鐘彥雄

摘 要：電動(dòng)汽車(chē)動(dòng)力鋰電池內(nèi)部充電狀態(tài)的評(píng)估是電池管理系統(tǒng)狀態(tài)評(píng)估模塊的核心。不能用儀器直接測(cè)量，只能通過(guò)測(cè)量蓄電池的外部電流、電壓等參數(shù)進(jìn)行評(píng)估。準(zhǔn)確評(píng)估充電狀態(tài)對(duì)于控制電池壽命、功率和安全性非常重要。根據(jù)算法的不同，分為傳統(tǒng)的開(kāi)路電壓法、電流積分法、基于數(shù)據(jù)傳輸?shù)臋C(jī)器學(xué)習(xí)阻抗法、基于模型的卡爾曼濾波算法、粒子濾波算法和融合算法。介紹不同評(píng)估算法的計(jì)算原理，分析比較了不同評(píng)估算法的計(jì)算復(fù)雜度和精度。針對(duì)當(dāng)前鋰離子電池充電評(píng)估研究中存在的問(wèn)題，指出鋰離子電池充電評(píng)估的研究方向和未來(lái)發(fā)展方向是更具通用性、更高精度和更好實(shí)時(shí)性的多種評(píng)估方法。

關(guān)鍵詞：鋰離子電池 荷電狀態(tài)估計(jì) 電池管理系統(tǒng) 算法

Abstract：The evaluation of the internal charging state of the electric vehicle power lithium battery is the core of the battery management system state evaluation module. It cannot be measured directly with the instrument， but can only be evaluated by measuring the external current， voltage and other parameters of the battery. Accurately assessing the state of charge is important to control battery life， power， and safety. According to the different algorithms， it is divided into traditional open-circuit voltage method， current integration method， machine learning impedance method based on data transmission， model-based Kalman filter algorithm， particle filter algorithm and fusion algorithm. The calculation principles of different evaluation algorithms are introduced， and the computational complexity and accuracy of different evaluation algorithms are analyzed and compared. In view of the problems existing in the current lithium-ion battery charging evaluation research， it is pointed out that the research direction and future development direction of lithium-ion battery charging evaluation are more versatile， higher precision and better real-time evaluation methods.

Key words：lithium-ion battery， state-of-charge estimation， battery management system， algorithm

現(xiàn)階段，發(fā)展清潔能源汽車(chē)是緩解能源危機(jī)和環(huán)境危機(jī)的重要舉措。電動(dòng)汽車(chē)目前是使用清潔能源的主要交通工具。蓄電池的化學(xué)反應(yīng)為車(chē)輛提供必要的清潔電能。在應(yīng)用過(guò)程中具有零排放、零污染的優(yōu)點(diǎn)。但電池技術(shù)嚴(yán)重限制了電動(dòng)汽車(chē)的發(fā)展。電池充電狀態(tài)（SOC）評(píng)估是一項(xiàng)重要的應(yīng)用研究，它可以為評(píng)估和計(jì)算電池的健康狀態(tài)、能量狀態(tài)、電源狀態(tài)和壽命狀態(tài)提供依據(jù)。準(zhǔn)確的SOC評(píng)估基本上可以將電池過(guò)充放電的可能性降至最低，從而提高電池的性能和使用壽命，提高電動(dòng)汽車(chē)的耐久性。

1 鋰離子電池和SOC

1.1 鋰離子電池

與其他電池相比，鋰離子電池具有能量質(zhì)量比高、循環(huán)性能好、自放電速度低、無(wú)記憶效應(yīng)、快速充電能力強(qiáng)等優(yōu)點(diǎn)，被廣泛應(yīng)用于電動(dòng)汽車(chē)和混合動(dòng)力汽車(chē)中。以磷酸鐵鋰電池為例，電池的充放電過(guò)程就是鋰離子開(kāi)關(guān)和切換的過(guò)程。在充電過(guò)程中，陰極材料失去電子。在電場(chǎng)的作用下，鋰離子從電解液和隔膜的陰極傳遞到陰極，并集成到石墨層中。同時(shí)，電子通過(guò)陰極到達(dá)外部電路，因此陰極的電荷是平衡的，在放電過(guò)程中，電子從負(fù)極材料流出，失去電子的鋰離子也從石墨層流出。從負(fù)極去除的鋰離子通過(guò)電極材料電解質(zhì)和隔膜返回，電子通過(guò)外部電路流向正極，從而平衡正極的電荷[1]。

1.2 電池SOC

SOC反映剩余電池電量。通常，使用美國(guó)高級(jí)電池聯(lián)合會(huì)給出的定義，即在特定放電率條件下，額定功率下剩余電池功率的百分比。SOC提供有關(guān)電池剩余可用能量以及電池潛在充電和放電策略可靠性的信息。準(zhǔn)確了解電池的剩余電量可以有效防止過(guò)度充電和過(guò)度放電。評(píng)估電池的健康狀態(tài)，提高電池壽命并確保駕駛安全非常重要。鋰離子電池SOC是一個(gè)非常復(fù)雜的非線性系統(tǒng)，無(wú)法直接測(cè)量，只能通過(guò)電池的端電壓、充放電電流、內(nèi)阻等參數(shù)來(lái)估計(jì)。但這些參數(shù)也受到許多不確定因素的影響，如蓄電池老化、環(huán)境溫度的變化和車(chē)輛行駛條件的變化，同時(shí)，蓄電池的額定功率也會(huì)發(fā)生變化。就電動(dòng)汽車(chē)而言，復(fù)雜的地形和路況導(dǎo)致復(fù)雜的功率和能量反饋，增加了評(píng)估的難度。因此，如何準(zhǔn)確評(píng)價(jià)SOC鋰離子電池已成為電動(dòng)汽車(chē)發(fā)展中急需妥善治理的關(guān)鍵問(wèn)題[2]。

2 鋰離子電池和SOC研究情況

2.1 電池SOC估計(jì)方法研究進(jìn)展

電池SOC的估計(jì)方法可分為四類(lèi)：安時(shí)積分法、開(kāi)路電壓法、數(shù)據(jù)驅(qū)動(dòng)法、基于模型的方法。其中，安時(shí)積分法存在較強(qiáng)的局限性，需要在計(jì)算開(kāi)始時(shí)提供準(zhǔn)確的SOC初值，并且該方法屬于開(kāi)環(huán)方法，缺乏反饋矯正換接，累計(jì)誤差容易逐漸增大。開(kāi)路電壓法在實(shí)際使用過(guò)程中，由于電池的充放電電流時(shí)不斷變化的，要使電池等到平衡狀態(tài)再去測(cè)量其開(kāi)路電壓較難實(shí)現(xiàn)。數(shù)據(jù)驅(qū)動(dòng)的方法主要分為三類(lèi)，模糊邏輯、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)。模糊邏輯方法中隸屬函數(shù)和模糊規(guī)則的建立通常需要依靠專(zhuān)家的經(jīng)驗(yàn)和知識(shí)。若缺乏經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)，模糊邏輯方法很難取得較好的預(yù)測(cè)結(jié)果。支持向量機(jī)將模型求解問(wèn)題最終轉(zhuǎn)化為一個(gè)凸優(yōu)化問(wèn)題，依據(jù)凸優(yōu)化理論，可以獲得模型的全局最優(yōu)解。但是支持向量機(jī)不適用于大規(guī)模的數(shù)據(jù)處理，內(nèi)存空間和計(jì)算時(shí)間開(kāi)銷(xiāo)極大。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性建模能力，而且適合大規(guī)模的數(shù)據(jù)處理。北京航天航空大學(xué)的楊順昆團(tuán)隊(duì)提出一種雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，該方法可以從前向和反向兩個(gè)方向捕捉輸入數(shù)據(jù)之間的長(zhǎng)期相關(guān)性。結(jié)果表明，相比長(zhǎng)期記憶神經(jīng)網(wǎng)絡(luò)，基于雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOC預(yù)測(cè)精度更高[3]。

基于模型的方法可分為基于電化學(xué)模型的方法和基于等效電路模型的方法。根據(jù)采用的原理不同，基于等效電路模型的鋰離子電池SOC估計(jì)方法可以分為兩大類(lèi)：狀態(tài)觀測(cè)器方法和濾波方法，其中，狀態(tài)觀測(cè)器方法雖然可以處理模型不確定性和外部干擾，但是觀測(cè)器的設(shè)計(jì)難度比較大，收斂性證明也較為復(fù)雜，計(jì)算量較大，難以用于在線SOC估計(jì)。濾波算法目前使用較多的是擴(kuò)展卡爾曼濾波、無(wú)跡卡爾曼濾波、容積卡爾曼濾波和粒子濾波算法。葛云龍?zhí)岢鲆环NSTF&LM算法，該算法將各單體狀態(tài)、內(nèi)阻估計(jì)誤差控制在合理范圍內(nèi)，提升了電池組不一致性辨識(shí)與狀態(tài)估計(jì)。程澤在分析鋰離子電池二階RC等效電路基礎(chǔ)上，將自適應(yīng)濾波思想與傳統(tǒng)平方根無(wú)跡卡爾曼濾波相結(jié)合，構(gòu)建了一種自適應(yīng)平方根無(wú)跡卡爾曼濾波算法，該算法提高了對(duì)電池歐姆電阻和容量的估計(jì)[4]。

隨著人工智能領(lǐng)域的蓬勃發(fā)展，作為實(shí)現(xiàn)人工智能的重要方法，如強(qiáng)化學(xué)習(xí)等機(jī)器學(xué)習(xí)的方法也逐漸被應(yīng)用于鋰離子電池SOC估計(jì)領(lǐng)域中。利用深度強(qiáng)化學(xué)習(xí)思維，提出了一種強(qiáng)化學(xué)習(xí)的鋰離子電池的狀態(tài)估計(jì)算法，該方法對(duì)于鋰離子電池的狀態(tài)估計(jì)更加精確和靈活，弊端是更改參數(shù)存在困難．將神經(jīng)網(wǎng)絡(luò)和卡爾曼濾波算法相結(jié)合，提出了兩種不同的算法，實(shí)驗(yàn)均驗(yàn)證了能夠提高鋰離子電池狀態(tài)估計(jì)的精度[5]。

2.2 電池SOC與容量估計(jì)方法研究進(jìn)展

鋰離子電池在使用的過(guò)程中，由于電化學(xué)成分的衰退，鋰離子電池隨著使用時(shí)間的增加，電池性能不斷退化，導(dǎo)致電池容量和功率發(fā)生衰退。因此，研究電池的容量剩余問(wèn)題顯得尤為重要。大量的實(shí)踐證明，電池SOC具有較快的變化特性，而電池容量具有較慢的變化特性。如果電池SOC和容量估計(jì)在同一時(shí)間尺度下進(jìn)行，不穩(wěn)定的SOC可能會(huì)提供不正確的容量估計(jì)信息，從而增加計(jì)算量。為了解決不同變化特性所帶來(lái)的問(wèn)題，兩個(gè)自適應(yīng)濾波器估計(jì)電池SOC和容量將比單個(gè)自適應(yīng)濾波器更靈活，同時(shí)可以構(gòu)建多時(shí)間尺度的框架。針對(duì)包括鋰離子電池系統(tǒng)在內(nèi)的許多非線性系統(tǒng)存在快、慢動(dòng)力學(xué)耦合的問(wèn)題，文獻(xiàn)[31]中提出了一種基于快速特征邊界層模型和慢特征簡(jiǎn)化模型的通用多時(shí)間尺度估計(jì)方法。熊瑞等人通過(guò)構(gòu)造兩個(gè)狀態(tài)方程，采用雙擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）算法同時(shí)估計(jì)電池的SOC和容量。Li，Yanwen等人提出了一種基于在線識(shí)別電池模型的電池SOC和容量雙重估計(jì)的多時(shí)間尺度方法，實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崟r(shí)估計(jì)模型參數(shù)、SOC和容量，收斂速度快，精度高。Li Shi等人創(chuàng)新性地采用SOC變化作為容量估計(jì)算法的閾值。提出一種基于自適應(yīng)變量多時(shí)間尺度框架的電池SOC和容量聯(lián)合估計(jì)方法，實(shí)驗(yàn)結(jié)果表明了該方法在不同工況下具有較高的準(zhǔn)確性、很好的魯棒性和自適應(yīng)性[6]。

3 SOC 影響因素

3.1 充放電電流大小

蓄電池的充放電電流對(duì)蓄電池的體積有一定的影響。當(dāng)電池處于充電過(guò)程中時(shí)，電池的充電效率與充電電流成反比，即電池的充電功率與實(shí)際吸收功率之差隨充電電流比的增大而增大；當(dāng)蓄電池處于放電過(guò)程中時(shí)，隨著放電電流的增加，蓄電池的放電效率逐漸降低。

3.2 環(huán)境溫度

溫度對(duì)鋰離子電池的工作狀態(tài)有較大影響，當(dāng)環(huán)境溫度變化時(shí)，其使用特性和使用量也會(huì)發(fā)生變化。當(dāng)電池處于低溫環(huán)境時(shí)，電池放電電壓迅速達(dá)到關(guān)斷電壓，外部表征能力低。隨著電池周?chē)h(huán)境溫度的升高，電池的活性增加，電池的使用特性逐漸改善，現(xiàn)有容量也增加。但經(jīng)過(guò)鎳氫電池溫度測(cè)試，發(fā)現(xiàn)如果電池溫度過(guò)高，充電效率會(huì)顯著降低。因此，有必要根據(jù)蓄電池的實(shí)際應(yīng)用情況調(diào)整溫度[7]。

3.3 自放電

電池的特性表現(xiàn)為自放電現(xiàn)象，通常通過(guò)測(cè)試來(lái)測(cè)量，如果蓄電池在充滿(mǎn)電后處于長(zhǎng)期存儲(chǔ)狀態(tài)，則在此期間蓄電池會(huì)自行放電，導(dǎo)致功率損失。在計(jì)算SOC時(shí)，應(yīng)考慮蓄電池的實(shí)際儲(chǔ)存條件，然后調(diào)整和檢查自放電系數(shù)。此外，蓄電池的內(nèi)阻、蓄電池的初始SOC和蓄電池電壓都會(huì)影響蓄電池的SOC。因此，在鋰離子電池SOC評(píng)價(jià)中應(yīng)綜合多變量因素分析，以獲得準(zhǔn)確的電池SOC評(píng)價(jià)結(jié)果。

4 SOC估算方法

4.1 基于人工智能算法的電池SOC估計(jì)

以電動(dòng)汽車(chē)鋰離子電池為研究對(duì)象，研究電池的充放電特性規(guī)律，利用等效電路模型構(gòu)建合理的電池?cái)?shù)學(xué)模型，采用帶遺忘因子的最小二乘法對(duì)電池模型進(jìn)行參數(shù)辨識(shí)，得到合理且有效的電池模型參數(shù)。在高效的電池模型參數(shù)下，對(duì)比分析多種智能濾波算法的精度及難易程度，選擇合適的濾波算法并結(jié)合人工智能算法，開(kāi)發(fā)一種具備良好適用性的人工智能SOC估計(jì)算法[8]。

4.2 一種全壽命范圍內(nèi)的電池容量和SOC聯(lián)合估計(jì)方法

以電動(dòng)汽車(chē)鋰離子電池為研究對(duì)象，利用容量測(cè)試、HPPC測(cè)試、動(dòng)態(tài)測(cè)試等不同的測(cè)試數(shù)據(jù)，深入研究電池老化規(guī)律，充分考慮電池老化現(xiàn)象對(duì)電池容量變化的影響以及電池容量變化對(duì)電池SOC變化的影響，設(shè)計(jì)一種全壽命范圍內(nèi)的電池SOC與容量聯(lián)合估計(jì)的方法[9]。

4.3 開(kāi)路電壓法

電池的OCV接近電池的電動(dòng)勢(shì)，與內(nèi)部鋰離子濃度有一定的映射比。通過(guò)大量的密集測(cè)試，創(chuàng)建了OCV-SOC搜索表。當(dāng)蓄電池處于工作狀態(tài)時(shí)，通過(guò)測(cè)量蓄電池的OCV，根據(jù)OCV和SOC映射關(guān)系來(lái)評(píng)估蓄電池的SOC。需要注意的是，由于電池內(nèi)部歐姆電阻、極化電阻、電化學(xué)極化和濃差極化引起的滯后現(xiàn)象，應(yīng)對(duì)電池內(nèi)部的電解液進(jìn)行統(tǒng)計(jì)分布，以獲得穩(wěn)定的終端電壓。此外，放電試驗(yàn)期間建立的OCV-SOC搜索表只能在相同試驗(yàn)條件下評(píng)估蓄電池時(shí)使用。如果目標(biāo)溫度和壽命周期不同，則使用預(yù)定義查找表計(jì)算的SOC誤差會(huì)增加。在排空過(guò)程的中間，OCV-SOC曲線變得非常平坦，SOC評(píng)估變得非常敏感，在這種情況下，較小的OCV誤差會(huì)導(dǎo)致較大的SOC評(píng)估誤差[10]。

4.4 交流阻抗法

交流阻抗法是搜索表方法類(lèi)別中的第二種方法。蓄電池的內(nèi)部交流電阻與蓄電池的SOC密切相關(guān)。電池的交流阻抗由電化學(xué)阻抗分析儀測(cè)量，以創(chuàng)建阻抗搜索表。與OCV方法類(lèi)似，為了實(shí)現(xiàn)電池的穩(wěn)定狀態(tài)，鋰離子電池在測(cè)量交流阻抗之前必須靜止一段時(shí)間。當(dāng)蓄電池的SOC較大時(shí)，阻抗不會(huì)發(fā)生顯著變化。當(dāng)電池的SOC降至一定水平時(shí)，阻抗迅速上升，溫度顯著影響電池交流電流的阻抗。內(nèi)阻評(píng)估方法類(lèi)似于開(kāi)路電壓法，該方法主要通過(guò)SOC曲線預(yù)測(cè)SOC內(nèi)阻。內(nèi)阻評(píng)估方法的優(yōu)點(diǎn)是可以快速、直接地反映電池及其材料的內(nèi)部特性，并利用相關(guān)參數(shù)預(yù)測(cè)鋰離子電池的SOC。由于阻抗對(duì)環(huán)境溫度變化敏感，因此僅當(dāng)環(huán)境溫度發(fā)生劇烈變化時(shí)，使用內(nèi)阻評(píng)估方法難以準(zhǔn)確計(jì)算SOC值。針對(duì)上述問(wèn)題，提出了一種基于電池實(shí)驗(yàn)和數(shù)據(jù)處理的阻抗評(píng)估方法，與現(xiàn)有方法相比，該方法具有評(píng)估時(shí)間短、評(píng)估精度高和一定的通用性[11]。

4.5 庫(kù)侖計(jì)法

通過(guò)測(cè)量流入或流出電池的凈電荷量來(lái)估計(jì)電池的剩余功率，稱(chēng)為庫(kù)侖計(jì)法。如果使用此方法進(jìn)行評(píng)估，則可以在下一個(gè)充電循環(huán)中預(yù)設(shè)或?qū)W習(xí)初始電池容量，以便使用此方法。然而，公里數(shù)法也有許多方面需要改進(jìn)。雖然該方法通過(guò)補(bǔ)償因素提供更準(zhǔn)確的剩余功率評(píng)估，但通常需要使用昂貴的電流檢測(cè)電阻器和其他精密設(shè)備，導(dǎo)致該方法的經(jīng)濟(jì)性較低。該方法對(duì)電流檢測(cè)電阻的精度有嚴(yán)格要求，如果未以適當(dāng)?shù)木冗x擇電流檢測(cè)電阻，則評(píng)估結(jié)果存在較大誤差[12]。

4.6 基于等效電路模型的卡爾曼濾波及其衍生方法

鋰離子電池模型主要分為電化學(xué)模型和等效電路模型。雖然電化學(xué)模型能夠更好地描述電池的內(nèi)部和外部特性，但其識(shí)別更加困難。等效電路模型結(jié)構(gòu)清晰，參數(shù)易于識(shí)別，易于在BMS中應(yīng)用。等效電路模型主要分為整數(shù)階和分?jǐn)?shù)階全數(shù)字等效電路模型，如print模型和戴維南模型，傾向于模擬鋰電池的性能特征。因此，有必要建立基于分?jǐn)?shù)電容的分?jǐn)?shù)階等效電路模型，以更準(zhǔn)確地模擬鋰電池的實(shí)際動(dòng)態(tài)特性。分?jǐn)?shù)電容的概念源于分?jǐn)?shù)計(jì)算，即它可以通過(guò)使用常數(shù)相位元素而不是整數(shù)電容來(lái)實(shí)現(xiàn)。事實(shí)上，整數(shù)階的電容在自然界中并不存在，但電容的分?jǐn)?shù)階接近1。因此，整數(shù)階容量模擬過(guò)程中存在一些錯(cuò)誤，可以通過(guò)創(chuàng)建精度來(lái)最大化分?jǐn)?shù)階容量模型來(lái)減少這些錯(cuò)誤。

在實(shí)際應(yīng)用過(guò)程中，由于電池容量、老化等因素，電池模型的參數(shù)會(huì)發(fā)生變化。因此，為了克服上述因素的影響，有必要確定等效電路模型中的參數(shù)。辨識(shí)參數(shù)的方法包括離網(wǎng)辨識(shí)和在線辨識(shí)。電池老化對(duì)離網(wǎng)辨識(shí)方法有顯著影響，而在線辨識(shí)方法可以充分考慮各種影響因素，有效提高SOC評(píng)價(jià)的可靠性。在線辨識(shí)方法包括卡爾曼濾波、遞推最小二乘法等，KF方法可以使用輸出數(shù)據(jù)實(shí)時(shí)連續(xù)改變系統(tǒng)狀態(tài)變量，并實(shí)現(xiàn)最佳可測(cè)量估計(jì)。因此，該方法通常用于確定網(wǎng)絡(luò)中等效電路模型的參數(shù)，以提高等效電路模型的精度。然而，由于系統(tǒng)噪聲的高度不確定性，評(píng)估過(guò)程中可能會(huì)出現(xiàn)一些偏差。

5 結(jié)語(yǔ)

通過(guò)介紹鋰離子電池的物理工作原理，比較電動(dòng)汽車(chē)鋰離子電池充電性能的評(píng)價(jià)方法。值得注意的是，在工程實(shí)踐中，電動(dòng)汽車(chē)蓄電池SOC評(píng)價(jià)的新研究仍存在困難。在此基礎(chǔ)上，未來(lái)SOC評(píng)估研究應(yīng)著眼于實(shí)際工程應(yīng)用，觸及其物理本質(zhì)，為評(píng)估未來(lái)新電源孔的狀態(tài)提供更好的解決方案。

云南省教育廳科學(xué)研究基金項(xiàng)目“考慮電池容量衰退的純電動(dòng)汽車(chē)鋰離子電池荷電狀態(tài)研究”，項(xiàng)目編號(hào)：2022J1352。

參考文獻(xiàn)：

[1]Wang Y，Tian J，Sun Z，et al.A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems[J]. Renewable and Sustainable Energy Reviews. 2020，131：110015.

[2]Hannan M A，Lipu M，hussaina A，et al. A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications：Challenges and recommendations[J]. Renewable & Sustainable Energy Reviews，2017，78（oct.）：834-854.

[3]Rui X，Li L，Tian J. Towards a smarter battery management system：A critical review on battery state of health monitoring methods[J]. Journal of Power Sources， 2018，405：18-29.

[4]Han X，Ouyang M，Lu L，Li J.Acomparative study of commercial lithium ion battery cycle life in electric vehicle： Capacity loss estimation[J].Journal of Power Sources， 2014，268：658-669.

[5]陳巖.動(dòng)力鋰離子電池荷電狀態(tài)與健康狀態(tài)聯(lián)合在線預(yù)估方法研究[D].南京郵電大學(xué)，2021.

[6]張照娓，郭天滋，高明裕，何志偉，董哲康.電動(dòng)汽車(chē)鋰離子電池荷電狀態(tài)估算方法研究綜述[J].電子與信息學(xué)報(bào)，2021，43（07）：1803-1815.

[7].何復(fù)興.基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池荷電狀態(tài)及健康狀態(tài)估計(jì)研究[D].西安理工大學(xué)，2021.

[4]胡榕.鋰離子電池荷電狀態(tài)估計(jì)及壽命預(yù)測(cè)方法研究[D].湘潭大學(xué)，2021.

[8].王瑞.鋰離子電池荷電狀態(tài)預(yù)測(cè)方法研究[D].廣西師范大學(xué)，2021.

[9].孫嘯.電動(dòng)汽車(chē)鋰離子電池聯(lián)合狀態(tài)估算方法研究[D].中國(guó)礦業(yè)大學(xué)，2021.

[10].王瑞，宋樹(shù)祥，夏海英.融合阻抗模型與擴(kuò)展卡爾曼濾波的鋰離子電池荷電狀態(tài)估算[J].廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，39（03）：1-10.

[11].茅曉怡.鋰離子電池荷電狀態(tài)及主動(dòng)均衡技術(shù)研究[D].南京郵電大學(xué)，2020.

[12].陶陶.基于LAdaBoost-CBP神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車(chē)鋰離子電池健康狀態(tài)估算方法[D].江蘇大學(xué)，2020.