锂离子电池状态估计机器学习方法综述

doi:10.19562/j.chinasae.qcgc.2021.11.018

摘要/Abstract

摘要：

本文旨在综述机器学习方法在锂离子电池状态（包括荷电状态、健康状态和剩余可用寿命）估计领域的研究进展。首先，阐述机器学习方法在电池状态估计中的应用现状。然后，归纳电池状态估计机器学习方法的5个具体实施环节，即数据准备、模型选择与评价、超参数确定、数据预处理和模型训练，并提出了融合精度、实施成本和鲁棒性的学习算法评价方法。最后指出超参数确定方法仍存在的场景适应性问题，并建议建立多区域、跨季节、多模式和长时间的车用电池工况数据库，促进电池状态估计机器学习算法的实用性和普适性等方面的研究。

关键词: 锂离子电池, 机器学习, 荷电状态, 健康状态, 剩余寿命

Abstract:

This paper aims to give a comprehensive review on the research progress in the field of the estimation of the states of lithium-ion battery， including the state of charge （SOC）， state of health （SOH） and residual useful life （RUL）. Firstly， the application status of machine learning method to the estimation of battery states are expounded. Then， five specific implemental links of machine learning methods for battery state estimation are summarized， including data preparation， model selection and evaluation， hyperparameter determination， data preprocessing and model training， and an evaluation method of learning algorithms is proposed in terms of fusion accuracy， implementation cost and robustness. Finally， the problem of scene adaptability in determining hyperparameters is pointed out， with a suggestion put forward： establishing multi-regional， cross-seasonal， multi-mode and long-term driving cycle database of traction battery， so as to promote the research on the practicability and universality of machine learning algorithms for battery state estimation.

Key words: lithium-ion battery, machine learning, SOC, SOH, RUL

谢奕展,程夕明. 锂离子电池状态估计机器学习方法综述[J]. 汽车工程, 2021, 43(11): 1720-1729.

Yizhan Xie,Ximing Cheng. Review of State Estimation of Lithium-ion Battery with Machine Learning[J]. Automotive Engineering, 2021, 43(11): 1720-1729.

参考文献 105

1	ZOU Y， HU X， MA H， et al. Combined state of charge and state of health estimation over lithium-ion battery cell cycle lifespan for electric vehicles［J］. Journal of Power Sources， 2015， 273：793-803.
2	XIONG R， CAO J， YU Q， et al. Critical review on the battery state of charge estimation methods for electric vehicles［J］. IEEE Access， 2018， 6：1832-1843.
3	罗勇，祁朋伟，黄欢，等. 基于容量修正的安时积分SOC估算方法研究［J］. 汽车工程， 2020， 42（5）：681-687.
	LUO Y， QI P， HUANG H， et al. Study on battery SOC estimation by ampere⁃hour integral method with capacity correction［J］. Automotive Engineering， 2020， 42（5）：681-687
4	ABOUCHABAKA J， BOUREKKADI S， OMARI O， et al. Fitting the OCV⁃SOC relationship of a battery lithium⁃ion using genetic algorithm method［C］. EDP Sciences， 2021.
5	谢旺. 基于Thevenin等效电路模型的锂离子电池组SOC估算研究［D］. 上海：上海交通大学， 2013.
	XIE W.Study on SOC estimation of lithium⁃ion battery module based on thevenin equivalent circuit model［D］. Shanghai： Shanghai Jiao Tong University，2013.
6	张文华，吴三毛，刘平，等. C/LiFePO4动力电池电化学交流阻抗谱的研究［J］. 电源技术， 2015， 39（9）：1838-1842.
	ZHANG W，WU S，LIU P，et al. Study on EIS of C/LiFePO4 power battery［J］.Chinese Journal of Power Sources， 2015， 39（9）：1838-1842.
7	徐鑫珉，王练，史慧玲. 基于电化学阻抗谱的电池老化寿命研究［J］. 电源技术， 2015， 39（12）：2579-2583.
	XU X，WANG L， SHI H. Research on battery aging mechanisms based on electrochemical impedance spectroscopy ［J］. Chinese Journal of Power Sources， 2015， 39（12）：2579-2583.
8	SU R， LIU L， ZHANG T， et al. An online capacity estimation method for LiFePO4 battery module with incremental capacity curve processed by tracking differentiator under noises［C］. SPIE， 2020.
9	华寅，许敏. 基于双非线性预测滤波法的锂离子电池SOH估计［J］. 电源技术， 2018， 42（9）：1321-1324.
	HUA Y， XU M. State of health estimation of lithium ion battery by dual nonlinear predictive filter for electric vehicles ［J］. Chinese Journal of Power Sources， 2018， 42（9）：1321-1324.
10	CEN Z， KUBIAK P. Lithium⁃ion battery SOC/SOH adaptive estimation via simplified single particle model［J］. International Journal of Energy Research， 2020， 44（15）：12444-12459.
11	ASHWIN T R， CHUNG Y M， WANG J. Capacity fade modelling of lithium-ion battery under cyclic loading conditions［J］. Journal of Power Sources， 2016， 328：586-598.
12	WANG A， CHEN H， JIN P， et al. RUL estimation of lithium-ion power battery based on DEKF algorithm［C］ . Institute of Electrical and Electronics Engineers Inc， 2019： 1851-1856.
13	HECHT⁃NIELSEN R. Theory of the backpropagation neural network［C］ . Piscataway， Washington， DC， USA： Publ by IEEE， 1989： 593-605.
14	PARK J， SANDBERG I W. Universal approximation using radial⁃basis⁃function networks［J］. Neural Computation， 1991， 3（2）：246–257.
15	刘兴涛，李坤，武骥，等. 基于EKF⁃SVM算法的动力电池SOC估计［J］. 汽车工程， 2020， 42（11）：1522-1528，1544.
	LIU X， LI K， WU J， et al. State of charge estimation for traction battery based on EKF⁃SVM algorithm［J］.Automotive Engineering， 2020， 42（11）：1522-1528，1544.
16	戴海峰，姜波，魏学哲，等. 基于充电曲线特征的锂离子电池容量估计［J］. 机械工程学报， 2019， 55（20）：52–59.
	DAI H， JIANG B， WEI X， et al. Capacity estimation of lithium-ion batteries based on charging curve features［J］. Journal of Mechanical Engineering， 2019， 55（20）：52-59.
17	周頔，宋显华，卢文斌，等. 基于日常片段充电数据的锂电池健康状态实时评估方法研究［J］. 中国电机工程学报， 2019， 39（01）：105-111，325.
	ZHOU D， SONG X， LU W， et al. Real⁃time SOH estimation algorithm for lithium⁃ion batteries based on daily segment charging data［J］. Proceedings of the Chinese Society of Electrical Engineering， 2019， 39（1）：105-111，325.
18	HU X， YANG X， FENG F， et al. A particle filter and long short⁃term memory fusion technique for lithium⁃ion battery remaining useful life prediction［J］. Journal of Dynamic Systems， Measurement and Control， Transactions of the ASME， 2021， 143（6）.
19	鲍伟，葛建军. 基于稀疏采样数据的电动公交车电池SOC预测方法研究［J］. 汽车工程， 2020， 42（3）：367-374.
	BAO W， GE J. Study on battery SOC prediction method for electric bus based on sparsely sampled data［J］. Automotive Engineering， 2020， 42（3）：367–374.
20	HANNAN M A， LIPU M， HUSSAIN A， et al. Neural network approach for estimating state of charge of lithium⁃ion battery using backtracking search algorithm［J］. IEEE Access， 2018， 6：10069-10079.
21	LIPU M H ， HANNAN M A ， HUSSAIN A ， et al. Extreme learning machine model for state⁃of⁃charge estimation of lithium⁃ion battery using gravitational search algorithm［J］. IEEE Transactions on Industry Applications， 2019，55 （4）： 4225-4234.
22	KHALID A， SUNDARARAJAN A， ACHARYA I， et al. Prediction of Li⁃ion battery state of charge using multilayer perceptron and long short⁃term memory models［C］.Institute of Electrical and Electronics Engineers Inc， 2019.
23	HANNAN M A， HOW D， HOSSAIN LIPU M S， et al. SOC estimation of Li⁃ion batteries with learning rate⁃optimized deep fully convolutional network［J］. IEEE Transactions on Power Electronics， 2021， 36（7）：7349-7353.
24	ZHAO X， XUAN D， ZHAO K， et al. Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium⁃ion battery［J］. Journal of Energy Storage， 2020， 32：101789.
25	HOSSAIN LIPU M S， HUSSAIN A， SAAD M， et al. Improved recurrent NARX neural network model for state of charge estimation of lithium⁃ion battery using pso algorithm［C］. Institute of Electrical and Electronics Engineers Inc， 2018： 354-359.
26	ABBAS G， NAWAZ M， KAMRAN F. Performance comparison of NARX RNN⁃LSTM neural networks for LiFePO4 battery state of charge estimation［C］. Institute of Electrical and Electronics Engineers Inc， 2019： 463-468.
27	CHEMALI E， KOLLMEYER P J， PREINDL M， et al. Long short-term memory networks for accurate state⁃of⁃charge estimation of Li⁃ion batteries［J］. IEEE Transactions on Industrial Electronics， 2018， 65（8）：6730-6739.
28	李嘉波，李忠玉，焦生杰，等. 基于反馈最小二乘支持向量机锂离子状态估计［J］. 储能科学与技术， 2020， 9（3）：951-957.
	LI J， LI Z， JIAO S， et al. Lithium⁃ion state estimation based on feedback least square support vector machine ［J］. Energy Storage Science and Technology， 2020， 9（3）：951-957.
29	XIAO F， LI C， FAN Y， et al. State of charge estimation for lithium-ion battery based on Gaussian process regression with deep recurrent kernel［J］. International Journal of Electrical Power and Energy Systems， 2021， 124.
30	陈德海，马原，潘韦驰. 改进PSO⁃RBF模型的分阶查表法荷电状态估计［J］. 储能科学与技术， 2019， 8（6）：1190–1196.
	CHEN D， MA Y， PAN W. Improved state⁃of⁃the⁃art look⁃up table method for charge state estimation of PSO-RBF model［J］. Energy Storage Science and Technology， 2019， 8（6）：1190-1196.
31	CIVICIOGLU P. Backtracking search optimization algorithm for numerical optimization problems［J］. Applied Mathematics and Computation， 2013， 219（15）：8121-8144.
32	FASAHAT M， MANTHOURI M. State of charge estimation of lithium-ion batteries using hybrid autoencoder and long short term memory neural networks［J］. Journal of Power Sources， 2020， 469：228375.
33	孔祥创，赵万忠，王春燕. 基于BP-EKF算法的锂电池SOC联合估计［J］. 汽车工程， 2017， 39（6）：648-652.
	KONG X， ZHAO W， WANG C. Co⁃estimation of Lithium battery SOC based on BP⁃EKF algorithm［J］. Automotive Engineering， 2017， 39（6）：648-652.
34	SINGH K V， BANSAL H O， SINGH D. Hardware⁃in⁃the⁃loop implementation of ANFIS based adaptive SoC estimation of lithium⁃ion battery for hybrid vehicle applications［J］. Journal of Energy Storage， 2020， 27.
35	李超然，肖飞，樊亚翔，等. 基于门控循环单元神经网络和Huber⁃M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法［J］. 电工技术学报， 2020， 35（9）：2051-2062.
	LI C， XIAO F， FAN Y， et al. A hybrid approach to lithium⁃ion battery SOC estimation based on recurrent neural network with gated recurrent unit and huber⁃M robust Kalman filter［J］. Transactions of China Electrotechnical Society， 2020， 35（9）：2051-2062.
36	WANG Q. Battery state of charge estimation based on multi⁃model fusion［C］. Institute of Electrical and Electronics Engineers Inc， 2019： 2036-2041.
37	范兴明，王超，张鑫，等. 基于增量学习相关向量机的锂离子电池SOC预测方法［J］. 电工技术学报， 2019， 34（13）：2700-2708.
	FAN X， WANG C， ZHANG X， et al. A prediction method of li-ion batteries SOC based on incremental learning relevance vector machine［J］. Transactions of China Electrotechnical Society， 2019， 34（13）：2700-2708.
38	刘昊天，王萍，程泽. 一种编解码器模型的锂离子电池健康状态估算［J］. 中国电机工程学报， 2020：1-9.
	LIU H， WANG P， CHENG Z. A novel method based on encoder⁃decoder framework for Li⁃ion battery state of health estimation［J］. Proceedings of the Chinese Society of Electrical Engineering， 2021， 41（5）：1851-1859.
39	徐宏东，高海波，林治国，等. 基于CS⁃SVR模型的锂离子电池SOH预测［J］. 电池， 2020， 50（5）：424-427.
	XU H， GAO H， LIN Z， et al. Prediction for SOH of Li⁃ion battery based on CS⁃SVR model ［J］. Battery Bimonthly， 2020， 50（5）：424-427.
40	ZHANG Y， YAO H， QI J J， et al. Real⁃time capacity estimation of lithium⁃ion batteries using a novel ensemble of multi⁃kernel relevance vector machines［C］. Institute of Electrical and Electronics Engineers Inc， 2019： 230-236.
41	徐元中，曹翰林，吴铁洲. 基于SA-BP神经网络算法的电池SOH预测［J］. 电源技术， 2020， 44（3）：341-345.
	XÜ Y， CAO H， WU T. Estimation of SOH for battery based on SA⁃BP neural network ［J］. Chinese Journal of Power Sources， 2020， 44（3）：341-345.
42	周才杰，汪玉洁. 基于自动编码器特征提取的锂电池健康状态估计［C］. 第 21 届中国系统仿真技术及其应用学术年会论文集（CCSSTA21st 2020）， 2020.
	ZHOU C， WANG Y. State of health estimation for lithium⁃ion battery based on the feature extracted by auto⁃encoder［C］. CCSSTA21st ， 2020.
43	潘海鸿，吕治强，付兵，等. 采用极限学习机实现锂离子电池健康状态在线估算［J］. 汽车工程， 2017， 39（12）：1375-1381，1396.
	PAN H， LÜ Z， FU B， et al. Online estimation of lithium⁃ion battery's state of health using extreme learning machine［J］. Automotive Engineering， 2017， 39（12）：1375-1381 ， 1396.
44	LEE J H， KIM H S， LEE I S. Multilayer neural network⁃based battery module SOH diagnosis［J］. International Journal of Engineering Research and Technology， 2020， 13（2）：316-319.
45	KHUMPROM P， YODO N. A data⁃driven predictive prognostic model for lithium⁃ion batteries based on a deep learning algorithm［J］. Energies， 2019， 12（4）.
46	SHEN S， SADOUGHI M， CHEN X， et al. A deep learning method for online capacity estimation of lithium⁃ion batteries［J］. Journal of Energy Storage， 2019， 25：100817.
47	RAHBARI O， MAYET C， OMAR N， et al. Battery aging prediction using input⁃time⁃delayed based on an adaptive neuro⁃fuzzy inference system and a group method of data handling techniques［J］. Applied Sciences （Switzerland）， 2018， 8（8）.
48	KIM S J， KIM S H， LEE H M， et al. State of health estimation of Li⁃ion batteries using multi⁃input LSTM with optimal sequence length［C］. Institute of Electrical and Electronics Engineers Inc， 2020： 1336–1341.
49	KENNEDY J， EBERHART R. Particle swarm optimization［C］ . Piscataway， NJ， United States： IEEE， 1995： 1942-1948.
50	GUO W， LI S， MIAO Q， et al. A deep learning method with ensemble learning for capacity estimation of lithium⁃ion battery［C］. Institute of Electrical and Electronics Engineers Inc， 2020.
51	LI Y， ZOU C， BERECIBAR M， et al. Random forest regression for online capacity estimation of lithium⁃ion batteries［J］. Applied Energy， 2018， 232：197-210.
52	SHEN S， SADOUGHI M， LI M， et al. Deep convolutional neural networks with ensemble learning and transfer learning for capacity estimation of lithium⁃ion batteries［J］. Applied Energy， 2020， 260：114296.
53	ZHANG Y， XIONG R， HE H， et al. A LSTM⁃RNN method for the lithuim⁃ion battery remaining useful life prediction［C］. 2017 Prognostics and System Health Management Conference （PHM⁃Harbin）， 2017： 1-4.
54	SONG Y， LI L， PENG Y， et al. Lithium⁃ion battery remaining useful life prediction based on GRU⁃RNN［C］. Institute of Electrical and Electronics Engineers Inc， 2018： 317-322.
55	GOU B， XU Y， FANG S， et al. Remaining useful life prediction for lithium⁃ion battery using ensemble learning method［C］. IEEE Computer Society， 2019.
56	CHENG Y， SONG D， WANG Z， et al. An ensemble prognostic method for lithium⁃ion battery capacity estimation based on time⁃varying weight allocation［J］. Applied Energy， 2020， 266：114817.
57	SUSILO D D， WIDODO A， PRAHASTO T， et al. State of health estimation of lithium⁃ion batteries based on combination of gaussian distribution data and least squares support vector machines regression［M］. Trans Tech Publications Ltd， 2018.
58	张朝龙，何怡刚，袁莉芬. 基于EEMD和MKRVM的锂电池剩余寿命预测方法［J］. 电力系统及其自动化学报， 2018， 30（7）：38-44.
	ZHANG C， HE Y， YUAN L. Prediction approach for remaining useful life of lithium⁃ion battery based on EEMD and MKRVM ［J］. Proceedings of the CSU⁃EPSA， 2018， 30（7）：38-44.
59	LIU J， CHEN Z. Remaining useful life prediction of lithium-ion batteries based on health indicator and Gaussian process regression model［J］. IEEE Access， 2019， 7：39474-39484.
60	SBARUFATTI C， CORBETTA M， GIGLIO M， et al. Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks［J］. Journal of Power Sources， 2017， 344：128-140.
61	LIU W， YAN L， ZHANG X， et al. A denoising SVR⁃MLP method for remaining useful life prediction of lithium⁃ion battery［C］. Institute of Electrical and Electronics Engineers Inc， 2019： 545-550.
62	REN L， DONG J， WANG X， et al. A data⁃driven auto⁃CNN⁃LSTM prediction model for lithium⁃ion battery remaining useful life［J］. IEEE Transactions on Industrial Informatics， 2021， 17（5）：3478-3487.
63	GUARINO A， ZAMBONI W， MONMASSON E. A comparison of ensemble machine learning techniques for the estimate of residual capacity of Li⁃ion batteries［C］ . Institute of Electrical and Electronics Engineers Inc， 2020： 1307-1312.
64	YANG F， WANG D， XU F， et al. Lifespan prediction of lithium⁃ion batteries based on various extracted features and gradient boosting regression tree model［J］. Journal of Power Sources， 2020， 476：228654.
65	Global technical regulation No. 15 （Worldwide harmonized light vehicles test procedure）［EB/OL］. ［2021-04-16］. https：//unece.org/transport/standards/transport/vehicle⁃regulations⁃wp29/global⁃technical⁃regulations⁃gtrs.
66	Addenda to the 1958 agreement （Regulations NO.101 and NO.83）［EB/OL］. ［2021-04-16］. https：//unece.org/transport/vehicle⁃regulations⁃wp29/standards/addenda-1958-agreement⁃regulation⁃101-120.
67	孙逢春，孟祥峰，林程，等. 电动汽车动力电池动态测试工况研究［J］. 北京理工大学学报， 2010， 30（3）：297–301.
	SUN F， MENG X， LIN C， et al. Dynamic stress test profile of power battery for electric vehicle ［J］. Transactions of Beijing Institute of Technology， 2010， 30（3）：297-301.
68	MENG J， CAI L， D⁃ISTROE， et al. An optimized ensemble learning framework for lithium⁃ion battery state of health estimation in energy storage system［J］. Energy， 2020， 206：118140.
69	SAHA B， GOEBEL K. Battery data set［DB/OL］. NASA Ames Prognostics Data Repository， 2007. https：//ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic⁃data⁃repository/publications/#battery.
70	BOLE B， KULKARNI C， DAIGLE M. Randomized battery usage data set［DB/OL］. NASA Ames Prognostics Data Repository， NASA Ames Research Center， 2014. https：//ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic⁃data⁃repository/publications/#battery.
71	Battery data center for advanced life cycle engineering［EB/OL］. ［2021-03-24］. https：//calce.umd.edu/battery⁃data.
72	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.
73	ATTIA P M， GROVER A， JIN N， et al. Closed⁃oop optimization of fast⁃charging protocols for batteries with machine learning［J］. Nature， 2020， 578（7795）：397-402.
74	BIRKL C. Oxford battery degradation dataset 1. university of oxford， 2017［DB/OL］. https：//ora.ox.ac.uk/objects/uuid%3A03ba4b01⁃cfed⁃46d3⁃9b1a⁃7d4a7bdf6fac.
75	KOLLMEYER P. Panasonic 18650PF Li⁃ion battery data［R］. 2018.
76	ZHANG H， TANG W， NA W， et al. Implementation of generative adversarial network⁃CLS combined with bidirectional long short⁃term memory for lithium⁃ion battery state prediction［J］. Journal of Energy Storage， 2020， 31：101489.
77	DASZYKOWSKI M， KACZMAREK K， VANDER HEYDEN Y， et al. Robust statistics in data analysis⁃ a review： basic concepts［J］. Chemometrics and Intelligent Laboratory Systems， 2007， 85（2）：203-219.
78	PANG X， HUANG R， WEN J， et al. A lithium⁃ion battery rul prediction method considering the capacity regeneration phenomenon［J］. Energies， 2019， 12（11）..
79	ZHANG Y， XIONG R， HE H， et al. Long short⁃term memory recurrent neural network for remaining useful life prediction of lithium⁃ion batteries［J］. IEEE Transactions on Vehicular Technology， 2018， 67（7）：5695–5705.
80	FAN Y， XIAO F， LI C， et al. A novel deep learning framework for state of health estimation of lithium⁃ion battery［J］. Journal of Energy Storage， 2020， 32.
81	XIA B， CUI D， SUN Z， et al. State of charge estimation of lithium⁃ion batteries using optimized Levenberg⁃Marquardt wavelet neural network［J］. Energy， 2018， 153：694-705.
82	SHU X， LI G， ZHANG Y， et al. Online diagnosis of state of health for lithium⁃ion batteries based on short⁃term charging profiles［J］. Journal of Power Sources， 2020， 471.
83	LONG WANG， NANNING ZHENG， CHUAN WANG. The hidden nodes of BP neutral nets and the activation functions［C］ .1991 International Conference on Circuits and Systems， 1991： 77-79.
84	史永胜，马铭远，丁恩松，等. 改进支持向量回归的锂离子电池可用容量估计［J］. 电源技术， 2019， 43（12）：1996–2000.
	SHI Y， MA M， DING E， et al. Capacity estimation of lithium ion battery based on support vector regression ［J］. Chinese Journal of Power Sources， 2019， 43（12）：1996-2000.
85	李嘉波，魏孟，叶敏，等. 基于高斯过程回归的锂离子电池SOC估计［J］. 储能科学与技术， 2020， 9（1）：131–137.
	LI J， WEI M， YE M， et al. SOC estimation of lithium⁃ion batteries based on Gauss process regression ［J］. Energy Storage Science and Technology， 2020， 9（1）：131-137.
86	WU J， ZHANG C， CHEN Z. An online method for lithium⁃ion battery remaining useful life estimation using importance sampling and neural networks［J］. Applied Energy， 2016， 173：134-140.
87	ALTMAN N S. An introduction to kernel and nearest⁃neighbor nonparametric regression［J］. The American Statistician， 1992， 46（3）：175-185.
88	IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift［R］. 2015.
89	郑雪莹，邓晓刚，曹玉苹. 基于能量加权高斯过程回归的锂离子电池健康状态预测［J］. 电子测量与仪器学报， 2020， 34（6）：63-69.
	ZHENG X， DENG X， CAO Y. State of health prediction of lithium⁃ion batteries based on energy⁃weighted Gaussian process regression ［J］. Journal of Electronic Measurement and Instrumentation， 2020， 34（6）：63-69.
90	LI Y， SHENG H， CHENG Y， et al. State⁃of⁃health estimation of lithium⁃ion batteries based on semi⁃supervised transfer component analysis［J］. Applied Energy， 2020， 277：115504.
91	MENG J， CAI L， LUO G， et al. Lithium⁃ion battery state of health estimation with short⁃term current pulse test and support vector machine［J］. Microelectronics Reliability， 2018， 88-90：1216-1220.
92	孙道明，俞小莉. 随机放电工况下锂离子电池容量预测方法［J］. 汽车工程， 2020， 42（9）：1189-1196.
	SUN D， YU X. Capacity prediction method of lithium⁃ion battery under random discharge condition［J］. Automotive Engineering， 2020， 42（9）：1189–1196.
93	王竹晴，庞晓琼，黄蕊，等. 基于KPCA⁃ANFIS的锂离子电池RUL预测［J］. 电子测量与仪器学报， 2018， 32（10）：26–32.
	WANG Z， PANG X， HUANG R， et al. KPCA⁃ANFIS based remaining useful life prediction of lithium⁃ion battery［J］. Journal of Electronic Measurement and Instrumentation， 2018， 32（10）：26-32.
94	SCHÖLKOPF B， SMOLA A， K⁃RMÜLLER. Nonlinear component analysis as a kernel eigenvalue problem［J］. Neural Computation， 1998， 10（5）：1299-1319.
95	GOU B， XU Y， FENG X. State⁃of⁃health estimation and remaining⁃useful⁃life prediction for lithium⁃ion battery using a hybrid data⁃driven method［J］. IEEE Transactions on Vehicular Technology， 2020， 69（10）：10854-10867.
96	GUO P， CHENG Z， YANG L. A data⁃driven remaining capacity estimation approach for lithium⁃ion batteries based on charging health feature extraction［J］. Journal of Power Sources， 2019， 412：442-450.
97	YANG D， ZHANG X， PAN R， et al. A novel Gaussian process regression model for state⁃of⁃health estimation of lithium⁃ion battery using charging curve［J］. Journal of Power Sources， 2018， 384：387-395.
98	HAWKINS D M. The problem of overfitting［J］. Journal of Chemical Information and Computer Sciences， 2004， 44（1）：1-12.
99	BISHOP C M. Pattern recognition and machine learning［M］. Springer， 2006.
100	RUDERSEBASTIAN. An overview of gradient descent optimization algorithms［J］. CoRR， 2016， abs/1609.04747.
101	TIBSHIRANI R. Regression shrinkage and selection via the lasso： a retrospective［J］. Journal of the Royal Statistical Society. Series B： Statistical Methodology， 2011， 73（3）：273-282.
102	HOERL A E， KENNARD R W. Ridge regression： biased estimation for nonorthogonal problems［J］. Technometrics， 1970， 12（1）：55-67.
103	CARUANA R， LAWRENCE S， GILES L. Overfitting in neural nets： backpropagation， conjugate gradient， and early stopping［C］ . Neural Information Processing Systems Foundation， 2001.
104	SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： a simple way to prevent neural networks from overfitting［J］. Journal of Machine Learning Research， 2014， 15：1929-1958.
105	JAMES G， WITTEN D， HASTIE T， et al. An introduction to statistical learning： with applications in R［M］. New York： Springer， 2013.

[1]	陈飞,孔祥栋,孙跃东,韩雪冰,卢兰光,郑岳久,欧阳明高. 锂离子电池制造工艺仿真技术进展[J]. 汽车工程, 2023, 45(9): 1516-1529.
[2]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[3]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[4]	王春,唐滔,张永志. 考虑环境温度影响的超级电容SOC加权融合估计方法[J]. 汽车工程, 2023, 45(4): 627-636.
[5]	廉玉波,凌和平,马晴婵,任强,贺斌. 电动汽车锂离子电池脉冲加热技术研究进展[J]. 汽车工程, 2023, 45(2): 169-174.
[6]	吕又付,罗卫明,陈荐,吴锡鸿,李传常. 分层优化测定锂离子电池比热容参数的实验研究[J]. 汽车工程, 2023, 45(2): 183-190.
[7]	张健豪,高兴奇,张莉. 基于容量增量曲线与充电容量差的电池组微短路诊断方法[J]. 汽车工程, 2023, 45(2): 191-198.
[8]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[9]	李贵敬,谷青锴,杨昊鑫,黄健齐,邸立明. PA/EG耦合风冷电池热管理系统轻量研究[J]. 汽车工程, 2023, 45(2): 209-218.
[10]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[11]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[12]	何智成,谢泽军,刘侃,周恩临,唐谦,黄元毅. 纯电动汽车传动系统-电机结构参数协同设计优化[J]. 汽车工程, 2023, 45(11): 2113-2122.
[13]	廉玉波,凌和平,王钧斌,潘华,谢朝. 基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测[J]. 汽车工程, 2023, 45(1): 139-146.
[14]	王萍,弓清瑞,程泽,张吉昂. 基于AUKF的锂离子电池SOC估计方法[J]. 汽车工程, 2022, 44(7): 1080-1088.
[15]	彭宇明,袁明晓,敬卓鑫,张永林,黄港. 汇流排产热影响下的电池模组冷却系统改进设计[J]. 汽车工程, 2022, 44(6): 859-867.