胡 杰，朱雪玲，何 陈，杨光宇

（1.武汉理工大学，现代汽车零部件技术湖北省重点实验室，武汉430070；2.武汉理工大学，汽车零部件技术湖北省协同创新中心，武汉430070；3.新能源与智能网联车湖北工程技术研究中心，武汉430070）

前言

电动汽车是现代汽车发展的主要方向，其动力电池组健康状态（state of health，SOH）是对当前电池性能的综合评估，可直观体现电池寿命变动［1］。因此，电动汽车动力电池SOH的准确预测是保证车辆可靠与安全的前提，具有十分重要的现实意义。目前，电池SOH预测方法大体可分3类：模型法、数据驱动法和融合法［1］。基于模型的电池SOH预测方法主要包括电化学模型法、经验模型法和等效电路模型法，电化学模型法可了解电池内部状态，预测精度较高，但无法确定电池内部衰减机理且设备昂贵［1-3］；经验模型法建模难度低，但模型稳定性差［1-3］；等效电路模型法可实现电池SOH的实时预测，但模型参数识别误差存在累积现象，预测精度受模型结构影响较大［1-3］。相较于模型法，数据驱动法无须考虑电池内部的复杂反应与老化机理，可利用电池状态参数建立模型［1-4］。融合法是指将模型法与数据驱动法相混合，可明确模型参数，预测精度较高，但计算复杂且依赖于试验数据［4］。

基于数据驱动的电动汽车电池SOH的估计多基于电流、电压、容量和内阻等参数；王常虹等［5］在试验数据基础上提出了可反映电池SOH情况的容量衰退参数，实现电池剩余寿命的准确预测；Yu［6］通过拟合电池容量的全局退化趋势实现电池SOH的准确预测；……