陈 琳，刘博豪，丁云辉，吴淑孝，冯 喆，潘海鸿

（广西大学机械工程学院，南宁530004）

前言

锂离子电池由于循环寿命长、自放电率低和能量密度高等优点，在电动汽车的动力装置中得到广泛应用［1-2］。但随着电池逐渐老化，电池存在安全隐患，其中电池健康状态（state⁃of⁃health，SOH）估算可使电池管理系统提前做出合理决策，降低电池系统故障发生概率，保证汽车稳定性、安全性和可靠性。

SOH估算的常用方法有直接测量法、模型法和数据驱动法。直接测量法直观，计算量少，常用于离线测试。Zhang等［3］提出了一种融合库仑计数和差分电压分析的方法进行SOH估算，平均绝对误差在0.4%以内。模型法可以分析电池退化的内部机理与化学变化，但需要复杂和昂贵的电化学测量设备。Matteo等［4］通过测量的电化学阻抗谱，提取等效电路模型的参数，然后根据电池欧姆内阻与容量之间的关系来估算电池SOH，该估算方法最大误差为3.73%。

在电池SOH估算中数据驱动法因无须深入研究电池内部化学机理，通过直接挖掘数据规律而受到广泛关注［5］。目前SOH估算的数据驱动算法主要包括：高斯过程回归（Gauss progress regression，GPR），支持向量机（support vector machine，SVM）和神经网络（neural network，NN）等。Chen等［6］从充电过程中的电压、电流和时间提取退化表征量，利用SVM算法，通过退化表征量与电池SOH关系建立估算模型实现SOH准确估算。You等［7］在多种工况下利用动态数据训练多层前馈神经网络（back propagation neural network，BPNN）来估算电池SOH，其估算结果的均方根误差低于0.02。Zeng等［8］提出用变分模态分解算法对训练数据集进行分解，构建融合变分模态分解和GPR的SOH估算模型，估算的均方根误差在0.06以内，比传统GPR算法精度高。……