研究背景

近年来，新能源汽车市场的蓬勃发展造就了锂离子电池市场的繁荣，研究锂电池健康状态SOH预测与健康管理，对系统整体的安全性、稳定性和经济性具有重要意义。目前，锂电池SOH 估算方法主要分为三类：基于模型的估算方法、数据驱动的估算方法、基于融合法的估算方法。其中数据驱动法成为近年来动力电池SOH 估计方法的热门；此外新能源汽车国家大数据联盟在北京成立，为SOH 的估算研究提供了大量数据支撑。因此本文将重点分析比较数据驱动方法，以发现该方法在此背景下的应用价值。

创新点及解决的问题

（1）针对现行SOH 定义未能反映锂电池额定电压衰退的弊端，提出了利用电池满充能量定义SOH。

（2）分别建立了BP 神经网络、支持向量回归、高斯过程回归模型，利用新能源汽车大数据，对电池充电能量进行了预测。

重点内容导读

（1）回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态（state of health, SOH）估算方面的研究进展。对三种方法的特点进行了阐述和定性对比。

（2） 分别建立三种方法的回归模型，利用新能源汽车大数据，对电池充电能量进行了预测。定量对比结果验证了三种方法在计算量和精确度方面的特点。

结论

（1）本文对3 种主流数据驱动方法进行了定性和定量的比较，总结了它们在速度、通用性、精度、有无置信区间上的特点。

（2）为了将随电池衰退而降低的额定电压体现在SOH 中，本文提出采用电池满充能量定义电池健康状态。

（3）数据驱动方法和新能源汽车大数据在动力电池SOH 估算研究领域具有广阔的应用前景。