电动交通应用中的数据驱动SSB蓄电池状态估计：挑战、最新进展与未来方向

2026-11-10 18:59:22

摘要

近年来，数据驱动的电池状态估计已得到广泛研究，旨在实现电动交通应用中安全、可靠且具备寿命感知能力的电池管理，在高度动态的运行条件下，准确的估计至关重要。随着近期多篇综述聚焦于模型架构和方法论发展，亟需对电动交通应用中的实际可行性、现实部署能力以及特定应用挑战进行批判性评估。因此，本综述对近期基于数据的电池状态估计方法进行了以挑战为导向的评估，特别强调了在电动交通系统中的实际部署。除了总结现有方法外，本文还评估了近期研究如何应对关键的部署障碍。这些障碍包括数据依赖性、有限的真实健康标签以及碎片化的数据集。进一步的挑战涉及特征复杂性与可解释性、领域偏移下的鲁棒性、嵌入式BMS的约束以及电池到电池包的可扩展性。近期研究日益聚焦于电池健康分析，反映了电动交通中具备老化感知能力的电池管理的重要性。基于已识别的差距，本文概述了未来的研究方向，以支持为下一代电动交通系统开发安全、可靠、可解释且具备部署能力的电池状态估计。

关键词：
锂离子电池; 数据驱动的电池状态估计; 荷电状态; 健康状态; 剩余使用寿命; 老化感知控制; 电池管理系统; 电动出行应用

1. 引言

1.1. 背景与动机

向交通电气化的快速转型已使电动出行（在本综述中与电动汽车（EVs）互换使用）成为能源转型的核心组成部分，包括电动乘用车、巴士、渡轮和无人机。这一转型由脱碳目标、监管指令以及锂离子电池（LiB）技术的持续改进所驱动，特别是在能量密度、容量和电池包级集成方面[1]。与此同时，高功率充电基础设施正在不断扩展，电池主要在动态负载条件下运行。这些趋势使得对电池行为进行准确的监测、解释和预测，对于确保电动交通应用中的安全性、可靠性、寿命优化和经济可行性至关重要[2,3].
电池管理系统（BMSs）通过将电池维持在安全运行范围内，在实现这些目标中发挥着关键作用[2,4,5]。电池管理系统（BMS）的核心功能是电池状态估计，它提供了关于电池瞬时运行状况和长期退化的信息。在本综述中，电池状态被大致分为运行状态和健康相关状态。运行状态描述电池在使用过程中的状况，包括荷电状态（SOC）、能量状态（SOE）、功率状态（SOP）和温度。健康相关状态描述老化和退化的进程，包括健康状态（SOH）和剩余使用寿命（RUL）。这些电池状态总结在表1.
表1。与电动出行应用相关的关键电池状态摘要。

电池状态总结在表1中，使用简化定义表示。然而，在实际的电动交通工具运行中，其估算会受到动态负载、温度变化、老化、测量不确定性[2,5,10]以及不完整运行信息的影响。这些特定应用的估算挑战将在第1.2节中讨论。.

1.2. 电动交通工具中的电池状态估计

尽管表1中的电池状态可以用简化定义来表示，但在实际电动交通工具运行中准确估计这些状态仍具挑战性。SOC估计受传感器误差、温度变化、老化、部分循环以及相对平坦的OCV-SOC中段区域的影响。此外，仅凭SOC无法完全代表电池可用的能量。SOE通过同时考虑电荷和电压行为解决了这一局限性，但因此也会受到内阻、温度和老化的影响。
准确的电池温度估计受限于表面与内部热条件之间的差异，尤其是在快速充电和高功率运行期间。SOP估计必须考虑电压、电流、温度、SOC和健康状态约束的耦合，这些因素在加速、再生制动和充电过程中会迅速变化。
与健康状态相关的变量带来了额外挑战。SOH通常无法在正常运行期间直接确定，通常依赖于对退化敏感的测量值，或与容量损失和电阻增长相关的参考信息[10,11,12]。RUL估计因其依赖于不确定的未来运行条件（包括温度、放电深度、充放电速率和使用模式）而变得更加复杂[3,9,13]. 这些局限性促使人们开发能够从现有测量值中推断电池状态的估计方法，同时保持准确性、鲁棒性、可解释性和计算可行性。
每种电池状态所需的精度和更新频率因电动交通应用及其运行条件而异。包括SOC、SOE、SOP和温度在内的运行状态通常需要在线估计[14]。相比之下，变化较慢的SOH和RUL可以在行程、工作循环、航程、飞行或充电周期中定期更新。在对功率需求高度动态的应用中，快速SOP估计尤为重要，包括无人机、重型车辆、高功率瞬态下的乘用车电动汽车以及高速船舶[15]. 表2总结了这些特定应用的需求和指示性估算时间表。
表2。特定应用电池状态要求和指示性估计时间尺度。实际更新速率取决于BMS架构、运行条件和控制目标。

人工智能（AI）的进步以及通过物联网（IoT）和云连接平台获取的电池数据，为数据驱动的电池状态估计器的开发提供了支持[16,17]。这些方法学习测量电池信号与参考状态之间的关系。这些方法涵盖了从回归和浅层神经网络到循环、基于注意力的Transformer以及物理信息模型[18,19,20].
]。典型的数据驱动电池状态估计工作流程包括数据采集、预处理和特征准备、模型选择、训练和性能评估[21,22,23]。训练数据可能来自受控的实验室实验、真实的电动汽车运行或模拟。实验室测量提供受控的参考值，现场记录捕捉真实但异构的条件，而模拟则扩展了运行条件的覆盖范围[10,24,25,26]。因此，这些方法的实际适用性取决于代表性数据、可靠标签、可获取特征以及在预期运行条件下的验证。

1.3. 本综述的空白与贡献

数据驱动的电池状态估计器在电动出行平台中的实际部署受到五个相关挑战的制约：对大规模高质量数据集的依赖、输入特征选择、可靠性与鲁棒性问题、车载实现与计算约束，以及电池包级建模。这些挑战总结在图1.
Batteries 12 00475 g001

图1。与数据驱动电池状态估算相关的常见挑战。
这些挑战主要源于受控实验研究与现实世界电动汽车运行中动态、不确定且资源受限的条件之间的差距。数据驱动的估算器需要足够多样化且可靠的数据集，然而实验室数据往往对现实中的温度变化、驾驶行为、部分充电和老化条件覆盖有限 [10,24,27]。可靠的健康标签也难以获取，因为它们通常需要参考测试，如完整的充放电循环或阻抗测量。
输入特征的质量带来了进一步的挑战。在受控条件下表现良好的特征，在电动汽车的正常运行过程中可能无法持续可用，特别是当它们依赖于固定的电压或荷电状态（SOC）窗口、长时间静置期或特殊测量时 [28,29,30,31]。电池信号的耦合特性也使得在部分充电、动态负载和多变环境条件下，难以分离出与退化相关的信息。此外，数据驱动的电池状态估计器往往难以揭示其输入数据的相关性、冗余性、时间贡献度以及物理意义。这使得难以验证预测是否基于电池的实际行为，从而降低了其在安全关键型电动出行应用中的可信度[32,33,34].
可靠性、鲁棒性和实施可行性进一步限制了实际部署。在特定数据集上训练的模型可能无法很好地泛化到不同的运行条件、化学成分、老化阶段，或嘈杂且不完整的现场数据中[35,36,37]。SOC和SOE等瞬时估计值也可能发生波动，从而影响实时BMS的可靠性[38,39,40]。此外，仅凭点估计无法反映预测的不确定性程度。因此，需要可靠的不确定性边界来支持BMS决策，特别是在接近安全极限运行时[21,41]。同时，先进的数据驱动模型，尤其是深度学习架构，可能会带来极高的计算和内存需求，在估计精度与嵌入式实现效率之间产生权衡[ %%]。此外，基于同质电芯级数据训练的模型可能会遇到电芯到电池包的领域偏移问题，因为特征分布及其与电池状态的关系在电池包层面会发生变化[26,38,42].
另一个局限性是验证主要集中在电芯层面，而电动交通系统是基于电池包运行的。容量、内阻、SOC、温度和老化程度的差异会导致非均匀的电学和热学行为，电池包的性能往往受限于串联电池包中最弱的电芯[43,44]以及并联电池包中电流分配不均[45]。温度梯度会进一步放大细胞间的差异和安全风险[46因此，可扩展的估计方法必须同时考虑整体包行为和包内异质性。47]. Scalable estimation methods must therefore account for both overall pack behaviour and intra-pack heterogeneity.
这些部署障碍为比较早期综述提供了基础，如表3所示。现有综述主要围绕估算方法、模型架构、集成策略或特定电池状态展开[2,22,48]。部分综述明确聚焦于电动交通[2,5]，还有一些对实际问题进行了深入分析，包括电化学阻抗谱（EIS）的获取[8], 包级SOP估算 [49], 物理-机器学习集成 [48], 以及资源受限的BMS实现 [50]。该表在承认这些覆盖范围的同时，区分了每篇综述的组织框架及其在每个部署类别中的覆盖深度。这里的主要差距在于，需要将针对不同电池状态和方法族开发的解决方案整合到电动交通部署的统一评估中。
表3。近期综述及其对部署挑战覆盖范围的比较（图1).

本综述的独特贡献在于将部署障碍作为跨电池状态的详细文献分析的组织原则。近期关于纯数据驱动和混合方法的研究，涵盖了SOC、SOH、SOE、SOP、RUL和温度估计，这些研究根据它们所解决的部署问题被归类在第2.1节, 第2.2节, 第2.3节, 第2.4节和第2.5节. 针对每个障碍，对提出的解决方案进行了批判性审查，以了解它们如何应对挑战，并定性评估其在车载部署中的适用性。这连接了电池状态和模型架构的各项进展，识别出共同需求、实际权衡以及电动出行部署中尚未解决的障碍。
主要贡献总结如下：

本综述从电动交通部署的角度，对近期数据驱动的电池状态估计研究进行了面向挑战的评估，而非仅按模型架构对文献进行分类。
对车载部署的关键障碍进行了批判性审查，包括数据依赖性、标签稀缺性、电动汽车数据碎片化、特征工程复杂性、鲁棒性、计算可行性以及电池包级可扩展性。
对近期方法在真实电动汽车条件下的实际可行性进行了定性评估，包括动态读档、部分充电、温度变化、噪声现场数据以及嵌入式BMS约束。
确定了实现可靠、可解释、不确定性感知且可部署的电池状态估计的跨领域研究空白和未来方向。

1.4. 综述范围与文献筛选

在本综述中，数据驱动方法是指用于电池状态估计或预测的机器学习和深度学习方法。范围还包括将这些模型与物理模型、滤波方法或电池领域知识相结合的混合方法。物理信息方法将物理关系融入输入特征、模型架构或训练约束中以引导学习[20,56]。不含机器学习或深度学习组件的独立基于模型估计器不在本综述的范围内。
检索策略和文献筛选过程总结在图2中。在Web of Science核心合集中的初始数据库检索，用于考察电动交通领域数据驱动的锂离子电池状态估计的最新研究趋势。
Batteries 12 00475 g002

图2。检索策略和文献筛选流程。
标题和摘要筛选排除了与电池状态估计无关的研究、考虑非锂离子电池的研究，以及缺乏数据驱动估计框架的材料或电化学老化研究。在特定状态搜索中出现的重复出版物仅计入一次。
保留的论文构成了用于发表趋势分析的数据集，见图3，该图显示近年来研究活动日益活跃，特别是在电池健康评估领域。这一趋势可能反映了管理电池退化、延长使用寿命以及支持可靠电动出行运行的重要性日益增加。由于在初始检索中没有直接涉及数据驱动SOP评估的原始期刊研究符合筛选标准，因此省略了SOP。
Batteries 12 00475 g003

图3。筛选数据集内SOC、电池健康度、SOE和电池温度估计的期刊发表趋势。该图涵盖2021-2025年的发表年份，基于2025年9月检索日期的可用记录。
对于详细的以挑战为导向的综述，通过审查全文来识别至少解决第1.3节中提出的部署挑战的研究。在这一阶段，如果研究提供的研究方法细节不足，或者仅关注架构创新而未解决这些挑战，则将其排除。由于多个部署挑战在不同电池状态下是共通的，因此相关讨论对SOP估计同样具有参考价值，尽管各方法的SOP适用性仍需单独评估。
在撰写稿件期间确定的其他相关研究也经过了相同的资格评估。因此，详细综述涵盖了2021年以后的文献，研究按其所解决的部署挑战进行分类。
本综述的其余部分安排如下。第2节根据上述识别的部署障碍，考察了近期的研究进展。第3节总结了从所综述文献中识别出的主要观察结果和研究空白。第四节探讨了在电动出行应用中实现可靠且可扩展的电池状态估计的未来研究方向。

2. 解决电动交通工具数据驱动电池状态估计中的挑战

以下小节将详细讨论旨在解决在图1中总结的挑战的最新研究进展。需要注意的是，下文讨论的部署挑战是紧密相关的。因此，针对多重挑战的研究将在多个小节中进行讨论，每个讨论都聚焦于相关的研究方法组成部分。文献是按所解决的挑战进行组织的，而不是将每项研究归入单一类别。

2.1. 数据依赖性

数据驱动的电池状态估计需要大规模、多样化且标注良好的数据集，以实现可靠的泛化和退化分析[57]。本小节重点讨论与数据可用性、多样性、完整性和标注相关的挑战。多样性包括对老化阶段、温度、SOC范围、充电协议和驾驶工况的覆盖。然而，即使是大型车队数据集也可能主要反映日常车辆使用情况，对极端温度、快速充电、罕见事件和深度老化等情况的覆盖有限[21,24]. 满足这些数据需求也会增加离线存储、处理和训练的需求。
数据可用性和质量也会影响可提取的特征以及估计器在不同运行条件下的可靠性。因此，数据依赖性与特征工程和鲁棒性密切相关。图4总结了应对这些数据挑战的方法，下文将对此进行讨论。
Batteries 12 00475 g004

图4。针对数据依赖挑战的拟议解决方案概述。

2.1.1. 解决对大规模、多样化数据集的需求

近期研究通过两种策略解决数据依赖问题：利用迁移学习使现有模型适应新的目标条件，以及通过合成数据生成来扩展训练数据集。以下小节将讨论这些方法如何用于解决电动交通工具电池状态估计中的数据稀缺问题，并提高模型的泛化能力。

迁移学习的应用

迁移学习（TL）通过将知识从源域转移到目标数据有限的新电池、运行条件或应用中，从而减少了对目标数据的需求[25,47,58]。所综述的方法大致可分为传统微调、领域自适应以及多源/元学习策略。表4总结了主要方法及其部署相关性。
当源域和目标域相对相似时，常规微调提供了最简单的迁移形式。基于部分层冻结、特征提取器复用或有限参数更新的方法[18,25,47,58,59,60]在保留从更大源数据集学习到的知识的同时，减少了重新训练的需求。因此，这些方法非常适合目标数据有限的应用场景，但随着源-目标分布差异的增大，其可靠性可能会降低[35,36].
领域自适应方法明确解决了这种分布不匹配问题。研究人员已对齐了边缘分布和条件分布[61,62]，采用了基于最大均值差异（MMD）的自适应方法[63]，学习了领域不变表示[35,36]，或对齐了电池特征流形[64]。当跨温度、化学体系、老化条件或从实验室转移到现场运行进行模型迁移时，这些方法尤为适用，因为传统的微调可能会遭受负迁移的影响[35,63].
对于更大且更具异质性的领域偏移，多源和元学习方法提供了更高水平的适应性。例如，参考文献[65] 将领域自适应与模型无关元学习（MAML）相结合，从多个源领域学习可迁移的初始化参数，从而能够利用有限的目标数据快速适应新的电池工况。此类方法对于运行多种化学体系、电池包配置或车辆平台的车队非常有用。在这些情况下，为每个应用开发独立的估计器可能会耗费大量数据和资源[65,66].
表4。电池状态估计的迁移学习方法总结。

利用合成数据集

合成数据生成提供了另一种减少对大型实验数据集依赖的途径。近期方法大致可分为数据驱动增强、基于机理或物理的模拟、基于数字孪生的生成，以及使用真实驾驶信息的特定应用模拟。代表性研究见表5.
数据驱动增强方法能以相对较低的计算成本增加有限实验数据集的规模和多样性[57,68,69]。机理和电化学模型提供具有物理结构的合成数据，并能模拟难以通过实验重现的运行或退化条件[25,70]。此类数据还被用于估算SOH、退化模式（如锂库存损失(LLI)和活性物质损失(LAM)）以及包括扩散系数和反应速率常数在内的内部参数[71,72,73]。这些量可以提高状态估计的物理可解释性，并为诊断和寿命预测提供对退化敏感的指标。
电池包级和特定应用的模拟框架可以通过整合电池包行为或实际运行信息来提高部署的相关性。例如，已使用电动汽车电池包模拟器生成了合成数据集[26]，使用车辆充电数据校准了基于电池管理系统的电池包模型[47]，以及基于车载诊断系统和全球定位系统获取的驾驶信息构建了电动汽车模拟框架[74]。这些方法可以通过呈现驾驶条件、特定路线模式、电芯容量和荷电状态不一致性以及电池包健康状态的变化来扩展训练覆盖范围。
然而，高保真电化学模拟会带来巨大的计算和参数化需求，尤其是在生成大规模数据集时。近期在降阶电化学建模和体积平均公式方面的进展，提高了这种基于物理的合成数据生成的可行性。与完整的伪二维（P2D）公式相比，降阶模型可以在保留有用动态精度的同时，大幅降低计算成本[75]，而串联储罐模型则能够实现从电芯到电池包层级的计算高效电化学-热模拟[76,77]。这些进展提升了基于物理模型的扩展性，有助于生成大规模合成数据集。
表5。电池状态估计的合成数据生成方法总结。

与电动出行应用的关联性

对于电动出行部署，迁移学习（TL）在缺乏运营数据的新电池平台或车队中尤为有用。其实际效益需与直接基于现有目标数据训练的模型进行对比评估。该对比应考虑估算精度、实际车辆运行下的鲁棒性、所需标注数据量以及模型适配的工作量。对于拥有足够代表性运营数据和可靠标签的成熟平台，则可能更倾向于使用专用模型。
合成数据集有助于弥补工况覆盖范围的不足，但其部署价值应通过独立实验和实地数据的验证来确定。在模拟行为可能无法充分反映电池包异质性、传感器缺陷或实际使用下的退化情况时，需特别注意[26,47因此，合成数据应作为实测数据的补充，并在真实的车辆运行条件下评估其性能提升。

2.1.2. 解决电池健康评估对可靠地面真值标签的需求

与SOC估计不同，在SOC估计中，通常可以在受控条件下，利用已知初始SOC的Ah积分法确定参考标签[2]，而电池健康状态在正常运行期间无法直接标注。SOH反映了容量衰减和内阻增长等长期退化现象，这些现象无法被瞬时观测。因此，准确的SOH标注通常需要受控的参考测试，例如完整的充放电循环或阻抗测量。这使得大规模数据集的生成既昂贵又耗时[10,12,78]。近期的研究主要遵循四条路径：基于运行数据的近似健康标签、自监督或无标签学习、使用无标签数据的半监督或弱监督学习，以及通过物理或统计一致的退化关系实现的间接监督[78,79,80,81].
从统计学习的角度来看，挑战在于标注数据的数量以及健康标签的可靠性。设y表示电池真实的健康状态，以及其测量或估计的标签。这里，代表了来自传感器误差、SOC估计误差、部分运行窗口以及参考测试变异性的不确定性。在平方误差损失和零均值独立标签噪声下，

上一篇：用于提升锂离子SSB蓄电池热安全性的导热增强复合相变材料

下一篇：返回列表