基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)評(píng)估綜述

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(guó)網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014；3.國(guó)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(zhǎng)、自放電現(xiàn)象不明顯、污染較小等優(yōu)點(diǎn)[1]，因而被廣泛應(yīng)用于電網(wǎng)儲(chǔ)能、電動(dòng)汽車、通信基站、商用儲(chǔ)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(huì)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(gè)重要評(píng)價(jià)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(duì)鋰離子電池的SOH 估計(jì)與RUL 預(yù)測(cè)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(píng)估和基于數(shù)據(jù)驅(qū)動(dòng)的電池健康狀態(tài)評(píng)估兩類[4]。

隨著大數(shù)據(jù)及機(jī)器學(xué)習(xí)技術(shù)的蓬勃發(fā)展，數(shù)據(jù)驅(qū)動(dòng)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(dòng)預(yù)測(cè)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(dòng)算法，訓(xùn)練出與電池老化特性一致的模型，對(duì)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(dòng)不需要對(duì)電池內(nèi)部復(fù)雜的電化學(xué)機(jī)理進(jìn)行精確建模，無(wú)需進(jìn)行電池自身參數(shù)辨識(shí)，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(dòng)的鋰離子電池健康狀態(tài)評(píng)估過程如圖2 所示。

圖1 數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)技術(shù)的一般流程

圖2 基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)評(píng)估過程

目前，國(guó)內(nèi)外已有部分學(xué)者對(duì)鋰離子電池健康狀態(tài)評(píng)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(dòng)模型的電池健康管理問題研究方法，但在數(shù)據(jù)驅(qū)動(dòng)技術(shù)方法介紹較為簡(jiǎn)略，文獻(xiàn)[9]對(duì)鋰離子電池的數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行對(duì)比綜述，但只討論了三種典型建模方法，對(duì)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(cè)的機(jī)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(lái)看，目前國(guó)內(nèi)單獨(dú)對(duì)數(shù)據(jù)驅(qū)動(dòng)的電池健康狀態(tài)評(píng)估技術(shù)詳細(xì)歸納的文獻(xiàn)較少，且較多文獻(xiàn)對(duì)數(shù)據(jù)驅(qū)動(dòng)的全過程把握不足。因此，有必要從數(shù)據(jù)驅(qū)動(dòng)的角度出發(fā)，對(duì)電池健康狀態(tài)評(píng)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(jī)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(dòng)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(dòng)的電池SOH 估計(jì)及電池RUL 預(yù)測(cè)方法，對(duì)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(dòng)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(lái)趨勢(shì)及展望。

1 電池退化機(jī)理分析

1.1 鋰離子電池的性能衰退機(jī)理分析

目前，國(guó)內(nèi)外已有大量學(xué)者對(duì)鋰離子電池的退化機(jī)理進(jìn)行研究。目前主流的觀點(diǎn)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(shí)間、電壓、充放電電流強(qiáng)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(jī)制及電池性能退化間的關(guān)系。研究鋰離子電池退化機(jī)理對(duì)于電池健康狀態(tài)評(píng)估具有重要意義。

圖3 鋰離子電池外部因素、衰減機(jī)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(duì)電池的SOH 進(jìn)行定義。

從電池容量角度對(duì)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(duì)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(shí)的內(nèi)阻；Rcurr為電池當(dāng)前內(nèi)阻；Rnew為電池出廠時(shí)的內(nèi)阻。

電池RUL 指在當(dāng)前使用條件下電池工作至報(bào)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(gè)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(shí)，則判定電池報(bào)廢[14]。

2 電池?cái)?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(dòng)建模過程中的重要一環(huán)，通過從電池?cái)?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(wú)法直接測(cè)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(shì)，提取出電池的退化特征參數(shù)[16]。DVA 則通過電壓對(duì)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(shí)間增長(zhǎng)的衰減趨勢(shì)[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(cè)量相結(jié)合，對(duì)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。基于ICA/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(shí)用性。但I(xiàn)CA/DVA 僅限在較低充放電倍率條件進(jìn)行，同時(shí)，該方法對(duì)于噪聲及測(cè)量誤差較為敏感，需要借助合理的濾波手段對(duì)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(jì)學(xué)方法的特征生成

通過各種統(tǒng)計(jì)學(xué)方法對(duì)采集的電池電壓、電流、溫度等數(shù)據(jù)進(jìn)行分析計(jì)算可作為一種電池退化特征的生成手段，其優(yōu)點(diǎn)在于可利用有限的電池?cái)?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(jì)學(xué)指標(biāo)，以及溫度、充放電量等曲線，生成了20 個(gè)表征電池退化特征的統(tǒng)計(jì)學(xué)參數(shù)，僅利用電池前100 個(gè)周期的測(cè)試數(shù)據(jù)回歸預(yù)測(cè)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(jì)方法，提取出5 個(gè)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(cè)精度。

使用統(tǒng)計(jì)學(xué)手段進(jìn)行特征生成的缺點(diǎn)在于，該方法過于依賴先驗(yàn)經(jīng)驗(yàn)，且部分所提取的特征可能與預(yù)測(cè)目標(biāo)相關(guān)性很小甚至無(wú)明顯相關(guān)性，導(dǎo)致模型訓(xùn)練后預(yù)測(cè)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(wú)關(guān)特征對(duì)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(cè)相關(guān)性較小的特征對(duì)模型的影響，提高了預(yù)測(cè)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(shí)間。

2.3 直接以外部參數(shù)作為特征

對(duì)于一部分機(jī)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(wú)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(cè)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(shí)現(xiàn)了鋰離子電池容量的實(shí)時(shí)在線預(yù)測(cè)；文獻(xiàn)[23]利用不同的數(shù)據(jù)驅(qū)動(dòng)模型，使用BMS（電池管理系統(tǒng)）直接測(cè)量的電流、電壓、溫度訓(xùn)練機(jī)器學(xué)習(xí)模型，在動(dòng)態(tài)運(yùn)行條件下進(jìn)行電池健康評(píng)估。直接外部參數(shù)輸入作為特征的缺點(diǎn)在于過分依賴模型的分析能力，模型計(jì)算復(fù)雜程度高。

不同鋰離子電池?cái)?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?cái)?shù)據(jù)退化特征生成方式優(yōu)缺點(diǎn)比較

3 數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)評(píng)估建模方法

數(shù)據(jù)驅(qū)動(dòng)的電池健康狀態(tài)評(píng)估一般通過回歸分析方法或機(jī)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?cái)?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(shí)現(xiàn)對(duì)電池未來(lái)SOH 的估計(jì)。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(duì)電池RUL 進(jìn)行預(yù)測(cè)。

數(shù)據(jù)驅(qū)動(dòng)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(jī)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(gè)體差異等困難參的數(shù)辨識(shí)過程，僅依靠電池在線監(jiān)測(cè)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(duì)電池健康狀態(tài)進(jìn)行分析預(yù)測(cè)，具有極強(qiáng)的魯棒性與自適應(yīng)性。本節(jié)將詳細(xì)介紹目前對(duì)電池SOH 估計(jì)及RUL 預(yù)測(cè)的數(shù)據(jù)驅(qū)動(dòng)建模方法并進(jìn)行對(duì)比分析。

3.1 自回歸類方法

AR（自回歸）是一類對(duì)時(shí)間序列預(yù)測(cè)問題建模的方法，通過對(duì)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(gè)電池健康特征的時(shí)序模型，并對(duì)當(dāng)前時(shí)刻系統(tǒng)狀態(tài)進(jìn)行預(yù)測(cè)。常用的AR 類模型有ARMA（自回歸滑動(dòng)平均）、ARIMA（差分整合移動(dòng)平均自回歸）等[24]。

在電池SOH 評(píng)估及RUL 預(yù)測(cè)方面，文獻(xiàn)[25]介紹了一種基于AR 的多元時(shí)間序列模型用于電池SOH 的預(yù)測(cè)，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(shí)間，等幅流降時(shí)間等特征建立電動(dòng)汽車電池SOH 的多元AR 模型，使得模型預(yù)測(cè)的MAE（平均絕對(duì)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(cè)效果。文獻(xiàn)[27]提出了一種結(jié)合EMD（經(jīng)驗(yàn)?zāi)B(tài)分解）的ARIMA 模型的來(lái)預(yù)測(cè)RUL，對(duì)電池的容量恢復(fù)過程實(shí)現(xiàn)了高精度預(yù)測(cè)，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(jì)算復(fù)雜度低、訓(xùn)練時(shí)間短等優(yōu)點(diǎn)，一般用于電池樣本數(shù)據(jù)量較小的應(yīng)用場(chǎng)景中。但自回歸模型無(wú)法分析多個(gè)輸入特征間的隱含關(guān)系，結(jié)果置信程度與預(yù)測(cè)精度較低，甚至可能出現(xiàn)預(yù)測(cè)結(jié)果違背實(shí)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(duì)神經(jīng)元間的閾值及權(quán)重進(jìn)行訓(xùn)練得到預(yù)測(cè)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(qiáng)、預(yù)測(cè)精度高的優(yōu)點(diǎn)。在電池健康狀態(tài)評(píng)估領(lǐng)域中，ANN 目前已成為一種主流的數(shù)據(jù)驅(qū)動(dòng)技術(shù)，且具有優(yōu)異的預(yù)測(cè)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(duì)電池健康狀態(tài)進(jìn)行估計(jì)及預(yù)測(cè)。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(duì)電動(dòng)汽車動(dòng)力電池的SOH 進(jìn)行準(zhǔn)確估計(jì)。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(duì)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(cè)誤差。相比于FNN，RNN 通過網(wǎng)絡(luò)參數(shù)循環(huán)反饋機(jī)制，能在一定時(shí)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(shí)間序列問題建模中更具優(yōu)勢(shì)。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(shí)序特征與電池SOH 的映射規(guī)律，實(shí)現(xiàn)了MAE 小于1.25%的預(yù)測(cè)精度。文獻(xiàn)[31]使用RNN 類中的LSTM（長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)）神經(jīng)網(wǎng)絡(luò)對(duì)磷酸鐵鋰離子電池進(jìn)行SOH 估計(jì)和RUL預(yù)測(cè)，該方法能分析出電池測(cè)試數(shù)據(jù)與壽命的長(zhǎng)期依賴關(guān)系，相比傳統(tǒng)RNN 方法，LSTM 方法的預(yù)測(cè)效果提高了20%～50%。

ANN 的方法在電池健康狀態(tài)預(yù)測(cè)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(shí)間與計(jì)算資源隨數(shù)據(jù)量增長(zhǎng)急劇增加，對(duì)于小樣本數(shù)據(jù)的預(yù)測(cè)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(shí)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(yàn)經(jīng)驗(yàn)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(jī)

SVM（支持向量機(jī)）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(duì)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(jì)算復(fù)雜度較低，收斂速度較快。同時(shí)，SVM 克服了ANN 易陷入局部參數(shù)最優(yōu)的問題，對(duì)小樣本數(shù)據(jù)的訓(xùn)練能力強(qiáng)[32]，預(yù)測(cè)精度高，因此在電池健康狀態(tài)評(píng)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(shí)間間隔和等放電電壓差時(shí)間間隔兩個(gè)實(shí)時(shí)可測(cè)的HI，通過SVM 對(duì)健康指標(biāo)與在線容量之間的關(guān)系進(jìn)行建模，從而實(shí)現(xiàn)了RMSE 小于1.97%的預(yù)測(cè)RUL。

SVM 方法也存在很多不足，如核參數(shù)復(fù)雜難以選取、對(duì)交叉訓(xùn)練及正則化方法的依賴程度高等。另外，SVM 對(duì)訓(xùn)練過程中的缺失數(shù)據(jù)敏感，在實(shí)際應(yīng)用中對(duì)原始電池?cái)?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(jī)

RVM（相關(guān)向量機(jī)）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(jì)而非點(diǎn)估計(jì)。RVM 具有SVM 相似的計(jì)算精度高、運(yùn)算復(fù)雜度低等優(yōu)點(diǎn)，且由于其概率預(yù)測(cè)的輸出形式，受到鋰離子電池預(yù)測(cè)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(duì)電池RUL 實(shí)現(xiàn)了預(yù)測(cè)，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(shí)時(shí)輸入對(duì)模型進(jìn)行更新，以實(shí)現(xiàn)RMSE 小于1.95%的RUL 在線精確預(yù)測(cè)，并較少了50%的訓(xùn)練時(shí)間。

總的來(lái)說(shuō)，RVM 算法模型精度高，運(yùn)算復(fù)雜性低，并能輸出概率形式的預(yù)測(cè)，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(duì)訓(xùn)練數(shù)據(jù)量的需求相對(duì)較高，預(yù)測(cè)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(yàn)知識(shí)對(duì)系統(tǒng)行為過程進(jìn)行回歸分析的概率估計(jì)模型。與RVM 模型相似，GPR 的輸出也為概率密度估計(jì)形式，可用作電池老化健康狀態(tài)估計(jì)的一種方法。文獻(xiàn)[36]針對(duì)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(yàn)?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(cè)模型。文獻(xiàn)[37]從恒流恒壓充電過程中提取3 個(gè)健康因子，用通過統(tǒng)計(jì)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(cè)容量，獲得電池RUL 預(yù)測(cè)結(jié)果。

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

3.6 各種數(shù)據(jù)驅(qū)動(dòng)方法比較

綜上所述，基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子健康狀態(tài)評(píng)估技術(shù)目前已比較成熟，不同數(shù)據(jù)驅(qū)動(dòng)方法具備各自優(yōu)點(diǎn)與適用場(chǎng)景。從圖6 對(duì)各種模型的預(yù)測(cè)精度進(jìn)行對(duì)比可知，AR 類模型的預(yù)測(cè)精度相對(duì)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(cè)效果。ANN 類模型雖然預(yù)測(cè)平均精度最高、但預(yù)測(cè)的穩(wěn)定性較差，其預(yù)測(cè)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(dòng)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(píng)估數(shù)學(xué)驅(qū)動(dòng)模型性能比較

4 挑戰(zhàn)與展望

總的來(lái)說(shuō)，目前對(duì)于基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池SOH 估計(jì)與RUL 預(yù)測(cè)技術(shù)目前已比較成熟，各類方法的驗(yàn)證也較為充分。但仍面臨以下挑戰(zhàn)：

首先，數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池SOH 一般屬于“黑盒模型”，對(duì)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(dòng)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(wú)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(yàn)證。隨著電池老化機(jī)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(dòng)相結(jié)合的方法將是未來(lái)電池SOH 評(píng)估的主流發(fā)展趨勢(shì)。

其次，數(shù)據(jù)驅(qū)動(dòng)估計(jì)對(duì)數(shù)據(jù)有效性要求較很高，在預(yù)測(cè)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(shí)，往往模型預(yù)測(cè)效果很差。目前數(shù)據(jù)驅(qū)動(dòng)的電池SOH 評(píng)估的研究一般都使用數(shù)據(jù)相對(duì)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?yàn)室測(cè)試的數(shù)據(jù)進(jìn)行方法驗(yàn)證，而很少有研究直接采用實(shí)際儲(chǔ)能應(yīng)用場(chǎng)景的隨機(jī)性高、波動(dòng)性強(qiáng)、缺乏部分工況、測(cè)量誤差較大、完整性差的真實(shí)數(shù)據(jù)。因此，對(duì)于電池的SOH 研究仍多局限于實(shí)驗(yàn)室測(cè)試條件下的理想情況。未來(lái)主流的發(fā)展趨勢(shì)是借助工業(yè)大數(shù)據(jù)、云邊協(xié)同計(jì)算、數(shù)字孿生等先進(jìn)技術(shù)，通過對(duì)海量實(shí)際應(yīng)用場(chǎng)景電池?cái)?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(píng)估水平。

最后，目前的電池?cái)?shù)據(jù)驅(qū)動(dòng)建模大多只使用電池的電壓、電流、溫度、內(nèi)阻等測(cè)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(cè)量參數(shù)中隱含的電池退化信息難以被充分提取出來(lái)。X 射線、紅外成像、核磁檢測(cè)、聲紋識(shí)別等非侵入式檢測(cè)技術(shù)可直接檢測(cè)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(cè)的手段。

5 結(jié)論

本文針對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池SOH評(píng)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(jī)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(shí)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(jì)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(gè)有效的電池退化特征；后者對(duì)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(píng)估的數(shù)據(jù)驅(qū)動(dòng)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(diǎn)與應(yīng)用場(chǎng)景，目前ANN，SVM，GPR 是目前最主流的3種數(shù)據(jù)驅(qū)動(dòng)的鋰離子健康狀態(tài)評(píng)估模型。

（4）數(shù)據(jù)驅(qū)動(dòng)的電池健康狀態(tài)評(píng)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(cè)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(dòng)的電池健康狀態(tài)評(píng)估將具有更廣闊的應(yīng)用前景。