首页 > 新闻中心

霍克锂电池锂离子电池健康状态预测的混合模型：一项全面综述

锂离子电池在各行业的应用日益广泛，其中电池管理系统(BMS)通过监测电池状态对保障其安全高效运行起着关键作用。本文系统综述了近三年来锂离子电池健康状态(SOH)估算方法的研究进展。基于CiteSpace可视化分析技术，研究聚焦于混合建模方法，创新性地将其分为两类：异质混合模型与同质混合模型。在异质混合模型类别中，ECM-PGNN混合估计算法实现了R²CNN-LSTM混合方法的均方根误差（RMSE）达到0.929，同时保持2.33%至3.01%的平均绝对误差（MAE）。在同构类别中，Transformer-LSTM混合模型在独立验证下获得0.9817的R²值。这些结果表明，混合建模是锂离子电池健康状态（SOH）预测领域一个占主导地位且快速发展的研究方向。

图文摘要

引言

气候变化已成为全球环境面临的重大挑战，各国正全力推动清洁能源替代传统化石燃料。锂离子电池领域是当前发展最迅速的储能核心环节，尤其在电动汽车(EVs)和可再生能源领域具有关键作用[1][2]。越来越多的消费电子设备内置锂离子电池，其核心性能指标体现在能量效率、循环寿命和安全性三个方面。为实现锂离子电池的最佳性能，必须获取最精确的荷电状态(SOC)、健康状态(SOH)和功率状态(SOP)参数，这些参数的准确测算对于电池管理系统(BMS)的高效运行至关重要[3][4][5]。精准评估锂离子电池健康状态，可实现电池寿命的有效管理，从而达到高效生产与安全运行的双重目标。
在锂离子电池健康状态（SOH）的背景下，电池管理系统（BMS）起着决定性作用。BMS可利用SOH数据提升电池效率、耐久性及安全水平[6][7][8]。然而锂离子电池SOH会随时间劣化，其储能与输出能力逐渐衰减，这是影响电池性能的重要因素[9]。通过实时估算与预测电池SOH，BMS能有效防止电池过充或深度放电，从而使电池维持在安全充电状态[10]。通过平衡功率流与循环寿命预测，健康状态（SOH）监测对延长电池寿命具有重要贡献。其安全功能的核心在于管理电池寿命、预测电池需维护或更换的时机，并能检测可能导致过热的内阻上升现象——这种过热可能引发安全隐患[11]。安全控制是此类系统的核心要素[12][13]。电池管理系统（BMS）可利用SOH数据构建电芯均衡系统，确保所有电芯处于相同荷电状态，避免过充或欠充，从而降低火灾或爆炸风险。此外，精确的SOH估算可实现预测性维护，这对用户具有重大价值：它能预判并排除电池故障，从而有效延长电池剩余使用寿命（RUL）[14][15][16]。用于电池监测的集成式BMS（电池管理系统）通过优化电池性能避免能量浪费，可进一步提升能效，这对电动汽车尤为重要[17][18]。设计良好的BMS能够通过高效的流量路径规划与运行工况调整，在电池健康状态（SOH）下降阶段抵消系统性能衰减[19][20]。因此，准确感知锂离子电池的健康状态将实现更具成本效益的电池管理——通过针对电池总放电成本优化的及时干预措施，这在电动汽车和电网级储能系统等高要求应用场景中尤为重要。
多位学者对电池健康状态(SOH)预测方法进行了更为全面的综述。其中，Liu等[21]研究了电化学阻抗谱(EIS)与锂离子电池老化机理的关联性，阐明EIS如何监测评估SOH、增强电池管理系统性能，并通过推动新型储能技术发展来提升SOH估算精度，从而支持电池技术革新。Zhang等[22]系统综述了包括机器学习和深度学习模型在内的多种数据驱动算法在锂离子电池SOH精确预测中的应用，着重分析了数据预处理与算法选择对优化模型性能的关键作用。Shrivastava等[23]则归纳了SOH估计的三大类方法：实验法、基于模型的方法以及基于机器学习的方法。总结了SOC与SOH联合估计方法以及SOH与RUL联合估计方法，最终提出一种SOC、SOE、SOH与SOP的联合估计方法，该方法能够同时高精度估算四种电池状态。Xiao等[24]从锂离子电池老化机理出发，分析了导致老化的因素，并通过循环计数技术、库仑计数法、电化学阻抗谱和差分电压分析等实验方法，以及机理模型、半经验模型和经验模型等建模方法，介绍了SOH估算方法。类似地，Zeng等[25]同样综述了锂离子电池的老化机制，分析了老化模型与健康状态(SOH)预测模型，并将常见的SOH预测方法归纳为五类：基于测量数据的直接评估法、数据驱动法、经验建模法、混合预测法以及滤波预测法。最终提出亟需采用混合算法来提升SOH预测能力的观点。与上述研究形成对比的是，Wang等学者[26]根据实际应用中SOH估算的复杂程度，将SOH估算方法划分为复杂方法与快速方法两大类，并将快速方法进一步分为两个主要组别：基于电参数测量（PTT与EIS测量）的估算方法，以及基于材料特性（超声波检测与主动AE传感）的估算方法。Demirci等研究者[27]综述了电动汽车应用场景下的健康状态（SOH）评估研究，通过将传统实验模型与数据驱动、基于模型等现代技术相结合，提出这些新兴的机器学习与人工智能驱动的SOH评估方法能更有效应对电池老化挑战，并具备显著的发展潜力。Kurucan等学者[28]系统评估了四种基于人工神经网络（ANN）的算法——前馈神经网络（FFNN）、深度神经网络（DNN）、卷积神经网络（CNN）和循环神经网络（RNN），指出ANN算法已成为电池管理系统状态评估的研究热点，进而分析了这些衍生算法在SOH、荷电状态（SOC）等参数估计领域的未来应用前景。表1对比了部分相关综述的研究内容与方法论。
通过对2021至2026年锂离子电池健康状态估算混合模型方法的文献综述，进行了关键词聚类分析及作者来源地可视化研究。这使得混合模型应用与健康状态估算发展趋势得以更直观呈现。可视化分析结果如图1所示。
视觉分析清晰地揭示了混合模型在健康状态评估中的显著应用。通过对近三年已发表文献的综述可见，在总体发表文章数量增长的背景下，混合模型数量的增长尤为显著。此外，该趋势表明混合建模正成为预测电池完整健康状态的一种前景广阔的方法。与其他健康状态预测综述相比，本研究创新性地引入了文献可视化分析，这一方法具有差异化特征。此外，该研究将混合模型归类为最新算法体系。该模型具备时效相关性。由于采用了"分析后实验验证"的研究路径，最终将有效提升研究结论的可信度。

上一个：霍克锂电池源自生物质废弃物的可持续多孔硬碳正极用于抑制穿梭效应的室温钠硫电池下一个：霍克锂电池高性能金属离子电池用金属有机框架材料：结构设计、电化学机制与储能前景

产品分类

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net