动力电池SOH估计
新能源汽车电池的SOC和SOH有什么区别？
新能源汽车电池的SOC和SOH有什么区别？关键信息项：1、 SOC（State of Charge）的定义和解释2、 SOH（State of Health）的定义和解释3、 SOC 的测量方法和影响因素4、 SOH 的评估指标和测量手段5、 SOC 对新能源汽车性能的影响6、 SOH 对新能源汽车续航和电池寿命的影响7、 SOC 和 SOH 在电池管理系统中的作用8、提高 SOC 和 SOH 准确性的技术和方法9、 SOC 和 SOH 数据的应用场景10、未来 SOC 和 SOH 技术的发展趋势11 SOC 的定义SOC 即电池的荷电状态，是指电池中剩余电荷量与电池额定电荷量的比值，通常以百分比表示。
例如，SOC 为 80%意味着电池中还剩下80%的电量可供使用。
111 SOC 的测量方法SOC 的测量方法主要包括电流积分法、开路电压法、卡尔曼滤波法等。
电流积分法通过对充放电电流进行积分来计算电池的 SOC，但存在累积误差。
开路电压法利用电池开路电压与 SOC 的对应关系来估算SOC，但需要电池在静置一段时间后测量，实时性较差。
卡尔曼滤波法结合了电池模型和测量数据，能够对 SOC 进行实时准确的估计。
112 SOC 的影响因素SOC 受到多种因素的影响，如电池的充放电倍率、温度、自放电、老化等。
高充放电倍率会导致电池极化增加，从而影响 SOC 的测量精度。
温度对电池的性能有显著影响，不同温度下电池的容量和内阻会发生变化，进而影响 SOC 的计算。
自放电会使电池在静置状态下电量逐渐减少，导致 SOC 降低。
电池的老化会导致容量衰减，使得相同电量下的 SOC 降低。
12 SOH 的定义SOH 即电池的健康状态，用于描述电池的性能衰退程度和剩余使用寿命。
它反映了电池在使用过程中的容量衰减、内阻增加、功率性能下降等情况。
121 SOH 的评估指标SOH 的评估指标通常包括容量保持率、内阻变化率、峰值功率衰减率等。
数据驱动的电动汽车电池soh估算方法
数据驱动的电动汽车电池soh估算方法下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!数据驱动的电动汽车电池SOH估算方法随着电动汽车的普及，电池健康状态（State of Health, SOH）的准确估算对于车辆性能和续航能力的管理至关重要。
电动汽车BMS中SOH和SOP估算策略总结
电动汽车BMS中SOH和SOP估算策略总结https:///weixin_38451800/article/details/9135 7875一SOH估计策略1定义——IEEE标准1188-1996中规定，动力电池容量能力下降到80%时，就应该更换电池。
对于纯电动汽车一般只需考虑容量的衰减，电池的健康状态表述为电池当前容量与初始容量的比值，其SOH 定义为：SOH=(C_standard-C_fade)/C_standard ×100%式中：C_fade为电池已损失容量；C_standard为标称容量。
2方法分类——目前，SOH估计方法大体分为三类：（1）基于耐久性模型的开环方法：耐久性机理或者耐久性外特性；耐久性模型开环方法描述了固体电解质膜电阻和电池端子电压的增加，对电池内部的物理化学反应的特性进行分析，了解电化学反应特性和电池容量衰退的本质，从而直接预测容量衰减和内阻的变化。
（2）基于电池模型的闭环方法：最小二乘法（RLS）、KF等；1）基于开路电压的SOH估计方法类别——在现有研究中，基于OCV的健康状态估计大致可分为基于固定OCV的SOH估计与基于变化OCV的SOH估计两个类别。
实验发现——电池在不同老化程度下的OCV曲线形式进行对比分析，认为电池容量的衰减对被测电池OCV曲线形状的影响并不明显，即认为电池OCV与SOC之间的对应关系在整个老化过程会保持一个相对稳定的状态。
基于这一结论，通过在不同老化程度下，计算相同OCV区间内电池电量的变化情况，实现对电池当前容量及SOH的估计。
（OCV-SOC受温度影响明显）理论研究——对于锂离子电池而言，其OCV曲线在老化过程中并非完全一成不变，只有当电池OCV曲线的斜率较大且其SOC与OCV 之间呈现明显的线性关系时，才能够忽略老化对电池OCV曲线所造成的影响，并近似地将其认为是恒定的。
（SOC高端部分）2）基于电池内阻的SOH估计方法原理现象——在电池容量衰减的过程中，一般也会同时伴随着电池内阻的增加。
基于数据驱动的电池组SOH估算方法概述
基于数据驱动的电池组 SOH估算方法概述摘要：数据驱动作为电池组SOH估算的方法之一，具有不依赖数学模型、物理原理，通过预测方法分析试验数据物理量之间的特征与关系实现数据预测的特点。
目前用在电池组SOH的预测方法主要有：支持向量机、人工神经网络、高斯回归、相关向量机。
本文主要分析这4种方法在电池组SOH预测方面的特点。
最后介绍使用数据驱动方法来预测电池组SOH的应用前景。
关键字：锂电池SOH数据驱动电池组的SOH是衡量电池组使用效果的重要评价标准之一，其预测方法以及预测精度是目前的锂电池应用中的重点研究方向。
而数据驱动方法具有不依赖数学模型和复杂的电化学原理，通过预测方法分析试验数据物理量之间的特征与关系实现数据预测的特点，是目前大热的研究方向。
目前常用的数据驱动的预测方法以及特点如下文所示：1基于支持向量机的SOH预测Vapnik等人于1995年率先提出了SVM这个方法[1]，它主要被用来解决机器学习问题，重点是其中的函数拟合。
还包括非线性的高维模式识别问题。
在电池组的使用生命周期中，其SOH数据在电池组使用末端具有高纬、样本量低且非线性的特点。
因此在处理这些数据的时候比较适合使用SVM算法。
但是在电池组的整个生命周期中SOH的数据量大且随着分析的深入，涉及其他物理量以及数据也会增加。
而SVM在应用过程中其核函数必须满足Mercer 条件，而随之其他物理量以及数据的增加，支持向量的数据呈线性增加。
增大了计算量，造成了一定的负担且给惩罚系数的确定造成困扰。
不适合样本数据大的应用场合。
为了使SVM适用于SOH估算，许多专家对其进行了改进。
如通过模拟电池包的物理模型并采用非线性最小二乘法估计电池包物理模型的物理参数。
通过数据训练，得到电池包的容量、功率变化曲线。
在这个曲线的基础上，使用滑动平均SVM算法估算电池包SOH。
还有就是考虑到电池包的应用工况和应用环境对数据模型预测结果不收敛的问题，提出现根据应用工况和应用环境的不同对数据进行分类处理，在利用SVM进行预测的算法。
基于多时间尺度锂电池在线参数辨识及SOC_和SOH_估计
第40卷第5期Vol.40㊀No.5重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2023年10月Oct.2023基于多时间尺度锂电池在线参数辨识及SOC 和SOH 估计姚昌兴,李㊀昕,邢丽坤安徽理工大学电气与信息工程学院,安徽淮南232001摘㊀要:电池的荷电状态和健康状态是衡量电池续航和寿命的重要指标,为解决电池参数的时变性问题,提高电池SOC (State of Charge )估算精度,减少硬件计算量,提出一种多时间尺度在线参数辨识双扩展卡尔曼滤波联合算法㊂以18650三元锂电池为研究对象,采用基于二阶RC 等效电路模型的多时间尺度DEKF 算法,针对电池参数的慢变特性和状态的快变特性进行双时间尺度在线参数辨识和SOC 估算;通过联邦城市驾驶计划(FUDS )测试验证,得出多时间尺度DEKF 算法和传统离线辨识EKF 算法对SOC 估计的平均绝对误差分别为0.97%和2.46%,均方根误差为1.19%和2.69%,容量估计值对参考值最大误差仅为0.00772Ah ;实验结果表明:所提出的多时间尺度DEKF 算法,具有更好的鲁棒性和SOC 估算精度并能实时反应SOH 变化趋势㊂关键词:多时间尺度;二阶等效电路;DEKF ;SOC ;SOH中图分类号:TM912㊀㊀文献标识码:A ㊀㊀doi:10.16055/j.issn.1672-058X.2023.0005.007㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-03-05㊀修回日期:2022-05-18㊀文章编号:1672-058X(2023)05-0048-07基金项目:安徽省高校自然科学基金资助项目(KJ2019A0106).作者简介:姚昌兴(1998 ),男,安徽滁州人,硕士,从事电动汽车锂电池荷电状态与健康状态研究.引用格式:姚昌兴,李昕,邢丽坤.基于多时间尺度锂电池在线参数辨识及SOC 和SOH 估计[J].重庆工商大学学报(自然科学版),2023,40(5):48 54.YAO Changxing LI Xing XING Likun.On-line parameter identification and SOC and SOH estimation of lithium battery based onmulti-time scale J .Journal of Chongqing Technology and Business University Natural Science Edition 2023 40 5 48 54.On-line Parameter Identification and SOC and SOH Estimation of Lithium Battery Based on Multi-time Scale YAO Changxing LI Xing XING LikunSchool of Electrical and Information Engineering Anhui University of Science and Technology Anhui Huainan 232001 ChinaAbstract The state of charge SOC and state of health SOH of a battery are important indicators of battery endurance and lifetime.In order to solve the problem of time-varying battery parameters improve the accuracy of SOC estimation and reduce the hardware computation a joint multi-timescale online parameter identification algorithm with a double-extended Kalman filter was proposed.The multi-timescale DEKF algorithm based on the second-order RC equivalent circuit model was used for the online parameter identification and SOC estimation of the 18650ternary lithium battery with the slow-varying characteristics of the battery parameters and the fast-varying characteristics of the battery state.Through the test verification of the Federal Urban Driving Program FUDS the average absolute errors of the SOC estimation of the multi-time scale DEKF algorithm and the traditional offline identification EKF algorithm were 0.97%and 2.46% respectively the rms errors were 1.19%and 2.69% and the maximum error of the capacity estimation to the reference value was only 0.00772Ah.The experimental results show that the proposed time-scale DEKF algorithm has better robustness and SOC estimation accuracy and can respond to the SOH variation trend in real time.Keywords multi-time scales second-order equivalent circuit DEKF SOC SOH1㊀引㊀言在新能源电动汽车蓬勃发展的今天,新能源汽车正在逐渐取代传统燃油车㊂锂离子电池作为新能源汽车的动力电池,具有能量密度高㊁循环寿命长和环保等第5期姚昌兴,等:基于多时间尺度锂电池在线参数辨识及SOC和SOH估计特点,得到了广泛的应用㊂电池的荷电状态和健康状态SOH是衡量电池续航和寿命的重要指标;R SOC表示当前储存电量占可用容量的百分比;R SOH(State of Health)表征电池当前性能指标,表示与新电池对比,电池当前性能所能达到的水平,即电池当前性能与正常设计的偏离程度,一般用容量或者内阻的变化表示㊂对它们实时准确进行预测是优化锂电池充放电控制和电动汽车电池系统优化管理的重要环节㊂目前最为常见的SOC估算方法有开路电压法㊁安时积分法㊁神经网络法㊁卡尔曼滤波算法等㊂开路电压法[1]依赖于OCV-SOC曲线,需要将电池静置足够长时间以得到准确的开路电压值,不适用电池SOC在线估计㊂安时积分法[2]依赖于精确的初始值,但是并不能准确得到电流值,在积分过程中会累积难以消除的误差㊂神经网络法[3]具有较好的学习能力,能更准确地估算出电池SOC,但是神经网络法需要大量的数据集支撑,而且不同方法㊁不同变量㊁不同样本都容易导致最终结果出现比较大的偏差㊂卡尔曼滤波及其相关算法[4-6]解决了非线性和噪声处理问题,其中比较典型的就是扩展卡尔曼滤波(EKF)㊁无迹卡尔曼滤波(UKF)㊁自适应扩展卡尔曼滤波(AEKF)㊁自适应无迹卡尔曼滤波(AUKF)等算法,用其估计电池SOC,有着良好的预测结果㊂单个EKF算法[7]估计SOC方法的共同缺点是电池模型参数是用离线数据识别的,模型参数时变性被忽略㊂为了克服这一缺点,文献[8]提出了具有最优遗忘因子的递归最小二乘法进行在线电池参数辨识和SOC估计㊂然而,模型参数和SOC估计是在同一时间尺度下进行的,实际上在充放电过程中SOC是一个快速变化的量,电池参数是一个缓慢的变化量,同一时间尺度进行参数辨识和SOC估计会加大处理器的运算量㊂因此,很多文献开始提出不同时间尺度下电池参数和SOC估算的新方法:文献[9]提出一种基于多时间尺度的EKF-UKF参数辨识和SOC联合估算方法,实现了在宏观尺度下辨识电池参数,在微观尺度估算电池SOC,但该算法无法同时估计电池容量和模型参数㊂准确的容量估计对电池SOC估计来说是必不可少的,也是衡量电池健康状态(SOH)的重要指标;文献[10]提出了基于二阶RC等效电路模型的双卡尔曼滤波器联合估计电池SOC和SOH,虽然实现了电池SOC和容量的同时在线估计,但他们使用的仍然是离线辨识数据,没有考虑模型参数的时变性㊂上述方法均未能全面考虑电池模型参数的时变性和容量变化对电池状态估计造成的影响及处理器运算量等问题㊂为解决电池参数时变性问题,提高SOC估算精度,减少硬件计算量,针对上述方法对电池SOC估算的优缺点,以18650三元锂电池为研究对象,采用基于二阶RC等效电路模型的多时间尺度DEKF算法在线对电池的状态参数和SOC进行估算,对电池的容量状态进行跟踪㊂使用FUDS工况验证多时间尺度DEKF对电池状态参数和SOC的估算情况,验证了方法的可靠性㊂2㊀电池建模与参数辨识2.1㊀建立电池模型为准确估算电池的状态参数,一个合理准确的电池模型就显得极为重要㊂主流电池模型主要分为电化学模型㊁等效电路模型㊁神经网络模型等㊂其中电化学模型较为复杂,参数繁多,求解困难,难以在线直接应用;神经网络模型需要大量数据集用于模拟训练,耗时长㊂本文选取二阶RC等效电路模型,更加符合电池内部复杂的参数和化学变化,模型精度高,运算量小,适用于在线应用,如图1所示㊂R1R2R0U1U2UUo c vC1C2图1㊀二阶RC等效电路模型Fig.1㊀Second-order RC equivalent circuit model如图1所示:其中U ocv和U0分别是开路电压和端电压;R0是欧姆内阻;R1和C1表示电化学极化电阻和电容,具有较小的时间常数,模拟了电压急速变化的过程;R2和C2分别是浓度极化电阻和电容,具有较大的时间常数,模拟了电池使用过程中电压变化过程中逐渐稳定的过程;I为工作电流㊂根据等效电路模型建立模型表达式,如式(1)所示:U㊃1=-1R1C1U1+1C1IU㊃2=-1R2C2U2+1C2IU0=U ocv-IR0-U1-U2ìîíïïïïïï(1)2.2㊀实验确定OCV-SOC曲线和初始值本文以额定容量为2.2Ah的单体三元锂离子电池18650为研究对象,标称电压为3.7V,电压范围为2.5 V~4.2V㊂在恒温25ħ的保温箱内进行混合功率脉冲特性(HPPC)测试㊂开路电压可被认为是电池静置充分长时间以后的开路电压㊂根据HPPC测试实验可得94重庆工商大学学报(自然科学版)第40卷到OCV -SOC 对应的函数对应关系,如图2所示㊂拟合关系式如式(2)所示:U ocv =-20.7083R SOC 6+85.0152R SOC 5-133.5886R SOC 4+101.2818R SOC 3-37.8526R SOC 2+7.0109R SOC +3.0755(2)0.00.20.40.60.81.04.24.03.83.63.4开路电压U o c v/V R S O CO C V S O C拟合曲线图2㊀OCV -SOC 关系曲线Fig.2㊀OCV -SOC relationship curve根据混合功率脉冲特性(HPPC)测试,离线辨识参数作为在线参数辨识的初始值,后以实际工况为基础,利用算法实时在线辨识参数,参数初始值如表1所示:表1㊀模型参数初始值Table 1㊀Initial values of model parametersR 0/ΩR 1/ΩR 2/ΩC 1/FC 2/F0.03850.0080.049227.41027.82.3㊀联邦城市驾驶计划(FUDS )测试FUDS 是用于城市驾驶的汽车行业标准车辆时间速度曲线,多年来一直用于电动汽车性能测试㊂图3显示了FUDS 工况下电流和电压曲线㊂图4是在FUDS 工况下基于安时积分法100%到10%的SOC㊂24681012210-1-2-3-4电流/A t /s电流电压4.54.03.53.0电压/V103图3㊀FUDS 工况下电流和电压波形Fig.3㊀Current and voltage waveforms under FUDS conditions246810121.00.80.60.40.20.0R S O Ct /sS O C 变化曲线103图4㊀FUDS 工况下SOC 变化曲线Fig.4㊀SOC change curve under FUDS condition3㊀多时间尺度DEKF 算法3.1㊀电池模型状态方程电池SOC 表达式如式(3)所示:R SOC =R SOC,0-ηQ nʏt t 0I d τ(3)式(3)中,R SOC,0是初始值,Q n 是电池额定容量,η是电池库伦效率㊂将式(1)和式(3)联立离散化可得电池模型的状态方程和观测方程如式(4)㊁式(5)所示:R SOC,k +1U 1,k +1U 2,k +1éëêêêêùûúúúú=1000e -T τ1000e -T τ2éëêêêêêùûúúúúúR SOC,k U 1,k U 2,k éëêêêêùûúúúú+-ηT Q n R 11-e -kT τ1()R 21-e -kTτ2()éëêêêêêêêùûúúúúúúú㊃I k (4)U k =U ocv R SOC,k ()-U 1,k -U 2,k -R 0I k(5)式(4)中,T 表示系统采样时间,τ为时间常数,其中τ1=R 1C 1,τ2=R 2C 2,U 1,k 和U 2,k 代表极化电压㊂3.2㊀系统描述对于电池参数的慢变特性和电池状态的快变特性,采用多时间尺度方法构建离散状态空间表达式,对系统参数和状态进行宏观尺度和微观尺度预测,结合锂电池参数变化,得到系统的状态空间表达式如式(6)所示:x k ,l +1=f x k ,l ,θk ,u k ,l ()+ωk ,l ,θk +1=θk +ωθky k ,l =g x k ,l ,θk ,u k ,l ()+v k ,l ,y k =g x k ,θk ,u k ()+v θk{(6)其中,x k ,l +1是t k 时刻的系统状态矩阵,l =t k ,0+l ˑT (1ɤl ɤL ),其中T 是采样间隔,k 和l 分别是衡量宏观尺度和微观尺度的两个重要指标;参数状态变量θ=5第5期姚昌兴,等:基于多时间尺度锂电池在线参数辨识及SOC 和SOH 估计R 0,R p 1,C p 1,R p 2,C p 2,Q n []T ;ωk ,l 和ωθk 分别是状态和参数的过程噪声矩阵;v k ,l 和v θk 是状态和参数的测量噪声㊂Q k =E w k w T k []是状态过程噪声误差协方差,R k=E v k v T k []测量噪声误差协方差,Q θk =E ωθk ωθk ()T[]和R θk =E v θk v θk ()T[]是参数过程噪声误差协方差及其参数测量噪声协方差误差㊂3.3㊀多时间尺度DEKF 算法步骤步骤1㊀初始化状态变量x 0,0㊁参数状态变量θ0㊁状态变量误差协方差P x 0,0㊁参数变量误差协方差P θ0,表达式如式(7)所示:x 0,0=E x 0,0(),θ0=E θ0()P x 0,0=E x 0,0-x ^0,0()x 0,0-x ^0,0()T[]P θ0=E θ0-θ^0()θ0-θ^0()T []ìîíïïïï(7)步骤2㊀在宏观尺度上,参数估计的扩展卡尔曼滤波算法执行时间更新并计算先验参数估计θ-k 和误差协方差P -θk ,如式(8)所示:θ-k =θ^k -1P -θk =P -θk -1+Qθk{(8)步骤3㊀划分出宏观尺度L 和微观尺度l ,对于l ɪ{1, ,L },计算每个微尺度的先验状态变量估计值x -k ,l 及协方差误差P x-k -1,l,如式(9)所示:x -k -1,l =f x ^k -1,l -1,θ-k ,u k ,l -1()P x -k -1,l=A k -1,l -1P x ^k ,l -1A T k -1,l -1+Q k{(9)步骤4㊀在每个微观尺度上,状态估计卡尔曼滤波算法执行测量更新,随后是状态估计卡尔曼滤波算法的时间更新,其中状态扩展卡尔曼增益K SOC k -1,l ,后验状态估计值x ^k -1,l 及其误差协方差P x ^k -1,l,如式(10)所示:K SOC k -1,l =P x -k -1,l C T k -1,l C k -1,l P x -k -1,lC T k -1,l +R k ()-1x ^k -1,l =x -k -1,l +K SOC k -1,ly k -1,l -g x -k -1,l ,θk -1,u k -1,l ()[]P x ^k -1,l =I -K SOC k -1,l C k -1,l ()P x-k -1,lìîíïïïï(10)步骤5㊀在后验状态估计之后,比较微观尺度l 和宏观尺度L 的大小㊂如果l 没有达到水平L ,则状态估计x ^k -1,l 将传输到第三步作为时间的初始值,然后再次估计状态,对于时间序列计算l =1:L (l ңL ),则先验状态估计x -k -1,L 及其协方差误差P x -k -1,L,后验状态估计x ^k -1,L 及其误差协方差P x ^k -1,L,准备好进入宏观尺度更新,如式(11)所示:x -k -1,L =f x ^k -1,L -1,θ-k ,u k -1,L -1()P x -k -1,L =A k -1,L -1P x ^k -1,L -1A T k -1,L -1+Q k K SOC k -1,L =P x -k -1,l C k -1,L ()T C k -1,L P x -k -1,LC k -1,L ()T +R k []x ^k -1,L =x -k -1,L +K SOC k -1,L y k ,L -g x -k -1,L ,θ-k ,u k -1,L ()[]P x ^k -1,L=I -K SOC k -1,L C k -1,L ()P x-k -1,Lìîíïïïïïïïï(11)步骤6㊀时间尺度转换,更新所有微观尺度数据,时间t k -1,L 的估计值已准备好更新为t k ,0的值,用于参数估计和宏观状态估计,如式(12)所示:x ^k ,0=x ^k -1,L ,P x ^k ,0=P x ^k -1,Ly k .0=y k -1,L ,u k ,0=u k -1,L{(12)步骤7㊀宏观尺度的扩展卡尔曼滤波算法已经准备好执行测量更新,其中参数扩展卡尔曼增益K θk ㊁后验参数估计θ^k 和协方差P θ^k,如式(13)所示:K θk =P θ-k C θk ()T C θk P θ-kC θk ()T +R θk []-1θ^k =θ-k +K θky k ,0-g x ^k .0,θ-k ,u k ,0()[]P θ^k =I -K θk C θk ()P θ-kìîíïïïï(13)其中,θ0是初始系统参数,θ^0是它的猜测值;x 0,0是初始系统状态,并且x ^0,0是它的猜测值㊂两个扩展卡尔曼滤波在不同时间尺度运行,其中A k -1,l -1,C k -1,l ,C θk 如式(14)所示:A k -1,l -1=∂f x ,θ-k ,u k -1,l -1()∂x∣x =x ^k -1,l -1C k -1,l =∂g x ,θ-k ,u k -1,l ()∂x ∣x =x -k -1,l C θk=∂g x ^k .0,θ,u k ,0()d θ∣θ=θ-k ìîíïïïïïïïï(14)结合上述内容,为了同时实现电池参数和SOC 同时在线估计,设计了两个扩展卡尔曼滤波算法,其中一个EKF 用于电池参数在线辨识,另一个EKF 用于电池状态实时估计㊂首先,初始化参数变量和状态变量,状态估计EKF 在微观尺度下估计电池SOC,当时间进行到宏观尺度时,时间尺度变换,时间t k -1,L 的估计值已准备好更新为t k ,0的值,用于参数估计和宏观状态估计㊂更新后的参数用于微观尺度状态估计EKF 估计电池SOC,两个卡尔曼滤波算法在不同时间尺度运行,可得到不同时刻电池参数和SOC 估计值㊂多时间尺度DEKF 算法结构如图5所示:15重庆工商大学学报(自然科学版)第40卷参数辨识卡尔曼状态估计卡尔曼输入U 01，1初始化θ0，P θk 初始化x 0,0，P x 0,0时间尺度更新计算θk ，P θkk -1,l划分出宏观L 和微观尺度I ，计算微观尺度下x k ,l ，P x k +1k -1,l ，计算K S O C＾x k -1,l ，＾x k -1,lP l +1l +L ?否是K +1参数输入，更新电池模型和状态空间方程计算K θk,θk ＾,P k θ＾测量方程更新，计算I =L 条件下P x k -1,L-x k -1,L K S O C k -1,L x k -1,L ＾P x k -1,L ＾时间尺度变换用于参数和宏观状态估计x k ，0＾，P x k ，0＾，y u ，，，，k,0k ,0，图5㊀多时间尺度DEKF 算法结构图Fig.5㊀Structure diagram of multi -time scale DEKF algorithm4㊀实验验证与分析为验证多时间尺度DEKF 的估算精度,采用联邦城市驾驶计划(FUDS)测试数据,通过Matlab 编写多时间尺度DEKF 算法运行程序,对比在不同宏观和微观尺度下的SOC 估算误差,得出在宏观尺度为60s㊁微观尺度为1s 时有比较好的SOC 估算结果,实验误差在合理范围之内㊂4.1㊀在线参数辨识结果分析根据混合功率脉冲特性(HPPC)测试,离线辨识参数作为在线参数辨识的初始值,设置SOC 初始值为0.8,通过多时间尺度DEKF 算法,得到对R 0,R 1,R 2,C 1,C 2的辨识结果如图6㊁图7所示:0.0450.0440.0430.0420.0410.0400.0390.0380.0370.0360.03550100150200R 0/Ω次数(a )R 00.0240.0220.0180.0160.0140.0120.0100.00850100150200R 1/Ω次数(b )R 10.0500.0480.0460.0440.0420.0380.0360.0340.0320.03050100150200R 2/Ω次数(c )R 2图6㊀R 0,R 1,R 2参数辨识结果Fig.6㊀Identification results of parameters R 0,R 1and R 230025020015010050100150200C 1/F 次数(a )C 11800160014001200100050100150200C 2/F 次数(b )C 2图7㊀C 1,C 2参数辨识结果Fig.7㊀Identification results of parameters C 1and C 2由以上参数辨识结果可以得知:在参数辨识30次之前,各参数有比较剧烈的波动,这主要因为没有选取一个恰当的初值,之后模型各参数趋于稳定㊂模型参数本就不是一个定值,会随着温度㊁循环次数等条件的改变而发生变化㊂整个过程中,参数辨识结果R 0逐步缓慢上升,R 1先缓慢减小后缓慢增大,R 2先缓慢增大后缓慢减小,整个放电过程的阻值是增加的㊂C 1先趋于平稳后快速减小再趋于平稳,C 2先快速增加后趋于平稳,但模型时间常数τ1和τ2波动不大,且τ2始终大于τ1,符合锂电池实际放电特性㊂4.2㊀SOC 估计结果分析为验证电池SOC 在多时间尺度DEKF 算法下的精度,本文选取安时积分法作为真实SOC 参考值,FUDS25第5期姚昌兴,等:基于多时间尺度锂电池在线参数辨识及SOC 和SOH 估计工况电流电压值作为输入,采用离线参数辨识EKF 和多时间尺度在线参数辨识DEKF 滤波算法估算电池SOC,并与参考值作对比,得出估算结果及误差结果如图8㊁图9所示㊂1.00.80.60.40.20.02468101214R S O C安时积分法D E K F E K F1.00.90.8020*********t ?103/s图8㊀SOC 估算结果Fig.8㊀Estimation results of SOC0.200.150.100.050.00-0.052468101214误差D E K FE KF t ?103/s图9㊀SOC 估算误差Fig.9㊀Estimation errors of SOC由SOC 估算结果和SOC 估算误差可以得知:多时间尺度的DEKF 算法相对于EKF 算法对SOC 的估算结果更接近参考值,具有较好的鲁棒性,其平均绝对误差仅为0.97%,而EKF 算法则为2.46%㊂随着放电的不断进行,多时间尺度的DEKF 算法可以实时更新电池参数,其估算精度更高,具有极强的稳定性,其均方根误差为1.19%,而EKF 电池参数是定值,会随着放电时间的累积,误差不断增大,其均方根误差为2.69%㊂通过上述分析,可知多时间尺度的DEKF 算法具有比较好的估算精度和鲁棒性㊂4.3㊀SOH 估计结果分析本文假设容量的更新随着模型参数一起更新,但实际容量变化十分缓慢,正常情况下可以几天校准一次,容量辨识结果如图10所示㊂2.0502.0452.0402.0352.0302.0252.02050100150200R S O H/A h 参考值估计值次数图10㊀容量估算结果Fig.10㊀Capacity estimation results从图10可以看出:估计值对参考值有着良好的跟踪能力,最大误差仅为0.00772Ah㊂5㊀结㊀论本文以二阶RC 等效电路模型为基础,建立多时间尺度DEKF 滤波算法,该算法可以同时在线估计电池模型参数㊁容量和SOC,并在FUDS 工况下对该算法与传统离线参数辨识EKF 算法进行比较,体现了该算法在SOC 估计精度方面的优势㊂平均绝对误差和均方根误差都明显降低,解决了电池参数时变所造成的SOC 估算精度差的问题,减小了硬件计算量,提高了算法的精确度和鲁棒性,验证了该算法对电池容量的跟踪能力,该算法能够较好跟踪容量在该实验中的变化情况㊂本文虽然对电池SOC 和容量都进行了预测,但鉴于研究是基于恒温实验条件下进行,在电池使用过程中,温度对电池状态参数和SOC 影响较大,后续将对温度对电池参数和SOC 的影响做进一步研究㊂参考文献 References1 ㊀陈东 高文根 李鹏飞 等.磷酸铁锂电池SOC -OCV 曲线特性研究 J .黑龙江工业学院学报 综合版 2021 21 12 89 94.CHEN Dong GAO Wen-gen LI Peng-fei et al.Study onSOC-OCV curve characteristics of lithium iron phosphatebattery J .Journal of Heilongjiang Institute of TechnologyComprehensive Edition 2021 21 12 89 94.2 ㊀王文亮 何锋 郑永樑 等.基于RLS-EKF 联合算法的锂电池SOC 估算 J .电源技术 2020 44 10 1498 1501 1505.WANG Wen-liang HE Feng ZHENG Yong-liang et al.SOC estimation of lithium battery based on RLS-EKF joint algorithm J .Power Technology 2020 44 10 149835重庆工商大学学报(自然科学版)第40卷1501 1505.3 ㊀SHEN Y.Adaptive online state-of-charge determination basedon neuro-controller and neural network J .Energy Conversion &Management 2010 51 5 1093 1098.4 ㊀刘浩.基于EKF的电动汽车用锂离子电池SOC估算方法研究D .北京北京交通大学2010.LIU Hao.Research on SOC estimation method of lithium-ion battery for electric vehicle based on EKF D .Beijing Beijing Jiaotong University 2010.5 ㊀田茂飞安治国陈星等.基于在线参数辨识和AEKF的锂电池SOC估计J .储能科学与技术2019 84745 750.TIAN Mao-fei AN Zhi-guo CHEN Xing et al.Lithium battery SOC estimation based on online parameter identification and AEKF J .Energy Storage Science and Technology 2019 8 4 745 750.6 ㊀王震坡薛雪王亚超.基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计J .北京理工大学学报2018 38 7 698 702.WANG Zhen-Po XUE Xue WANG Ya-chao.Estimation of state parameters of distributed drive electric vehicles based on adaptive unscented Kalman filtering J .Journal of Beijing Institute of Technology 2018 38 7 698 702.7 ㊀孙立珍赵乐乐刘广忱.基于近似二阶EKF的非线性滤波仿真J .计算机与数字工程2022 50 2 289 293.SUN Li-zhen ZHAO Le-le LIU Guang-chen.Simulation of nonlinear filtering based on approximate second-order EKF J .Computer and Digital Engineering 2022 502289 293.8 ㊀孙金磊邹鑫顾浩天等.基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法J .汽车工程2022 444505 513.SUN Jin-lei ZOU Xin GU Hao-tian et al.Estimation method of state of charge of lithium-ion battery based on FFRLS-EKF joint algorithm J .Automotive Engineering 2022 44 4 505 513.9 ㊀邢丽坤郭敏张梦龙等.多时间尺度下锂电池在线参数辨识及SOC估计J .安徽理工大学学报自然科学版2021 41 5 1 7.XING Li-kun GUO Min ZHANG Meng-long et al.On-line parameter identification and SOC estimation of lithium batteries under multiple time scales J .Journal of Anhui University of Science and Technology Natural Science Edition 2021 41 5 1 7.10 唐传雨韩华春史明明等.基于DEKF的储能电池系统SOC估计方法研究J .电力工程技术2021 4037 14.TANG Chuan-yu HAN Hua-chun SHI Ming-ming et al.Research on SOC estimation method of energy storage battery system based on DEKF J .Electric Power Engineering Technology 2021 40 3 7 14.11 杨世春华旸顾启蒙等.锂离子电池SOC及容量的多尺度联合估计J .北京航空航天大学学报2020 4681444 1452.YANG Shi-chun HUA Yang GU Qi-meng et al.Multi-scale joint estimation of SOC and capacity of lithium-ion batteries J .Journal of Beijing University of Aeronautics and Astronautics 2020 46 8 1444 1452.12 XIONG R SUN F CHEN Z et al.A data-driven multi-scaleextended Kalman filtering based parameter and state estimation approach of lithium-ion olymer battery in electric vehicles J .Applied Energy 2014 113 463 476.13 高晋艾田付徐新法等.基于UKF的磷酸铁锂电池电荷状态估算策略J .电子测量技术2018 41 3 12 16.GAO Jin AI Tianfu XU Xin-fa et al.State-of-charge estimation strategy for lithium-iron phosphate battery based on UKF J .Electronic Measurement Technology 2018 41312 16.14 袁翔周湘蒋鹏.电动汽车用锂电池模型参数辨识方法研究J .公路与汽运2015 4 13 16.YUAN Xiang ZHOU Xiang JIANG Peng.Research on parameter identification method of lithium battery model for electric vehicles J .Highway and Automobile Transportation 2015 4 13 16.15 印学浩宋宇晨刘旺等.基于多时间尺度的锂离子电池状态联合估计J .仪器仪表学报2018 39 8 118 126.YIN Xue-hao SONG Yu-chen LIU Wang et al.Joint estimation of lithium-ion battery state based on multiple time scales J .Chinese Journal of Instrumentation 2018 398118 126.16 CHAO H YOUN B D CHUNG J.A multiscale framework withextended Kalman filter for lithium-ion battery SOC and capacity estimation J .Applied Energy 2012 92 694 704.17 何锋王文亮蒋雪生等.双扩展卡尔曼滤波法估计锂电池组SOC与SOH J .农业装备与车辆工程2021 59737 40 61.HE Feng WANG Wen-liang JIANG Xue-sheng et al.Estimation of SOC and SOH of lithium battery pack by double extended Kalman filter method J .Agricultural Equipment and Vehicle Engineering 2021 59 7 37 40 61.责任编辑:李翠薇45。
《基于EIS的退役锂离子电池SOH估计研究》
《基于EIS的退役锂离子电池SOH估计研究》一、引言随着电动汽车和储能系统的快速发展，锂离子电池因其高能量密度、长寿命和环保性而得到广泛应用。
然而，退役锂离子电池的回收与再利用问题日益突出，其中电池的健康状态（State of Health，SOH）估计成为关键技术之一。
准确估计退役锂离子电池的SOH对于其回收利用、延长寿命及确保安全运行具有重要意义。
目前，交流阻抗谱（Electrochemical Impedance Spectroscopy，EIS）被广泛用于锂离子电池的内部特性研究，具有快速、非侵入式的优点。
本文旨在研究基于EIS的退役锂离子电池SOH估计方法，为退役电池的回收与再利用提供技术支持。
二、文献综述近年来，国内外学者在锂离子电池SOH估计方面进行了大量研究。
传统方法主要包括库仑计数法、电压测试法、内阻测量法等，但这些方法均存在一定的局限性。
EIS作为一种新兴技术，具有能够从多个频率范围获取电池内部特性的优势。
近年来，许多研究者利用EIS对锂离子电池的SOH进行估计，并取得了较好的效果。
然而，目前基于EIS的SOH估计方法仍存在一定误差，且对不同类型、不同使用状况的电池适应性有待提高。
三、基于EIS的退役锂离子电池SOH估计方法本研究采用EIS技术对退役锂离子电池进行SOH估计。
首先，通过EIS获取电池在不同频率下的阻抗谱数据；其次，结合电池的物理模型和化学模型，分析阻抗谱数据与SOH之间的关系；最后，建立SOH与阻抗谱数据的数学模型，实现SOH的准确估计。
在具体实施过程中，我们采用了先进的EIS测试设备，对退役锂离子电池进行阻抗谱测试。
通过对比不同SOH状态下电池的阻抗谱数据，我们发现阻抗谱中的某些特征频率与SOH之间存在明显的相关性。
因此，我们提取了这些特征频率作为SOH估计的关键参数，并建立了相应的数学模型。
四、实验结果与分析我们选取了多组不同SOH状态的退役锂离子电池进行实验验证。
动力型锂电池SOC与SOH协同估计
Cooperative estimation of SOC and SOH for power lithium-ion batteries
. All Rights Reserved.
LIU Xia,b，LI Lin ， a,b LIU Hailong*a,b
(a.Key Laboratory of Shaanxi Province for Gas and Oil Well Logging Technology；
不准确情况下，运行算法可ቤተ መጻሕፍቲ ባይዱ速收敛至真值附近，算法估算结果的准确性与模型参数的微调无
关，鲁棒性较好。
关键词：动力锂电池；SOC 估算；SOH 估算；改进扩展卡尔曼滤波；等效电路模型
中图分类号：TN607；TM912
文献标志码：A
d o i： 1 0. 11 8 0 5 /T K Y D A2 0 1 9 1 8 1
Keywords ： power lithium-ion battery ； SOC estimation ； SOH estimation ； improved extended Kalman filter；equivalent circuit model
在电池状态参数的监视中，荷电状态(SOC)参数最为重要，由于 SOC 估计精确度直接决定电池管理系统 (BMS)的优劣，因此对该参数的精确估计是 BMS 技术的核心。SOC 是对电池剩余电量的反映，与电流、电压等 参数不同的是该参数不能直接通过测量得到，必须在采集某些物理量的基础上，建立和使用相应的数学模型及 算法才能获得[1]。目前，该参数常定义为在标准放电倍率条件下电池剩余电量和同条件下额定容量的比[2]。文
一种能在线协同估算电池荷电状态和健康状态的改进扩展卡尔曼滤波算法。通过分阶段脉冲放电
基于电池等效电路模型和扩展卡尔曼滤波器算法的电池单体soc估计算法和soh估计算法
基于电池等效电路模型和扩展卡尔曼滤波器算法的电池单体soc估计算法和soh估计算法电池单体State of Charge（SOC）估计算法是基于电池的等效电路模型和测量数据来估计电池的当前充电状态。
SOC估计算法主要包括以下几个步骤：1. 等效电路模型参数标定：通过对电池进行充放电实验，测量电池的电流和电压数据，并利用最小二乘法等方法来标定电池等效电路模型的参数，如内阻、放电容量等。
2. 扩展卡尔曼滤波器算法：扩展卡尔曼滤波器（EKF）是一种常用的滤波算法，能够对非线性系统进行状态估计。
在SOC 估计中，EKF可以根据电池等效电路模型和测量数据，通过预测和更新步骤来逐步估计电池的SOC。
3. 预测步骤：根据电池等效电路模型，利用上一时刻的SOC 估计值、电流和其他系统参数，通过预测方程来预测电池的SOC值，同时推断出噪声参数。
4. 更新步骤：根据测量到的电流和电压数据，通过观测方程来计算残差，然后用EKF算法对预测步骤中推断的噪声参数进行校正，并得到更准确的SOC估计值。
电池单体State of Health（SOH）估计算法是基于电池的容量衰减模型和历史数据来估计电池的衰减程度。
SOH估计算法主要包括以下几个步骤：1. 容量衰减模型：根据电池的充放电历史数据，建立电池的容量衰减模型，如Coulomb计数法、Peukert模型等。
2. 数据处理：对电池的充放电历史数据进行预处理，包括数据清洗、修正和插值等，以得到准确的充放电容量。
3. 容量衰减估计：根据容量衰减模型和处理后的数据，通过拟合和参数估计等方法，计算电池的容量衰减程度，即SOH值。
4. 健康状态估计：根据容量衰减程度和电池设计容量，计算电池的健康状态指数，用于描述电池的健康状况。
通过上述SOC和SOH的估计算法，可以实现对电池单体的充放电状态和健康状况的准确估计，从而实现对电池的有效管理和优化控制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
动力电池SOH估计
动力电池的存储能力与快速充放电能力均会随着老化而
不断下降，而SOH正是用于评价动力电池老化程度的量化指标。
动力电池SOC的准确估计依赖于精确的SOH值，预知SOH开展的SOC估计不具有实用性，仅能为SOC估计
方法提供初步借鉴。
4.2.1 动力电池SOH方法分类
动力电池的SOH与动力电池的老化过程密切相关，而老化最直观的表现为动力电池可释放能量降低和功率等级下降，内部反映为动力电池容量衰减和内阻增加，因此，常将动力电池容量和内阻作为SOH的评价指标。
一般来说，新动力电池的SOH被设定为100%，对于以动力电池容量需求为主的纯电动汽车而言，可认为动力电池容量达到初始容量的80%时动力电池不能满足正常需求；而对于以动力电池功率需求为主的混合动力汽车而言，则常采用2倍的初始内阻值作为动力电池终止使用条件。
SOH估计方法可分为两大类，即实验分析法与基于模型的方法，如图4-13所示。
前者指通过对采集到的动力电池电流、电压、温度等实验数据进行分析，相对直接地获取某
些能反映动力电池衰退的特征参数，从而实现动力电池SOH 的标定，根据所选动力电池参数的不同，它又可分为直接测量法与间接分析法；而后者则需采用动力电池模型对所选动力电池参数进行估计，以实现动力电池SOH的标定，根据所选估计算法的不同，它又可分为自适应状态估计算法与基于数据驱动的方法。
图4-13 SOH估计方法分类
1.直接测量法
直接测量法指通过直接测量动力电池某些特征参数，并以此来评价动力电池SOH，主要包括容量/能量测量法、欧姆内阻测量法、阻抗测量法以及循环周期计数法。
(1)容量/能量测量法
指通过动力电池容量或能量的准确、直接测量，来确定动力电池SOH。
显然，容量和能量的准确测量至少需要两个前提条件：
①保证充放电过程的完整性。
②保证采集精度足够高，这就意味着此方法只能在实验室或其他相对稳定的条件下使用。
对于实车环境而言，则往往需要用到容量在线辨识的方法。
（2）欧姆内阻测量法
指通过实时测量动力电池欧姆内阻来评价动力电池SOH，计算方法如式(4-34)所示，即动力电池电压变化量与电流变化量之比。
相对动力电池容量而言，欧姆内阻更容易测量，在实车过程中突然制动或者加速均会引起较大的动力电池
电流与电压的变化。
但是，除了动力电池SOH与温度的影响外，欧姆内阻也会随着SOC的变化而变化，且它受电流、电压采样间隔的影响较为显著，即采样间隔越小，越接近于欧姆内阻真实值。
同时，在计算欧姆内阻时，应限定Δi L的
最小绝对值，否则会导致结果的剧烈波动。
式中，ΔU t为动力电池脉冲电压；Δi L为动力电池脉冲电流。
（3）阻抗测量法则需要借助电化学工作站或其他相似功能的交流电激励设备来测量动力电池EIS。
图2-32给出了不同老化状态下的动力电池EIS，可以发现动力电池EIS与动力电池老化状态之间存在着明显的关系。
而且在不同频率的激励下，动力电池的反馈也有所不同。
对于高频阶段，动力电池布线与多孔结构的诱导效应占主导地位，即阻抗更多表现为欧姆特性；而在低频阶段，电容效应则会变得更为显著。
因此，在获取动力电池EIS后，即可通过对动力电池EIS中某些特征参数的提取来标定动力电池SOH。
2.间接分析法
间接分析法是一种典型的多步推导方法，它不会直接计算出动力电池容量或内阻值，而是通过设计或测量某些能反映动力电池容量或内阻衰退的过程参数，来标定动力电池SOH。
通常将这些过程参数称为健康因子，主要包括SEI膜
阻抗、动力电池容量-OCV-SOC响应面、电压响应轨迹或恒压阶段充电时间、增容(Incremental Capacity,IC)曲线或差分电压(differential Voltage,DV)曲线、超声波响应特征等。
当然，也可以选取两个及两个以上的健康因子共同评价动力电池SOH。
①动力电池端电压响应直接反映了动力电池内部反应特性，因而可基于控制变量法，分析特定SOC、温度以及电流输入下的电压响应轨迹，从而完成SOH的标定。
这一方法即为电压响应轨迹法。
同时考虑到动力电池放电工况较为复杂、多变，因而这一方法常用相对稳定的充电过程作为分析对象。
目前，最为常见的充电方法为恒流恒压充电，如图2-11所示。
它分为两个阶段，即先采用恒定电流充电至上截止电压(CC阶段)，然后采用恒压充电的方式降电流直至设定的最小阈值(CV阶段)。
对于相同材料的动力电池而言，此充电方法的总体充电时间基本保持不变，而CV阶段的充电时间会随着动力电池的老化而明显增加。
因而，若能获取动力电池完整CV阶段的充电曲线，即能准确计算出动力电池SOH。
②容量增量法(IC Analysis,ICA)与差分电压法(DV Analysis,DVA)指分别利用IC曲线与DV曲线分析动力电池
的衰退过程与老化机理，进而实现SOH的标定。
IC曲线与DV曲线均可由恒流充放电数据变换得到，前者是描述的
d Q/d V-V的关系，而后者则为d V/d Q-Q的关系。
这两种方法将会在4.2.4节中详细描述。
3.自适应算法
自适应算法一般需要借助电化学模型或等效电路模型，它通过对模型参数进行辨识，完成SOH的标定。
这类方法的特点在于闭环控制与反馈，以实现估计结果随动力电池电压的自适应调整，其包括联合估计法、协同估计法以及融合估计法等。
（1）联合估计法
联合估计法需要同时在线估计动力电池的模型参数和SOC，因而所用的自适应算法一般包括两个及其以上的滤波器或观测器，其中模型参数主要包括内阻、阻抗、OCV等。
鉴于动力电池SOC与容量密切相关，在获取相对准确的SOC值后，可根据SOC估计值来确定动力电池容量，进而完成动力电池SOH的标定。
基于SOC估计值的动力电池容量估计方法将在第4.2.2节详细阐述。
（2）协同估计法
协同估计法同样需要实现动力电池模型参数与SOC的同时在线估计，但是这里模型参数相比联合估计法增加了动力电池容量一项，即直接完成了动力电池容量与SOC的同时估计。
从通用的算法基本框架来看，协同估计法与联合估计法的区别主要体现在两个方面：
①对于两类估计算法，新息(输出预测电压误差)序列的使用模式是不同的。
协同估计法中的两个估计器共用同一个新息序列。
但在联合估计法中，两个估计器的电压误差则是不相关的。
②参数估计与状态估计的关系是不同的。
在协同估计法中，状态估计与参数估计两部分之间会相互影响，但联合估计法则没有明显的相互作用效应。
协同估计法的详细计算过程将在第4.3节中介绍。
4.基于数据驱动的方法
基于数据驱动的SOH估计方法不依赖精确的数学模型来描述动力电池老化原理与演变过程，它只依赖于历史老化数据，即通过特定的学习算法提取历史数据点的关键老化信息。
①经验/拟合法指通过使用现有老化数据来预测动力电池寿命，且无须详细了解动力电池的结构与材料特性。
多项式、
指数、幂律、对数、三角函数是常用的经验模型和拟合模型，其计算量通常较小，计算速度较快。
如Arrhenius动力学方程，不仅十分简洁，而且精确描述了化学反应速率的温度依赖性，因而常被用于模拟由温度引起的扩散系数、蠕变率和其他热过程的变化。
Arrhenius动力学方程也可以用于描述动力电池依赖于温度的老化速率，其基本方程为
式中，d C/d n是相对于老化循环的动力电池容量变化率；Λ是指数前因子；R g是通用气体常数，即8.314J/（mol·K）；ΔE是活化能（J/mol）；T是以K为单位的绝对温度；Λ和λ=ΔE/R g是需要校准的两个未知参数。
对式（4-35）的等号两端进行积分：
式中，C r为指示动力电池老化的容量降低阈值；n c为动力电池循环寿命。
取两个不同温度点T1和T2(T1>T2)，有
式中，Δn c是寿命偏差，定量描述了温度变化对动力电池寿命影响。
在完成Arrhenius动力学方程中参数的辨识后，即可基于这一方程实现变温度下的动力电池SOH评估。
②样本熵(Sample Entropy,SampEn)可以用于评估时间序列的可预测性，并且还可以量化数据序列的规律性。
因此，可采用样本熵分析动力电池放电电压数据，并指示动力电池SOH。
样本熵算法流程见表4-6。
表4-6 样本熵算法流程
在已有大量离线数据的情况下，可直接采用机器学习算法，如支持向量机、相关向量机等，学习动力电池SOH与
样本熵算法输出的离线映射关系，进而可使用这一离线映射关系完成实车过程中的动力电池SOH实时估计。
各类SOH估计方法的优缺点以及相应的适用范围见表4-7。
表4-7 各类SOH估计方法的优缺点及相应的适用范围
（续）。