Hi，大家好，我是半亩花海。本文主要对中文硕博论文《基于数据驱动的锂离子电池健康状态估计及寿命预测研究》进行学习与阅读总结，便于后续科研进一步学习（纯小白自读汇总版）。总体感觉这篇更加全面，从数据分析（相关性分析、特征提取）到机器学习，再到深度学习，最后是迁移学习。
目录
2. 基于通用健康因子的特征提取和改进高斯过程回归（GPR）算法的SOH估计——双时间尺度滤波法
一、关键词
锂离子电池；健康状态估计；寿命预测；数据驱动；机器学习
二、专业术语
- DT：differential temperature，差分温度
- CMM：cell mean model，均值单体模型
- CDM：cell difference model，单体偏差模型
- FT：fine tuning，微调
- GRNN：Generalized Regression Neural Network，广义回归神经网络
三、研究现状
1. 电池健康（SOH）估计研究现状
- 基于测量数据直接评估法：安时积分法、OCV法、EIS法
- 基于模型方法：经验/半经验模型、等效电路模型、电化学机理模型
- 基于数据驱动的方法：机器学习（线性回归、支持/相关向量机、高斯过程回归）、深度学习（各类深度神经网络）
- 融合法：融合两种或多种上述模型、基于数据驱动的方法
2. 电池寿命（RUL）预测研究现状
- 基于模型：建立一个描述电池退化趋势的数学模型；分为经验模型、电化学机理模型两类。
- 基于数据驱动：分析老化衰减的历史数据，深度挖掘其中的隐含信息预测电池寿命；分为基于大量数据的单点寿命预测和基于历史数据的衰减过程预测两类。
- 基于融合：组合或集成多种算法形成的混合模型弥补单一模型的不足，充分利用不同算法的优点，从而获得更好的性能；分为基于模型和数据驱动方法的融合、通过加权或其他方式融合两种或多种数据驱动。
四、数据集
- NASA电池数据集（B0005-B0007 和 B0018 号电池）
- CALCE电池数据集（CS2_33，CS2_34，CS2_35，CS2_36 和 CS2_37五个电池）
- MIT-Stanford快充数据集
- VPSL数据集
- A123数据集（电压、电流、时间、温度）
五、研究方法
1. 基于特征筛选和机器学习的电池SOH估计
（1）健康因子（His）提取
- 测量变量（电压、时间、温度等）
- 计算变量（容量增量IC曲线、电压DV曲线、差分温度DT曲线）
- 降噪方法对比
（2）特征子集筛选
- 过滤法：灰色关联度、Pearson相关系数、Spearman相关系数
- 封装法：完全搜索、序列搜索、随机搜索
- 融合法：融合过滤法和封装法
（3）机器学习
- 支持向量机SVM
- 相关向量机RVM
- 人工神经网络ANN（RNN/CNN/BPNN）
- 高斯过程回归GPR
2. 基于通用健康因子的特征提取和改进高斯过程回归（GPR）算法的SOH估计——双时间尺度滤波法
（1）电池单体通用SOH估计
- 局部数据下的特征提取：Pearson相关系数分析
- 改进的GPR算法
（2）串联电池组通用SOH估计
- 恒流工况下的特征提取：主成分分析
- 动态工况下的特征提取：相关性分析+MDM模型（均值单体模型CMM、单体偏差模型CDM）
3. 基于迁移和融合（深度学习）模型的电池组SOH估计
（1）融合深度神经网络
- 深度前馈神经网络DNN
- 长短时记忆神经网络LSTM
- 卷积神经网络CNN
（2）验证电池组SOH估计结果
- 基于多模型集成
- 基于模型迁移和自训练模型融合
- 不同电池组结构之间的应用
- 不同寿命范围的电池组之间的应用
- 不同工况下的应用
4. 基于迁移学习的电池RUL预测
（1）电池单体RUL预测：RNN/LSTM/GRU
（2）模型迁移与微调（TL+FT）
（3）RUL预测验证（自校正微调策略的TL+GRNN模型）
（4）电池组寿命预测
