推荐信息
一种考虑光伏、储能快猛
Na 3 V 2 (PO 4 ) 3 正
新能源并网场景下快猛蓄
储能用锂离子快猛蓄电池
用于QUIMO蓄电池能量存
QUIMO蓄电池储能系统均
锌离子QUIMO蓄电池中二
QUIMO蓄电池储能系统火
可拉伸柔性储能QUIMO蓄
从废弃物到资源：中国住宅
您现在的位置: 首页 > Haulotte蓄电池-官网
APC蓄电池基于支持向量机与高斯过程回归的混合方法在锂离子电池二次寿命健康状态估计中的应用
来源：快猛电池 发布日期：2026-05-18 16:48:45
出于各类环境与经济因素的考量，蓄电池梯次利用正日益受到重视。该术语常见于锂离子电池领域，这类电池主要应用于电动汽车（EVs），预计到2030年仅该领域能源需求就将达到约1200吉瓦时[1]。锂离子电池在首次使用周期内具有高能量密度、低自放电率和长循环寿命等特性，退役后其剩余容量仍可应用于各类梯次利用场景[2]。根据全球电池联盟报告显示，梯次利用电池的再使用潜力预计将达到>到2030年达到45吉瓦时[3].然而，在将电池投入二次使用前，仍需攻克诸多技术难题，其中关键之一便是电池二次寿命的健康状态(SoH)评估问题。
现有的SoH估计方法可分为数据驱动型和基于模型型。基于模型的方法采用等效电路和电化学模型来表征内阻、扩散效应及副反应动力学，但存在参数不确定性、非线性老化行为和高计算成本等问题[4]。
相比之下，数据驱动方法采用电压、电流、温度和容量等可测量参数，通过机器学习或回归技术自动捕捉复杂的非线性关系[5,6]。文献[7]对锂离子电池健康预测的各种数据驱动技术进行了全面比较研究，同时详细阐述了当前数据驱动技术在锂离子电池健康管理预测领域面临的挑战与未来机遇。文献[8]采用基于首循环电压训练的支持向量回归(SVR)模型对电动汽车电池组的二次寿命健康状态(SoH)进行估计，成功建立了非线性退化曲线的数学模型。文献[9]使用具有复合核函数的广义高斯过程回归(GPR)进行SoH估计，所得均方根误差(RMSE)不超过2.41%，表明复合核函数可显著提升预测精度。文献[10]通过融合专家知识与优化技术，构建了信念规则库模型以平衡模型可解释性与预测能力之间的tradeoff。文献[11]采用增量容量分析(ICA)方法进行退化评估与二次寿命健康状态(SoH)预测，重点研究了模型需具备可解释性且与电化学体系无关的特性。文献[12]提出一种优化的多头自注意力机制，用于预测多组锂离子电池的SoH。文献[13]探讨了可迁移的SoH预测框架，该框架将多头注意力机制与一维卷积神经网络相结合，以同步捕获电池衰减的局部与全局特征。在文献[14]中，研究者采用多种深度学习方法对电动汽车电池的健康状态（SoH）进行估计并开展对比分析。文献[15]提出一种结合特征选择的优化机器学习方法用于容量预测，证实特征工程对SoH估计精度具有显著影响。文献[16]探讨了一种在线SoH估计方法，该方法将奇异谱分析与Elman神经网络相结合，从而提升实时适应性。
为获得更优的泛化性能，近期研究集中于混合模型与集成模型。文献[17]提出一种基于混合神经网络的健康状态估计方法，该方法采用时间卷积网络进行特征提取，并运用白鲸优化算法进行模型优化。该方案在MIT数据集上取得0.3173%的均方根误差，在牛津电池数据集上达到0.1979%的精度。文献[18]利用卷积神经网络与长短期记忆网络处理短期充电数据以捕捉动态特征，通过蒙特卡洛Dropout技术引入复杂退化行为，并采用多种深度学习模型进行健康状态估计。文献[19]则采用粒子群优化算法优化的极限学习机来实现锂离子电池健康状态评估。该方法利用从电池充电曲线和增量容量曲线中获取的五个特征量，并通过灰色关联分析进行分析。研究[20,21]表明，将模型与信号分解、特征选择或核Fusion相结合可提升鲁棒性，使得混合方案在不同温度、充电速率和老化条件下比单一模型具有更强的适应能力。尽管深度学习模型可能实现较高的预测准确度，但其实际部署往往受限于对大规模训练数据集和密集计算资源的需求[22]。
随着二手电池需求的增长，精确的SoH估算成为确保可靠性、安全性和有效再利用的关键要求。根据文献，SoH估算的核心动机如下：
根据已发现的不足和研究动机，本文的创新点如下：
现有的SoH估计方法可分为数据驱动型和基于模型型。基于模型的方法采用等效电路和电化学模型来表征内阻、扩散效应及副反应动力学，但存在参数不确定性、非线性老化行为和高计算成本等问题[4]。
相比之下，数据驱动方法采用电压、电流、温度和容量等可测量参数，通过机器学习或回归技术自动捕捉复杂的非线性关系[5,6]。文献[7]对锂离子电池健康预测的各种数据驱动技术进行了全面比较研究，同时详细阐述了当前数据驱动技术在锂离子电池健康管理预测领域面临的挑战与未来机遇。文献[8]采用基于首循环电压训练的支持向量回归(SVR)模型对电动汽车电池组的二次寿命健康状态(SoH)进行估计，成功建立了非线性退化曲线的数学模型。文献[9]使用具有复合核函数的广义高斯过程回归(GPR)进行SoH估计，所得均方根误差(RMSE)不超过2.41%，表明复合核函数可显著提升预测精度。文献[10]通过融合专家知识与优化技术，构建了信念规则库模型以平衡模型可解释性与预测能力之间的tradeoff。文献[11]采用增量容量分析(ICA)方法进行退化评估与二次寿命健康状态(SoH)预测，重点研究了模型需具备可解释性且与电化学体系无关的特性。文献[12]提出一种优化的多头自注意力机制，用于预测多组锂离子电池的SoH。文献[13]探讨了可迁移的SoH预测框架，该框架将多头注意力机制与一维卷积神经网络相结合，以同步捕获电池衰减的局部与全局特征。在文献[14]中，研究者采用多种深度学习方法对电动汽车电池的健康状态（SoH）进行估计并开展对比分析。文献[15]提出一种结合特征选择的优化机器学习方法用于容量预测，证实特征工程对SoH估计精度具有显著影响。文献[16]探讨了一种在线SoH估计方法，该方法将奇异谱分析与Elman神经网络相结合，从而提升实时适应性。
为获得更优的泛化性能，近期研究集中于混合模型与集成模型。文献[17]提出一种基于混合神经网络的健康状态估计方法，该方法采用时间卷积网络进行特征提取，并运用白鲸优化算法进行模型优化。该方案在MIT数据集上取得0.3173%的均方根误差，在牛津电池数据集上达到0.1979%的精度。文献[18]利用卷积神经网络与长短期记忆网络处理短期充电数据以捕捉动态特征，通过蒙特卡洛Dropout技术引入复杂退化行为，并采用多种深度学习模型进行健康状态估计。文献[19]则采用粒子群优化算法优化的极限学习机来实现锂离子电池健康状态评估。该方法利用从电池充电曲线和增量容量曲线中获取的五个特征量，并通过灰色关联分析进行分析。研究[20,21]表明，将模型与信号分解、特征选择或核Fusion相结合可提升鲁棒性，使得混合方案在不同温度、充电速率和老化条件下比单一模型具有更强的适应能力。尽管深度学习模型可能实现较高的预测准确度，但其实际部署往往受限于对大规模训练数据集和密集计算资源的需求[22]。
随着二手电池需求的增长，精确的SoH估算成为确保可靠性、安全性和有效再利用的关键要求。根据文献，SoH估算的核心动机如下：
- •
Many existing models are trained primarily with first-life data and exhibit partial transferability performance in second-life conditions [23]. - •
Predictions contain considerable errors because of operational differences, such as varying temperature profiles, dynamic loading, and different degradation [24]. - •
Deep-learning models may guarantee precision, albeit with more volume, and often lack the relevant physics of the problem. - •
The uncertainty quantification does not exist in many works [25].
根据已发现的不足和研究动机，本文的创新点如下：
- •
Utilization of first-life data from Li-ion batteries to estimate the SoH for their second life estimated by combining deterministic modeling (SVR) with a probabilistic interface (GPR) for improved accuracy and interpretability in second-life SoH estimation. - •
Feature extraction from the first-life dataset, including time-, voltage-, cycle-, and current-based features. Selection of ten key features using the random forest (RF) out-of-bag (OOB) permuted error algorithm. Based on first-life data, the re-estimation of the second-life SoH by utilizing these ten features. - •
Cross-battery validation approach and added degradation and noise strengths the acceptance of the proposed model for more generalized datasets and real-life applications. An uncertainty quantification work is conducted for the proposed method and compared with GPR to show the efficacy. - •
Testing of hybrid method for different threshold levels of first life cycles to show its effectiveness under different first life cycle scenarios. - •
Comparison of the proposed approach with ensemble methods based on error metrics and computational speed. Four different metrics i.e., root mean square error (RMSE), mean absolute error (MAE), R², and mean absolute percentage error (MAPE).
香港快猛QUIMO蓄电池集团有限公司版权所有
电话：15313702523