(xiàn)對電池能量和狀態(tài)的準確評估與管理，延長續(xù)駛里程和電池壽命。

制約電池管理技術(shù)發(fā)展的主要原因可歸結(jié)為以下3點：

（1）鋰離子電池的容量和壽命等狀態(tài)是高度非線性的，具有多時間尺度和多空間尺度的老化特性，難以精確建模描述；

（2）電池的荷電狀態(tài)、健康狀態(tài)等無法直接測量并且很容易受到環(huán)境和測量噪聲影響；

（3）單體電池的不一致性降低了電池組的工作效率，增大了電池組的控制難度。

因此，開發(fā)先進、智能的電池管理系統(tǒng)以解決上述問題已經(jīng)成為了當(dāng)前的研究熱點[2]。

電池管理系統(tǒng)應(yīng)具有準確估計和評估電池狀態(tài)（State Of X,SOX）的功能，包括荷電狀態(tài)（State Of Charge,SOC）、能量狀態(tài)（State Of Energy,SOE）、健康狀態(tài)（State Of Health,SOH）、功率狀態(tài)（State Of Power,SOP）、溫度狀態(tài)（State Of Temperature,SOT）[3]。電池狀態(tài)的估計是先進電池管理系統(tǒng)的關(guān)鍵功能，準確的狀態(tài)估計可以保證電池使用過程中的可靠性，是電池系統(tǒng)優(yōu)化和安全管理的基礎(chǔ)[4]。因此，本文聚焦電池管理系統(tǒng)的狀態(tài)評估功能，概述了電池狀態(tài)估計和預(yù)測的方法，并且討論了面臨的挑戰(zhàn)。

本文第2章分類介紹了電池狀態(tài)估計的常用方法，指出了數(shù)據(jù)驅(qū)動方法的優(yōu)勢。第3章詳細介紹了各類數(shù)據(jù)驅(qū)動算法在SOC、SOE、SOH、SOP、SOT估計中的研究現(xiàn)狀。第4章為總結(jié)及其未來發(fā)展方向。

2 電池狀態(tài)評估的常用方法

對電池進行準確的狀態(tài)評估，可以提升電池的工作效率，延長使用壽命，增強老化性能，確保電動汽車安全可靠的運行使用。通常，可將SOX評估方法分為3類，即基于試驗的方法、基于模型的方法和基于數(shù)據(jù)驅(qū)動的方法，本文主要關(guān)注基于數(shù)據(jù)驅(qū)動的方法[5-6]。圖1展示了常見的電池狀態(tài)評估方法。

2.1 基于試驗的方法

基于試驗的方法是一種相對簡單的方法，它通過特定試驗操作，建立電池特性參數(shù)（如阻抗譜、內(nèi)阻、溫度、開路電壓等）與電池狀態(tài)的映射關(guān)系實現(xiàn)電池狀態(tài)評估。開路電壓查表法常用于電池SOC的估計，但這種方法需要長時間靜置電池，并且受電池老化影響較大[7]。安時積分法又稱庫倫計數(shù)法，常被用來估計電池的SOC，但這種方法會產(chǎn)生較大的累積誤差，一般與其他方法聯(lián)合使用以提高魯棒性[8-9]。內(nèi)阻和容量變化是電池老化的重要指標，基于阻抗譜測量的方法也常被用來評估電池的SOH和SOC[10]。此外，靜態(tài)容量測試（Static Capacity Test,SCT）、混合脈沖功率特性（Hybrid Pulse Power Characteristic,HPPC）、動態(tài)應(yīng)力測試（Dynamic Stress Test,DST）等測試方法也常用于電池工作特性和狀態(tài)評估中。

2.2 基于模型的方法

基于模型的方法又被稱為傳統(tǒng)方法，在工程領(lǐng)域有著廣泛的應(yīng)用，解決了許多現(xiàn)實問題[11]?；谀Ｐ偷姆椒ㄐ枰獜臉I(yè)者對電池系統(tǒng)和電池內(nèi)部過程有著更加深入的理解，從而建立能準確模擬電池特性變化的數(shù)學(xué)模型[11-12]。然而，任何模型的建立和使用都存在理論和實踐方面的問題，需要該領(lǐng)域?qū)＜一ㄙM大量時間深入研究[13-14]。

基于模型的方法可以劃分為2個過程：一個是電池模型建立，另一個是算法實現(xiàn)[15]。目前常見的電池模型可分為：經(jīng)驗?zāi)Ｐ?、電化學(xué)模型、等效電路模型和電化學(xué)阻抗模型[16-19]。其中，等效電路模型很好的權(quán)衡了模型復(fù)雜度和準確性之間的關(guān)系，在工程領(lǐng)域的實時應(yīng)用中獲得了較多關(guān)注。常見的等效電路模型有：Rint模型、n階RC模型和Randels模型。Rint模型是最簡單的等效電路電池模型，但是它沒有考慮電池的極化和擴散現(xiàn)象[20]。n階RC電路模型在Rint模型的基礎(chǔ)上串聯(lián)若干個并聯(lián)的電容和電阻來代表電池的極化現(xiàn)象，模擬電池在充放電過程中的電壓響應(yīng)[21]。Randels模型在RC模型的基礎(chǔ)上串聯(lián)了一個電容Cω，也被稱為韋伯原件，用來代表電池充電狀態(tài)發(fā)生的擴散現(xiàn)象[22]。

在基于模型的電池狀態(tài)估計方法中，卡爾曼濾波算法、粒子濾波算法、最小二乘法、粒子群算法被廣泛用于電池SOC和電池SOH的評估。Liu等提出一種基于擴展卡爾曼濾波算法的電池SOC估計方法，達到了較好的效果[23]。Chen等提出一種基于粒子濾波算法的開路電壓估計方法，實現(xiàn)了對電池SOC和剩余放電時間的良好預(yù)測[24]。Wang等考慮了溫度變化和電流漂移噪聲對磷酸鐵鋰電池SOC估計的影響，發(fā)現(xiàn)粒子濾波算法的效果優(yōu)于擴展卡爾曼濾波[25]。Lai等發(fā)現(xiàn)序列擴展卡爾曼濾波算法估計電池的容量狀態(tài)具有良好的準確性和穩(wěn)定性[26]。Wei等采用卡爾曼濾波和遞推最小二乘對電池SOC和容量進行了聯(lián)合估計，使用向量型遞推最小二乘法在線調(diào)整不同變化率的模型參數(shù)，該方法消耗很少的計算成本[27]。

2.3 數(shù)據(jù)驅(qū)動的方法

隨著新能源汽車和大數(shù)據(jù)技術(shù)的快速發(fā)展，基于數(shù)據(jù)驅(qū)動的電池狀態(tài)評估方法受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，我國新能源汽車大數(shù)據(jù)平臺及相關(guān)技術(shù)標準的建立也為其提供很大的發(fā)展空間[28]。數(shù)據(jù)驅(qū)動方法又被稱為黑盒模型，它不需要知道電池系統(tǒng)的大量技術(shù)細節(jié)，極大地縮短了開發(fā)時間[29-30]。相比于基于模型的方法，數(shù)據(jù)驅(qū)動方法不需要深入的行業(yè)知識和復(fù)雜的數(shù)學(xué)模型，只需要大量的數(shù)據(jù)和較高的計算能力。如果有足夠的電池數(shù)據(jù)，數(shù)據(jù)驅(qū)動的方法可以達到出色的性能，對噪聲、溫度、老化以及初始誤差的不確定性均有較好的適應(yīng)性。然而，數(shù)據(jù)驅(qū)動方法嚴重依賴電池數(shù)據(jù)的質(zhì)量，容易出現(xiàn)欠擬合和過擬合現(xiàn)象，并且訓(xùn)練時間較長[31-32]。

數(shù)據(jù)驅(qū)動的方法將電池視為黑盒，通過大量輸入和輸出數(shù)據(jù)學(xué)習(xí)電池內(nèi)部的動態(tài)過程，神經(jīng)網(wǎng)絡(luò)（Neural Network,NN）、模糊邏輯（Fuzzy Logic,FL）、遺傳算法（Genetic Algorithm,GA）、高斯過程回歸（Gaussian Process Regression,GPR）、支持向量機（Support Vector Machine,SVM）等方法被廣泛用于這方面的研究。Chemal等使用深度前饋神經(jīng)網(wǎng)絡(luò)直接將測量值映射到電池SOC的估計，在較大環(huán)境溫度的變化下獲得了良好的準確性，平均絕對誤差小于2%[33]。Hu等使用基于遺傳算法的模糊C均值方法學(xué)習(xí)模糊規(guī)則的拓撲結(jié)構(gòu)和先行參數(shù)，并用BP神經(jīng)網(wǎng)絡(luò)對先行和后驗參數(shù)進行優(yōu)化，SOC估計結(jié)果的RMSE小于1.68%[34]。Liu等采用經(jīng)驗?zāi)B(tài)分解把電池容量數(shù)據(jù)分解為固定模態(tài)函數(shù)和殘差，并用GPR擬合不同確定性的固定模態(tài)函數(shù)，長短期記憶網(wǎng)絡(luò)（Long Short Term Memory,LSTM）用來估計殘差，結(jié)果表明這種LSTM+GPR方法優(yōu)于其他同類方法[35]。Zhao等使用等效充電電壓差分值和等效放電電壓差分值作為可實時測量的電池健康指數(shù)，使用支持向量回歸（Support Vector Regression,SVR）模型建立健康指標和電池容量的關(guān)系，對SOH和RUL實現(xiàn)了可靠預(yù)測[36]。

以上3種方法在實際應(yīng)用中都遇到了一定的困難，相信隨著電池和大數(shù)據(jù)技術(shù)的進步這些問題可以被妥善的解決。隨著新能源汽車在我國的推廣和普及，車輛運行產(chǎn)生的海量數(shù)據(jù)為數(shù)據(jù)驅(qū)動的方法提供了廣闊的發(fā)展空間，越來越多的學(xué)者關(guān)注數(shù)據(jù)驅(qū)動的電池狀態(tài)評估方法。3種方法的優(yōu)缺點如表1所示。

表1 電池狀態(tài)評估方法比較

3 數(shù)據(jù)驅(qū)動的電池狀態(tài)評估

數(shù)據(jù)驅(qū)動方法無需考慮電池內(nèi)部復(fù)雜的化學(xué)反應(yīng)，只需要大量輸入和輸出數(shù)據(jù)學(xué)習(xí)電池的內(nèi)部動態(tài)，極大地縮短了電池狀態(tài)評估方法的開發(fā)周期。近年來，大量的研究集中于用數(shù)據(jù)驅(qū)動的方法提高電池

狀態(tài)評估的性能。本文回顧了數(shù)據(jù)驅(qū)動方法在電池SOC、SOE、SOH、SOP、SOT方面的研究和應(yīng)用。

3.1 數(shù)據(jù)驅(qū)動的電池SOC估計

出于不同的研究目的，電池SOC具有多種形式和定義[37]，其中被較多采用的定義是：電池的SOC為電池剩余電量與電池總電量的比值[38]，如公式（1）所示。

式中，Cremain為當(dāng)前剩余電量；Ctotal為總電量。

盡管公式（1）的表達很簡單，但由于電池SOC不能直接測量，只能通過估計的方式得到，并且在實際應(yīng)用中電池的容量受溫度、電流、老化等多種因素的影響，這給電池SOC的高精度估計帶來了很大困難[11]。而數(shù)據(jù)驅(qū)動的方法將電池內(nèi)部復(fù)雜的化學(xué)反應(yīng)視為一個黑盒，對上述因素表現(xiàn)了良好的適應(yīng)性。常用于數(shù)據(jù)驅(qū)動的電池SOC估計方法主要有：神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機、高斯過程回歸以及聯(lián)合算法。

3.1.1 基于神經(jīng)網(wǎng)絡(luò)的SOC估計

車用鋰離子電池是一個強非線性系統(tǒng)，而神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)有很強的擬合能力，因此神經(jīng)網(wǎng)絡(luò)被大量用于電池的狀態(tài)估計。Ma等使用LSTM深度神經(jīng)網(wǎng)絡(luò)估計電池SOC，US06和LA92行駛工況數(shù)據(jù)用來作為模型訓(xùn)練集，NN和城市道路工況(Urban Dynamometer Driving Schedule,UDDS)行駛工況數(shù)據(jù)作為測試集驗證模型的性能，在考慮噪聲的條件下，該方法的準確性達到了98.68%[39]。Hossain等提出使用基于時間延遲的神經(jīng)網(wǎng)絡(luò)（Time Delay Neural Network,TDNN）算法估計電池SOC，TDNN的參數(shù)通過改進的螢火蟲優(yōu)化算法確定，不考慮噪聲和老化誤差的均方根值小于1%[40]。Yang等使用一種帶有門控單元的循環(huán)神經(jīng)網(wǎng)絡(luò)估算電池SOC，與傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)相比，這種神經(jīng)網(wǎng)絡(luò)可以保留先前的SOC和電壓、電流、溫度等輸入信息，產(chǎn)生更好的估計精度[41]。神經(jīng)網(wǎng)絡(luò)估計電池狀態(tài)的示意如圖2。

3.1.2 基于高斯過程回歸的SOC估計

由于測量噪聲和輸入異常值，數(shù)據(jù)驅(qū)動的方法的

SOC估計值通常不是平滑的曲線。為了解決這個問題，高斯過程回歸用來量化這種估計的不確定性的同時提供估計值。Xiao等使用帶有門控循環(huán)單元的GPR模型預(yù)估電池SOC，這種方法以概率分布的形式提供估計結(jié)果，對噪聲、初始誤差、異常值表現(xiàn)出了良好的魯棒性[42]。Chen等使用GPR離線學(xué)習(xí)電池試驗數(shù)據(jù)集，并用無跡卡爾曼濾波算法校正電壓誤差提高估算精度，結(jié)果表明這種方法在各種駕駛循環(huán)、溫度和老化條件下達到了較好的效果[43]。Deng等使用基于數(shù)據(jù)驅(qū)動的GPR算法估計電池組的SOC，分別使用皮爾遜相關(guān)系數(shù)和主成分分析篩選輸入特征和降低數(shù)據(jù)冗余，結(jié)果表明這種使用平方指數(shù)核函數(shù)的自回歸GPR模型優(yōu)于常規(guī)GPR模型，估計誤差小于3%[44]。

3.1.3 基于支持向量機的SOC估計

支持向量機是一類重要的有監(jiān)督機器學(xué)習(xí)方法，常被用來解決分類和回歸問題[45]。電池SOC的預(yù)測可以被視為回歸問題[46]，因此部分學(xué)者使用SVR估計電池SOC。Li等使用SVR模型對鋰離子電池SOC進行估計，并使用粒子群算法（Particle Swarm Optimization，PSO）優(yōu)化SVR的參數(shù)，模型的交叉驗證結(jié)果表明該模型有良好的泛化能力[47]。Hu等使用雙重優(yōu)化搜索的SVR估計電池SOC，ADVISOR仿真試驗表明，SVR方法相比人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)能更加簡單準確的完成估計[48]。

3.1.4 基于遺傳算法和聯(lián)合算法的SOC估計

此外，遺傳算法和聯(lián)合算法也常被用于電池SOC估計。遺傳算法具有可擴展性，易與其它方法混合使用，常被用于優(yōu)化模型參數(shù)。例如，Chen等使用灰色預(yù)測模型和遺傳算法估計電池SOC，遺傳算法優(yōu)化了灰色預(yù)測模型的參數(shù)，使其具有更高準確性和推廣能力[49]。遺傳算法的算法流程圖如圖3所示。

部分學(xué)者著眼于各種算法的優(yōu)點，將他們聯(lián)合使用，以達到良好的估計效果。Zhang等聯(lián)合使用庫倫計數(shù)法和GPR提出一種數(shù)據(jù)驅(qū)動的電池SOC估計方法[50]。具體做法是：使用增量容量分析（Incremental Capacity Analysis,ICA）校正初始SOC，然后通過最大信息效率分析提取4個電壓值作為GPR模型的訓(xùn)練輸入，完成對實際容量的估計。快速容量衰減試驗表明這種方法有較好的魯棒性和估計精度。Song等聯(lián)合使用最小二乘支持向量機（Least Square-SVM，LS-SVM）算法和無跡粒子濾波器實現(xiàn)了考慮電池老化的SOC估計，LS-SVM通過可測量的電流和端電壓輸入估計電池SOC，無跡粒子濾波器用來優(yōu)化估計值，試驗表明在電池生命周期內(nèi)均方根誤差小于1.8%[30]。

3.2 數(shù)據(jù)驅(qū)動的電池SOE估計

電池能量狀態(tài)（SOE）的概念與SOC非常相似，不同之處在于SOC表征電池的剩余安時容量，SOE表征電池剩余的能量容量。SOE的概念由Mamadou[51]提出，定義如公式（2）所示：

式中，α取值0～1；Enom為電池的額定能量。

對于SOE的估計，數(shù)據(jù)驅(qū)動方法是最為常用的方法之一。Ma等使用LSTM深度神經(jīng)網(wǎng)絡(luò)同時估計電池SOC和SOE，通過2個動態(tài)循環(huán)驗證了不同工作條件下的算法性能，在固定溫度下SOE的絕對平均誤差小于1.09%[39]。He等提出一種基于高斯模型的電池SOE估計方法。該方法使用面向統(tǒng)計特性的高斯模型模擬不同電池的開路電壓（Open Circuit Voltage,OCV）特性，使用遺傳算法優(yōu)化參數(shù)，中心差分卡爾曼濾波器用來實時估計電池SOE。結(jié)果表明該方法對LiFPO4和LiMn2O4電池有良好的適用性，最大估計誤差均小于1%[52]。Wang等使用滑動窗口神經(jīng)網(wǎng)絡(luò)擬合端電壓和模型輸入之間的關(guān)系，進而實現(xiàn)對電池SOE的估計，估計誤差在2.5%以內(nèi)[4]。

3.3 數(shù)據(jù)驅(qū)動的電池SOP估計

電池的SOP一般是指電池在短時間內(nèi)提供或吸收的最大功率[53]，它反映了電池對外界工況變化的適應(yīng)能力。新能源汽車的驅(qū)動、制動和能量管理均受到電池SOP的約束。一方面，新能源汽車尤其是純電動汽車的加速策略，要考慮電池的SOP以免過放；另一方面，新能源汽車的制動能量回收策略也需要電池SOP信息協(xié)調(diào)再生制動和機械制動。此外，混合動力汽車還需要電池SOP信息完成功率分配，SOP對車輛的性能有重要意義。SOP的計算如公式（3）。

式中，Ik+1:k+p表示從第k+1步到k+p步的電流測量值；Vk+p表示當(dāng)前電壓測量值。

由于數(shù)據(jù)驅(qū)動方法強大的學(xué)習(xí)能力，部分學(xué)者結(jié)合傳統(tǒng)估計方法和數(shù)據(jù)驅(qū)動方法，取得了更好的效果。Tang等開發(fā)了一種等效電流測試方法將脈沖測試電流峰值降低了33%，然后使用Softmax神經(jīng)網(wǎng)絡(luò)預(yù)測電池SOP，誤差在0.5%以內(nèi)[53]。Tang等還提出了一種基于模型的極限學(xué)習(xí)機（Extreme Learning Machine,ELM），該方法通過將ELM中的激活函數(shù)替換為等效子模型，僅使用電流信息就可預(yù)測未來電壓、功率和溫度[54]。Fleischer等開發(fā)了一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)對鋰離子電池的電壓進行預(yù)測，進而預(yù)測電池SOP。這種方法同時具有模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點，對老化有較好的適應(yīng)性[55]。

3.4 數(shù)據(jù)驅(qū)動的電池SOH估計

盡管鋰離子電池有比能量高、自放電小、循環(huán)壽命長的顯著優(yōu)點，但是隨著其循環(huán)次數(shù)增加，其容量會逐漸衰減，在實際使用中產(chǎn)生一系列問題[56]。因此，必須對其容量進行準確估計，以免發(fā)生過充和過放對電池造成不可逆的損害。為了避免這種現(xiàn)象的發(fā)生，SOH被用作電池容量衰減的關(guān)鍵指標[57]。電池的SOH可用電池性能參數(shù)進行定義，一般有容量和內(nèi)阻2種定義方式。

（1）從容量角度定義

式中，Cage為電池當(dāng)前容量；Crated為電池額定容量。

（2）從內(nèi)阻角度定義SOH：

式中，R為當(dāng)前狀態(tài)下的內(nèi)阻；R0為出廠時的內(nèi)阻。

近年來，大數(shù)據(jù)和人工智能技術(shù)領(lǐng)域取得了顯著進展，大量學(xué)者采用數(shù)據(jù)驅(qū)動的方法提高電池SOH的估算精度。目前，電池SOH的數(shù)據(jù)驅(qū)動方法主要有神經(jīng)網(wǎng)絡(luò)、高斯過程回歸、支持向量機和相關(guān)向量機。

3.4.1 基于神經(jīng)網(wǎng)絡(luò)的SOH估計

神經(jīng)網(wǎng)絡(luò)具有很強的非線性擬合和模型泛化能力，在電池SOH預(yù)測方面得到了廣泛研究。Shen等提出一種基于深度學(xué)習(xí)的估計方法，這種結(jié)合了遷移學(xué)習(xí)和集成學(xué)習(xí)的概念，使用相對較小的訓(xùn)練集實現(xiàn)了對電池SOH的在線估計[58]。Chang等提出一種融合了遺傳算法和小波神經(jīng)網(wǎng)絡(luò)的在線估計方法，皮爾遜相關(guān)系數(shù)用來提取特征變量，遺傳算法用于優(yōu)化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。試驗結(jié)果表明，SOH的誤差估計結(jié)果小于3%[59]。Li等使用一種深度LSTM神經(jīng)網(wǎng)絡(luò)在線估計電池SOH，該方法對噪聲和異常值有良好的魯棒性，平均絕對誤差百分比（Maximum Average Error Percentage,MAPE）為2.08%[60]。為應(yīng)對電池的高非線性行為，Khaleghi等開發(fā)了一種非線性自回歸神經(jīng)網(wǎng)絡(luò)，該方法不需要復(fù)雜的數(shù)據(jù)處理，僅需在線電壓數(shù)據(jù)便可達到較好的SOH估計結(jié)果[61]。

3.4.2 基于高斯過程回歸的SOH估計

高斯過程回歸是一種貝葉斯非參數(shù)機器學(xué)習(xí)方法，對于復(fù)雜模型的不確定性有很強的處理能力，對電池SOH的估算表現(xiàn)出良好的性能。Richardson等使用高斯過程回歸估計電池容量，該方法通過使用短時間恒流工況的電壓測量值估計電池SOH，在特定電壓范圍內(nèi)，只需要10 s左右的恒流運行便可完成容量估計，均方根誤差（Root Mean Square Error,RMSE）在2%～3%[62]。Liu等提出一種自動相關(guān)性確定內(nèi)核的高斯過程回歸方法預(yù)測電池的日歷老化，這種GPR模型具有良好的準確性和泛化能力，對于多步預(yù)測測試和加速老化測試也表現(xiàn)出了良好的效果[63]。Sheng等提出一種新的加權(quán)高斯過程回歸方法估計SOH，該方法通過知識轉(zhuǎn)移減少對數(shù)據(jù)的依賴，并引入平方指數(shù)協(xié)方差函數(shù)和懲罰機制控制知識轉(zhuǎn)移過程。試驗結(jié)果表明，該方法使用少量訓(xùn)練數(shù)據(jù)（總數(shù)據(jù)集的20%）就獲得了可靠的預(yù)測結(jié)果[64]。

3.4.3 基于支持向量機的SOH估計

SVM是一類重要的機器學(xué)習(xí)方法，可以普遍的將多元函數(shù)極值逼近到任何精度水平，部分學(xué)者用它學(xué)習(xí)健康指標和電池SOH之間的映射關(guān)系。Zhang等使用一種基于LS-LSTM的誤差補償模型來估計電池SOH，該方法融合了經(jīng)驗退化模型和數(shù)據(jù)驅(qū)動方法，將電池老化分為整體趨勢和局部差異，測試結(jié)果表明該方法有良好的預(yù)測精度和魯棒性[65]。Xiong等提出一種基于加權(quán)的LS-LSTM對梯次利用電池進行SOH估計，該方法通過皮爾遜相關(guān)系數(shù)提取電池健康指標作為模型輸入。電池不同老化路徑和水平結(jié)果表明，這種方法有良好的魯棒性和在線估計準確性[66]。

3.4.4 基于相關(guān)向量機的SOH估計

與SVM相比，相關(guān)向量機(Relevance Vector Machine,RVM)能給出預(yù)測結(jié)果的不確定性表達，并且降低核函數(shù)的計算量。Achmad等將電壓樣本熵作為模型的輸入，將估計的SOH作為輸出，對比了RVM和SVM預(yù)測電池剩余使用壽命的準確性，發(fā)現(xiàn)RVM具有更好的預(yù)測精度[67]。Yang等使用放電過程中的電壓和溫度變化信號，使用粒子群算法優(yōu)化結(jié)合高斯和sigmoid函數(shù)的多核向量機參數(shù)，達到了更加準確的預(yù)測精度[68]。Li等開發(fā)了一種基于平均熵值和RVM的多步超前預(yù)測模型。該方法使用小波去噪，然后使用平均熵方法確定最佳嵌入維度，最后使用相關(guān)向量機預(yù)測電池SOH，取得了良好的效果[69]。

3.5 數(shù)據(jù)驅(qū)動的電池SOT估計

電池溫度狀態(tài)估計是電池?zé)峁芾淼年P(guān)鍵任務(wù)之一，不僅關(guān)系到電池的性能壽命，還與電池安全密切相關(guān)。不當(dāng)?shù)腟OT估計不僅會使電池壽命銳減，甚至還會引發(fā)自燃事故，帶來極大的財產(chǎn)安全損失。電池的表面溫度可以通過熱電偶等溫度傳感器較為方便地測得，但是電池的內(nèi)部溫度由于成本和安全因素難以直接獲得，常采用估計的方式得到。

數(shù)據(jù)驅(qū)動方法與其他方法聯(lián)合使用，可以獲得良好的SOT估計效果。Feng等提出一種電化學(xué)-熱-神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了對電池SOC和SOT的協(xié)同估計，達到了較好的效果。具體來說，該方法使用單粒子模型和集總熱模型作為神經(jīng)網(wǎng)絡(luò)子模型，然后將無跡卡爾曼濾波器與神經(jīng)網(wǎng)絡(luò)結(jié)合，實現(xiàn)可靠的SOC-SOT協(xié)同估計[70]。Liu等開發(fā)一種結(jié)合卡爾曼濾波的RBF神經(jīng)網(wǎng)絡(luò)來估計鋰離子電池的內(nèi)部溫度，這種方法以電池集總熱模型作為狀態(tài)函數(shù)，使用擴展卡爾曼濾波濾除RBF神經(jīng)網(wǎng)絡(luò)異常值，減少估計誤差，各種測試條件下的最大誤差為0.25℃[71]。Kopp等將溫度傳感器放置在電池包裝中，使用一種“人工特征提取”的方法提高多種LSTM架構(gòu)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)預(yù)測精度[72]。

4 結(jié)論與展望

電池狀態(tài)的準確估計不僅關(guān)乎到電池的性能表現(xiàn)和使用壽命，更與電動汽車的安全性密切相關(guān)，我國新能源汽車的全面推廣離不開相關(guān)技術(shù)的進步。盡管國內(nèi)外學(xué)者在數(shù)據(jù)驅(qū)動的電池狀態(tài)評估領(lǐng)域進行了大量研究，但仍存在許多問題有待解決。數(shù)據(jù)驅(qū)動的電池狀態(tài)評估方法在協(xié)同狀態(tài)估計、聯(lián)合云計算、電池組狀態(tài)估計有一定的發(fā)展前景。

目前電池單狀態(tài)估計的方法非常豐富，但是協(xié)同狀態(tài)估計方法的研究還存在不足。部分學(xué)者嘗試利用已知狀態(tài)信息估算其他狀態(tài)，形成了多狀態(tài)協(xié)同估計方法，達到了更好的效果。此外，結(jié)合云計算和車聯(lián)網(wǎng)的在線學(xué)習(xí)數(shù)據(jù)驅(qū)動方法也受到了廣泛關(guān)注，具有廣闊的發(fā)展空間。在車聯(lián)網(wǎng)環(huán)境下，云端可承擔(dān)絕大部分的模型訓(xùn)練任務(wù)，通過OTA技術(shù)實現(xiàn)對電池狀態(tài)評估模型的不斷迭代，最終達到良好的性能。最后，如何在電池組層面準確估計電池狀態(tài)困擾了眾多電池從業(yè)者。電池組內(nèi)單體之間的不均衡和特性差異給以往基于單體的電池狀態(tài)估計方法帶來了很大困難，如何在電池組級別上準確估計電池狀態(tài)的評估方法將是未來研究的一個重點。

本文分類介紹了近年來汽車動力電池狀態(tài)評估的方法和成果，并對各種方法的優(yōu)缺點進行了比較，其中數(shù)據(jù)驅(qū)動方法是本文論述的重點。隨著汽車大數(shù)據(jù)平臺的建立和新能源汽車的推廣普及，車輛的實時運行數(shù)據(jù)的獲取變得極為方便。然而如何充分利用和挖掘海量運行數(shù)據(jù)包含的電池SOC、SOH、SOT等信息，并將其用于動力電池的狀態(tài)估計和BMS系統(tǒng)設(shè)計中是汽車動力電池技術(shù)從業(yè)者應(yīng)該關(guān)注的問題。