摘要：

准确的健康状态（SOH）估计对于电动汽车中的电池管理系统至关重要。然而，缺乏通用的电池老化模型给现有SOH准确估计带来了重大挑战。本研究利用马里兰大学的开源电池单元数据集，主要聚焦电池组的老化建模与SOH估计问题。首先，基于恒流充电数据，采用增量容量分析技术提取了两个表征容量衰减的老化特征。其次，针对电池容量的非线性退化趋势和特征耦合问题，提出了一种非线性、非参数的数据驱动老化模型，采用双高斯过程回归（GPR）结合迁移学习策略，显著提升了模型的效率与估计精度。最后，通过粒子滤波器（PF）跟踪容量退化情况，并反馈修正初始模型，形成了一种闭环数据融合方法以实现精确的SOH估计。实验验证结果表明迁移学习显著提高了估计准确性，本文提出的方法最终实现了均方根误差为0.87的闭环SOH估计，充分体现了其可靠性与精确性。

文章简介：

锂离子电池因其优越的能量和功率密度、较低自放电率、无记忆效应以及长循环寿命，广泛应用于电动汽车等电气化交通领域。为了确保安全和操作效率，电池管理系统被设计用于监测复杂环境中电池状态。随着电池循环次数增加，其性能逐渐恶化，这主要表现为电池功率和容量的衰减。因此，开发先进的SOH估计算法仍然是车载电池管理系统领域一个关键且具有挑战性的研究重点。

为了解决这些挑战，安徽大学吕治强、安徽科技学院武龙星等人基于已有研究成果，提出了一种用于电池组在线SOH估计的数据融合模型方法。该方法结合了建模和数据驱动技术的优势：（1）结合充电过程中提取的电池老化特征，利用公开电池数据集，训练初始数据驱动模型，迁移关键参数到电池组的模型训练，开发一个通用且灵活的非线性、非参数老化模型，提供数学表达的状态空间表达式；（2）基于数据驱动的电池老化模型，运用PF技术构建一个闭环估计框架，用于电池SOH的估计，并将测量结果和估算结果用于反馈修正电池老化模型，迭代更新提高模型精度。本研究详细的电池SOH估计框架如图1所示：

图1.电池SOH估计框架

文章结论：

为了解决动力电池组在线SOH估计的挑战，本论文从充电过程中提取老化特征，开发了一种将数据模型融合与迁移学习相结合的锂离子电池闭环SOH估计方法。主要研究结果如下：（1）采用公开可用的电池数据集，提取充电老化特征，并通过利用双高斯过程回归GPR方法，结合迁移学习理论，建立非线性、非参数的电池老化模型，有效解决了缺乏通用电池老化模型的问题；（2）在建立的电池老化模型状态空间方程基础上，使用实时提取的充电老化特征，并将其与PF相结合，构建一个闭环电池SOH估计框架，同时用输出结果更新老化状态空间方程，巧妙地规避了常规数据驱动方法估算过程中的开环局限性。（3）使用来自电池组专有老化数据进行SOH估计的验证。三组电池的平均绝对误差为1.73%，均方根误差为0.87，验证结果证明了所提方法在SOH估计中的有效性和准确性。总之，本文提出的方法展现了优异的工程适用性与估计准确性，未来计划部署于车载开发板，并在多类型电池中进一步验证其适用性，为推动电池智能管理与寿命预测提供有力工具。

论文信息：

Transfer Learning-Based Data-Fusion Model Framework for State of Health Estimation of Power Battery Packs

Zhiqiang Lyu, Xinyuan Wei, Longxing Wu*, Chunhui Liu

https://doi.org/10.1002/bte2.70011