原创VPSLVPSL昨天点击上方VPSL能够订阅哦指日，重庆大学车辆动力体系团队胡晓松教育及互助家（加拿大安大致理工、美国马里兰大学），正在能源范围国际顶级期刊，Ce

指日，重庆大学车辆动力体系团队胡晓松教育及互助家（加拿大安大致理工、美国马里兰大学），正在能源范围国际顶级期刊，Cell子刊Joule上揭晓综述作品“Battery Lifetime Prognostics”，体系说明了基于模子、基于数据驱动和基于交融算法三大类电池残剩应用寿命预测技能的最新探讨转机，周至总结了现阶段电池寿命预测技能的枢纽技能题目与离间，并从众方面瞻望了电池寿命预测技能兴盛的来日趋向与宗旨。

近年来，为了应对古代化石燃料穷乏和处境恶化，锂离子电池正在新能源汽车和电网储能等范围赢得了平凡操纵。然而，锂离子电池正在应用历程中的职能衰减是枢纽技能难点，限制了电池的残剩应用寿命（Remaining useful life, RUL）。锂离子电池是一个纷乱的电化学体系，正在职责历程中会形成SEI膜增加、析锂和电解液氧化等副响应。电池副响应将导致电池的职能衰减，从宏观上浮现为容量裁汰和内阻减少，从而低落了电池的应用寿命。无误预测锂离子电池正在差异应用要求下的残剩应用寿命不只能担保体系的安好牢靠运转，而且能完成电池残剩代价的最大化操纵。以是残剩寿命预测对付电池约束和梯次操纵至闭苛重,本文将为锂离子电池的残剩寿命预测技能供应有力支柱。

锂离子电池是一个动态、时变的电化学体系，具有非线性行动和纷乱内部响应机理。跟着电池充电和放电次数的减少，电池职能和寿命将慢慢衰减。形成锂离子电池职能衰减的身分征求物理（如热和呆板应力）与化学（如副响应）身分。如图1所示，最常睹的老化机理可归为活性物牺牲和可轮回锂牺牲两种老化形式。活性物牺牲首要由石墨剥离，粘合剂解析，电极颗粒开裂等形成。可轮回锂牺牲首要由SEI成膜与解析，电解液解析和析锂等形成。值得一提的是，电池衰减机理与电池资料有很大闭联。比如，石墨负极的职责电压低于常用电解液的电化学坚固窗，以是会导致SEI膜的增加。相反，钛酸锂电池负极职责电势位于电解液的坚固窗内，以是不会有SEI膜的形成。别的，磷酸铁锂正极的体积膨胀效应小于锰酸锂正极，由此导致的电极资料布局变形也更小。

图1 锂离子电池首要老化机理（改编自 Birkl, C.R., Roberts, M.R., McTurk, E., Bruce, P.G., and Howey, D.A. Degradation diagnostics for lithium ion cells. J. Power Sources, 2017, 341:373–386.）

近年来，电池RUL预测技能赢得了庞杂兴盛。文献常将RUL预测技能分为基于模子，基于数据驱动和基于交融算法三大类。然而，现有文献正在分类原则上并不团结，而且未能包括RUL预测的最新效率。为此，基于电池RUL预测的最新探讨转机，本文对RUL算法实行了团结分类。（1）基于模子的预测本领：通过数学的本领创筑电池物理模子或经历模子来描写电池的老化行动，该本领的模子寻常由一系列代数和微分方程组成。基于模子法的特质是所创筑的RUL预测模子只针对某一特定体系（比如，电池体系与轴承体系的预测模子各不相通）。（2）基于数据驱动的预测本领：基于统计学表面和机械练习表面，直接操纵史书数据创筑预测模子而不依赖特定物理模子。数据驱动模子更易操纵于差异的形势（比如，电池与轴承体系的预测模子布局相通，只需调度模子参数）。（3）基于交融算法：将模子与数据驱动本领相连合并表现其各自利益。

基于模子的本领旨正在创筑数学模子来描写电池老化行动。此中一种本领是创筑纷乱的、耦合电池副响应（如SEI膜增加）的机理模子或经历回归模子，并通过外推模子参数来完成RUL预测。然而，电池老化行动长短线性的。对付永远预测（预测步数大于50），耦合副响应的机理模子能支柱较高精度，而参数固定的经历模子预测差错将增大。常用的进步永远预测精度的本领是将模子与滤波算法连合应用，操纵滤波算法和可用数据一贯更新模子参数。如图2所示，起初遵循电池数据特质挑选适合的模子，接着将模子转换为形态空间方程的时势并对滤波算法和模子参数实行初始化。随后基于预测肇始点之前的史书数据，操纵滤波算法一贯更新模子参数直至预测出发点。结尾，正在预测出发点应用更新参数后的模子外饱动行电池的RUL预测。

基于模子的RUL预测本领的确包括三类。第一类是基于电池内部电化学响应机理所创筑的机理模子。比如基于众孔介质表面和固液相贯串性假设创筑的伪二维（P2D）模子，或是思虑相界面间各向异性，操纵动力学蒙特卡洛法（KMC）创筑的分子标准模子。机理模子能对SEI膜增加这一形成容量衰减的首要身分实行描写，模子预测精度较高，但盘算推算纷乱度很大。第二类是基于电途元件描写电池特色的等效电途模子（ECM）。该模子基于电池内阻增加与容量衰减间的映照闭联，通过ECM模子辨识内阻变革并创筑经历方程，从而以外推的办法预测电池RUL。寻常，ECM模子操纵滤波算法更新模子参数来进步预测精度。第三类是通过阐述大批电池史书衰减数据而创筑的纯经历模子。经历模子操纵差异的回归模子时势（如线性、指数）来描写电池衰减行动并通过外推预测来日的衰减趋向。经历模子渺视了电池的内部机理，仅通过创筑史书数据与电池康健因子（容量和内阻）的映照闭联来预测RUL。跟着电池老化和职责处境的变动，上述映照闭联随功夫一贯变动。以是，大大批经历模子常连合滤波算法，正在预测出发点前操纵史书数据一贯更新模子参数以进步预测精度。

基于数据驱动的本领直接操纵史书数据预测电池来日老化趋向，不须要对老化机理和扩展次序有所懂得。该本领并不创筑特定的物理模子，而是基于数据创筑统计学模子或机械练习模子。因为数据驱动的本领避免了纷乱的数学筑模历程和专家学问，以是该本领愈加机动易用，并正在环球领域内惹起了探讨职员的平凡体贴。电池的数据驱动RUL预测本领可进一步分为机械练习，统计学本领和信号执掌本领三类。a、迭代预测（图3a）。迭代预测的布局操纵众个史书工夫的容量来预测下临时刻的电池容量，并通过轮回迭代的办法预测来日容量变革。b、非迭代预测（图3b）。非迭代预测创筑了电池轮回圈数与电池容量的映照闭联，从而可通过代入轮回圈数来盘算推算电池来日工夫对应容量值。c、短期预测（图3c）。短期预测正在操纵史书容量数据的基本上，参加了目今工夫的正在线丈量数据（如温度、电流和电压）。短期预测通过融入厚实丈量数据，能正在较短的功夫标准赢得好的预测精度，但无法完成电池容量的永远预测。d、直接预测（图3d）。上述三种算法布局的预测输出是电池来日工夫容量变革轨迹，通过盘算推算容量阑珊至退伍阈值（如20%容量衰减）所经验的功夫来盘算推算电池RUL。而直接预测通过创筑史书数据与电池RUL的直接映照闭联（如维纳历程创筑电池RUL概率密度分散函数），直接获取电池RUL。

基于数据驱动本领的非线性映照才干强且易于履行，但不敷的或带偏的演练数据会导致预测精度低落或全部舛错。基于模子的本领依赖专家学问来创筑物理模子，合用性较差。然而基于模子的本领对数据需求少，并具有较好的鲁棒性和坚固性。近年来，连合了模子和数据驱动的交融式本领汲取了差异本领的利益并具有更好的精度，现已成为探讨的一大热门。

交融式算法通过将模子与数据驱动相连合，旨正在办理三类题目。第一类是操纵数据驱动进步滤波算法的精度，如图4a所示。正在古代滤波算法中，自便挑选的参数初值将低落算法收敛速率或惹起发散。别的，粒子滤波（PF）算法因为粒子退化和样本贫化的缺陷会低落算法精度。第一类交融算法操纵数据驱动（如D-S证据表面）对滤波算法初始化，或通过数据驱动（如声援向量回归SVR）盘算推算重采样粒子权重来进步RUL预测精度。第二类是操纵数据驱动为滤波算法修建来日工夫“虚拟观测值”。当RUL预测功夫标准较长时，经历预测模子的参数须要通过滤波算法一贯更新从而跟踪电池的非线性老化行动。然而，因为来日工夫观测数据的缺失，滤波算法无法表现功用，从而形成较大的预测差错。如图4b所示，第二类交融算法操纵数据驱动（如闭联向量机RVM，自回归模子AR）修建观测方程，从而基于滤波算法一贯更新模子参数并进步RUL预测精度。第三类是操纵数据驱动算法对原始电池数据实行预执掌。原始电池衰减数据中存正在的容量光复效应将形成衰减弧线的摇动。同时，丈量中引入的噪声和丈量差错也会对数据质料形成影响。操纵原始电池数据实行模子参数的辨识或数据驱动算法的演练将大大低落RUL预测精度。第三类本领操纵数据驱动（如经历模态解析EMD）星散分外数据，或操纵数据驱动（如小波去噪WD）低落数据噪声。通过进步数据质料，从而更高效的演练模子并晋升RUL预测精度。

基于现有电池RUL预测技能的兴盛水准，本文为实践工程操纵中RUL算法的挑选提出如下倡议。当盘算推算资源较为厚实时（如电动汽车的调养阶段），基于机理模子的预测技能可周详检测电池内部康健形态并无误预测电池RUL。当电池处于应用形态，经历模子和低盘算推算纷乱度的数据驱动模子算法能更好的完成正在电池约束体系中的正在线进一步为经历模子和数据驱动模子的挑选供应了参考凭据。正在操纵原始丈量数据拟合经历模子参数或演练数据驱动模子前，能够操纵小波去噪等本领对原始数据实行预执掌以扑灭噪声。同时，为了扑灭原始数据中的容量光复效应形成的数据分外，能够应用模态解析等本领。正在操纵预执掌后的数据实行特色提取时，可挑选解析法（如增量容量阐述）或数据驱动的本领（如提取数据样本熵）来进步康健特色与电池衰减行动间的闭联性。为了供应带有置信区间的预测结果，应应用基于概率框架的预测本领（如粒子滤波和高斯历程回归）。结尾值得属意的是，当电池职责工况与演练工况比拟发作变动后，经历模子和数据驱动模子须要从头演练以担保预测精度。

目前，电池RUL预测技能赢得了较大转机。然而，现有探讨众基于简单工况下（如恒温、恒电流）的电池单体寿命预测。为了完成工程操纵，四大枢纽技能题目有待冲破。（1）愈加挨近实践工况的电池数据集：现有文献众操纵恒定温度和CC/CV工况轮回下的电池老化数据实行算法创筑和验证。然而，正在大大批电池储能操纵中，电池将经验动态变革的工况。别的，跟着电池储能体系的平凡操纵，电池正在急迅充电等尽头工况下的寿命预测技能变得愈发苛重。（2）融入机理的电池寿命预测技能：具有低盘算推算纷乱度的机理模子可无误预测电池正在差异工况下的残剩寿命。然而，电池内部纷乱的非线性电化学行动使得上述模子的创筑变得极为艰难。以是，将机理融入预测算法，并将盘算推算纷乱度降至可正在线操纵的水准是首要离间之一。（3）早期预测算法：基于少量数据实行早期寿命预测的算法抗衡御电池失效相等苛重。然而，大家预测算法的演练数据量占总数据的40%-70%。别的，电池的少许老化行动正在早期并不明明，如电压弧线发作变革而容量连结稳固。以是，斥地小样本演练算法，提取愈加有用的电池康健特色因子是完成早期预测的枢纽和离间。（4）面向工程操纵的RUL技能：电池RUL预测的工程操纵存正在四大离间。一是针对大型电池储能操纵，斥地大界限电池组的RUL预测技能。由差异串并联办法组成的电池组存正在不相同性和温度梯度，预测模子的纷乱度将大大减少。二是斥地基于云盘算推算技能的电池寿命预测技能。通过引入云盘算推算以进步盘算推算速率，从而完成更为纷乱预测算法（如机理模子）的操纵。三是斥地基于区块链技能的电池数据共享生态体系。通过扫数效户共享电池应用数据，愈加高效演练RUL预测算法，晋升预测算法正在差异地区和工况下的预测精度。四是斥地计及电池梯次操纵的RUL预测技能。跟着电池老化，其衰减机理会发作变革，而且会显现容量骤降的老化转动点。别的，电池史书应用工况对其二次寿命有很大影响。以是需斥地面向电池全寿命周期的RUL预测技能，以完成电池残剩代价的充塞操纵。

汽车测试网-建设于2008年，报道汽车测试技能与产物、趋向、动态等 接洽邮箱 marketing#auto-testing.net (把#改成@)