论文学习（三） | 车用锂离子电池健康状态估计及剩余寿命预测

Hi，大家好，我是半亩花海。本文主要对中文硕博论文《车用锂离子电池健康状态估计及剩余寿命预测》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）。总体感觉这篇还是更加偏向人工智能（如数据分析、机器学习、深度学习等）方面的，不过后面还会学习其他算法模型在此场景下的应用。

一、关键词

二、专业术语

三、研究现状

一、关键词

锂离子电池，健康因子，高斯过程，健康状态，Elman 神经网络，剩余寿命

二、专业术语

HI：Health index，健康因子
CGM：共轭梯度法
PSO：粒子群优化法
GA：遗传算法
ENN：Elman神经网络

三、研究现状

1. SOH估计方法研究现状

直接放电法
电化学模型
等效电路模型
数据驱动法：神经网络（NN）、支持向量机（SVM）、高斯过程回归（GPR）

2. RUL预测方法研究现状

（1）模型法

退化机理模型：从电池电化学角度出发，研究运行机理、一些因素对老化模型的影响
经验退化模型：描述参数与时间之间联系/参数在前后不同时间的联系

（2）数据驱动法

机器学习算法，比如基于粒子群优化（PSO）的AR（自回归）模型；
BP神经网络+平均影响值（MIV）方法筛选模型输入；
模糊控制+自适应神经网络（ANN）；
最小二乘支持向量机（LSSVM）预测模型+遗传退火算法（确定模型参数）；
IGA-MRVR算法：多核RVR（相关向量机回归）+改进遗传算法（IGA，对核参数寻优）；
AR 模型）

（3）融合法

结合模型法和数据驱动法/多种数据驱动方法结合，比如SVR-PF 融合算法；GA-ENN算法；
灰色GM（1,1）-AR 模型；
CPSO-LSSVM-PF融合模型（LS-SVM法建立预测模型+混沌PSO算法对模型参数寻优+PF模型表达预测结果的不确定度）

3. 健康因子（HI）研究现状

（1）基于数据驱动

直接预测：ANN、SVM等（建立评估预测模型）+离线测量（实际容量、内阻）
间接预测：间接HI选取（提取随着电池老化而呈明显线性变化）+实时更新预测模型的输入、在线估计电池SOH
- 根据提取的HI数量分为： 单一HI 和多HI
  - 单一HI：等压差放电时间（TIEDVD），灰色关联度算法（证实了TIEDVD和容量高度相关）；平均充电电流降（ACCD）；恒流充电阶段的等压差充电时间（TIECVD），高斯过程回归模型（建立TIECVD和电池SOH的关系模型）；温度差和温度变化速率，建立退化模型、预测RUL、比较两个模型误差
  - 多HI：融合容量、电阻、恒压充电时间（CVCT）三个指标+β分布函数（先分析容量、电阻、恒压充电时间(CVCT)和恒流充电时间(CCCT)随电池循环周期的变化趋势，再分析CCCT和CVCT与电容、电阻的关系，最后选择三个指标及β分布函数实现RUL预测）；基于充电曲线提取初始充电电压、恒流充电容量、恒压充电容量、最终充电电压和最终充电电流，K近邻法（对容量和特征参数建立回归模型）；电流、温度、SOC、电压；温度变化速率、循环周期及它们的对数值（Pearson相关系数等方法分析健康特征与容量的相关性）

（2）健康因子的选择主要存在的问题