论文学习 | 《电动汽车锂离子电池健康状态估计及寿命预测方法研究》
Hi，大家好，我是半亩花海。本文主要对上述论文《电动汽车锂离子电池健康状态估计及寿命预测方法研究》进行学习与阅读总结，便于后续科研进一步学习（纯小白自读汇总版）。总体感觉这篇有点偏向数理方面，不过后面还会学习其他算法模型在此场景下的应用。
目录
一、关键词
二、专业术语
三、研究现状
1. SOH估计研究现状
2. RUL预测研究现状
四、数据集
五、研究方法
六、研究结果
一、关键词
锂离子电池，SOH估计，RUL预测，多尺度扩展Kalman滤波，粒子滤波
二、专业术语
- SOC：State of Charge，充电（荷电）状态。
- SOH：State of Health，健康状态，反映电池当前的额定容量，即为当前额定容量和初始额定容量的比值（电池内阻、循环次数）；也可表示为电池的老化状态，分为日历老化（不可逆转、搁置不用时的容量衰减）和循环老化（充放电时）。
- EOL：End of Life, 寿命终止，表示电池参数达到更换阈值的时刻（电池需要更换）。
- RUL：Remaining Useful Life，剩余可用寿命，表示从观测时刻到电池EOL所需的时间。
- 多尺度估计：基于小波变换和多尺度理论。
- 粒子滤波：Particle Filter, PF，基于蒙特卡洛思想的贝叶斯状态估计，估计在任意噪声背景下、任何形式的非线性系统的状态。
三、研究现状
1. SOH估计研究现状
（1）不基于模型
- 直接测量：离线状态；非在线实时；测量特征参数（端电压、电流、温度、容量、欧姆内阻、循环次数）。
- 基于数据：无先验知识、假设、物化公式；时间序列；方法：自回归滑动平均（ARMA）、韦伯定律。
（2）基于模型--建立数学模型
- 电化学模型：电池内部物化反应。
- 等效电路模型：估计模型参数（欧姆内阻/额定容量），等效电路。
- 特性模型：在不同应激条件下的老化实验中得到的应激因素和老化表征参数（额定容量、欧姆内阻等）之间的简单关系。
- 分析模型：基于做实验得到的试验数据，设计估计器得到模型参数；方法：库伦积分法（电流I对时间t积分）、神经网络（NN）、人工神经网络（ANN）；输入变量：端电压、放电电流、放电容量、温度。
2. RUL预测研究现状
（1）基于电池使用状态和老化模型
- 输入：电池使用时的测量数据/电池老化的特征参数（通过观测器得到）、电池未来使用状况。
- 基于已有的电池老化模型进程查表。
（2）基于电池SOH和寿命预测模型
- ①根据测量数据（端电压、电流、温度等）/老化特征参数（额定电容、内阻或二者组合）估计SOH；
- ②输入SOH，分析SOH变化，拟合曲线，得出预测模型（SVM/粒子滤波/相关向量机）。
- 输出：特征参数达到阈值EOL所需时间或循环次数。
四、数据集
测量电压、电流。
五、研究方法
（1）直接测量法（电池适应性好、精度高）
（2）等效电路模型法（实时性好）
①设计电池循环老化试验（自变量：循环次数、放电电流；因变量：电池老化；目的：验证老化特性）；
②建立等效电路模型（SOC估计）、容量模型（SOH估计）、电池老化模型（RUL预测）。
（3）MEKF/多尺度扩展Kalman滤波算法（联合估计SOC和SOH，降低计算量）
（4）改进的粒子滤波算法（预测RUL/剩余循环次数）
六、研究结果
（1）指数模型比多项式模型可以更好地模拟电池容量衰减过程；
（2）MEKF算法与DEKF算法相比在估计精度上相差不大，有时甚至高于DEKF算法，但是MEKF算法的计算量远远小于DEKF算法；
（3）高斯高通滤波器（GHPF）算法可以对电池的RUL进行合理有效的预测。
