文章來源：1.北京理工大學(xué)電動(dòng)車輛國家工程實(shí)驗(yàn)室2.北京電動(dòng)車輛協(xié)同創(chuàng)新中心3.新能源汽車北京實(shí)驗(yàn)室4.北京理工大學(xué)重慶創(chuàng)新中心
0前言
動(dòng)力電池健康狀態(tài)一般通過容量衰減或內(nèi)阻增加兩個(gè)方面來定義。在注重續(xù)駛里程的純電動(dòng)汽車上，常用當(dāng)前可用容量與初始可用容量的比來表征SOH，如式(1)所示；而在對(duì)功率要求較高的混合動(dòng)力汽車上，常用內(nèi)阻增長率來表征SOH，如式(2)所示。此外，動(dòng)力電池相同荷電狀態(tài)(Stateofcharge,SOC)下的功率狀態(tài)(Stateofpower,SOP)也是電池老化的表現(xiàn)之一，其基本定義如式(3)所示。可見，動(dòng)力電池的SOH并不能直接通過傳感器獲取，而需要在規(guī)定條件下，通過間接測量其表征參數(shù)，從而進(jìn)行估算。因此，亟需建立高精度、在線、快速、無損的SOH估計(jì)方法。

式中，SOHC、SOHR分別表示以容量、內(nèi)阻定義的健康狀態(tài)，Ci、C0分別表示當(dāng)前最大可用容量和初始最大可用容量，Ri、R0、REOL分別表示當(dāng)前內(nèi)阻、初始內(nèi)阻和壽命截止時(shí)內(nèi)阻。記放電電流為正，充電電流為負(fù)，則SOPchg?t?、SOPdis?t?分別表示電池t時(shí)刻的充電、放電功率狀態(tài)，Pmin、Pmax分別表示電池廠商所允許的最大充、放電功率，Ichg、Idis分別表示由于截止電壓、SOC等限制，使電池可以持續(xù)充、放電?t時(shí)間的最大充、放電電流，Utt?為電池在的?tt?時(shí)刻的電壓。
國內(nèi)外學(xué)者在SOH估計(jì)算法方面做出了重要貢獻(xiàn)，現(xiàn)有算法可以分為試驗(yàn)法、模型法、以及數(shù)據(jù)驅(qū)動(dòng)法三類，如圖1所示。試驗(yàn)法主要根據(jù)SOH的定義，在嚴(yán)格控制的試驗(yàn)條件下對(duì)電池進(jìn)行測試。其中，電池容量一般需要在恒溫恒流的工況下對(duì)電池進(jìn)行完全的充放電，并采用安時(shí)積分法計(jì)算；內(nèi)阻的精確測定常常需要用到混合脈沖功率特性(Hybridpulsepowercharacteristic，HPPC)方法或電化學(xué)阻抗譜(Electrochemicalimpedancespectroscopy,EIS)分析法。因此，基于試驗(yàn)的方法無一例外地需要嚴(yán)格的試驗(yàn)條件以及復(fù)雜的試驗(yàn)設(shè)備，測試周期較長，不能應(yīng)用于電池SOH的在線評(píng)估。

為克服試驗(yàn)法的不足，模型法通過建立電池模型，模擬電池的動(dòng)態(tài)響應(yīng)特性，從而實(shí)現(xiàn)健康狀態(tài)估計(jì)。常用的電池模型有數(shù)學(xué)模型、電化學(xué)模型、等效電路模型等。
數(shù)學(xué)模型主要包括經(jīng)驗(yàn)?zāi)Ｐ秃桶虢?jīng)驗(yàn)?zāi)Ｐ停鼈兺ㄟ^試驗(yàn)?zāi)M電池的循環(huán)老化和日歷老化過程，測定電流倍率、放電深度、溫度、循環(huán)次數(shù)等動(dòng)態(tài)應(yīng)力對(duì)電池壽命的影響，并通過數(shù)學(xué)方程擬合，實(shí)現(xiàn)健康狀態(tài)的估計(jì)。這種方法計(jì)算較為簡單，具有壽命預(yù)估的能力，但需要大量離線試驗(yàn)，且精度往往不高?；陔娀瘜W(xué)模型(Electrochemicalmodel，EM)的方法使用偏微分方程來描述電池動(dòng)態(tài)特性，以及副反應(yīng)所造成容量衰減和內(nèi)阻增長的老化機(jī)理。然而，過高的模型計(jì)算復(fù)雜度限制了其在實(shí)際電池管理系統(tǒng)(Batterymanagementsystem,BMS)中應(yīng)用的可行性。等效電路模型(Equivalentcircuitmodel,ECM)是一種應(yīng)用廣泛的電池模型，它使用電壓源、電阻、電容等電路元件，將電池動(dòng)態(tài)特性用集總參數(shù)等效電路模擬，并通過遞推最小二乘法(Recursiveleastsquares,RLS)、卡爾曼濾波(Kalmanfilter,KF)、H∞觀測器、粒子濾波(Particlefilter,PF)等狀態(tài)估計(jì)算法辨識(shí)模型參數(shù)，用以表征電池SOH。此外，有學(xué)者建立了用于SOC和SOH聯(lián)合估計(jì)的雙卡爾曼濾波器算法，以及多尺度擴(kuò)展卡爾曼濾波等SOH估計(jì)方法?；贓CM的方法可以較好地模擬電池特性，但常常需要提前精確地測定電池開路電壓(Opencircuitvoltage,OCV)，給實(shí)車電池系統(tǒng)的應(yīng)用帶來了困難。
近年來，大數(shù)據(jù)技術(shù)的蓬勃發(fā)展催生了大量數(shù)據(jù)驅(qū)動(dòng)的SOH估計(jì)算法，這類算法具有較高的靈活性，并且無需對(duì)電池電化學(xué)機(jī)理的深入描繪。
數(shù)據(jù)驅(qū)動(dòng)的SOH估計(jì)方法從大量試驗(yàn)或?qū)嵻囘\(yùn)行數(shù)據(jù)中提取與電池健康狀態(tài)相關(guān)的特征參數(shù)，再通過模型的訓(xùn)練，實(shí)現(xiàn)健康狀態(tài)的估計(jì)。其主要涉及三個(gè)方面：①健康狀態(tài)數(shù)據(jù)集構(gòu)建。不同于傳統(tǒng)試驗(yàn)數(shù)據(jù)，動(dòng)力電池實(shí)際使用過程產(chǎn)生的大數(shù)據(jù)具有數(shù)據(jù)規(guī)模大而價(jià)值密度低的特點(diǎn)，因此，數(shù)據(jù)的采集、預(yù)處理等方法是數(shù)據(jù)驅(qū)動(dòng)的SOH估計(jì)中的難點(diǎn)；②健康狀態(tài)特征參數(shù)提取。特征工程是把原始數(shù)據(jù)轉(zhuǎn)變?yōu)槟Ｐ偷挠?xùn)練數(shù)據(jù)的過程，它決定了模型精度的上限，是數(shù)據(jù)驅(qū)動(dòng)的SOH估計(jì)中的重要步驟；③健康狀態(tài)估計(jì)模型。數(shù)據(jù)驅(qū)動(dòng)模型的意義是建立輸入與輸出之間的映射關(guān)系，是數(shù)據(jù)驅(qū)動(dòng)的SOH估計(jì)算法的核心。
現(xiàn)有綜述文獻(xiàn)對(duì)基于試驗(yàn)、基于模型的動(dòng)力電池健康狀態(tài)估計(jì)方法已經(jīng)有了較為詳盡的分析和總結(jié)，但在數(shù)據(jù)驅(qū)動(dòng)的算法方面，往往僅針對(duì)模型的不同做了分類，而對(duì)于數(shù)據(jù)集構(gòu)建方法、健康狀態(tài)特征參數(shù)提取過程中所使用的關(guān)鍵方法與技術(shù)，并沒有進(jìn)行系統(tǒng)的分析和總結(jié)，從而導(dǎo)致多種技術(shù)方案歸類模糊、重復(fù)、交叉，難以使讀者掌握清晰的技術(shù)體系以及研究邏輯思路。
因此，本文將聚焦數(shù)據(jù)驅(qū)動(dòng)的動(dòng)力電池健康狀態(tài)估計(jì)方法，依據(jù)大數(shù)據(jù)分析基本流程(圖1)，從數(shù)據(jù)集構(gòu)建、特征參數(shù)提取以及模型建立三方面對(duì)大數(shù)據(jù)技術(shù)在SOH估計(jì)方面的研究現(xiàn)狀進(jìn)行探討和分析。
1動(dòng)力電池健康狀態(tài)數(shù)據(jù)集構(gòu)建方法
動(dòng)力電池的老化與其歷史使用行為密切相關(guān)。高溫會(huì)加快負(fù)極SEI膜的增長以及電解液的分解，導(dǎo)致鋰離子損失和內(nèi)阻升高；低溫和過充電導(dǎo)致的析鋰反應(yīng)會(huì)使電池容量衰減；高倍率充放電不僅會(huì)導(dǎo)致析鋰，其產(chǎn)生的焦耳熱也加速了電池老化。因此，構(gòu)建包括電池歷史使用溫度、電流、放電深度等參數(shù)的動(dòng)力電池全壽命周期使用行為數(shù)據(jù)集是健康狀態(tài)估計(jì)的必要前提，其主要包括數(shù)據(jù)集的采集、預(yù)處理等內(nèi)容。
1.1動(dòng)力電池老化大數(shù)據(jù)采集在新能源汽車動(dòng)力電池使用過程中，車載終端傳感器數(shù)據(jù)、道路交通數(shù)據(jù)、天氣信息等多種結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)構(gòu)成了典型的大數(shù)據(jù)應(yīng)用場景，體現(xiàn)了新能源汽車運(yùn)行數(shù)據(jù)大體量、多樣性、時(shí)效性、準(zhǔn)確性、價(jià)值深度的“5V”特點(diǎn)。隨著車聯(lián)網(wǎng)技術(shù)的發(fā)展，云端數(shù)據(jù)平臺(tái)在動(dòng)力電池老化大數(shù)據(jù)采集中發(fā)揮著越來越重要的作用，其基本功能架構(gòu)如圖2所示。通過云端監(jiān)管，可以實(shí)現(xiàn)均衡充電，故障檢測以及用于二次利用的電池衰退評(píng)估。美國AnalogDevices(ADI)公司宣布推出業(yè)內(nèi)首個(gè)無線電池管理系統(tǒng)(wBMS)，可實(shí)現(xiàn)動(dòng)力電池全生命周期數(shù)據(jù)監(jiān)控。我國工業(yè)和信息化部建立了新能源汽車國家監(jiān)測與管理平臺(tái)(以下簡稱“國家平臺(tái)”)[25]和新能源汽車國家檢測與動(dòng)力蓄電池回收利用溯源管理平臺(tái)(以下簡稱“溯源平臺(tái)”)。截至2020年12月，國家平臺(tái)接入新能源汽車已超過400萬輛，其存儲(chǔ)數(shù)據(jù)類型包括車輛類型、生產(chǎn)廠商、電池系統(tǒng)標(biāo)稱能量等靜態(tài)數(shù)據(jù)以及車輛狀態(tài)、車速、里程、動(dòng)力電池總電壓、總電流、SOC等動(dòng)態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)相結(jié)合，構(gòu)成了用于動(dòng)力電池健康狀態(tài)分析的關(guān)鍵數(shù)據(jù)集。溯源平臺(tái)則對(duì)生產(chǎn)、使用、維修、報(bào)廢、梯次利用、回收利用等各個(gè)環(huán)節(jié)的信息進(jìn)行監(jiān)控，實(shí)現(xiàn)了新能源汽車動(dòng)力電池的全壽命周期信息管理。

除以上數(shù)據(jù)采集方式外，國內(nèi)外科研人員通過采集車輛控制器所存儲(chǔ)的車輛運(yùn)行數(shù)據(jù)，或通過試驗(yàn)測試模擬復(fù)雜的實(shí)車運(yùn)行環(huán)境，也構(gòu)建了用于新能源汽車動(dòng)力電池健康狀態(tài)估計(jì)的多源異構(gòu)大數(shù)據(jù)集。
此外，實(shí)車動(dòng)力電池采集數(shù)據(jù)與試驗(yàn)室測試數(shù)據(jù)的多源融合，也可構(gòu)成了大數(shù)據(jù)驅(qū)動(dòng)的電池健康狀態(tài)估計(jì)的數(shù)據(jù)基礎(chǔ)。
1.2健康狀態(tài)大數(shù)據(jù)集預(yù)處理由于傳感器采集精度的限制以及數(shù)據(jù)采集過程中不可避免的噪聲影響，所構(gòu)建的電池?cái)?shù)據(jù)集常常存在一定的數(shù)據(jù)異常問題，而對(duì)于新能源汽車實(shí)車運(yùn)行大數(shù)據(jù)，雖然目前車載終端穩(wěn)定性較高，但在大量數(shù)據(jù)長時(shí)間的傳輸過程中，數(shù)據(jù)傳輸故障概率大大增加，造成數(shù)據(jù)準(zhǔn)確性、完整性和一致性變差。因此，如何對(duì)含噪聲、不完整的原始數(shù)據(jù)進(jìn)行預(yù)處理，是基于大數(shù)據(jù)的電池健康狀態(tài)估計(jì)方法的一大挑戰(zhàn)與難點(diǎn)。數(shù)據(jù)的預(yù)處理方式一般包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)歸約、數(shù)據(jù)變換與離散化、數(shù)據(jù)重構(gòu)和數(shù)據(jù)降維等。
在動(dòng)力電池健康狀態(tài)估計(jì)模型建立過程中，需要對(duì)電池的充、放電過程進(jìn)行分別討論和分析，并提取與SOH相關(guān)的特征參數(shù)，而新能源汽車大數(shù)據(jù)常常為時(shí)序數(shù)據(jù)，并沒有車輛行駛、停止、充電等狀態(tài)的切分。因此，在進(jìn)行SOH建模分析前，車輛狀態(tài)的切分與重構(gòu)非常關(guān)鍵。北京理工大學(xué)崔丁松[36]建立了基于車輛運(yùn)行數(shù)據(jù)的狀態(tài)切分規(guī)則，如圖3所示。將每一個(gè)數(shù)據(jù)幀狀態(tài)劃分為行駛、充電、停止、熄火和滿電待機(jī)狀態(tài)后，對(duì)數(shù)據(jù)進(jìn)行有效性檢驗(yàn)、數(shù)據(jù)跳變檢驗(yàn)、長間隔連續(xù)性檢驗(yàn)以及切分片段開始-結(jié)束連續(xù)性判斷，最后，形成包括充電、行駛、滿電待機(jī)等狀態(tài)的車輛狀態(tài)統(tǒng)計(jì)初表。

在動(dòng)力電池大數(shù)據(jù)的數(shù)據(jù)清洗方面，很多學(xué)者針對(duì)不同數(shù)據(jù)異常類型提出了針對(duì)性的解決方案。北京理工大學(xué)趙洋將車聯(lián)網(wǎng)數(shù)據(jù)故障劃分為丟包和誤碼兩種，針對(duì)數(shù)據(jù)丟包問題，若數(shù)據(jù)為某時(shí)刻數(shù)據(jù)整行丟失，或某列屬性值丟失，當(dāng)丟失數(shù)據(jù)數(shù)量占比較低時(shí)，可采取刪除處理；若某屬性值小部分缺失，可以采用插補(bǔ)法，如均值差值、中值插值、樣條插值等。針對(duì)數(shù)據(jù)誤碼問題，需要綜合車輛技術(shù)參數(shù)、行駛地域特征等因素，確定誤碼判斷的閾值。SHE等[9]利用支持向量回歸(Supportvectorregression,SVR)算法對(duì)新能源汽車充電過程的電壓曲線異常進(jìn)行了濾波處理，如圖4所示為所研究新能源汽車的電壓-容量曲線，從放大視圖中可以看出，原始電壓曲線在充電過程中出現(xiàn)了異常的降低，而經(jīng)過SVR擬合后的曲線很好地避免了這個(gè)問題。

2健康狀態(tài)特征參數(shù)提取方法
特征參數(shù)提取是機(jī)器學(xué)習(xí)中的重要環(huán)節(jié)，適當(dāng)?shù)奶卣鳂?gòu)建和選擇可以在降低模型復(fù)雜度的同時(shí)大幅提升模型精度。由于以容量、內(nèi)阻來定義的動(dòng)力電池健康狀態(tài)難以直接獲取，因此，常常需要從電池易于采集的電壓、電流、溫度等參數(shù)中提取能反映其健康狀態(tài)變化的特征，這種特征參數(shù)被稱為健康因子(Healthindicator,HI)。本章將分類總結(jié)現(xiàn)有的健康因子提取方法，并進(jìn)行對(duì)比分析。
2.1微分分析法在恒流充放電過程中，電池電-熱-機(jī)械參數(shù)的變化可以反映其內(nèi)部電化學(xué)反應(yīng)機(jī)理，進(jìn)而可以用來推測電池健康狀態(tài)。本節(jié)從容量增量/微分電壓法、差熱伏安法以及機(jī)械參數(shù)微分分析法三個(gè)方面介紹常用的健康因子。
2.1.1容量增量/微分電壓法容量增量分析(Incrementalcapacityanalysis,ICA)和微分電壓分析(Differentialvoltageanalysis,DVA)法是電池健康狀態(tài)估計(jì)的重要方法。在鋰離子電池充放電過程中，其內(nèi)部的相平衡狀態(tài)會(huì)在外特性上表現(xiàn)為電壓平臺(tái)期，而電壓平臺(tái)的變化是電池衰退的直接反映。容量增量法能夠?qū)⑵骄彽碾妷浩脚_(tái)特征轉(zhuǎn)化為容易識(shí)別的容量增量峰，是一種原位非破壞的SOH分析方法。容量增量即恒流充放電過程中一段電壓間隔ΔV內(nèi)的容量變化量ΔQ，其表達(dá)式如式(4)所示，將容量增量和電壓的關(guān)系繪制在圖上，即IC曲線，如圖5所示。而微分電壓為容量增量的倒數(shù)，其與容量的關(guān)系稱作DV曲線，如圖6所示，曲線峰值之間的距離可以表征相變過程中轉(zhuǎn)移的電量。為降低極化現(xiàn)象帶來的影響，常用較小的電流倍率(如C/20)進(jìn)行容量增量/微分電壓試驗(yàn)，然而，極低的電流降低了測試的效率，阻礙了實(shí)車的應(yīng)用。因此，有學(xué)者提出可以采用C/3、C/2的電流倍率進(jìn)行容量增量分析，在精度相近的基礎(chǔ)上提高了檢測速度。

IC和DV曲線通過對(duì)電壓曲線的處理，可以從電化學(xué)機(jī)理上反映電池老化過程。因此，曲線上的多種特征都可以作為評(píng)估電池健康狀態(tài)的健康因子，如峰的位置、高度、面積，以及不同峰值之間的距離等。由于完整的IC曲線在實(shí)車應(yīng)用條件下難以獲取，LI等利用部分容量增量曲線特征實(shí)現(xiàn)了SOH的估計(jì)，如圖5所示，在3.4～3.8V電壓區(qū)間，不同循環(huán)次數(shù)電池的IC曲線沒有明顯差異，而3.8～4.1V區(qū)間內(nèi)，IC曲線發(fā)生了顯著變化，因此，LI在3.8～4.1V區(qū)間內(nèi)，每隔30mV選取一個(gè)特征點(diǎn)，并通過皮爾遜相關(guān)系數(shù)分析法，選出了6個(gè)與SOH相關(guān)性最高的特征點(diǎn)作為健康因子，以進(jìn)行后續(xù)的模型搭建。
在容量增量分析過程中，由于測量噪聲的存在，通過式(4)直接得到的容量增量曲線可能存在較大的波動(dòng)，甚至出現(xiàn)dV為零的情況，難以進(jìn)行曲線的繪制和特征的提取，如圖7所示。因此，研究人員使用多種濾波算法對(duì)IC曲線進(jìn)行了平滑處理，如滑動(dòng)均值濾波、高斯濾波、Savitzky-Golay濾波以及小波變換等。LI等通過對(duì)比發(fā)現(xiàn)，相比于將數(shù)據(jù)用鄰域內(nèi)數(shù)值的均值代替的滑動(dòng)均值濾波方法，高斯濾波對(duì)鄰域內(nèi)數(shù)據(jù)采取加權(quán)的方式，可以更好地識(shí)別IC曲線的峰值，如式(5)和圖7所示。此外，電壓間隔ΔV的大小以及濾波窗口的大小，也會(huì)影響IC曲線的結(jié)果。

2.1.2非電量參數(shù)法除電壓、電流外，電池的溫度以及壓力等非電量參數(shù)也會(huì)隨老化而發(fā)生變化，可以輔助SOH的估計(jì)。差熱伏安法(Differentialthermalvoltammetry,DTV)通過恒流充放電條件下電池表面溫度在單位電壓區(qū)間內(nèi)的變化量來反應(yīng)電池的熱力學(xué)特征，DTV曲線的峰值和峰位可以反應(yīng)相變過程中熵的信息。MERLA等將DTV曲線分解為多個(gè)峰，分別代表正負(fù)電極的不同相，進(jìn)而分析電池SOH，此方法也可以拓展到電池包上應(yīng)用。與IC/DV法相比，DTV在較高的電流倍率下同樣可以實(shí)現(xiàn)與低倍率試驗(yàn)相近的結(jié)果，降低了測試所需時(shí)間。然而，DTV方法容易受環(huán)境溫度的影響，變化的溫度會(huì)帶來較大的測量噪聲。
鋰離子在正負(fù)極中嵌入/脫嵌的過程會(huì)導(dǎo)致電極體積的膨脹或收縮，使電芯表面產(chǎn)生一定的應(yīng)力?；诖?，有學(xué)者在電池表面安裝負(fù)載傳感器，并提取其機(jī)械應(yīng)力和應(yīng)變的情況以估計(jì)電池健康狀態(tài)，這種方法稱為機(jī)械參數(shù)微分分析法(Differentialmechanicalparameter,DMP)。DMP法同樣可以在使用高電流倍率，但是基于應(yīng)變的測量方法在空間受限的成組電池上難以應(yīng)用，而且需要額外在電池包內(nèi)添加光纖傳感器等設(shè)備，增加了測量成本。
2.2直接參數(shù)法微分分析法需要將電壓、溫度等曲線進(jìn)行微分運(yùn)算，計(jì)算量較大，并且容易放大測量噪聲的影響，常常需要平滑算法。針對(duì)此類問題，國內(nèi)外學(xué)者提出了多種直接基于BMS所能采集的電壓、電流、溫度等參數(shù)的健康因子提取方法，這類方法無需電池模型和曲線微分，數(shù)據(jù)的獲取較為便捷，稱為直接參數(shù)法。
除此之外，國內(nèi)外科研人員還提出了HPPC工況下的電壓樣本熵、超聲波檢測法[67]等SOH評(píng)估方法。然而，這些方法需要嚴(yán)格的試驗(yàn)條件，或需要在電池包內(nèi)加裝傳感器，應(yīng)用場景有一定的限制。
2.3基于使用行為的方法上述方法多采用恒流充放電過程中的數(shù)據(jù)，取得了較高的SOH估計(jì)精度，而在實(shí)際的應(yīng)用中，恒流放電工況很少出現(xiàn)，而充電也常常采用階梯型電流模式。為適應(yīng)復(fù)雜多變的工況，學(xué)者建立了結(jié)合電池歷史使用行為的SOH估計(jì)方法。YOU等對(duì)電池進(jìn)行了多種工況的老化試驗(yàn)，將BMS可以直接獲取的電流(I)、電壓(V)、溫度(T)三個(gè)數(shù)據(jù)以三維散點(diǎn)圖的形式表示，如圖8所示，圖8a～8e為在LA92DDS、HWY、ECE等不同工況循環(huán)下，電流-電壓-溫度(I-V-T)三個(gè)參數(shù)的分布情況。其中，ECE工況展示了電池在新、中、老三個(gè)不同老化狀態(tài)下的參數(shù)分布，左側(cè)是3中工況下的電池容量衰退路徑。進(jìn)而，將所有測試工況數(shù)據(jù)融合，并聚類為80個(gè)區(qū)域，以每個(gè)區(qū)域的數(shù)據(jù)點(diǎn)密度分布作為電池健康因子，利用神經(jīng)網(wǎng)絡(luò)模型計(jì)算SOH。RICHARDSON等[68]利用公開的NASA隨機(jī)充放電數(shù)據(jù)集，除常見的電壓、電流、溫度參數(shù)外，還使用溫度和電流的分布等電池使用行為標(biāo)簽，得到了適用范圍更廣的SOH模型。這類方法具有很大的創(chuàng)新性，突破了原有方法需要恒流充放電數(shù)據(jù)的限制，以電池歷史使用行為作為模型輸入，提高了實(shí)車可用性。

SHE等以容量增量曲線第二峰值作為健康狀態(tài)評(píng)價(jià)參數(shù)，基于新能源公交車運(yùn)行監(jiān)控大數(shù)據(jù)，系統(tǒng)分析了實(shí)車條件下影響車輛健康狀態(tài)的因素，并提取每一符合條件的恒流充電段的累計(jì)行駛里程、充電起始SOC、平均充電電流、平均充電溫度、兩次充電間的平均行駛過程溫度、以及依據(jù)不同衰退模式所確定的分類因子作為模型輸入，以容量增量第二峰值為模型輸出，利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radialbasisfunctionneuralnetwork,RBFNN)進(jìn)行了健康狀態(tài)的估計(jì)，如圖9所示。這類數(shù)據(jù)驅(qū)動(dòng)方法基于實(shí)車運(yùn)行大數(shù)據(jù)，能適應(yīng)復(fù)雜多變的工況，未來具有較好的發(fā)展前景。

特征參數(shù)提取的好壞直接關(guān)系到動(dòng)力電池健康狀態(tài)估計(jì)模型精度的上限。本章從微分分析法、直接參數(shù)法以及基于使用行為的方法三方面對(duì)現(xiàn)有健康狀態(tài)特征參數(shù)提取方法做了介紹和分析，每種方法均存在一定的優(yōu)勢(shì)與不足。三類方法的對(duì)比分析如表1所示。

3數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)估計(jì)模型
數(shù)據(jù)驅(qū)動(dòng)算法的關(guān)鍵步驟是建立特征參數(shù)(輸入)與目標(biāo)參數(shù)(輸出)之間的映射關(guān)系，即使用大量已標(biāo)定數(shù)據(jù)訓(xùn)練模型，優(yōu)化模型結(jié)構(gòu)和參數(shù)，從而實(shí)現(xiàn)對(duì)目標(biāo)參數(shù)的估計(jì)和預(yù)測。本章從函數(shù)擬合法、機(jī)器學(xué)習(xí)模型、以及智能優(yōu)化算法三方面重點(diǎn)闡述現(xiàn)有健康狀態(tài)估計(jì)模型。
3.1函數(shù)擬合法如前所述，研究人員通過試驗(yàn)發(fā)現(xiàn)健康因子與電池健康狀態(tài)存在線性相關(guān)關(guān)系，或可直接找到其解析函數(shù)，因此，利用一次函數(shù)、二次函數(shù)、冪函數(shù)等函數(shù)對(duì)其進(jìn)行擬合，實(shí)現(xiàn)了SOH快速計(jì)算。
LI等對(duì)NCM-石墨電池進(jìn)行了試驗(yàn)，發(fā)現(xiàn)IC曲線上第一峰值A(chǔ)、第二峰值B以及谷值D在橫坐標(biāo)軸上的位置隨循環(huán)次數(shù)的增加具有單調(diào)變化趨勢(shì)，如圖10a、10b所示，并進(jìn)一步發(fā)現(xiàn)三個(gè)特征參數(shù)與電池SOH存在線性相關(guān)關(guān)系，A、B和D的擬合優(yōu)度分別達(dá)到0.98、0.99和0.98，如圖10c、10d。由此，根據(jù)SOC不同區(qū)間，提出了利用A、B、D三個(gè)參數(shù)進(jìn)行SOH估計(jì)的方法。WENG等通過曲線擬合，利用容量增量峰值高度實(shí)現(xiàn)了SOH估計(jì)。這種方法在試驗(yàn)中取得了較好的結(jié)果，且計(jì)算簡單，易于進(jìn)行車載系統(tǒng)集成。然而，函數(shù)擬合法常常在某種特定工況下得到，而對(duì)于不同電池類型，以及實(shí)車復(fù)雜交變的使用情況，其魯棒性難以得到保證。

3.2基于機(jī)器學(xué)習(xí)的方法機(jī)器學(xué)習(xí)致力于研究如何通過計(jì)算的手段，利用經(jīng)驗(yàn)來改善系統(tǒng)自身的性能。隨著大數(shù)據(jù)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)方法作為人工智能最重要的實(shí)現(xiàn)方式之一，得到了迅速的發(fā)展，并廣泛應(yīng)用于圖像識(shí)別、生物醫(yī)學(xué)等各行各業(yè)。在新能源汽車領(lǐng)域，機(jī)器學(xué)習(xí)也已經(jīng)深入到動(dòng)力電池狀態(tài)估計(jì)、故障診斷、駕駛行為分析、能耗預(yù)測、充電基礎(chǔ)設(shè)施選址以及需求預(yù)測等方方面面。在動(dòng)力電池健康狀態(tài)估計(jì)方面，常用的機(jī)器學(xué)習(xí)模型可以分為非概率模型和概率模型。非概率模型僅學(xué)習(xí)輸入和輸出之間的映射關(guān)系，并不考慮其概率分布；而概率模型基于貝葉斯理論，可以同時(shí)定量計(jì)算模型不確定度。
3.2.1非概率模型支持向量機(jī)(Supportvectormachine,SVM)通過核函數(shù)將原始非線性數(shù)據(jù)映射到高維特征空間，使樣本在此特征空間內(nèi)線性可分，進(jìn)而尋找最大劃分間隔的超平面，實(shí)現(xiàn)對(duì)非線性數(shù)據(jù)的分類。由于健康狀態(tài)估計(jì)是機(jī)器學(xué)習(xí)中的回歸問題，因此支持向量機(jī)常被用作連續(xù)數(shù)值的回歸，稱為支持向量回歸(SVR)。此時(shí)，尋找最大劃分間隔平面則變成尋找最佳擬合平面。SVR算法的目標(biāo)是實(shí)現(xiàn)如式(6)所示的優(yōu)化問題。

 式中，向量ω表示以C>0為正則化參數(shù)的模型參數(shù)，ξi*和ξi表示上下限的松弛變量，yi是目標(biāo)輸出，xi是特征向量。
由于其較強(qiáng)的非線性擬合能力，SVR在SOH估計(jì)方面得到廣泛應(yīng)用。
3.2.2概率模型概率模型認(rèn)為預(yù)測均存在一定的不確定性，輸出結(jié)果的同時(shí)也會(huì)輸出相應(yīng)的置信度和置信區(qū)間。最常用的概率模型有相關(guān)向量機(jī)(Relevancevectormachine,RVM)和高斯過程回歸(Gaussianprocessregression,GPR)等。相關(guān)向量機(jī)是一種貝葉斯稀疏核方法，其具有與支持向量機(jī)相似的結(jié)構(gòu)，可以用于分類和回歸問題。LIU等[93]利用相關(guān)向量機(jī)對(duì)電池的健康狀態(tài)進(jìn)行估計(jì)和預(yù)測，從電池放電電壓中提取健康因子，利用Box-Cox變換進(jìn)行優(yōu)化，以改進(jìn)剩余壽命預(yù)測的性能。
高斯過程回歸是一種基于貝葉斯理論的非參數(shù)概率模型，其適用于高維度、小樣本等復(fù)雜問題，并且可以實(shí)現(xiàn)不確定性的概率輸出，對(duì)動(dòng)力電池SOH的評(píng)估以及預(yù)測具有重要意義。LI等[95]利用高斯濾波對(duì)IC曲線進(jìn)行處理，并提取片段IC曲線作為健康因子，進(jìn)而基于高斯過程回歸建立了SOH估計(jì)模型。RICHARDSON等運(yùn)用多輸出GPR模型實(shí)現(xiàn)了電池壽命預(yù)測。然而，電池容量在環(huán)境因素影響下可能出現(xiàn)短暫的再生，使GPR模型難以精確捕捉，對(duì)此，LIU等利用GPR中協(xié)方差函數(shù)和均值函數(shù)的組合來進(jìn)行多步預(yù)測，解決了這一問題。
除以上方法外，馬爾可夫鏈、模糊邏輯、蒙特卡羅方法等也在健康狀態(tài)估計(jì)領(lǐng)域得到領(lǐng)用。機(jī)器學(xué)習(xí)方法可以在SOH估計(jì)方面取得很高的精度，但需要大量有標(biāo)簽數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，需要消耗大量的計(jì)算資源，使模型的在線訓(xùn)練變得困難。隨著大數(shù)據(jù)技術(shù)的發(fā)展，數(shù)據(jù)平臺(tái)云計(jì)算使各種機(jī)器學(xué)習(xí)算法的訓(xùn)練變?yōu)榭赡?，也為車輛健康的實(shí)時(shí)管理提供了支撐。
3.3智能優(yōu)化算法機(jī)器學(xué)習(xí)的超參數(shù)尋優(yōu)是一個(gè)非常消耗計(jì)算資源的過程。傳統(tǒng)的梯度下降算法對(duì)初始值的依賴較高，由于系統(tǒng)的非凸性，很容易陷入局部最優(yōu)，因此，研究人員應(yīng)用了多種對(duì)初始值依賴程度低、無需計(jì)算函數(shù)梯度的全局智能優(yōu)化算法，其中，遺傳算法(Geneticalgorithm,GA)和粒子群優(yōu)化(Particleswarmoptimization,PSO)在SOH估計(jì)領(lǐng)域獲得廣泛關(guān)注，它們啟發(fā)式的特征大大提高了超參數(shù)尋優(yōu)的效率。
遺傳算法是模擬生物進(jìn)化過程的一種隨機(jī)搜索的全局優(yōu)化算法，該方法借助生物進(jìn)化過程中的“適者生存”的規(guī)律，通過對(duì)目標(biāo)問題的解集中個(gè)體的遺傳變異操作，使得適應(yīng)目標(biāo)問題的解獲得較大的遺傳概率，進(jìn)而逐步逼近最優(yōu)解或最優(yōu)解集合。WANG等闡述了一種基于多島遺傳算法和高斯過程回歸融合的SOH估計(jì)方法。其中，多島遺傳算法突破了傳統(tǒng)遺傳算法種群單一的限制，通過種群內(nèi)部遺傳和種群間的交叉，使得子代具有更高的概率獲得優(yōu)良基因，從而降低陷入局部收斂的風(fēng)險(xiǎn)。
粒子群優(yōu)化算法采用粒子群在解空間中追隨最優(yōu)粒子進(jìn)行搜索，通過計(jì)算每個(gè)適應(yīng)度使粒子不斷學(xué)習(xí)個(gè)體最優(yōu)解和群體最優(yōu)解，并更新搜索方向，從而實(shí)現(xiàn)全局最優(yōu)。QIN等將粒子群優(yōu)化算法與SVR相結(jié)合，以優(yōu)化SVR的核參數(shù)，從而提高壽命預(yù)測精度。
智能優(yōu)化算法還可以與ECM模型法結(jié)合，以辨識(shí)模型參數(shù)。
綜上所述，為建立健康狀態(tài)特征參數(shù)與動(dòng)力電池健康狀態(tài)之間的映射關(guān)系，以通過片段的、離散的數(shù)據(jù)特征實(shí)現(xiàn)SOH的估計(jì)，國內(nèi)外研究人員建立了多種數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)估計(jì)模型，其對(duì)比分析如表2所示。

4當(dāng)前主要問題及展望
電動(dòng)化、智能化、網(wǎng)聯(lián)化是未來汽車技術(shù)的發(fā)展方向，新能源汽車與大數(shù)據(jù)融合發(fā)展將成為中國汽車產(chǎn)業(yè)未來發(fā)展的重要機(jī)遇。目前，在動(dòng)力電池健康狀態(tài)管理方面，還存在許多待解決的問題。隨著大數(shù)據(jù)、云計(jì)算、5G通信等技術(shù)的發(fā)展與成熟，動(dòng)力電池健康管理技術(shù)亟需一場大數(shù)據(jù)驅(qū)動(dòng)的變革。
(1)面向梯次利用及安全管理需求，構(gòu)建多維度健康狀態(tài)評(píng)價(jià)體系。梯次利用是應(yīng)對(duì)即將到來的動(dòng)力電池“退役潮”的重要途徑，而余能檢測、殘值評(píng)估、安全性及不一致性評(píng)價(jià)、電池分選等是梯次利用過程的關(guān)鍵技術(shù)。傳統(tǒng)以容量和內(nèi)阻定義的健康狀態(tài)并不能綜合反映動(dòng)力電池尤其是動(dòng)力電池系統(tǒng)的綜合老化程度，在梯次利用過程中容易出現(xiàn)不匹配的問題。因此，應(yīng)拓展現(xiàn)有健康狀態(tài)評(píng)價(jià)維度，結(jié)合電池峰值功率能力、不一致性等參數(shù)進(jìn)行綜合評(píng)估。構(gòu)建多維度融合的健康狀態(tài)評(píng)價(jià)體系有利于更為全面的反映電池老化特征，從而推動(dòng)梯次利用的精準(zhǔn)匹配和高效應(yīng)用。
(2)基于多源耦合稀疏大數(shù)據(jù)，挖掘動(dòng)力電池使用行為與SOH的關(guān)聯(lián)規(guī)則。傳統(tǒng)數(shù)據(jù)分析方法僅使用少量、低維數(shù)據(jù)，而在大數(shù)據(jù)應(yīng)用場景下，數(shù)據(jù)具有量級(jí)大、多源耦合、結(jié)構(gòu)化與非結(jié)構(gòu)化并存、以及時(shí)間維度稀疏等特點(diǎn)，因此，需要開發(fā)兼容多類型數(shù)據(jù)的分布式存儲(chǔ)與計(jì)算框架，優(yōu)化數(shù)據(jù)清洗、數(shù)據(jù)降維以及數(shù)據(jù)重構(gòu)技術(shù)。此外，由于電池健康狀態(tài)與其歷史使用行為息息相關(guān)，因此應(yīng)發(fā)揮大數(shù)據(jù)特點(diǎn)，除電壓、電流、溫度等數(shù)據(jù)外，結(jié)合環(huán)境數(shù)據(jù)、駕駛行為數(shù)據(jù)，并探索超聲波檢測等多傳感器數(shù)據(jù)融合技術(shù)，挖掘電池在新能源汽車上的實(shí)際使用行為與健康狀態(tài)的關(guān)聯(lián)規(guī)則。
(3)突破單一應(yīng)用場景，建立全工況系統(tǒng)級(jí)SOH精確估計(jì)方法。現(xiàn)有SOH估計(jì)和壽命預(yù)測的技術(shù)手段多基于精確控制的試驗(yàn)條件，而實(shí)際新能源汽車的運(yùn)行工況非常復(fù)雜，存在多影響因素耦合效應(yīng)，基于環(huán)境工況的試驗(yàn)方法難以在實(shí)際車輛上應(yīng)用。此外，現(xiàn)有研究多基于電池單體或少量電池模組開展，其結(jié)果與實(shí)車電池包存在較大差異，影響了模型的實(shí)用性。因此，需考慮復(fù)雜交變應(yīng)力對(duì)動(dòng)力電池健康狀態(tài)的影響，研究多參數(shù)耦合及解耦機(jī)制，建立電池系統(tǒng)模型，探索全工況、系統(tǒng)級(jí)的SOH估計(jì)方法。
(4)推動(dòng)模型-數(shù)據(jù)融合，實(shí)現(xiàn)SOH快速無損在線辨識(shí)。近年來，模型融合技術(shù)獲得了廣泛的關(guān)注。以Adaboost、隨機(jī)森林為代表的集成學(xué)習(xí)方法即是多個(gè)學(xué)習(xí)器的集成技術(shù)，并已經(jīng)證明了在SOH估計(jì)領(lǐng)域的優(yōu)秀效果。此外，動(dòng)力電池ECM模型、黑箱模型與數(shù)據(jù)驅(qū)動(dòng)算法的融合也將成為未來發(fā)展的重要方向。而隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)，以及無監(jiān)督學(xué)習(xí)技術(shù)也有望在SOH估計(jì)方面取得重要突破。
5結(jié)論
綜述了大數(shù)據(jù)驅(qū)動(dòng)的新能源汽車動(dòng)力電池健康狀態(tài)的估計(jì)的主要方法與技術(shù)方案。
(1)在健康狀態(tài)數(shù)據(jù)集構(gòu)建方法方面，從數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理方法等角度對(duì)當(dāng)前動(dòng)力電池?cái)?shù)據(jù)集構(gòu)建方法進(jìn)行了總結(jié)。
(2)在健康狀態(tài)特征參數(shù)提取方面，總結(jié)了包括機(jī)-電-熱等方面的多種動(dòng)力電池健康狀態(tài)特征參數(shù)，并對(duì)其優(yōu)劣以及適用場景做了分析。
(3)在健康狀態(tài)估計(jì)模型方面，總結(jié)了以數(shù)據(jù)驅(qū)動(dòng)方法為核心的動(dòng)力電池健康狀態(tài)估計(jì)模型，并對(duì)每種模型的特點(diǎn)進(jìn)行了簡要分析。
動(dòng)力電池SOH估計(jì)對(duì)新能源汽車安全運(yùn)行具有重要意義，而大數(shù)據(jù)技術(shù)的發(fā)展為SOH估計(jì)提供了有力的工具。雖已取得大量理論和試驗(yàn)成果，但動(dòng)力電池SOH估計(jì)方法在實(shí)車電池系統(tǒng)上的應(yīng)用還面臨諸多挑戰(zhàn)。