基于SVD-SAE-GPR的锂离子电池RUL预测

图1 4个电池的容量退化曲线

Fig. 1 Capacity degradation curves of four batteries

1.2　基于SVD的特征提取

在本小节中，首先介绍奇异值分解^[19]方法，该方法在本工作中用于特征提取。SVD是一种矩阵分解方法，它可以将复杂矩阵表示为更小更简单的子矩阵的乘法，如图2所示。

图2

图2 矩阵的SVD

Fig. 2 SVD of matrix

假设矩阵 $A$ 是一个大小为 $p \times q$ 的矩阵，则定义矩阵 $A$ 的SVD如式(1)所示:

A = U \sum V^{Τ}

(1)

矩阵 $U$ 的秩为 $r$ ， $U$ 是大小为 $p \times p$ 的正交矩阵， $U$ 的列向量称为左奇异向量。 $\sum$ 是一个大小为 $p \times q$ 的矩阵，除了主对角线外，所有元素都为0，它是一个对角矩阵。 $\sum$ 主对角线上的每个元素称为 $A$ 的奇异值，记为 $σ_{i} (i = 1, \dots, r)$ 。 $V$ 是一个大小为 $q \times q$ 的正交矩阵， $V$ 的列向量是右奇异向量。将 $A$ 乘以其转置矩阵 $A^{Τ}$ ，得到式(2)，同理可得与 $A A^{Τ}$ 相关的式(3)。

A^{Τ} A = V Σ U^{Τ} U Σ V^{Τ} = V \overset{2}{Σ} V^{Τ}

(2)

A A^{Τ} = U Σ V^{Τ} V Σ U^{Τ} = U \overset{2}{Σ} U^{Τ}

(3)

可以看出， $A^{Τ} A$ 和 $A A^{Τ}$ 的特征向量分别组成了SVD中的矩阵 $V$ 和 $U$ 。由于 $A^{Τ} A$ 和 $A A^{Τ}$ 的特征值均为 $λ_{1}, \dots, λ_{r}$ ，如式(4)所示。因此，将矩阵 $A$ 的奇异值记为 $σ_{i} = \sqrt[]{λ_{i}} (i = 1, \dots, r)$ 。

A A^{Τ} = A^{Τ} A = [\begin{matrix} λ_{1} \\ λ_{2} \\ ⋱ \\ λ_{r} \end{matrix}]

(4)

矩阵奇异值的大小与矩阵中隐藏的重要信息密切相关，信息的重要性与奇异值的大小正相关。可以发现，SVD在矩阵分解过程中不涉及参数设置，可以实现简单的计算过程，降低特征提取的复杂性，同时避免了对人为经验的依赖。因此，选择SVD用来提取能表征电池退化状态的HIs。

通常情况下，锂离子电池的电压、电流和温度等参数都是可测的，因此首先从12组测量数据中通过SVD提取各自的奇异值作为12个HIs(详细描述见表1)。同时考虑到特征提取对象包含的退化信息对提取出来的HI量化电池退化状态的能力有重要影响，额外计算了三组特征提取对象，分别为 $d Q / d V$ ， $d V / d Q$ 和 $d T / d V$ 矩阵。锂离子电池的退化是一个动态非线性过程，降解模式多种多样，如电极材料的机械降解、锂库存损失、活性材料损失等。所有这些退化模式也可以相互影响。 $d Q / d V$ 、 $d V / d Q$ 和 $d T / d V$ 常被用来分析上述相关的退化模式^[20-22]，因此可以作为反应电池退化状态的特征提取对象，从其中分别提取了HI13、HI14和HI15。 $d Q / d V$ 、 $d V / d Q$ 和 $d T / d V$ 的计算公式如下。

表1 四个电池15个潜在HIs与容量的Spearman相关分析

Table 1 Spearman correlation analysis of 15 potential HIs and capacity of four batteries

特征提取对象	HIs	Spearman相关系数
特征提取对象	HIs	B0005	B0006	B0007	B0018
放电电压	HI1	0.9943	0.9982	0.9953	0.9876
放电电流	HI2	0.9873	0.9986	0.9949	0.9888
放电温度	HI3	0.8118	0.6690	0.8864	0.9688
放电负载电压	HI4	0.9953	0.9986	0.9945	0.9917
放电负载电流	HI5	0.9870	0.9987	0.9945	0.9892
放电数据测量时间	HI6	0.9972	0.9976	0.9951	0.9929
充电电压	HI7	-0.3348	-0.3289	-0.3518	0.9707
充电电流	HI8	0.9908	0.9908	0.9912	0.9734
充电温度	HI9	-0.2286	-0.2668	-0.2123	0.9567
充电负载电压	HI10	-0.3144	-0.3237	-0.5934	0.9634
充电负载电流	HI11	0.9908	0.9907	0.9913	0.9734
充电数据测量时间	HI12	-0.3560	-0.3241	-0.3674	0.9349
$d Q / d V$	HI13	0.9975	0.9990	0.9959	0.9949
$d V / d Q$	HI14	-0.5057	-0.7387	-0.3497	0.6355
$d T / d V$	HI15	0.9833	0.9871	0.9730	0.9929

\frac{d Q}{d V} = \frac{I \times d t}{d V} = I \times \frac{d t}{d V}

(5)

\frac{d V}{d Q} = \frac{d V}{I \times d t} = \frac{1}{I} \times \frac{d V}{d t}

(6)

\frac{d T}{d V} = \frac{d T}{d t} / \frac{d V}{d t}

(7)

其中 $I$ ， $V$ ， $t$ 和 $T$ 分别为放电的电流、电压、时间和温度。

以从B0005电池的放电电压中提取HI1为例，使用SVD从电池数据中提取HI的过程为：首先，需要将所有放电周期的电压数据看作矩阵并构建成矩阵集 ${\{A (i)\}}_{i = 1}^{c}$ ，其中 $c$ 为总放电周期。其次，将所有循环周期的电压数据即矩阵 $A (i)$ 依次进行SVD。由于每次SVD的处理对象均为单个周期，所以根据矩阵SVD原理，所有放电周期都可以得到一个代表其特征信息的奇异值 $σ_{i}$ 。最后，从所有放电周期提取出来的奇异值 $σ_{i}$ 则可以构成HI1，表示为 ${\{σ_{i}\}}_{i = 1}^{c}$ 。其他特征提取对象的SVD与之同理。

1.3　特征评估与特征选择

特征融合是HI构建的关键一步，为了得到与容量相关性更强的HI，在融合之前需要对提取出来的潜在HIs进行定量评估和特征选择。考虑到本工作使用的数据不符合正态分布，选择Spearman相关系数来衡量HIs的相关性。15个潜在HIs与容量之间的相关性分析表为表1。根据表1中的相关系数绝对值，选择相关性极强(1～0.9)的HIs进行之后的特征融合。B0005、B0006和B0007选择HI1、HI2、HI4、HI5、HI6、HI8、HI11、HI13和HI15这9个HIs进行融合。B0018选择除了HI14之外的14个HIs进行融合。

1.4　基于SAE的特征融合

SAE也叫深度自动编码器，是可以用于降维和特征提取的无监督神经网络。SAE是多个自动编码器(autoencoder，AE)的叠加，它克服了单层编码器不能有效提取复杂特征的缺点。使用SAE对1.3节中选择的相关性极强的HIs进行处理，以降低维数和噪声。SAE的具体结构如图3(a)所示。将两个SAE堆叠成一个栈式自编码器进行二阶参数融合，结构如图3(b)所示。具体的融合过程为：首先让初始参数作为图3(a)SAE结构的输入和输出，进行网络编码与解码，得到输入层到 $h^{(1)}$ 层的网络参数，训练完后留图3(b)所示的输入层至 $h^{(1)}$ 层，隐藏层输出为一阶融合结果。将其结果作为图3(a)所示结构的输入与输出，隐藏层节点数设定为1，使融合结果为一个序列。融合过程与一阶相似，去除解码层后的隐藏层输出即为二阶融合HI。

图3

图3 堆栈式SAE：(a)SAE结构；(b)栈式自编码结构

Fig. 3 Stacked SAE: (a)SAE structure; (b) Stack autoencoder structure

图中 $x = [x_{1}, x_{2}, \dots, x_{n}]$ 和 $\hat{x} = [{\hat{x}}_{1}, {\hat{x}}_{2}, \dots, {\hat{x}}_{n}]$ 分别为网络的输入和输出； $w_{i j}$ 和 $w_{j k}$ 为连接权值。隐藏层节点输出 $h_{j}$ 和输出层节点 ${\hat{x}}_{k}$ 分别为

h_{j} = f (\sum_{i = 1}^{m} x_{i} w_{i j} + b_{1})

(8)

{\hat{x}}_{k} = f (\sum_{j = 1}^{n} h_{j} w_{j k} + b_{2})

(9)

其中 $m$ 表示融合特征的个数； $n$ 表示输入输出的节点个数；f(·)表示节点激励函数； $b_{1}$ 和 $b_{2}$ 均为权值。编码阶段主要是将 $n$ 维输入样本 $x_{i}$ 通过编码激励函数映射成 $m$ 维的 $h_{j}$ ，解码阶段是将 $h_{j}$ 重新映射为 $n$ 维的 ${\hat{x}}_{k}$ 。

为了进一步分析融合HI量化电池退化状态的能力，对融合HI进行了定量与定性分析。定量分析结果在表2给出，同时为了检验结果的显著性，使用p值法进行了显著性检验。从表中可以看出，四个电池融合HI的Spearman相关系数均大于0.99，且p值也远小于0.01，表明融合HI与容量之间显著相关。定性分析的结果在图4中给出。通过分析图4可以得知四个电池融合HI的曲线与原始容量曲线的退化趋势基本一致。结合定量与定性分析结果，可以得出结论，融合HI可以很好地表征电池的退化状态。

表2 四个电池融合的HI与容量的Spearman相关分析

Table 2 Spearman correlation analysis of fused HI and capacity of four batteries

Spearman

图4

图4 融合HI定性分析：(a)B0005; (b)B0006; (c)B0007; (d)B0018

Fig. 4 Fusion HI qualitative analysis: (a)B0005; (b)B0006; (c)B0007; (d)B0018

2 方法论

2.1　GPR

GPR模型是一种非参数模型，可通过先验知识实现贝叶斯框架下的状态预测，估计后验分布，输出预测均值和方差，并通过95%(或其他值)的置信区间来表示预测的不确定性。高斯过程记作如下形式：

f (x)

～

G P [m (x), k (x_{i}, x_{j})]

(10)

其中 $m (x)$ 为均值函数、 $k (x_{i}, x_{j})$ 为协方差函数。具体如下所示：

m (x) = E [f (x)]

(11)

k (x_{i}, x_{j}) = E \{[f (x_{i}) - m (x_{i})] [f (x_{j}) - m (x_{j})]\}

(12)

协方差函数用于捕获不同输入之间的相似性。超参数通常通过边概率的最大似然估计来优化。根据训练数据和测试数据构造先验分布，利用贝叶斯理论得到预测的后验分布：

p (y^{*} |x, y, x^{*}) = N [y^{*} |{\hat{y}}^{*}, σ^{2} (y^{*})]

(13)

其中 $x$ ， $y$ 为训练样本的输入和输出， $x^{*}$ ， $y^{*}$ 为测试样本的输入和预测输出， ${\hat{y}}^{^{*}}$ 为预测均值， $σ^{2} (y^{*})$ 为预测方差。

通过95%的置信区间(CI)用于预测结果不确定度的评估：

95 % C I = {\hat{y}}^{*} \pm 1.96 \times σ^{2} (y^{*})

(14)

2.2　基于SVD-SAE-GPR的建模过程

本节将SVD、SAE和GPR相结合，提出了一种新的SVD-SAE-GPR锂离子电池RUL预测方法。具体流程如图5所示，可分为四个步骤。

图5

图5 基于SVD-SAE-GPR的锂离子电池RUL预测流程图

Fig. 5 Flow chart of RUL prediction of Li-ion battery based on SVD-SAE-GPR

步骤1：SVD特征提取。首先对电池的测量数据进行SVD，将各自的奇异值作为12个潜在HIs；其次根据电流，时间，电压和温度等参数，计算 $d Q / d V$ ， $d V / d Q$ 和 $d T / d V$ 矩阵，并使用SVD从中提取HI13，HI14和HI15。

步骤2：特征选择和特征融合。通过Spearman相关分析从步骤1中的15潜在HIs中选择相关性极强的HIs进行特征融合。通过SAE处理选择的HIs融合成一个HI。

步骤3：GPR预测容量。以这融合特征 ${\{H I (i)\}}_{i = 1}^{c}$ 作为模型的输入，以电池容量 ${\{C (i)\}}_{i = 1}^{c}$ 作为输出，构建基于GPR的容量预测模型， $c$ 为总循环周期。训练集记为 $\{x, y\}$ ，其中 $x = [H I {(1 ∶ k)}^{Τ}]$ ， $y = [C {(1 ∶ k)}^{Τ}]$ ，预测起始点对应的循环数记为 $k + 1$ 。测试集表示为 $\{x^{*}, y^{*}\}$ ，其中 $x^{*} = [H I {(k + 1 ∶ c)}^{Τ}]$ ， $y^{*} = [C {(k + 1 ∶ c)}^{Τ}]$ 。预测部分以 $x^{*}$ 为输入，得到容量预测值 ${\hat{y}}^{*}$ 。

步骤4：计算RUL预测值。剩余寿命 $(N_{R U L})$ 为电池实际容量下降到阈值时的总充放电循环次数 $(N_{E O L})$ 与电池当前充放电循环次数 $(N_{E C L})$ 之差。计算公式如式(15)。

N_{R U L} = N_{E O L} - N_{E C L}

(15)

2.3　预测性能评价指标

为了评价本文所提方法的预测性能，分别采用均方根误差(root mean square error， $R M S E$ )、决定系数( $R^{2}$ )、绝对误差(absolute error， $A E$ )三种评价指标。

3 结果与讨论

3.1　锂离子电池RUL预测结果

为了分析该模型的RUL预测性能，设计了不同预测起始点的实验。实验设置：选取前59个周期和前79个周期的数据作为训练集，即预测起点分别为60和80。电池的故障阈值为额定容量的70%～80%。本工作中，电池B0005、B0006和B0018的容量故障阈值为1.38 Ah。由于B0007电池未达到故障阈值，因此未给出故障阈值线。

图6分别给出了四个电池在预测起始点60和80处的预测结果及其不确定性表达。从整体上可以看出，预测曲线与真实的容量退化曲线较为接近，预测结果受预测起始点的影响较小，且四个电池在预测起始点80时的预测曲线比在预测起始点60时更接近真实容量退化曲线。

图6

图6 四个电池在不同预测起点的预测结果及不确定性表达

Fig. 6 Prediction results and uncertainty expression of four batteries at different prediction starting points

此外，表3给出了四个电池的不同预测起始点的预测性能评价结果，从表中可以看出，预测起始点为80的预测误差均比预测起始点为60的预测误差小，且四个电池的 $R M S E$ 均小于0.0301，说明所提模型的预测性能较好；四个电池的 $R^{2}$ 均大于0.93，说明预测曲线与实际曲线的拟合程度较高；随着预测起始点的后移，B0005、B0006和B0018三个电池的 $A E$ 值逐渐减小。在预测起始点为60时，三个电池的 $A E$ 值均小于6，误差值较小；而且随着预测起始点的后退，在起始点为80时， $A E$ 值逐渐减小，均不超过2。

表3 四个电池在不同预测起始点的预测性能

Table 3 Prediction performance of four batteries at different prediction starting points

评价指标	预测起始点	B0005	B0006	B0007	B0018
$R M S E$	60	0.0103	0.0301	0.0198	0.0128
$R M S E$	80	0.0062	0.0267	0.0070	0.0066
$R^{2}$	60	0.9918	0.9369	0.9501	0.9519
$R^{2}$	80	0.9946	0.9400	0.9893	0.9572
$A E$	60	2	4	—	6
$A E$	80	0	2	—	1

3.2　SVD对不同电池数据集的适应性

为了验证SVD特征提取方法对不同锂离子电池数据集的适应性，本小节的实验额外选择了麻省理工学院^[23](Massachusetts Institute of Technology，MIT)提供的电池数据集，其中电池参数和实验环境与NASA提供的电池数据集不同。首先详细描述了用于测试的电池数据集。然后，仍然使用SVD提取HIs。最后，利用GPR进行容量预测。

3.2.1　MIT数据集

测试电池是由A123 Systems公司(APR18650M1A)制造的磷酸锂离子(LFP)/石墨电池^[24-25]，放置在30 ℃的强制对流温度室中，在充电阶段以不同倍率的恒流快充组合形成 72种充电模式，放电过程统一采用4 C倍率。电池标称容量1.1 Ah，标称电压3.3 V。选取“2017-06-30”第二批数据中的两组数据Channel 2 (CH2)和Channel 5 (CH5)进行实验。CH2和CH5的原始容量退化轨迹如图7所示。

图7

图7 CH2和CH5的容量退化曲线

Fig. 7 Capacity degradation curves of CH2 and CH5

3.2.2　特征提取、选择与融合

对于CH2和CH5，使用相同的SVD分别从测量数据、 $d Q / d V$ 、 $d V / d Q$ 和 $d T / d V$ 中提取各自的奇异值作为HIs。 $d Q / d V$ 在数据集中已经给出， $d V / d Q$ 和 $d T / d V$ 需要计算才能得到。在计算 $d T / d V$ 时，由于同一周期内某些相邻时间点采集的相同电压值会导致 $d T / d V$ 的值无效，因此将重复的电压数据和其相应测量时间对应的温度数据去除。对提取出来的潜在HIs进行Spearman相关分析，分析结果如表4所示。可以看出除了HI8之外，其余7个潜在HIs与容量之间的相关系数绝对值均大于0.9，属于极强相关。因此，根据相关系数选择除HI8之外的7个HIs使用SAE融合成一个HI。为了分析融合HI表征电池退化状态的能力，计算了它的Spearman相关系数和p值，具体结果在表5中给出。从表5中可以看出，融合HI与容量之间的Spearman相关系数均大于0.99，p值接近于0，表明融合HI与容量显著相关。

表4 CH2和CH5容量与潜在HIs的Spearman相关分析

Table 4 Spearman correlation analysis between capacity and potential HIs of CH2 and CH5

特征提取对象	HIs	Spearman相关系数
特征提取对象	HIs	CH2	CH5
时间	HI1	0.9353	0.9868
充电容量	HI2	0.9984	0.9986
电流	HI3	0.9983	0.9978
电压	HI4	0.9405	0.9835
温度	HI5	0.9980	0.9880
$d Q / d V$	HI6	0.9984	0.9998
$d V / d Q$	HI7	-0.9973	-0.9922
$d T / d V$	HI8	-0.2448	0.1870

表5 CH2和CH5容量与融合HI的Spearman相关分析

Table 5 Spearman correlation analysis of capacity and fused HI of CH2 and CH5

Spearman相关系数	CH2	CH5
HI	0.9983	0.9996
p值	<<0.001	<<0.001

3.2.3　容量预测

预测部分选用GPR进行建模。以融合HI作为训练数据，以容量作为输出数据，构建基于GPR的容量预测模型。根据CH2和CH5的数据大小，分别选择前500和100个周期的数据进行训练。预测结果如图8所示，可以发现预测曲线能够相对准确地接近真实容量退化曲线。预测性能评价结果如表6所示。从表中可以看出，CH2和CH5的 $R M S E$ 均小于0.008， $R^{2}$ 均大于0.94，说明本工作模型具有较好的预测性能，预测曲线与实际曲线吻合较好。

图8

图8 CH2和CH5的容量预测结果及不确定性表达

、

Fig. 8 Capacity prediction results and uncertainty expression of CH2 and CH5

表6 CH2和CH5的预测性能

Table 6 Predicted performance of CH2 and CH5

评价指标	CH2	CH5
$R M S E$	0.0072	0.0031
$R^{2}$	0.9505	0.9471

综上所述，通过在NASA和MIT提供的电池数据集实验，可以得出SVD可以用于提取HIs，并且在避免人为设置参数的情况下，对不同电池数据集具有良好的适应性。此外，融合的HI具有较强的相关性和较好的预测性能和准确性。

3.3　不同HI的对比试验分析

为了更充分地说明利用SVD方法从测量数据、 $d Q / d V$ 、 $d V / d Q$ 和 $d T / d V$ 中提取潜在HIs，选择极强相关的HIs使用SAE进行特征融合并结合GPR预测模型(命名为M1)的有效性和优越性，设计了比较模型M2和M3。其中模型M2通过PCA融合模型M1中选择的极强相关的HIs。模型M3使用的HI为放电阶段电压从3.8 V降到3.5 V的等压降放电时间。在预测阶段，模型M1、M2和M3均采用GPR，具体模型描述如表7所示。

表7 对比实验中使用的预测模型(M1、M2和M3)

Table 7 Prediction models used in comparison experiments (M1, M2 and M3)

模型	模型描述
M1	采用SVD方法提取测量数据、dQ/dV、dV/dQ和dT/dV的奇异值作为潜在HIs，选取相关性极强的HIs使用SAE融合为一个HI，结合GPR模型进行预测
M2	对于模型M1中提取的潜在HIs，选取相关性极强的HIs使用PCA融合为一个HI，结合GPR模型进行预测
M3	将放电阶段电压从3.8 V降到3.5 V的等压降放电时间作为HI，结合GPR模型进行预测

模型M1、M2和M3对B0005、B0006、B0007和B0018电池的预测性能如表8所示。可以看出，对于模型M1，电池B0005、B0006、B0007和B0018的 $R M S E$ 分别为0.0062、0.0267、0.0070和0.0066，四个电池的 $R M S E$ 均小于模型M2和M3，且模型M2的 $R M S E$ 也均小于模型M3。在模型M1下，除B0007外的三个电池的 $A E$ 值分别为0、2和1，也均小于模型M2和模型M3的 $A E$ 值。而且，模型M2除了B0018的 $A E$ 值比模型M3大1之外，模型M2也比模型M3具有优势。从 $R M S E$ 和 $A E$ 可以看出，模型M1比模型M2、M3具有更好的预测精度，且本文提取的HIs经过PCA融合后的预测性能也优于其他HI。模型M1的四个电池的 $R^{2}$ 分别为0.9946、0.9400、0.9893和0.9572，明显大于模型M2和M3电池的 $R^{2}$ ，这充分说明模型M1的预测结果比模型M2、M3能更好拟合原始退化曲线。此外，除了B0018之外，模型M2的其余三个电池的 $R^{2}$ 也均明显大于模型M3，表明经过PCA融合后的HI的预测结果与原始曲线的拟合程度优于模型M3的HI。对比实验结果表明，同样的HIs经过SAE融合之后比经过PCA融合的HI预测性能更好，说明SAE用于特征融合的效果优于PCA。此外，本工作提取的潜在HIs经过融合之后的HI预测性能优于其他HI，说明了本工作提取的HIs的有效性与优越性。

表8 不同模型(M1、M2和M3)的预测性能

Table 8 Predicted performance of different models (M1, M2 and M3)

评价指标	模型	B0005	B0006	B0007	B0018
$R M S E$	M1	0.0062	0.0267	0.0070	0.0066
	M2	0.0176	0.0325	0.0113	0.0195
	M3	0.0270	0.0395	0.0138	0.0075
$R^{2}$	M1	0.9946	0.9400	0.9893	0.9572
	M2	0.9567	0.8959	0.9719	0.9314
	M3	0.8984	0.8469	0.9583	0.9457
$A E$	M1	0	2	—	1
	M2	2	3	—	3
	M3	10	4	—	2

4 结论

本文提出了一种基于SVD-SAE-GPR的锂离子电池RUL预测方法。主要贡献如下。首先，为了解决传统特征提取方法依赖于参数设定且对于不同锂离子电池数据集适应性差的缺点，将SVD用于特征提取解决上述问题。然后，从原始测量数据和计算出的包含更多退化信息的特征提取对象中提取了15个潜在HIs。考虑到HIs的冗余和不足会影响RUL预测，将Spearman相关分析和SAE用于处理潜在HIs得到一个融合HI。最后，将融合HI与GPR相结合进行RUL预测，并给出结果的不确定性表达。在验证阶段，在NASA和MIT提供的电池数据集上的实验结果说明了该特征提取策略的有效性和适应性。通过与PCA融合HI和其他HI进行比较，验证了所提HI的优越性。综上所述，SVD特征提取方法具有良好的适应性，提取出的潜在HIs使用Spearman相关分析和SAE得到的融合HI具有较好的预测性能，所提出的RUL预测框架具有较高的精度且输出概率等优点。本文的方法也具有一定的局限性。比如，锂离子电池的实验室数据根据实验条件和测量仪器的不同，测量出来的数据可能会存在差异，而这些差异是否影响SVD特征提取，是否需要对数据做进一步的处理，是需要通过具体的测量数据进一步研究的。此外，在电池出厂之后，无法获得实验室数据的情况和在使用阶段比较复杂的工况下，测量数据可能有一定的难度，因此该方法适用性需进一步探究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

PARGOLETTI E, ARNABOLDI S, CAPPELLETTI G, et al. Smart interfaces in Li-ion batteries: Near-future key challenges[J]. Electrochimica Acta, 2022, 415: doi: 10.1016/j.electacta.2022.140258.

[2]

梁新成, 张勉, 黄国钧. 基于BMS的锂离子电池建模方法综述[J]. 储能科学与技术, 2020, 9(6): 1933-1939.

LIANG X C, ZHANG M, HUANG G J. Review on lithium-ion battery modeling methods based on BMS[J]. Energy Storage Science and Technology, 2020, 9(6): 1933-1939.

[3]

HU X S, ZHANG K, LIU K L, et al. Advanced fault diagnosis for lithium-ion battery systems: A review of fault mechanisms, fault features, and diagnosis procedures[J]. IEEE Industrial Electronics Magazine, 2020, 14(3): 65-91.

[4]

陈翌, 白云飞, 何瑛. 数据驱动的锂电池健康状态估算方法比较[J]. 储能科学与技术, 2019, 8(6): 1204-1210.

CHEN Y, BAI Y F, HE Y. Comparison of data-driven lithium battery state of health estimation methods[J]. Energy Storage Science and Technology, 2019, 8(6): 1204-1210.

[5]

PANG X Q, ZHAO Z, WEN J, et al. An interval prediction approach based on fuzzy information granulation and linguistic description for remaining useful life of lithium-ion batteries[J]. Journal of Power Sources, 2022, 542: doi: 10.1016/j.jpowsour.2022.231750.

[6]

CHU A, ALLAM A, CORDOBA ARENAS A, et al. Stochastic capacity loss and remaining useful life models for lithium-ion batteries in plug-in hybrid electric vehicles[J]. Journal of Power Sources, 2020, 478: doi: 10.1016/i.jpowsour.2020.228991.

[7]

ZHOU W L, LU Q, ZHENG Y P. Review on the selection of health indicator for lithium ion batteries[J]. Machines, 2022, 10(7): 512.

[8]

KHALEGHI S, HOSEN M S, KARIMI D, et al. Developing an online data-driven approach for prognostics and health management of lithium-ion batteries[J]. Applied Energy, 2022, 308: doi: 10.1016/j.apenergy.2021.118348.

[9]

JIA J F, YUAN S F, SHI Y H, et al. Improved sparrow search algorithm optimization deep extreme learning machine for lithium-ion battery state-of-health prediction[J]. iScience, 2022, 25(4): doi:10.1016/j.isci.2022.103988.

[10]

李旭东, 张向文. 基于主成分分析与WOA-Elman的锂离子电池SOH估计[J]. 储能科学与技术, 2022, 11(12): 4010-4021.

LI X D, ZHANG X W. State of health estimation method for lithium-ion batteries based on principal component analysis and whale optimization algorithm-Elman model[J]. Energy Storage Science and Technology, 2022, 11(12): 4010-4021.

[11]

LIU J, CHEN Z Q. Remaining useful life prediction of lithium-ion batteries based on health indicator and Gaussian process regression model[J]. IEEE Access, 2019, 7: 39474-39484.

[12]

PANG X Q, LIU X Y, JIA J F, et al. A lithium-ion battery remaining useful life prediction method based on the incremental capacity analysis and Gaussian process regression[J]. Microelectronics Reliability, 2021, 127: doi: 10.1016/j.microrel.2021.114405.

[13]

PAN W J, LUO X S, ZHU M T, et al. A health indicator extraction and optimization for capacity estimation of Li-ion battery using incremental capacity curves[J]. Journal of Energy Storage, 2021, 42: doi: 10.1016/j.est.2021.103072.

[14]

WALL M E, RECHTSTEINER A, ROCHA L M. Singular value decomposition and principal component analysis[M]//A Practical Approach to Microarray Data Analysis. Boston: Kluwer Academic Publishers, 2005: 91-109.

[15]

GU X Y, SEE K W, LI P H, et al. A novel state-of-health estimation for the lithium-ion battery using a convolutional neural network and transformer model[J]. Energy, 2023, 262: doi:10.1016/j.energy.2022.125501.

[16]

WEI M, YE M, WANG Q, et al. Remaining useful life prediction of lithium-ion batteries based on stacked autoencoder and Gaussian mixture regression[J]. Journal of Energy Storage, 2022, 47: doi: 10.1016/j.est.2021.103558.

[17]

王瑞洁, 惠周利, 杨明. 基于间接健康指标的高斯过程回归对锂电池SOH预测[J]. 储能科学与技术, 2023, 12(2): 560-569.

WANG R J, HUI Z L, YANG M. Gaussian process regression based on indirect health indicators for SOH estimation of lithium battery[J]. Energy Storage Science and Technology, 2023, 12(2): 560-569.

[18]

SAHA B, GOEBEL K. Battery data set[R/OL]. [2020-10-20]. https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/.

[19]

TANG T, YUAN H M. The capacity prediction of Li-ion batteries based on a new feature extraction technique and an improved extreme learning machine algorithm[J]. Journal of Power Sources, 2021, 514: doi: 10.1016/j.jpowsour.2021. 230572.

[20]

FLY A, CHEN R. Rate dependency of incremental capacity analysis (dQ/dV) as a diagnostic tool for lithium-ion batteries[J]. Journal of Energy Storage, 2020, 29:doi:10.1016/j.est.2020. 101329.

[21]

BLOOM I, CHRISTOPHERSEN J P, ABRAHAM D P, et al. Differential voltage analyses of high-power lithium-ion cells[J]. Journal of Power Sources, 2006, 157(1): 537-542.

[22]

SHIBAGAKI T, MERLA Y, OFFER G J. Tracking degradation in lithium iron phosphate batteries using differential thermal voltammetry[J]. Journal of Power Sources, 2018, 374: 188-195.

[23]

SEVERSON K A, ATTIA P M, JIN N, et al. Data-driven prediction of battery cycle life before capacity degradation[J]. Nature Energy, 2019, 4(5): 383-391.

[24]

CLERICI D, MOCERA F, SOMÀ A. Electrochemical-mechanical multi-scale model and validation with thickness change measurements in prismatic lithium-ion batteries[J]. Journal of Power Sources, 2022, 542: doi: 10.1016/j.jpowsour.2022. 231735.

[25]

ATTIA P M, GROVER A, JIN N, et al. Closed-loop optimization of fast-charging protocols for batteries with machine learning[J]. Nature, 2020, 578(7795): 397-402.