HAWKER蓄电池SOH估计方法及主要发现

2 SOH估计方法及主要发现

SOH通常用于表征电池性能，其估算方法会结合多种间接健康指标。SOH可分为不同的模型类别，即基于模型的方法、微分分析法、数据驱动法和混合方法。

2.1 SOH估算

SOH的定量定义基于锂离子电池在特定时期内内阻的上升和容量的衰减。总初始充电容量、总最大充电量和总额定容量分别表示为QBOL⁠, QMax和QRated并通过方程(1)和(2):

SOC= QBOLQRated×100%
(1)
SOH= QMaxQRated×100%
(2)

深度放电（DOD）估算需要几个参数：它是释放的充电容量与总额定容量的比率，也是通过放电电流的放电容量Id⁠，通过公式（3–5):

DOD= QReleased Rated capcityQRated×100%
(3)
ΔDOD= ∫t0t0+τId(t)dtQRated×100%
(4)
DOD(t)= DOD(t0)+ Δ DOD
(5)

不考虑电池老化和运行效率，SOC 通过公式（6）表示。直接测量技术使用阻抗测试、容量测试或其他测试装备直接测量和阻抗，然后利用_Aged公式（7）计算 SOHEquation (7) [38]:

SOC(t)= 100%−DOD (t)
(6)
SOC(t)= SOH (t)−DOD (t)
(7)

然而，这些技术并不适用于实际的在线应用，仅可在受限的实验环境中使用。间接分析方法备受关注，因为它们最适合实际应用，并且目前正通过各种方法被广泛采用。改进的库仑计数法流程图如图4所示。首先访问关联内存以获取历史电池使用统计数据。

图4：

基于SOC和DOD数据及库仑计数算法的SOH估算流程图

2.2 容量衰减方法的分类

对于近期使用的电池，在缺乏信息的情况下，假设其健康状态良好，SOH 值为 100%；首先根据初始条件或开路电压测量负载电压来估算 SOC [39]。估算过程基于持续关注和_d的电压。工作电流的大小和方向可用于确定电池的工作模式。基于模型的方法包括等效电路模型（ECMs）和电化学模型（EMs）。然而，由于复杂的衰退机制和非线性行为，ECMs或EMs难以在整个电池寿命期间准确模拟其静态和动态特性。V_d of the LIB voltage. The quantity and direction of the operating current can be used to determine the battery operation mode. Model-based approaches are equivalent circuit models (ECMs) and electrochemical models (EMs). However, due to the complex degradation mechanism and the non-linear behaviour, it is challenging for ECMs or EMs to accurately simulate the static and dynamic characteristics throughout the life of the battery.

它从测量的电池数据（如电流、电压和温度）中提取一个或多个描述退化的拓扑结构，这些统称为直接健康指标，而环境和运行参数则被称为间接健康指标（iHIs）。它用于利用不同的机器学习方法建立健康指标与SOH之间的联系。图5阐述了容量衰退估算方法的分类，涵盖直接测量；间接测量；数据驱动与知识型估算；以及协同估算技术。模糊逻辑、人工智能、信号处理以及线性和非线性模型被应用于估算方法中。在预测电动汽车电池的健康状态（SOH）时，除了关键健康指标外，考虑间接健康指标通常很有帮助。内阻、电压响应、容量衰减、循环效率、自放电率、温度敏感性和充电接受能力是间接指标，它们能全面概括电池的整体健康状况[40].

图5：

容量衰退估计方法的分类

随着锂离子电池（LIB）的老化或退化，其阻抗会增加，因此测量电池的内阻可以作为间接的健康指标。较高的内阻值通常表明电池性能和容量下降[41]. 电池在充放电过程中的电压曲线可以揭示其健康状况。随着电池老化，其电压响应可能会偏离预期行为。监测电压模式并将其与健康参考值进行比较，有助于间接估算电池的健康状态（SOH）。容量衰减指的是电池随时间推移能量存储容量的减少。通过定期测量可用容量并将其与初始容量进行比较，可以间接估算电池的健康状态（SOH）。容量衰减可以全面概括电池的整体健康状况。循环效率表示一个循环中释放的能量与充电所需的能量之比[36]. 随着电池老化，其循环效率往往会因内部损耗增加而下降。监测循环效率的变化可以间接衡量电池的健康状况。健康的电池在闲置时应表现出较低的自放电率。较高的自放电率可能表明存在内部问题或老化现象。随时间监测自放电率可以间接评估电池的健康状况。

电池健康状况常受温度、湿度、灰尘和振动影响。监测电池性能和容量随温度及其他参数变化的情况，可作为间接的健康指标。温度敏感性较高及与预期行为偏差较大，可能表明健康状态（SOH）下降。电池的充电接受能力和高效放电能力可作为间接的健康指标。若电池的充放电接受能力随时间推移而下降，则表明健康状态（SOH）下降。在充电过程中监测充电接受率有助于间接评估电池健康状况。通过将这些间接健康指标与容量和内阻等直接健康指标相结合，可以实现对电池健康状况的更全面评估，并估算其健康状态（SOH）。机器学习技术可以利用这些健康指标以及历史数据，开发出用于评估电池健康状况和预测SOH的准确模型。表1列出了用于SOH估计指标的不同iHIs，并涵盖了基于模型或数据驱动方法的不同状态估计。大多数间接iHIs在文献中均有记载，其主要基于放电数据，而基于充电数据的则少得多。

基于关键健康指标的SOH估算方法的不同间接健康指标

研究	间接健康指标	状态	类型	状态估计
[10]	预期的第次循环的总循环次数-th cycle 第次循环的总循环次数-th cycle	SOH	细胞	粒子滤波
[42]	电压和电流曲线在部分充电阶段观察到的变异系数	SOH	细胞	多核高斯过程回归模型
[25]	iHI1是从开始到达到最低放电点所需的时间 iHI2是电池在最高点的温度升高值 iHI3是从3.8V降至3.5V的时间减少量 iHI4是放电过程中电压特性曲线的第一个最大斜率。 iHI5 是电池温度达到峰值的点 iHI6 是恒压充电时电流曲线的第一个最大值 iHI7 是充电时间 iHI8 是电流特性曲线下的面积	SOH 和 RUL	细胞	高斯过程回归模型
[43]	欧姆内阻 极化内阻	SOH	细胞	极限学习 基于极限学习机（ELM）的前馈神经网络
[44]	初始放电电压降 达到放电电压差相等所需的时间间隔	SOH	细胞	长短期记忆神经网络
[45]	充电过程中产生稳定电压差所需的时间	SOH 和 RUL	细胞	ELM和随机向量函数链接网络
[46]	时域和频域状态指标	SOH	细胞	增量支持向量回归模型

2.2.1 不同机器学习方法的优缺点

放电数据受运行和环境条件的广泛影响；数据变化范围大，准确度较低。充放电数据通常被定义为一种低方差模式，广泛用于间接健康指标参数的探索，以估计和联合估计SOH和RUL。图6阐述了用于SOH预测的机器学习技术的优缺点。优点包括能够轻松识别趋势和模式、减少人工干预以及处理多维数据，而缺点则涉及数据获取的复杂性、易受高误差影响以及结果解读的困难。

图6：

用于SOH估计的机器学习方法的优缺点

从材料科学到工程应用，锂离子电池面临着一个复杂的多变量挑战，涉及成本、环境影响、生命周期分析、安全性、性能和资源丰富性等多种特性 [47]。这些特性产生了大量数据，近年来呈指数级增长 [15, 48]. 随着相关硬件和软件开发的推进，能够从训练经验中学习并应用于任何系统的AI方法呈指数级增长，并在我们的现代世界中无处不在。

2.2.2 用于SOH估计的不同机器学习方法

LIB为管理、监控、理解和同化而产生的海量数据是一项巨大挑战，其中AI及其子集ML有助于协助研究人员高效解决用户端和制造端的参数化与数据难题。实验人员、建模专家和AI/ML专家之间需要进行密切合作。图7解释了用于SOH估计的不同机器学习方法。它涵盖了回归、分类、聚类、关联和控制方法。这一层面的主要数据驱动方法分为四类：无监督学习、监督学习、半监督学习和强化学习，这些方法进一步根据数据挖掘方法的差异被划分为支持向量机（SVM）、相关向量机（RVM）、长短期记忆网络（LSTM）、高斯过程回归（GPR）和深度学习（DL）[5]. 在监督学习中，我们拥有一个带有标签的数据集，其中每个示例都对应一个目标标签。在无监督学习中，我们拥有一个无标签的数据集，并从中识别数据中的模式或结构。半监督学习是一种介于监督学习和无监督学习之间的机器学习范式。数据驱动方法的实现方式进一步分为四个领域：统计数据、人工神经网络（ANNs）、过滤与向量机 [49].

图7：

用于SOH估计的不同机器学习方法

半监督学习[36] 结合了监督式和无监督式方法的元素，利用少量标注数据和大量未标注数据。标注数据的功能为训练模型提供了宝贵信息，而未标注数据的功能则有助于利用数据的潜在结构。在电动汽车中，锂离子电池的机器学习及其算法依赖于多维数据集的数量、质量和可靠性，并揭示数据中的模式，开启难以用其他方法处理的应用。这与材料发现、制造、性能优化、诊断以及预测与健康管理（PHM）高度相关，在这些领域中需要同时考虑大量的输入参数。

2.2.3 SOH估计方法评估

表2列出了通过机器学习对SOH估计方法的不同评估，以及关键观察、范围、内容和局限性。在传统形式下，机器学习依赖于数据且不涉及物理原理。这意味着，机器学习可能会通过训练数据的插值来寻找关联，而不是为这种关联提供物理解释 [11, 50, 51].

 

基于机器学习的SOH估计方法评估及关键观察与发现

研究	范围与内容	观察结果	局限性
[27]	每种算法的原理均经过严格推导，并辅以形式统一的流程图	SVM、ANN和DL具有巨大潜力，是当前的研究热点	利用短期测量数据实现实际应用的SOH特征尚未被探索
[30]	基于真实世界电动汽车电池数据的性能评估、优势与局限性的数据驱动方法	SVM、RVM 和 LSTM 在准确率、稳健性和泛化能力方面处于中等至较高水平	关于机器学习方法的综合研究未在各种参数上进行评估
[49]	总结主流SOH估计与预测方法的优缺点	融合方法虽然具有高精度，但也存在算法复杂度高和算法兼容性高的问题，其有效性仍有待验证	未详细阐述方法论，也未对估计误差进行审查
[52]	可用的电池技术、各种方法和模型、它们的优缺点以及各种SOH方法的定量分析	对SOH估计方法进行了综述	未通知测量误差。提出了用于电池状态监测的非破坏性方法，但未呈现方法或方法论的细节
[53]	充放电模式、放电模式和充电模式作为三种并行的实验方法	文献中对不同方法的解释并不详尽	仅基于某些可用的数据集进行定义，且未对结果进行任何验证
[54]	电池模型，如电化学模型、数学模型、电路导向模型和组合模型，以及用于SOx估计的机器学习和元启发式方法	确立了锂离子电池不同状态估计和建模的必要性	未对不同化学体系、外形尺寸以及运行和环境条件下的方法和方法论进行详细描述
[55]	各种SOH模型、公开的电池数据集和估计方法	机器学习依赖于数据特征且计算复杂度高。估计方法在实验环境中较为理想，但不适用于实际工程应用	未报告或审查测量误差（如MAF、均方根误差等）。未讨论不同化学体系锂离子电池的对比分析
[56]	基于物理、数据驱动和混合方法的性能预测与特性	基于SOH和RUL的PHM对于应用至关重要	关于SOH的不同机器学习算法的比较分析尚未得到全面的综述或介绍。
[57]	比较了基于特征的SOH估计方法分类、LIBs SOH预测中的问题与挑战以及可能的解决方案。还阐述了SOH估计中存在的内部和外部挑战。	机器学习需要高效的过滤，而基于模型的特征适用于实验室分析，并能兼顾动态性能。	不同机器学习算法的SOH比较分析未被综述或未被充分涉及。
[58]	讨论了实时PHM的挑战、不同应力因素下具有可行性和成本效益的基于机器学习的SOH。	SOH常被用作老化模型预测器的输入，且与之高度相关，因此需要进行联合估计。	健康功能的生成过程被忽视了
[59]	基于机器学习的SOH和健康特征提取方法，具有准确性和执行过程	多核相关向量机（MK–RVM）方法的SOH预测准确率高于支持向量回归和支持向量回归（SVR）及高斯过程回归（GPR）模型等其他相关方法
[60]	不同的基于数据的健康状态建模方法	不同方法的比较综述，包括优缺点	未对健康状态算法进行综述
[61]	SOC和SOH联合估计方法	应探索基于少量样本数据的有效特征选择与预测方法，以提高预测的准确性和效率	基于机器学习的SOC-SOH协同估计算法未被深入研究
[62]	基于iHI的SOH估计，及其在实时汽车应用中的优势与局限性	电池SOH的实时估计对于电池故障诊断至关重要	基于机器学习的SOH估计未被详细阐述和解释
[63]	根据用于提取iHIs的信号的SOH估计方法	对现有方法进行彻底比较，以全面了解SOH估计	基于机器学习的SOH估计未被详细阐述和解释

研究界一致认为，基于机器学习的SOH是所有SOH估算方法中最好的之一，具有特定的优势和局限性。由于其非线性行为以及所需的计算密集型过程，在线估算SOH和RUL并非易事[64, 65]. 表3列出了用于不同数据集（如自有实验数据、美国国家航空航天局（NASA）、牛津电池退化数据集（OBDD）、先进生命周期工程中心（CALCE）和麻省理工学院（MIT））的SOH估计的不同算法和方法。虽然数学模型在试图精确估计电池内部动态时会存在显著的估计误差，但数学模型与EMs的结合能产生更好的结果，尽管这会增加复杂度并需要更高的计算资源。相比之下，数据驱动方法旨在解决数学模型和EMs的局限性，这两种方法各自都有其缺点。

 

用于SOH估计的不同方法和算法，以及不同类别的数据集

研究	使用的算法/方法	类别
[17]	随机森林回归器（RFR）	自建实验
[37]	高斯过程回归（GPR）	自建实验
[66]	支持向量回归（SVR）	自建实验
[67]	交叉D-马尔可夫机与快速小波变换	自建实验
[68]	时间卷积网络（TCN）和长短期记忆网络（LSTM）	实验与NASA——预测中心卓越中心(PCOE)
[69]	卷积神经网络（CNN）	实验与 NASA–PCOE
[70]	代谢极限学习机(MELM)	自建实验
[23]	二级结构集成学习（SSEL）	有序二元决策图
[71]	二阶中心差分粒子滤波（SCDPF）	CALCE和NASA–PCOE
[72]	以径向基函数为核函数的支持向量机（SVM）	美国国家航空航天局-过程控制与优化工程
[73]	长短期记忆循环神经网络	MIT数据集
[74]	自回归移动平均模型与Elman神经网络的融合	自建实验
[75]	门控循环(GR) 单元神经网络 (UNN)	有序二元决策图
[76]	反向传播长短期记忆（B-LSTM）神经网络（NN）	CALCE
[28]	注意力深度时序卷积网络	美国国家航空航天局-过程控制与优化工程
[77]	最小二乘支持向量机（LSSVM）	美国国家航空航天局-过程控制与优化工程
[78]	GPR	桑迪亚国家实验室
[3]	多元线性回归（MLR）、稀疏高斯过程回归（SGPR）、深度卷积神经网络（DCNN）方法	自建实验
[21]	人工神经网络 (ANN)	自建实验
[79]	并行层ELM	美国国家航空航天局-过程控制与优化工程
[80]	门控循环单元卷积神经网络	NASA–PCOE和OBDD
[81]	支持向量机	MIT数据集
[82]	支持向量机	自建实验
[83]	支持向量机	MIT数据集
[84]	蝙蝠算法- 极限学习机 (BA- ELM)	美国国家航空航天局-过程控制与优化工程
[85]	支持向量回归	CALCE
[38]	长短期记忆网络	自建实验
[86]	长短期记忆网络	SMC–EV，中国
[87]	支持向量回归	美国国家航空航天局-过程控制与优化工程
[17]	梯度提升极限学习机	美国国家航空航天局-过程控制与优化工程
[88]	深度极限学习机(DELM)	美国国家航空航天局-过程控制与优化工程
[89]	ELM–LSTM	美国国家航空航天局-过程控制与优化工程
[33]	CNN–LSTM	美国国家航空航天局-过程控制与优化工程
[90]	前馈神经网络(FNN)–CNN–LSTM	自建实验
[91]	循环神经网络（RNN）	自建实验
[92]	双向长短期记忆网络（BiLSTM）	美国国家航空航天局-过程控制与优化工程
[93]	深度神经网络（DNN）	美国国家航空航天局-过程控制与优化工程
[2]	NN–LSTM	美国国家航空航天局-过程控制与优化工程
[94]	长短期记忆网络	美国国家航空航天局-过程控制与优化工程
[95]	改进的蚁狮优化算法(IALO)-支持向量回归	美国国家航空航天局-过程控制与优化工程

电池老化数据是数据驱动的机器学习方法不可或缺的一部分，尽管获取真实数据是一个耗时且成本高昂的过程。表4解释了使用不同算法/方法进行的SOH估计结果，包括特征来源、指标和精度。大量研究人员采用了来自国际知名实验室和公司的原始及处理数据来开发其基于机器学习的算法，且其研究成果得到了广泛认可。NASA–PCOE在多个数据仓库中非常受欢迎。表5列出了用于SOH估计的多种主流机器学习方法的优缺点。

 

使用不同算法/方法进行SOH估计的关键发现，包括特征源、指标和精度

研究	方法	特征来源	索引	精确度
[7]	分类与回归树	充放电曲线	均方误差	0.03
[67]	FC–FNN	阻抗测量	MAE	0.9%
[68]	长短期记忆-时间卷积网络	充放电曲线	均方根误差	0.0273% (安时) 0.0547% (内阻)
[96]	遗传算法-小波神经网络（GA-WNN）	充放电曲线	MAE	1.53–1.81%
[69]	美国有线电视新闻网	充电曲线	MAE	1.6%
[23]	二级结构集成学习（SSEL）	充电曲线	均方根误差	0.3556–0.5718%
[73]	LSTM-RNN模型	阻抗测量	均方根误差	0.25–0.50%
[28]	AD–TCN	充放电曲线	均方根误差	0.014–0.083%
[85]	支持向量回归	充电曲线	MAE	0.0039
[97]	单隐层前馈神经网络	充放电曲线	MAE	1.87–2.65%
[98]	支持向量机	电流脉冲测试	MAE	0.89%
[99]	人工神经网络（ANN）	充电曲线	R2	0.9943
[34]	在线序贯ELM	充放电	R2	0.99
[91]	循环神经网络	充电曲线	R2	0.994–0.997

MSE，均方误差；MAE，平均绝对误差；RMSE，均方根误差。

 

用于SOH估计的多主流ML方法的优缺点

方法	优点	缺点
监督	允许收集老化数据或生成SOH数据输出，并有助于利用以往的经验值优化性能指标	计算时间漫长，无用数据会降低效率，数据预处理是一项巨大挑战，且始终需要更新
半监督	易于理解，且算法简单、稳定、高效。同时减少了使用的标注数据量	迭代结果不稳定，不适用于网络级数据。其准确率较低
无监督	选择训练数据涉及高昂的成本和时间。不同类别的变化一致性可能与光谱类别不匹配	人为错误的机会被最小化，且相对容易且快速执行
强化	具有解决复杂问题的高能力，并能够实现SOH的长期结果。对于实现完美非常有用，特别是在非线性健康状况方面	仅适用于复杂情况，例如SOH受环境和运行条件影响的情况。该算法需要大量的老化数据和大量的计算工作

为了获得准确的状态估计结果，必须使用可靠的电池模型和建模方法。现有相关研究的分类方法往往较为简单，且对估计技术的研究尚不充分。关于电动汽车应用中不同SOH估计方法的详细有效研究非常少。对于在不同地点、环境条件和驾驶模式下运行的电动汽车，SOH估计方法必须具有动态性，以适应运行条件[57].