韩云飞，谢 佳，蔡 涛，段善旭，程时杰

（强电磁工程与新技术国家重点实验室（华中科技大学），湖北省武汉市 430074）

0 引言

近年来，在国家和地方政府的推动下，电池储能系统建设规模不断扩大［1］。锂离子电池因为具有循环稳定、比能量/比功率高等优点，在电池储能系统上得到广泛应用［2］。在线评估电池的状态对于确保电池的安全性和可靠性至关重要。其中健康状态（SOH）是评估电池老化状态的指标之一，一般认为SOH 为电池当前最大可用容量与初始额定容量的比值［3］。准确的SOH 估计对于指导电池储能系统的安全可靠运行具有重要意义。

锂离子电池的状态估计方法主要分为基于模型的方法和数据驱动方法［4］。基于模型的方法从老化机理出发对电池进行建模，例如P2D 模型［5-6］。基于模型的方法具有较高的精度［7］，然而建立模型需要求解复杂的偏微分方程，使其难以在电池管理系统（BMS）中实时应用。

目前，机器学习技术的发展使得数据驱动方法在电力系统及综合能源系统受到广泛关注［8］，其中的一个应用层面即为对电网设备进行状态评估和故障诊断［9］。为了准确地评估及预测电池的老化状态，模型的输入需要能够充分反映电池的状态特征。文献［10-11］分别选择阻抗谱和增量容量分析（ICA）曲线作为输入特征，阻抗谱和ICA 能从机理上解释电池的老化，但均需要特殊的测试条件，难以在线应用。文献［12-14］采用深度学习技术，从电池的电压、电流、温度等原始参数中提取电池的老化信息。……