锂离子电池健康状态估计方法研究现状与展望

李卓昊; 石琼林; 王康丽; 蒋凯

doi:10.7500/AEPS20231221006

您当前的位置：

首页 >

文章列表页 >

锂离子电池健康状态估计方法研究现状与展望

综述·观点 | 更新时间：2025-06-16

- 锂离子电池健康状态估计方法研究现状与展望
- Research Status and Prospects of State of Health Estimation Methods for Lithium-ion Batteries
- 电力系统自动化 2024年48卷第20期页码：109-129
- 作者机构：
  
  1.华中科技大学电气与电子工程学院,湖北省武汉市 430074
  2.强电磁技术全国重点实验室(华中科技大学),湖北省武汉市 430074
  3.电力安全与高效利用教育部工程研究中心,湖北省武汉市 430074
- 作者简介：
  
  李卓昊(2000—)，男，硕士研究生，主要研究方向：电池健康状态估计和寿命预测。E-mail：lizhuohao@hust.edu.cn
  石琼林(1994—)，男，博士研究生，主要研究方向：液态金属电池老化研究与寿命预测。E-mail：shiql@hust.edu.cn
  王康丽(1979—)，女，通信作者，博士，教授，博士生导师，主要研究方向：新型电化学储能技术及其在电力系统中的应用。E-mail：klwang@hust.edu.cn
- 基金信息：
  
  国家电网公司总部科技项目(5419-202199552A-0-5-ZN)
- DOI：10.7500/AEPS20231221006
  中图分类号：
- 收稿：2023-12-21，
  
  修回：2024-04-26，
  
  网络出版：2024-07-17，
  
  纸质出版：2024-10-25
- 稿件说明：
移动端阅览
李卓昊,石琼林,王康丽等.锂离子电池健康状态估计方法研究现状与展望[J].电力系统自动化,2024,48(20):109-129.

LI Zhuohao,SHI Qionglin,WANG Kangli,et al.Research Status and Prospects of State of Health Estimation Methods for Lithium-ion Batteries[J].Automation of Electric Power Systems,2024,48(20):109-129.
李卓昊,石琼林,王康丽等.锂离子电池健康状态估计方法研究现状与展望[J].电力系统自动化,2024,48(20):109-129. DOI： 10.7500/AEPS20231221006.

LI Zhuohao,SHI Qionglin,WANG Kangli,et al.Research Status and Prospects of State of Health Estimation Methods for Lithium-ion Batteries[J].Automation of Electric Power Systems,2024,48(20):109-129. DOI： 10.7500/AEPS20231221006.

摘要

锂离子电池作为一种重要的储能电池，近年来发展逐渐成熟并被广泛应用于各种工业领域，有效缓解了能源转型和环境污染的压力。为保障锂离子电池能够安全、高效地长期服役，降低运行成本，实时准确地估计电池的健康状态变得尤为重要。文中对锂离子电池健康状态估计方法的发展现状进行了综述。首先，介绍了锂离子电池的老化机制和健康状态的相关概念。其次，介绍了包括基于测试、基于模型、基于数据驱动、基于不同方法融合在内的传统健康状态估计方法，以及基于先进感知技术的新型健康状态估计方法，展示了不同方法的改进过程，并对储能系统中锂离子电池模组的健康状态估计方法进行了简要概述。作为一种新兴方法，基于先进感知的方法对电池内部信息进行感知

具有广阔的应用前景。然后，分析比较了这些方法的优缺点和改进角度，为面对不同问题情境时如何选择合适的方法提供参考。最后，为推动锂离子电池的健康状态估计方法的实际应用，提出了该领域面临的挑战，并展望了该领域未来的研究方向。

Abstract

As an important energy storage battery

lithium-ion batteries have gradually matured and been widely used in various industrial fields in recent years

effectively alleviating the pressure of energy transition and environmental pollution. To ensure the safe and efficient long-term service of lithium-ion batteries and reduce operation costs

it is especially important to accurately estimate the state of health (SOH) of batteries in real time. In this paper

the current development of SOH estimation methods for lithium-ion batteries is reviewed. Firstly

the aging mechanism of lithium-ion batteries and related concepts of SOH are introduced. Secondly

traditional SOH estimation methods

including test-based methods

model-based methods

data-driven methods

and hybrid methods

are introduced. Additionally

new SOH estimation methods based on advanced sensing technologies are presented

demonstrating the improvement processes of various methods. A brief overview of SOH estimation methods for lithium-ion battery modules in energy storage systems is also presented. The emerging advanced sensing methods involve perceiving internal information of batteries

offering broad prospects for applications. Then

the advantages

disadvantages and improvement perspectives of these methods are analyzed and compared to provide a reference for choosing the appropriate method when facing different problems. Finally

to promote the practical application of SOH estimation methods for lithium-ion batteries

the challenges faced by the field are presented and future research directions in the field are prospected.

关键词

Keywords

references

王大磊，王康丽，程时杰，等 . 液态金属电池储能特性建模及荷电状态估计［J］. 中国电机工程学报， 2017 ， 37 （ 8 ）： 2253 - 2261 .

WANG Dalei ， WANG Kangli ， CHENG Shijie ， et al . Modeling of energy storage properties and SOC estimation for liquid metal batteries ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 8 ）： 2253 - 2261 .

朱方方，王康丽，蒋凯 . 基于Simulink的锂离子电池建模与仿真研究［J］. 电源技术， 2019 ， 43 （ 3 ）： 434 - 436 .

ZHU Fangfang ， WANG Kangli ， JIANG Kai . Modeling and simulation of lithium-ion batteries based on Simulink ［J］. Chinese Journal of Power Sources ， 2019 ， 43 （ 3 ）： 434 - 436 .

张娥，徐成，王康丽，等 . 电池组分段混合均衡控制策略［J］. 电力自动化设备， 2020 ， 40 （ 3 ）： 168 - 173 .

ZHANG E ， XU Cheng ， WANG Kangli ， et al . Segmented hybrid equalization control strategy for battery packs ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 3 ）： 168 - 173 .

郜捷，宋洁，王剑晓，等 . 支撑中国能源安全的电氢耦合系统形态与关键技术［J］. 电力系统自动化， 2023 ， 47 （ 19 ）： 1 - 15 .

GAO Jie ， SONG Jie ， WANG Jianxiao ， et al . Form and key technologies of integrated electricity-hydrogen system supporting energy security in China ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 19 ）： 1 - 15 .

蔡福霖，胡泽春，曹敏健，等 . 提升新能源消纳能力的集中式与分布式电池储能协同规划［J］. 电力系统自动化， 2022 ， 46 （ 20 ）： 23 - 32 .

CAI Fulin ， HU Zechun ， CAO Minjian ， et al . Coordinated planning of centralized and distributed battery energy storage for improving renewable energy accommodation capability ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 20 ）： 23 - 32 .

TANG A H ， JIANG Y H ， YU Q Q ， et al . A hybrid neural network model with attention mechanism for state of health estimation of lithium-ion batteries ［J］. Journal of Energy Storage ， 2023 ， 68 ： 107734 .

OMAR N ， ABDEL MONEM M ， FIROUZ Y ， et al . Lithium iron phosphate based battery—assessment of the aging parameters and development of cycle life model ［J］. Applied Energy ， 2014 ， 113 ： 1575 - 1585 .

VETTER J ， NOVÁK P ， WAGNER M R ， et al . Aging mechanisms in lithium-ion batteries ［J］. Journal of Power Sources ， 2005 ， 147 （ 1/2 ）： 269 - 281 .

段双明，于航，刘聪，等 . 考虑储能单元健康状态与荷电状态一致性的BESS功率分配策略［J］. 电力系统自动化， 2023 ， 47 （ 5 ）： 65 - 73 .

DUAN Shuangming ， YU Hang ， LIU Cong ， et al . Power allocation strategy for battery energy storage system considering consistency of state of health and state of charge of energy storage units ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 5 ）： 65 - 73 .

LAI X ， CHEN Q W ， TANG X P ， et al . Critical review of life cycle assessment of lithium-ion batteries for electric vehicles： a lifespan perspective ［J］. eTransportation ， 2022 ， 12 ： 100169 .

夏珺羿，石琼林，蒋凯，等 . 一种基于集成机器学习的液态金属电池快速分选方法［J］. 电工技术学报， 2023 ， 38 （ 21 ）： 1 - 13 .

XIA Junyi ， SHI Qionglin ， JIANG Kai ， et al . A rapid liquid metal battery sorting method based on ensemble learning ［J］. Transactions of China Electrotechnical Society ， 2023 ， 38 （ 21 ）： 1 - 13 .

孙国强，任佳琦，成乐祥，等 . 基于分数阶阻抗模型的磷酸铁锂电池荷电状态估计［J］. 电力系统自动化， 2018 ， 42 （ 23 ）： 57 - 63 .

SUN Guoqiang ， REN Jiaqi ， CHENG Lexiang ， et al . State of charge estimation of LiFePO 4 battery based on fractional-order impedance model ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 23 ）： 57 - 63 .

SHEN M ， GAO Q . A review on battery management system from the modeling efforts to its multiapplication and integration ［J］. International Journal of Energy Research ， 2019 ， 43 （ 10 ）： 5042 - 5075 .

FARMANN A ， WAAG W ， MARONGIU A ， et al . Critical review of on-board capacity estimation techniques for lithium-ion batteries in electric and hybrid electric vehicles ［J］. Journal of Power Sources ， 2015 ， 281 ： 114 - 130 .

BERECIBAR M ， GANDIAGA I ， VILLARREAL I ， et al . Critical review of state of health estimation methods of Li-ion batteries for real applications ［J］. Renewable and Sustainable Energy Reviews ， 2016 ， 56 ： 572 - 587 .

GE M F ， LIU Y B ， JIANG X X ， et al . A review on state of health estimations and remaining useful life prognostics of lithium-ion batteries ［J］. Measurement ， 2021 ， 174 ： 109057 .

PRADHAN S K ， CHAKRABORTY B . Battery management strategies： an essential review for battery state of health monitoring techniques ［J］. Journal of Energy Storage ， 2022 ， 51 ： 104427 .

ZHAO J H ， ZHU Y ， ZHANG B ， et al . Review of state estimation and remaining useful life prediction methods for lithium-ion batteries ［J］. Sustainability ， 2023 ， 15 （ 6 ）： 5014 .

SARASKETA-ZABALA E ， AGUESSE F ， VILLARREAL I ， et al . Understanding lithium inventory loss and sudden performance fade in cylindrical cells during cycling with deep-discharge steps ［J ］. The Journal of Physical Chemistry C ， 2015 ， 119 （ 2 ）： 896 - 906 .

HAN X B ， OUYANG M G ， LU L G ， et al . A comparative study of commercial lithium-ion battery cycle life in electrical vehicle： aging mechanism identification ［J］. Journal of Power Sources ， 2014 ， 251 ： 38 - 54 .

GÜNTER F J ， BURGSTALLER C ， KONWITSCHNY F ， et al . Influence of the electrolyte quantity on lithium-ion cells ［J］. Journal of the Electrochemical Society ， 2019 ， 166 （ 10 ）： A1709 - A1714 .

TIAN H X ， QIN P L ， LI K ， et al . A review of the state of health for lithium-ion batteries： research status and suggestions ［J］. Journal of Cleaner Production ， 2020 ， 261 ： 120813 .

HONG J ， LEE D ， JEONG E R ， et al . Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learning ［J］. Applied Energy ， 2020 ， 278 ： 115646 .

HU X S ， FENG F ， LIU K L ， et al . State estimation for advanced battery management： key challenges and future trends ［J］. Renewable and Sustainable Energy Reviews ， 2019 ， 114 ： 109334 .

ZHANG Q C ， LI X Z ， DU Z C ， et al . Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules ［J］. Journal of Energy Storage ， 2021 ， 40 ： 102743 .

WAAG W ， FLEISCHER C ， SAUER D U . Critical review of the methods for monitoring of lithium-ion batteries in electric and hybrid vehicles ［J］. Journal of Power Sources ， 2014 ， 258 ： 321 - 339 .

BAO Y ， DONG W B ， WANG D . Online internal resistance measurement application in lithium-ion battery capacity and state of charge estimation ［J］. Energies ， 2018 ， 11 （ 5 ）： 1073 .

GRANDJEAN T R B ， GROENEWALD J ， MCGORDON A ， et al . Accelerated internal resistance measurements of lithium-ion cells to support future end-of-life strategies for electric vehicles ［J］. Batteries ， 2018 ， 4 （ 4 ）： 49 .

SCHWEIGER H G ， OBEIDI O ， KOMESKER O ， et al . Comparison of several methods for determining the internal resistance of lithium-ion cells ［J］. Sensors ， 2010 ， 10 （ 6 ）： 5604 - 5625 .

PASTOR-FERNÁNDEZ C ， UDDIN K ， CHOUCHELAMANE G H ， et al . A comparison between electrochemical impedance spectroscopy and incremental capacity-differential voltage as Li-ion diagnostic techniques to identify and quantify the effects of degradation modes within battery management systems ［J］. Journal of Power Sources ， 2017 ， 360 ： 301 - 318 .

WAAG W ， KÄBITZ S ， SAUER D U . Experimental investigation of the lithium-ion battery impedance characteristic at various conditions and aging states and its influence on the application ［J］. Applied Energy ， 2013 ， 102 ： 885 - 897 .

WANG Xueyuan ， WEI Xuezhe ， ZHU Jiangong ， et al . A review of modeling， acquisition， and application of lithium-ion battery impedance for onboard battery management ［J］. eTransportation ， 2021 ， 7 ： 100093 .

王晟，闫帅，李浩秒，等 . 基于正则化方法的电池阻抗谱弛豫时间分布解析［J］. 中国电机工程学报， 2022 ， 42 （ 9 ）： 3177 - 3188 .

WANG Sheng ， YAN Shuai ， LI Haomiao ， et al . Distribution of relaxation times analysis from battery impedance spectroscopy using regularization method ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 9 ）： 3177 - 3188 .

GALEOTTI M ， CINÀ L ， GIAMMANCO C ， et al . Performance analysis and SOH （state of health） evaluation of lithium polymer batteries through electrochemical impedance spectroscopy ［J］. Energy ， 2015 ， 89 ： 678 - 686 .

LOCOROTONDO E ， CULTRERA V ， PUGI L ， et al . Development of a battery real-time state of health diagnosis based on fast impedance measurements ［J］. Journal of Energy Storage ， 2021 ， 38 ： 102566 .

ZHANG Y W ， TANG Q C ， ZHANG Y ， et al . Identifying degradation patterns of lithium-ion batteries from impedance spectroscopy using machine learning ［J］. Nature Communications ， 2020 ， 11 （ 1 ）： 1706 .

HUANG J ， LI Z ， LIAW B Y ， et al . Graphical analysis of electrochemical impedance spectroscopy data in Bode and Nyquist representations ［J］. Journal of Power Sources ， 2016 ， 309 ： 82 - 98 .

KATAYAMA N ， KOGOSHI S . Mixed-signal Fourier transform for electrochemical impedance spectroscopy ［J］. Journal of Fuel Cell Science and Technology ， 2013 ， 10 （ 1 ）： 011006 .

GOMEZ-LUNA E ， SILVA D ， APONTE G ， et al . Obtaining the electrical impedance using wavelet transform from the time response ［J］. IEEE Transactions on Power Delivery ， 2013 ， 28 （ 2 ）： 1242 - 1244 .

LI T ， WANG D Y ， WANG H R . New method for acquisition of impedance spectra from charge/discharge curves of lithium-ion batteries ［J］. Journal of Power Sources ， 2022 ， 535 ： 231483 .

ZHOU X ， PAN Z Q ， HAN X B ， et al . An easy-to-implement multi-point impedance technique for monitoring aging of lithium-ion batteries ［J］. Journal of Power Sources ， 2019 ， 417 ： 188 - 192 .

DEVIE A ， BAURE G ， DUBARRY M . Intrinsic variability in the degradation of a batch of commercial 18650 lithium-ion cells ［J］. Energies ， 2018 ， 11 （ 5 ）： 1031 .

NING G ， WHITE R E ， POPOV B N . A generalized cycle life model of rechargeable Li-ion batteries ［J］. Electrochimica Acta ， 2006 ， 51 （ 10 ）： 2012 - 2022 .

YANG J F ， LI X ， SUN X D ， et al . An efficient and robust method for lithium-ion battery capacity estimation using constant-voltage charging time ［J］. Energy ， 2023 ， 263 ： 125743 .

EDDAHECH A ， BRIAT O ， VINASSA J M . Determination of lithium-ion battery state-of-health based on constant-voltage charge phase ［J］. Journal of Power Sources ， 2014 ， 258 ： 218 - 227 .

RUAN H K ， HE H W ， WEI Z B ， et al . State of health estimation of lithium-ion battery based on constant-voltage charging reconstruction ［J］. IEEE Journal of Emerging and Selected Topics in Power Electronics ， 2023 ， 11 （ 4 ）： 4393 - 4402 .

YANG J F ， XIA B ， HUANG W X ， et al . Online state-of-health estimation for lithium-ion batteries using constant-voltage charging current analysis ［J］. Applied Energy ， 2018 ， 212 ： 1589 - 1600 .

ZHENG Y J ， QIN C ， LAI X ， et al . A novel capacity estimation method for lithium-ion batteries using fusion estimation of charging curve sections and discrete Arrhenius aging model ［J］. Applied Energy ， 2019 ， 251 ： 113327 .

OSPINA AGUDELO B ， ZAMBONI W ， MONMASSON E . Application domain extension of incremental capacity-based battery SoH indicators ［J］. Energy ， 2021 ， 234 ： 121224 .

BLOOM I ， JANSEN A N ， ABRAHAM D P ， et al . Differential voltage analyses of high-power， lithium-ion cells （1）： technique and application ［J］. Journal of Power Sources ， 2005 ， 139 （ 1 ）： 295 - 303 .

DUBARRY M ， LIAW B Y . Identify capacity fading mechanism in a commercial LiFePO 4 cell ［J］. Journal of Power Sources ， 2009 ， 194 （ 1 ）： 541 - 549 .

DUBARRY M ， BERECIBAR M ， DEVIE A ， et al . State of health battery estimator enabling degradation diagnosis： model and algorithm description ［J］. Journal of Power Sources ， 2017 ， 360 ： 59 - 69 .

DUBARRY M ， BAURE G ， DEVIE A . Durability and reliability of EV batteries under electric utility grid operations： path dependence of battery degradation ［J］. Journal of the Electrochemical Society ， 2018 ， 165 （ 5 ）： 773 - 783 .

DUBARRY M ， BECK D . Big data training data for artificial intelligence-based Li-ion diagnosis and prognosis ［J］. Journal of Power Sources ， 2020 ， 479 ： 228806 .

WANG L M ， PAN C F ， LIU L ， et al . On-board state of health estimation of LiFePO 4 battery pack through differential voltage analysis ［J］. Applied Energy ， 2016 ， 168 ： 465 - 472 .

DUBARRY M ， TRUCHOT C ， LIAW B Y . Synthesize battery degradation modes via a diagnostic and prognostic model ［J］. Journal of Power Sources ， 2012 ， 219 ： 204 - 216 .

RIVIERE E ， SARI A L ， VENET P ， et al . Innovative incremental capacity analysis implementation for C/LiFePO 4 cell state-of-health estimation in electrical vehicles ［J］. Batteries ， 2019 ， 5 （ 2 ）： 37 .

FENG X N ， LI J Q ， OUYANG M G ， et al . Using probability density function to evaluate the state of health of lithium-ion batteries ［J］. Journal of Power Sources ， 2013 ， 232 ： 209 - 218 .

WENG C H ， CUI Y J ， SUN J ， et al . On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression ［J］. Journal of Power Sources ， 2013 ， 235 ： 36 - 44 .

LI Y ， ABDEL-MONEM M ， GOPALAKRISHNAN R ， et al . A quick on-line state of health estimation method for Li-ion battery with incremental capacity curves processed by Gaussian filter ［J］. Journal of Power Sources ， 2018 ， 373 ： 40 - 53 .

LI L F ， LI Y ， CUI W W ， et al . A novel health indicator for online health estimation of lithium-ion batteries using partial incremental capacity and dynamic voltage warping ［J］. Journal of Power Sources ， 2022 ， 545 ： 231961 .

WENG C H ， FENG X N ， SUN J ， et al . State-of-health monitoring of lithium-ion battery modules and packs via incremental capacity peak tracking ［J］. Applied Energy ， 2016 ， 180 ： 360 - 368 .

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 ： 103072 .

DOYLE M ， FULLER T F ， NEWMAN J . Modeling of galvanostatic charge and discharge of the lithium/polymer/insertion cell ［J］. Journal of the Electrochemical Society ， 1993 ， 140 （ 6 ）： 1526 .

BIZERAY A M ， ZHAO S ， DUNCAN S R ， et al . Lithium-ion battery thermal-electrochemical model-based state estimation using orthogonal collocation and a modified extended Kalman filter ［J］. Journal of Power Sources ， 2015 ， 296 ： 400 - 412 .

SANTHANAGOPALAN S ， GUO Q Z ， RAMADASS P ， et al . Review of models for predicting the cycling performance of lithium-ion batteries ［J］. Journal of Power Sources ， 2006 ， 156 （ 2 ）： 620 - 628 .

SANTHANAGOPALAN S ， GUO Q Z ， WHITE R E . Parameter estimation and model discrimination for a lithium-ion cell ［J］. Journal of the Electrochemical Society ， 2007 ， 154 （ 3 ）： A198 .

HOSSEININASAB S ， LIN C W ， PISCHINGER S ， et al . State-of-health estimation of lithium-ion batteries for electrified vehicles using a reduced-order electrochemical model ［J］. Journal of Energy Storage ， 2022 ， 52 ： 104684 .

李卓昊，杨添强，石琼林，等 . 储能电池建模与状态估计研究进展［J］. 新型电力系统， 2024 ， 2 （ 2 ）： 140 - 161 .

LI Zhuohao ， YANG Tianqiang ， SHI Qionglin ， et al . Research progress in modeling and state estimation of energy storage batteries ［J］. New Type Power Systems ， 2024 ， 2 （ 2 ）： 140 - 161 .

SCHWUNK S ， ARMBRUSTER N ， STRAUB S ， et al . Particle filter for state of charge and state of health estimation for lithium-iron phosphate batteries ［J］. Journal of Power Sources ， 2013 ， 239 ： 705 - 710 .

ZHOU X ， STEIN J L ， ERSAL T . Battery state of health monitoring by estimation of the number of cyclable Li-ions ［J］. Control Engineering Practice ， 2017 ， 66 ： 51 - 63 .

AN D ， CHOI J H ， KIM N H . Prognostics 101： a tutorial for particle filter-based prognostics algorithm using Matlab ［J］. Reliability Engineering & System Safety ， 2013 ， 115 ： 161 - 169 .

BI J ， ZHANG T ， YU H Y ， et al . State-of-health estimation of lithium-ion battery packs in electric vehicles based on genetic resampling particle filter ［J］. Applied Energy ， 2016 ， 182 ： 558 - 568 .

LIU D T ， YIN X H ， SONG Y C ， et al . An on-line state of health estimation of lithium-ion battery using unscented particle filter ［J］. IEEE Access ， 2018 ， 6 ： 40990 - 41001 .

DENG Y W ， YING H J ， JIAQIANG E ， et al . Feature parameter extraction and intelligent estimation of the state-of-health of lithium-ion batteries ［J］. Energy ， 2019 ， 176 ： 91 - 102 .

CHEN Z ， ZHAO H Q ， ZHANG Y J ， et al . State of health estimation for lithium-ion batteries based on temperature prediction and gated recurrent unit neural network ［J］. Journal of Power Sources ， 2022 ， 521 ： 230892 .

LI X Y ， YUAN C G ， WANG Z P ， et al . A data-fusion framework for lithium battery health condition estimation based on differential thermal voltammetry ［J］. Energy ， 2022 ， 239 ： 122206 .

ZUO H Y ， LIANG J W ， ZHANG B ， et al . Intelligent estimation on state of health of lithium-ion power batteries based on failure feature extraction ［J］. Energy ， 2023 ， 282 ： 128794 .

MENG J H ， CAI L ， LUO G Z ， et al . Lithium-ion battery state of health estimation with short-term current pulse test and support vector machine ［J］. Microelectronics Reliability ， 2018 ， 88/ 89 / 90 ： 1216 - 1220 .

CHEN Z ， SUN M M ， SHU X ， et al . Online state of health estimation for lithium-ion batteries based on support vector machine ［J］. Applied Sciences ， 2018 ， 8 （ 6 ）： 925 .

LI R ， LI W R ， ZHANG H N ， et al . On-line estimation method of lithium-ion battery health status based on PSO-SVM ［J］. Frontiers in Energy Research ， 2021 ， 9 ： 693249 .

LIU X ， LIU D ， ZHANG Y ， et al . Least squares support vector machine based lithium battery capacity prediction ［C］// 2014 International Conference on Mechatronics and Control （ICMC）， July 3-5 ， 2014 ， Jinzhou， China ： 1148 - 1152 .

FENG X N ， WENG C H ， HE X M ， et al . Incremental capacity analysis on commercial lithium-ion batteries using support vector regression： a parametric study ［J］. Energies ， 2018 ， 11 （ 9 ）： 2323 .

CHEN Z ， XIA X L ， SUN M M ， et al . State of health estimation of lithium-ion batteries based on fixed size LS-SVM ［C］// 2018 IEEE Vehicle Power and Propulsion Conference （VPPC）， August 27-30 ， 2018 ， Chicago， USA ： 1 - 6 .

CHEN K ， LIAO Q ， LIU K ， et al . Capacity degradation prediction of lithium-ion battery based on artificial bee colony and multi-kernel support vector regression ［J］. Journal of Energy Storage ， 2023 ， 76 ： 108160 .

QIAN C ， HE N ， HE L L ， et al . State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression ［J］. Journal of Energy Storage ， 2023 ， 68 ： 107754 .

DONG H ， MAO L ， QU K Q ， et al . State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine ［J］. International Journal of Electrochemical Science ， 2022 ， 17 （ 11 ）： 221135 .

SAHINOGLU G O ， PAJOVIC M ， SAHINOGLU Z ， et al . Battery state-of-charge estimation based on regular/recurrent Gaussian process regression ［J］. IEEE Transactions on Industrial Electronics ， 2018 ， 65 （ 5 ）： 4311 - 4321 .

LI X Y ， YUAN C G ， LI X H ， et al . State of health estimation for Li-ion battery using incremental capacity analysis and Gaussian process regression ［J］. Energy ， 2020 ， 190 ： 116467 .

LIU D T ， PANG J Y ， ZHOU J B ， et al . Prognostics for state of health estimation of lithium-ion batteries based on combination Gaussian process functional regression ［J］. Microelectronics Reliability ， 2013 ， 53 （ 6 ）： 832 - 839 .

JIA J F ， LIANG J Y ， SHI Y H ， et al . SOH and RUL prediction of lithium-ion batteries based on Gaussian process regression with indirect health indicators ［J］. Energies ， 2020 ， 13 （ 2 ）： 375 .

LIU K L ， LI Y ， HU X S ， et al . Gaussian process regression with automatic relevance determination kernel for calendar aging prediction of lithium-ion batteries ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 6 ）： 3767 - 3777 .

ZHAO Jin ， LI Xuebin ， YU Daiwei ， et al ． Lithium-ion battery state of health estimation using meta-heuristic optimization and Gaussian process regression ［J］. Journal of Energy Storage ， 2023 ， 58 ： 106319 ．

WANG J W ， DENG Z W ， YU T ， et al . State of health estimation based on modified Gaussian process regression for lithium-ion batteries ［J］. Journal of Energy Storage ， 2022 ， 51 ： 104512 .

JIN H Y ， CUI N M ， CAI L ， et al . State-of-health estimation for lithium-ion batteries with hierarchical feature construction and auto-configurable Gaussian process regression ［J］. Energy ， 2023 ， 262 ： 125503 .

ZHOU Y ， DONG G Z ， TAN Q Q ， et al . State of health estimation for lithium-ion batteries using geometric impedance spectrum features and recurrent Gaussian process regression ［J］. Energy ， 2023 ， 262 ： 125514 .

戴俊彦，夏明超，陈奇芳 . 基于双重注意力机制的电池SOH估计和RUL预测编解码模型［J］. 电力系统自动化， 2023 ， 47 （ 6 ）： 168 - 177 .

DAI Junyan ， XIA Mingchao ， CHEN Qifang . Encoding and decoding model of state of health estimation and remaining useful life prediction for batteries based on dual-stage attention mechanism ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 6 ）： 168 - 177 .

LIN H Y ， KANG L Y ， XIE D ， et al . Online state-of-health estimation of lithium-ion battery based on incremental capacity curve and BP neural network ［J］. Batteries ， 2022 ， 8 （ 4 ）： 29 .

ZHANG S W ， ZHU H P ， WU J ， et al . Voltage relaxation-based state-of-health estimation of lithium-ion batteries using convolutional neural networks and transfer learning ［J］. Journal of Energy Storage ， 2023 ， 73 ： 108579 .

REN P ， WANG S L ， CHEN X P ， et al . A novel multiple training-scale dynamic adaptive cuckoo search optimized long short-term memory neural network and multi-dimensional health indicators acquisition strategy for whole life cycle health evaluation of lithium-ion batteries ［J］. Electrochimica Acta ， 2022 ， 435 ： 141404 .

JIANG Y Y ， CHEN Y ， YANG F F ， et al . State of health estimation of lithium-ion battery with automatic feature extraction and self-attention learning mechanism ［J］. Journal of Power Sources ， 2023 ， 556 ： 232466 .

LIN M Q ， WU J ， MENG J H ， et al . State of health estimation with attentional long short-term memory network for lithium-ion batteries ［J］. Energy ， 2023 ， 268 ： 126706 .

OBREGON J ， HAN Y R ， HO C W ， et al . Convolutional autoencoder-based SOH estimation of lithium-ion batteries using electrochemical impedance spectroscopy ［J］. Journal of Energy Storage ， 2023 ， 60 ： 106680 .

XU R L ， WANG Y J ， CHEN Z H . A hybrid approach to predict battery health combined with attention-based transformer and online correction ［J］. Journal of Energy Storage ， 2023 ， 65 ： 107365 .

ZHANG Z Q ， LI L ， LI X ， et al . State-of-health estimation for the lithium-ion battery based on gradient boosting decision tree with autonomous selection of excellent features ［J］. International Journal of Energy Research ， 2022 ， 46 （ 2 ）： 1756 - 1765 .

SONG S X ， FEI C ， XIA H Y . Lithium-ion battery SOH estimation based on XGBoost algorithm with accuracy correction ［J］. Energies ， 2020 ， 13 （ 4 ）： 812 .

MA C ， ZHAI X ， WANG Z P ， et al . State of health prediction for lithium-ion batteries using multiple-view feature fusion and support vector regression ensemble ［J］. International Journal of Machine Learning and Cybernetics ， 2019 ， 10 （ 9 ）： 2269 - 2282 .

LIU G F ， ZHANG X W ， LIU Z M . State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm ［J］. Energy ， 2022 ， 259 ： 124851 .

LIN M Q ， WU D G ， MENG J H ， et al . A multi-feature-based multi-model fusion method for state of health estimation of lithium-ion batteries ［J ］. Journal of Power Sources ， 2022 ， 518 ： 230774 .

LI G Z ， LI B ， LI C ， et al . State-of-health rapid estimation for lithium-ion battery based on an interpretable stacking ensemble model with short-term voltage profiles ［J］. Energy ， 2023 ， 263 ： 126064 .

YANG N K ， SONG Z Y ， HOFMANN H ， et al . Robust state of health estimation of lithium-ion batteries using convolutional neural network and random forest ［J］. Journal of Energy Storage ， 2022 ， 48 ： 103857 .

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 ： 125501 .

ZHENG Y X ， HU J X ， CHEN J J ， et al . State of health estimation for lithium battery random charging process based on CNN-GRU method ［J］. Energy Reports ， 2023 ， 9 ： 1 - 10 .

YANG Y L ， CHEN S Y ， CHEN T ， et al . State of health assessment of lithium-ion batteries based on deep Gaussian process regression considering heterogeneous features ［J］. Journal of Energy Storage ， 2023 ， 61 ： 106797 .

LYU Z Q ， GAO R J ， CHEN L . Li-ion battery state of health estimation and remaining useful life prediction through a model-data-fusion method ［J］. IEEE Transactions on Power Electronics ， 2021 ， 36 （ 6 ）： 6228 - 6240 .

徐茂舒，沈旖，王晟，等 . 先进感知技术在电池状态估计中的应用与启示［J］. 电气工程学报， 2022 ， 17 （ 3 ）： 40 - 57 .

XU Maoshu ， SHEN Yi ， WANG Sheng ， et al . Application and enlightenment of advanced sensing technology in battery state estimation ［J］. Journal of Electrical Engineering ， 2022 ， 17 （ 3 ）： 40 - 57 .

CHEN D Y ， ZHAO Q ， ZHENG Y ， et al . Recent progress in lithium-ion battery safety monitoring based on fiber Bragg grating sensors ［J］. Sensors ， 2023 ； 23 （ 12 ）： 5609 .

WANG Y ， LAI X ， CHEN Q ， et al . Progress and challenges in ultrasonic technology for state estimation and defect detection of lithium-ion batteries ［J］. Energy Storage Materials ， 2024 ， 69 ： 103430 .

MAJASAN J O ， ROBINSON J B ， OWEN R E ， et al . Recent advances in acoustic diagnostics for electrochemical power systems ［J］. Journal of Physics： Energy ， 2021 ， 3 （ 3 ）： 032011 .

WANG Z ， ZHAO X ， ZHANG H ， et al . Active acoustic emission sensing for fast co-estimation of state of charge and state of health of the lithium-ion battery ［J］. Journal of Energy Storage ， 2023 ， 64 ： 107192 .

DAVIES G ， KNEHR K W ， VAN TASSELL B ， et al . State of charge and state of health estimation using electrochemical acoustic time of flight analysis ［J］. Journal of the Electrochemical Society ， 2017 ， 164 （ 12 ）： 2746 - 2755 .

LADPLI P ， KOPSAFTOPOULOS F ， CHANG F K . Estimating state of charge and health of lithium-ion batteries with guided waves using built-in piezoelectric sensors/actuators ［J］. Journal of Power Sources ， 2018 ， 384 ： 342 - 354 .

KIM J Y ， JO J H ， BYEON J W . Ultrasonic monitoring performance degradation of lithium-ion battery ［J］. Microelectronics Reliability ， 2020 ， 114 ： 113859 .

WU Y ， WANG Y R ， YUNG W K C ， et al . Ultrasonic health monitoring of lithium-ion batteries ［J］. Electronics ， 2019 ， 8 （ 7 ）： 751 .

ZHAO G Q ， LIU Y ， LIU G ， et al . State-of-charge and state-of-health estimation for lithium-ion battery using the direct wave signals of guided wave ［J］. Journal of Energy Storage ， 2021 ， 39 ： 102657 .

PENG J ， ZHOU X ， JIA S H ， et al . High precision strain monitoring for lithium-ion batteries based on fiber Bragg grating sensors ［J］. Journal of Power Sources ， 2019 ， 433 ： 226692 .

GANGULI A ， SAHA B ， RAGHAVAN A ， et al . Embedded fiber-optic sensing for accurate internal monitoring of cell state in advanced battery management systems：Part 2 internal cell signals and utility for state estimation ［J］. Journal of Power Sources ， 2017 ， 341 ： 474 - 482 .

PENG J ， JIA S H ， YANG S M ， et al . State estimation of lithium-ion batteries based on strain parameter monitored by fiber Bragg grating sensors ［J］. Journal of Energy Storage ， 2022 ， 52 ： 104950 .

LI Y D ， WANG W W ， YANG X G ， et al . A smart Li-ion battery with self-sensing capabilities for enhanced life and safety ［J］. Journal of Power Sources ， 2022 ， 546 ： 231705 .

HARTMUT P ， MARKUS K ， MARCUS J ， et al . Mechanical methods for state determination of lithium-ion secondary batteries： a review ［J］. Journal of Energy Storage ， 2020 ， 32 ： 101859 .

MOHTAT P ， LEE S ， SIEGEL J B ， et al . Towards better estimability of electrode-specific state of health： decoding the cell expansion ［J］. Journal of Power Sources ， 2019 ， 427 ： 101 - 111 .

RIEGER B ， SCHLUETER S ， ERHARD S V ， et al . Multi-scale investigation of thickness changes in a commercial pouch type lithium-ion battery ［J］. Journal of Energy Storage ， 2016 ， 6 ： 213 - 221 .

HICKEY R ， JAHNS T M . Measuring individual battery dimensional changes for state-of-charge estimation using strain gauge sensors ［C］// 2019 IEEE Energy Conversion Congress and Exposition （ECCE）， September 29-October 3 ， 2019 ， Baltimore， USA ： 2460 - 2465 .

SAMAD N A ， KIM Y ， SIEGEL J B ， et al . Battery capacity fading estimation using a force-based incremental capacity analysis ［J］. Journal of the Electrochemical Society ， 2016 ， 163 （ 8 ）： 1584 - 1594 .

SCHMITT J ， KRAFT B ， SCHMIDT J P ， et al . Measurement of gas pressure inside large-format prismatic lithium-ion cells during operation and cycle aging ［J］. Journal of Power Sources ， 2020 ， 478 ： 228661 .

CANNARELLA J ， ARNOLD C B . State of health and charge measurements in lithium-ion batteries using mechanical stress ［J］. Journal of Power Sources ， 2014 ， 269 ： 7 - 14 .

CANNARELLA J ， ARNOLD C B . Stress evolution and capacity fade in constrained lithium-ion pouch cells ［J］. Journal of Power Sources ， 2014 ， 245 ： 745 - 751 .

BARAI A ， TANGIRALA R ， UDDIN K ， et al . The effect of external compressive loads on the cycle lifetime of lithium-ion pouch cells ［J］. Journal of Energy Storage ， 2017 ， 13 ： 211 - 219 .

WANG L M ， ZHAO X L ， LIU L ， et al . State of health estimation of battery modules via differential voltage analysis with local data symmetry method ［J］. Electrochimica Acta ， 2017 ， 256 ： 81 - 89 .

LI X ， WANG P ， WANG J C ， et al . State of health estimation and prediction of electric vehicle power battery based on operational vehicle data ［J］. Journal of Energy Storage ， 2023 ， 72 ： 108247 .

FAN Y Q ， WANG H Y ， ZHENG Y ， et al . A novel state-of-health estimation method for fast charging lithium-ion batteries based on an adversarial encoder network ［J］. Journal of Energy Storage ， 2023 ， 63 ： 107087 .

LU Y F ， LI K ， HAN X B ， et al . A method of cell-to-cell variation evaluation for battery packs in electric vehicles with charging cloud data ［J］. eTransportation ， 2020 ， 6 ： 100077 .

刘建军，邓洁清，郭世雄，等 . 基于知识学习的储能电站健康监测与预警［J］. 电力系统保护与控制， 2021 ， 49 （ 4 ）： 64 - 71 .

LIU Jianjun ， DENG Jieqing ， GUO Shixiong ， et al . Health monitoring and early warning of an energy storage plant based on knowledge learning ［J］. Power System Protection and Control ， 2021 ， 49 （ 4 ）： 64 - 71 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多智能体深度强化学习的主动配电网电压调控策略