摘要
准确的健康状态（StateOfHealth,SOH）估计对锂离子电池的安全可靠运行具有
重要意义。由于锂离子电池的内部电化学特性复杂且存在不一致性，外部工作环境
不确定，导致电池数据存在差异性分布、数据变化规律不同。因此，如何对电池
SOH进行精确估计仍是一个难点。考虑SOH不能直接测量，本文旨在探讨如何挖掘
高质量的电池老化特征及建立高性能的SOH估计模型，主要研究内容如下：
（1）在特征挖掘方面，为了提高SOH的估计精度，提出了一种直接从温度曲线
中提取健康指标的方法。电池热特性随电池老化改变，是反应电池健康状态的重要
指标。由于差分运算可能出现分子或分母为零的情况，因此，许多基于温度差分的
估计方法对测量噪声都很敏感。通过对充电温度随电池退化曲线的趋势分析，提取3
个能够反映热特性的特征：恒压阶段温度峰值位置、区域温度面积和恒流（Constant
Current,CC）充电时间。根据皮尔逊相关系数分析，各特征与电池SOH之间有很强
的相关性。因此，以该特征组合作为健康指标。
（2）在模型建立方面，考虑到电池内部不一致性导致的数据分布差异影响模型
的泛化能力，提出了一种集成的多高斯过程回归（Multi-GaussianProcessRegression,
MGPR）模型来提高模型的适应性。通过对训练数据进行重构，形成多组训练数据，
建立多个高斯过程回归模型。考虑预测的不确定性，对多个模型的估计结果进行加
权，得到最终的SOH估计结果。使用两种不同环境温度和运行工况的开源数据验证
性能。实验结果表明，所提取的健康指标能够很好地表征电池的退化，MGPR模型
具有较高的鲁棒性，能够获得高精度的SOH估计。
（3）在特征挖掘方面和模型建立方面，针对上述研究内容（1）（2）进行改进，
提出基于局部CC充电阶段及HHO-MGPR算法的SOH估计方法，以降低健康特征挖
掘时的数据约束条件以满足不同用户的需求，及自动获取MGPR模型的各训练数据。
特征挖掘方面，为了减少对数据的需求，论文基于局部CC阶段的数据，在电压范围
为[3.9V,4.18V]内，挖掘与电池老化相关的特征。建模方法方面，结合哈里斯鹰算法
（HarrisHawksOptimizer，HHO），提出一种改进的MGPR算法：HHO-MGPR。HH
O-MGPR算法实现自动选择训练数据的最优组合方式，克服了人工选择导致的局限
性问题。最后，利用四个涵盖了不同电池类型、不同温度、不同工况的开源数据集
验证模型的性能。
关键词：锂离子电池；健康状态估计；特征挖掘；集成学习；多高斯过程回归
目录
第一章绪论-1-
1.1研究方向背景及研究意义-1-
1.2锂离子电池健康状态国内外研究现状-2-
1.2.1锂离子电池健康状态定义-2-
1.2.2基于模型法研究现状-3-
1.2.3数据驱动方法研究现状-4-
1.2.4锂离子电池健康状态估计存在的问题-7-
1.3本文的主要贡献与创新-8-
1.4本文主要研究内容和章节安排-9-
第二章锂离子电池数据分析及热特性挖掘-13-
2.1问题的描述及解决思路-13-
2.1.1问题分析-13-
2.1.2解决思路-13-
2.2锂离子电池老化数据集-14-
2.2.1NASABatteryDataSet-14-