上海交通大学能源与过程系统工程实验室

          近日，课题组文章《State of health estimation of lithium-ion batteries: A multiscale Gaussian process regression modeling approach》在期刊《AICHE Journal》上发表。

          锂离子电池的健康状态（State of Health, SOH）精确估计在荷电状态（State of Charge, SOC）估计与剩余使用寿命（Remaining Useful Life, RUL）预测中均起着至关重要的作用。其中，SOC估计通常依赖于短期（一步预测）SOH结果，而RUL预测则要求具备长期SOH预测能力。为此，本文提出了一种系统化的多尺度高斯过程回归（Gaussian Process Regression, GPR）建模方法，用于实现高精度SOH估计。该方法首先采用小波分析对SOH时间序列进行分解，有效分离出全局退化趋势、局部再生特性及随机波动成分。随后，利用包含时间索引的GPR模型对全局退化趋势进行拟合，并基于滞后向量输入的GPR模型递归预测局部再生与短期波动，实现对SOH演化过程的多尺度建模与动态追踪。本文通过锂离子电池退化实验数据对所提方法进行了验证，并分别评估了一步预测与多步预测性能。结果表明，所提出的多尺度GPR方法在预测精度与稳定性方面显著优于未进行趋势分解的传统GPR模型。本研究提出的多尺度GPR建模框架，不仅为锂离子电池的RUL预测与SOC估算提供了高精度、可扩展的智能建模工具，也为复杂时序数据的健康管理与退化过程建模提供了一种具有普适性和前瞻性的研究范式。

原文链接：https://aiche.onlinelibrary.wiley.com/doi/full/10.1002/aic.14760