大数据驱动的动力电池健康状态估计方法综述

文章来源：1.北京理工大学电动车辆国家工程实验室2.北京电动车辆协同创新中心3.新能源汽车北京实验室4.北京理工大学重庆创新中心
0前言
动力电池健康状态一般通过容量衰减或内阻增加两个方面来定义。在注重续驶里程的纯电动汽车上，常用当前可用容量与初始可用容量的比来表征SOH，如式(1)所示；而在对功率要求较高的混合动力汽车上，常用内阻增长率来表征SOH，如式(2)所示。此外，动力电池相同荷电状态(Stateofcharge,SOC)下的功率状态(Stateofpower,SOP)也是电池老化的表现之一，其基本定义如式(3)所示。可见，动力电池的SOH并不能直接通过传感器获取，而需要在规定条件下，通过间接测量其表征参数，从而进行估算。因此，亟需建立高精度、在线、快速、无损的SOH估计方法。

式中，SOHC、SOHR分别表示以容量、内阻定义的健康状态，Ci、C0分别表示当前最大可用容量和初始最大可用容量，Ri、R0、REOL分别表示当前内阻、初始内阻和寿命截止时内阻。记放电电流为正，充电电流为负，则SOPchgt、SOPdist分别表示电池t时刻的充电、放电功率状态，Pmin、Pmax分别表示电池厂商所允许的最大充、放电功率，Ichg、Idis分别表示由于截止电压、SOC等限制，使电池可以持续充、放电t时间的最大充、放电电流，Utt为电池在的tt时刻的电压。
国内外学者在SOH估计算法方面做出了重要贡献，现有算法可以分为试验法、模型法、以及数据驱动法三类，如图1所示。试验法主要根据SOH的定义，在严格控制的试验条件下对电池进行测试。其中，电池容量一般需要在恒温恒流的工况下对电池进行完全的充放电，并采用安时积分法计算；内阻的精确测定常常需要用到混合脉冲功率特性(Hybridpulsepowercharacteristic，HPPC)方法或电化学阻抗谱(Electrochemicalimpedancespectroscopy,EIS)分析法。因此，基于试验的方法无一例外地需要严格的试验条件以及复杂的试验设备，测试周期较长，不能应用于电池SOH的在线评估。

为克服试验法的不足，模型法通过建立电池模型，模拟电池的动态响应特性，从而实现健康状态估计。常用的电池模型有数学模型、电化学模型、等效电路模型等。
数学模型主要包括经验模型和半经验模型，它们通过试验模拟电池的循环老化和日历老化过程，测定电流倍率、放电深度、温度、循环次数等动态应力对电池寿命的影响，并通过数学方程拟合，实现健康状态的估计。这种方法计算较为简单，具有寿命预估的能力，但需要大量离线试验，且精度往往不高。基于电化学模型(Electrochemicalmodel，EM)的方法使用偏微分方程来描述电池动态特性，以及副反应所造成容量衰减和内阻增长的老化机理。然而，过高的模型计算复杂度限制了其在实际电池管理系统(Batterymanagementsystem,BMS)中应用的可行性。等效电路模型(Equivalentcircuitmodel,ECM)是一种应用广泛的电池模型，它使用电压源、电阻、电容等电路元件，将电池动态特性用集总参数等效电路模拟，并通过递推最小二乘法(Recursiveleastsquares,RLS)、卡尔曼滤波(Kalmanfilter,KF)、H∞观测器、粒子滤波(Particlefilter,PF)等状态估计算法辨识模型参数，用以表征电池SOH。此外，有学者建立了用于SOC和SOH联合估计的双卡尔曼滤波器算法，以及多尺度扩展卡尔曼滤波等SOH估计方法。基于ECM的方法可以较好地模拟电池特性，但常常需要提前精确地测定电池开路电压(Opencircuitvoltage,OCV)，给实车电池系统的应用带来了困难。
近年来，大数据技术的蓬勃发展催生了大量数据驱动的SOH估计算法，这类算法具有较高的灵活性，并且无需对电池电化学机理的深入描绘。
数据驱动的SOH估计方法从大量试验或实车运行数据中提取与电池健康状态相关的特征参数，再通过模型的训练，实现健康状态的估计。其主要涉及三个方面：①健康状态数据集构建。不同于传统试验数据，动力电池实际使用过程产生的大数据具有数据规模大而价值密度低的特点，因此，数据的采集、预处理等方法是数据驱动的SOH估计中的难点；②健康状态特征参数提取。特征工程是把原始数据转变为模型的训练数据的过程，它决定了模型精度的上限，是数据驱动的SOH估计中的重要步骤；③健康状态估计模型。数据驱动模型的意义是建立输入与输出之间的映射关系，是数据驱动的SOH估计算法的核心。
现有综述文献对基于试验、基于模型的动力电池健康状态估计方法已经有了较为详尽的分析和总结，但在数据驱动的算法方面，往往仅针对模型的不同做了分类，而对于数据集构建方法、健康状态特征参数提取过程中所使用的关键方法与技术，并没有进行系统的分析和总结，从而导致多种技术方案归类模糊、重复、交叉，难以使读者掌握清晰的技术体系以及研究逻辑思路。
因此，本文将聚焦数据驱动的动力电池健康状态估计方法，依据大数据分析基本流程(图1)，从数据集构建、特征参数提取以及模型建立三方面对大数据技术在SOH估计方面的研究现状进行探讨和分析。
1动力电池健康状态数据集构建方法
动力电池的老化与其历史使用行为密切相关。高温会加快负极SEI膜的增长以及电解液的分解，导致锂离子损失和内阻升高；低温和过充电导致的析锂反应会使电池容量衰减；高倍率充放电不仅会导致析锂，其产生的焦耳热也加速了电池老化。因此，构建包括电池历史使用温度、电流、放电深度等参数的动力电池全寿命周期使用行为数据集是健康状态估计的必要前提，其主要包括数据集的采集、预处理等内容。
1.1动力电池老化大数据采集在新能源汽车动力电池使用过程中，车载终端传感器数据、道路交通数据、天气信息等多种结构化和非结构化数据构成了典型的大数据应用场景，体现了新能源汽车运行数据大体量、多样性、时效性、准确性、价值深度的“5V”特点。随着车联网技术的发展，云端数据平台在动力电池老化大数据采集中发挥着越来越重要的作用，其基本功能架构如图2所示。通过云端监管，可以实现均衡充电，故障检测以及用于二次利用的电池衰退评估。美国AnalogDevices(ADI)公司宣布推出业内首个无线电池管理系统(wBMS)，可实现动力电池全生命周期数据监控。我国工业和信息化部建立了新能源汽车国家监测与管理平台(以下简称“国家平台”)[25]和新能源汽车国家检测与动力蓄电池回收利用溯源管理平台(以下简称“溯源平台”)。截至2020年12月，国家平台接入新能源汽车已超过400万辆，其存储数据类型包括车辆类型、生产厂商、电池系统标称能量等静态数据以及车辆状态、车速、里程、动力电池总电压、总电流、SOC等动态数据。静态数据和动态数据相结合，构成了用于动力电池健康状态分析的关键数据集。溯源平台则对生产、使用、维修、报废、梯次利用、回收利用等各个环节的信息进行监控，实现了新能源汽车动力电池的全寿命周期信息管理。

除以上数据采集方式外，国内外科研人员通过采集车辆控制器所存储的车辆运行数据，或通过试验测试模拟复杂的实车运行环境，也构建了用于新能源汽车动力电池健康状态估计的多源异构大数据集。
此外，实车动力电池采集数据与试验室测试数据的多源融合，也可构成了大数据驱动的电池健康状态估计的数据基础。
1.2健康状态大数据集预处理由于传感器采集精度的限制以及数据采集过程中不可避免的噪声影响，所构建的电池数据集常常存在一定的数据异常问题，而对于新能源汽车实车运行大数据，虽然目前车载终端稳定性较高，但在大量数据长时间的传输过程中，数据传输故障概率大大增加，造成数据准确性、完整性和一致性变差。因此，如何对含噪声、不完整的原始数据进行预处理，是基于大数据的电池健康状态估计方法的一大挑战与难点。数据的预处理方式一般包括数据清洗、数据集成、数据归约、数据变换与离散化、数据重构和数据降维等。
在动力电池健康状态估计模型建立过程中，需要对电池的充、放电过程进行分别讨论和分析，并提取与SOH相关的特征参数，而新能源汽车大数据常常为时序数据，并没有车辆行驶、停止、充电等状态的切分。因此，在进行SOH建模分析前，车辆状态的切分与重构非常关键。北京理工大学崔丁松[36]建立了基于车辆运行数据的状态切分规则，如图3所示。将每一个数据帧状态划分为行驶、充电、停止、熄火和满电待机状态后，对数据进行有效性检验、数据跳变检验、长间隔连续性检验以及切分片段开始-结束连续性判断，最后，形成包括充电、行驶、满电待机等状态的车辆状态统计初表。

在动力电池大数据的数据清洗方面，很多学者针对不同数据异常类型提出了针对性的解决方案。北京理工大学赵洋将车联网数据故障划分为丢包和误码两种，针对数据丢包问题，若数据为某时刻数据整行丢失，或某列属性值丢失，当丢失数据数量占比较低时，可采取删除处理；若某属性值小部分缺失，可以采用插补法，如均值差值、中值插值、样条插值等。针对数据误码问题，需要综合车辆技术参数、行驶地域特征等因素，确定误码判断的阈值。SHE等[9]利用支持向量回归(Supportvectorregression,SVR)算法对新能源汽车充电过程的电压曲线异常进行了滤波处理，如图4所示为所研究新能源汽车的电压-容量曲线，从放大视图中可以看出，原始电压曲线在充电过程中出现了异常的降低，而经过SVR拟合后的曲线很好地避免了这个问题。

2健康状态特征参数提取方法
特征参数提取是机器学习中的重要环节，适当的特征构建和选择可以在降低模型复杂度的同时大幅提升模型精度。由于以容量、内阻来定义的动力电池健康状态难以直接获取，因此，常常需要从电池易于采集的电压、电流、温度等参数中提取能反映其健康状态变化的特征，这种特征参数被称为健康因子(Healthindicator,HI)。本章将分类总结现有的健康因子提取方法，并进行对比分析。
2.1微分分析法在恒流充放电过程中，电池电-热-机械参数的变化可以反映其内部电化学反应机理，进而可以用来推测电池健康状态。本节从容量增量/微分电压法、差热伏安法以及机械参数微分分析法三个方面介绍常用的健康因子。
2.1.1容量增量/微分电压法容量增量分析(Incrementalcapacityanalysis,ICA)和微分电压分析(Differentialvoltageanalysis,DVA)法是电池健康状态估计的重要方法。在锂离子电池充放电过程中，其内部的相平衡状态会在外特性上表现为电压平台期，而电压平台的变化是电池衰退的直接反映。容量增量法能够将平缓的电压平台特征转化为容易识别的容量增量峰，是一种原位非破坏的SOH分析方法。容量增量即恒流充放电过程中一段电压间隔ΔV内的容量变化量ΔQ，其表达式如式(4)所示，将容量增量和电压的关系绘制在图上，即IC曲线，如图5所示。而微分电压为容量增量的倒数，其与容量的关系称作DV曲线，如图6所示，曲线峰值之间的距离可以表征相变过程中转移的电量。为降低极化现象带来的影响，常用较小的电流倍率(如C/20)进行容量增量/微分电压试验，然而，极低的电流降低了测试的效率，阻碍了实车的应用。因此，有学者提出可以采用C/3、C/2的电流倍率进行容量增量分析，在精度相近的基础上提高了检测速度。

IC和DV曲线通过对电压曲线的处理，可以从电化学机理上反映电池老化过程。因此，曲线上的多种特征都可以作为评估电池健康状态的健康因子，如峰的位置、高度、面积，以及不同峰值之间的距离等。由于完整的IC曲线在实车应用条件下难以获取，LI等利用部分容量增量曲线特征实现了SOH的估计，如图5所示，在3.4～3.8V电压区间，不同循环次数电池的IC曲线没有明显差异，而3.8～4.1V区间内，IC曲线发生了显著变化，因此，LI在3.8～4.1V区间内，每隔30mV选取一个特征点，并通过皮尔逊相关系数分析法，选出了6个与SOH相关性最高的特征点作为健康因子，以进行后续的模型搭建。
在容量增量分析过程中，由于测量噪声的存在，通过式(4)直接得到的容量增量曲线可能存在较大的波动，甚至出现dV为零的情况，难以进行曲线的绘制和特征的提取，如图7所示。因此，研究人员使用多种滤波算法对IC曲线进行了平滑处理，如滑动均值滤波、高斯滤波、Savitzky-Golay滤波以及小波变换等。LI等通过对比发现，相比于将数据用邻域内数值的均值代替的滑动均值滤波方法，高斯滤波对邻域内数据采取加权的方式，可以更好地识别IC曲线的峰值，如式(5)和图7所示。此外，电压间隔ΔV的大小以及滤波窗口的大小，也会影响IC曲线的结果。

2.1.2非电量参数法除电压、电流外，电池的温度以及压力等非电量参数也会随老化而发生变化，可以辅助SOH的估计。差热伏安法(Differentialthermalvoltammetry,DTV)通过恒流充放电条件下电池表面温度在单位电压区间内的变化量来反应电池的热力学特征，DTV曲线的峰值和峰位可以反应相变过程中熵的信息。MERLA等将DTV曲线分解为多个峰，分别代表正负电极的不同相，进而分析电池SOH，此方法也可以拓展到电池包上应用。与IC/DV法相比，DTV在较高的电流倍率下同样可以实现与低倍率试验相近的结果，降低了测试所需时间。然而，DTV方法容易受环境温度的影响，变化的温度会带来较大的测量噪声。
锂离子在正负极中嵌入/脱嵌的过程会导致电极体积的膨胀或收缩，使电芯表面产生一定的应力。基于此，有学者在电池表面安装负载传感器，并提取其机械应力和应变的情况以估计电池健康状态，这种方法称为机械参数微分分析法(Differentialmechanicalparameter,DMP)。DMP法同样可以在使用高电流倍率，但是基于应变的测量方法在空间受限的成组电池上难以应用，而且需要额外在电池包内添加光纤传感器等设备，增加了测量成本。
2.2直接参数法微分分析法需要将电压、温度等曲线进行微分运算，计算量较大，并且容易放大测量噪声的影响，常常需要平滑算法。针对此类问题，国内外学者提出了多种直接基于BMS所能采集的电压、电流、温度等参数的健康因子提取方法，这类方法无需电池模型和曲线微分，数据的获取较为便捷，称为直接参数法。
除此之外，国内外科研人员还提出了HPPC工况下的电压样本熵、超声波检测法[67]等SOH评估方法。然而，这些方法需要严格的试验条件，或需要在电池包内加装传感器，应用场景有一定的限制。
2.3基于使用行为的方法上述方法多采用恒流充放电过程中的数据，取得了较高的SOH估计精度，而在实际的应用中，恒流放电工况很少出现，而充电也常常采用阶梯型电流模式。为适应复杂多变的工况，学者建立了结合电池历史使用行为的SOH估计方法。YOU等对电池进行了多种工况的老化试验，将BMS可以直接获取的电流(I)、电压(V)、温度(T)三个数据以三维散点图的形式表示，如图8所示，图8a～8e为在LA92DDS、HWY、ECE等不同工况循环下，电流-电压-温度(I-V-T)三个参数的分布情况。其中，ECE工况展示了电池在新、中、老三个不同老化状态下的参数分布，左侧是3中工况下的电池容量衰退路径。进而，将所有测试工况数据融合，并聚类为80个区域，以每个区域的数据点密度分布作为电池健康因子，利用神经网络模型计算SOH。RICHARDSON等[68]利用公开的NASA随机充放电数据集，除常见的电压、电流、温度参数外，还使用温度和电流的分布等电池使用行为标签，得到了适用范围更广的SOH模型。这类方法具有很大的创新性，突破了原有方法需要恒流充放电数据的限制，以电池历史使用行为作为模型输入，提高了实车可用性。

SHE等以容量增量曲线第二峰值作为健康状态评价参数，基于新能源公交车运行监控大数据，系统分析了实车条件下影响车辆健康状态的因素，并提取每一符合条件的恒流充电段的累计行驶里程、充电起始SOC、平均充电电流、平均充电温度、两次充电间的平均行驶过程温度、以及依据不同衰退模式所确定的分类因子作为模型输入，以容量增量第二峰值为模型输出，利用径向基函数神经网络(Radialbasisfunctionneuralnetwork,RBFNN)进行了健康状态的估计，如图9所示。这类数据驱动方法基于实车运行大数据，能适应复杂多变的工况，未来具有较好的发展前景。

特征参数提取的好坏直接关系到动力电池健康状态估计模型精度的上限。本章从微分分析法、直接参数法以及基于使用行为的方法三方面对现有健康状态特征参数提取方法做了介绍和分析，每种方法均存在一定的优势与不足。三类方法的对比分析如表1所示。

3数据驱动的健康状态估计模型
数据驱动算法的关键步骤是建立特征参数(输入)与目标参数(输出)之间的映射关系，即使用大量已标定数据训练模型，优化模型结构和参数，从而实现对目标参数的估计和预测。本章从函数拟合法、机器学习模型、以及智能优化算法三方面重点阐述现有健康状态估计模型。
3.1函数拟合法如前所述，研究人员通过试验发现健康因子与电池健康状态存在线性相关关系，或可直接找到其解析函数，因此，利用一次函数、二次函数、幂函数等函数对其进行拟合，实现了SOH快速计算。
LI等对NCM-石墨电池进行了试验，发现IC曲线上第一峰值A、第二峰值B以及谷值D在横坐标轴上的位置随循环次数的增加具有单调变化趋势，如图10a、10b所示，并进一步发现三个特征参数与电池SOH存在线性相关关系，A、B和D的拟合优度分别达到0.98、0.99和0.98，如图10c、10d。由此，根据SOC不同区间，提出了利用A、B、D三个参数进行SOH估计的方法。WENG等通过曲线拟合，利用容量增量峰值高度实现了SOH估计。这种方法在试验中取得了较好的结果，且计算简单，易于进行车载系统集成。然而，函数拟合法常常在某种特定工况下得到，而对于不同电池类型，以及实车复杂交变的使用情况，其鲁棒性难以得到保证。

3.2基于机器学习的方法机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。随着大数据技术的发展，机器学习方法作为人工智能最重要的实现方式之一，得到了迅速的发展，并广泛应用于图像识别、生物医学等各行各业。在新能源汽车领域，机器学习也已经深入到动力电池状态估计、故障诊断、驾驶行为分析、能耗预测、充电基础设施选址以及需求预测等方方面面。在动力电池健康状态估计方面，常用的机器学习模型可以分为非概率模型和概率模型。非概率模型仅学习输入和输出之间的映射关系，并不考虑其概率分布；而概率模型基于贝叶斯理论，可以同时定量计算模型不确定度。
3.2.1非概率模型支持向量机(Supportvectormachine,SVM)通过核函数将原始非线性数据映射到高维特征空间，使样本在此特征空间内线性可分，进而寻找最大划分间隔的超平面，实现对非线性数据的分类。由于健康状态估计是机器学习中的回归问题，因此支持向量机常被用作连续数值的回归，称为支持向量回归(SVR)。此时，寻找最大划分间隔平面则变成寻找最佳拟合平面。SVR算法的目标是实现如式(6)所示的优化问题。

 式中，向量ω表示以C>0为正则化参数的模型参数，ξi*和ξi表示上下限的松弛变量，yi是目标输出，xi是特征向量。
由于其较强的非线性拟合能力，SVR在SOH估计方面得到广泛应用。
3.2.2概率模型概率模型认为预测均存在一定的不确定性，输出结果的同时也会输出相应的置信度和置信区间。最常用的概率模型有相关向量机(Relevancevectormachine,RVM)和高斯过程回归(Gaussianprocessregression,GPR)等。相关向量机是一种贝叶斯稀疏核方法，其具有与支持向量机相似的结构，可以用于分类和回归问题。LIU等[93]利用相关向量机对电池的健康状态进行估计和预测，从电池放电电压中提取健康因子，利用Box-Cox变换进行优化，以改进剩余寿命预测的性能。
高斯过程回归是一种基于贝叶斯理论的非参数概率模型，其适用于高维度、小样本等复杂问题，并且可以实现不确定性的概率输出，对动力电池SOH的评估以及预测具有重要意义。LI等[95]利用高斯滤波对IC曲线进行处理，并提取片段IC曲线作为健康因子，进而基于高斯过程回归建立了SOH估计模型。RICHARDSON等运用多输出GPR模型实现了电池寿命预测。然而，电池容量在环境因素影响下可能出现短暂的再生，使GPR模型难以精确捕捉，对此，LIU等利用GPR中协方差函数和均值函数的组合来进行多步预测，解决了这一问题。
除以上方法外，马尔可夫链、模糊逻辑、蒙特卡罗方法等也在健康状态估计领域得到领用。机器学习方法可以在SOH估计方面取得很高的精度，但需要大量有标签数据对模型进行训练，需要消耗大量的计算资源，使模型的在线训练变得困难。随着大数据技术的发展，数据平台云计算使各种机器学习算法的训练变为可能，也为车辆健康的实时管理提供了支撑。
3.3智能优化算法机器学习的超参数寻优是一个非常消耗计算资源的过程。传统的梯度下降算法对初始值的依赖较高，由于系统的非凸性，很容易陷入局部最优，因此，研究人员应用了多种对初始值依赖程度低、无需计算函数梯度的全局智能优化算法，其中，遗传算法(Geneticalgorithm,GA)和粒子群优化(Particleswarmoptimization,PSO)在SOH估计领域获得广泛关注，它们启发式的特征大大提高了超参数寻优的效率。
遗传算法是模拟生物进化过程的一种随机搜索的全局优化算法，该方法借助生物进化过程中的“适者生存”的规律，通过对目标问题的解集中个体的遗传变异操作，使得适应目标问题的解获得较大的遗传概率，进而逐步逼近最优解或最优解集合。WANG等阐述了一种基于多岛遗传算法和高斯过程回归融合的SOH估计方法。其中，多岛遗传算法突破了传统遗传算法种群单一的限制，通过种群内部遗传和种群间的交叉，使得子代具有更高的概率获得优良基因，从而降低陷入局部收敛的风险。
粒子群优化算法采用粒子群在解空间中追随最优粒子进行搜索，通过计算每个适应度使粒子不断学习个体最优解和群体最优解，并更新搜索方向，从而实现全局最优。QIN等将粒子群优化算法与SVR相结合，以优化SVR的核参数，从而提高寿命预测精度。
智能优化算法还可以与ECM模型法结合，以辨识模型参数。
综上所述，为建立健康状态特征参数与动力电池健康状态之间的映射关系，以通过片段的、离散的数据特征实现SOH的估计，国内外研究人员建立了多种数据驱动的健康状态估计模型，其对比分析如表2所示。

4当前主要问题及展望
电动化、智能化、网联化是未来汽车技术的发展方向，新能源汽车与大数据融合发展将成为中国汽车产业未来发展的重要机遇。目前，在动力电池健康状态管理方面，还存在许多待解决的问题。随着大数据、云计算、5G通信等技术的发展与成熟，动力电池健康管理技术亟需一场大数据驱动的变革。
(1)面向梯次利用及安全管理需求，构建多维度健康状态评价体系。梯次利用是应对即将到来的动力电池“退役潮”的重要途径，而余能检测、残值评估、安全性及不一致性评价、电池分选等是梯次利用过程的关键技术。传统以容量和内阻定义的健康状态并不能综合反映动力电池尤其是动力电池系统的综合老化程度，在梯次利用过程中容易出现不匹配的问题。因此，应拓展现有健康状态评价维度，结合电池峰值功率能力、不一致性等参数进行综合评估。构建多维度融合的健康状态评价体系有利于更为全面的反映电池老化特征，从而推动梯次利用的精准匹配和高效应用。
(2)基于多源耦合稀疏大数据，挖掘动力电池使用行为与SOH的关联规则。传统数据分析方法仅使用少量、低维数据，而在大数据应用场景下，数据具有量级大、多源耦合、结构化与非结构化并存、以及时间维度稀疏等特点，因此，需要开发兼容多类型数据的分布式存储与计算框架，优化数据清洗、数据降维以及数据重构技术。此外，由于电池健康状态与其历史使用行为息息相关，因此应发挥大数据特点，除电压、电流、温度等数据外，结合环境数据、驾驶行为数据，并探索超声波检测等多传感器数据融合技术，挖掘电池在新能源汽车上的实际使用行为与健康状态的关联规则。
(3)突破单一应用场景，建立全工况系统级SOH精确估计方法。现有SOH估计和寿命预测的技术手段多基于精确控制的试验条件，而实际新能源汽车的运行工况非常复杂，存在多影响因素耦合效应，基于环境工况的试验方法难以在实际车辆上应用。此外，现有研究多基于电池单体或少量电池模组开展，其结果与实车电池包存在较大差异，影响了模型的实用性。因此，需考虑复杂交变应力对动力电池健康状态的影响，研究多参数耦合及解耦机制，建立电池系统模型，探索全工况、系统级的SOH估计方法。
(4)推动模型-数据融合，实现SOH快速无损在线辨识。近年来，模型融合技术获得了广泛的关注。以Adaboost、随机森林为代表的集成学习方法即是多个学习器的集成技术，并已经证明了在SOH估计领域的优秀效果。此外，动力电池ECM模型、黑箱模型与数据驱动算法的融合也将成为未来发展的重要方向。而随着机器学习技术的发展，强化学习、迁移学习，以及无监督学习技术也有望在SOH估计方面取得重要突破。
5结论
综述了大数据驱动的新能源汽车动力电池健康状态的估计的主要方法与技术方案。
(1)在健康状态数据集构建方法方面，从数据采集、数据预处理方法等角度对当前动力电池数据集构建方法进行了总结。
(2)在健康状态特征参数提取方面，总结了包括机-电-热等方面的多种动力电池健康状态特征参数，并对其优劣以及适用场景做了分析。
(3)在健康状态估计模型方面，总结了以数据驱动方法为核心的动力电池健康状态估计模型，并对每种模型的特点进行了简要分析。
动力电池SOH估计对新能源汽车安全运行具有重要意义，而大数据技术的发展为SOH估计提供了有力的工具。虽已取得大量理论和试验成果，但动力电池SOH估计方法在实车电池系统上的应用还面临诸多挑战。