综述:基于人工智能的电池管理系统中SoC、SoH和RUL估计:一项三级映射研究

《Journal of Energy Storage》:Estimation of SoC, SoH, and RUL in battery management systems using artificial intelligence: A tertiary mapping study

【字体: 大 中 小 】 时间:2026年07月28日 来源:Journal of Energy Storage 10.7

编辑推荐:

  由电动汽车电动化和全球能源转型推动的对高效储能系统的日益增长的需求,使电池管理系统成为关键组件。本研究进行了一项三级综述,对关于应用人工智能(AI)技术估计锂离子电池荷电状态(SoC)、健康状态(SoH)和剩余使用寿命(RUL)的二次文献进行了映射、分析和综合

  
由电动汽车电动化和全球能源转型推动的对高效储能系统的日益增长的需求,使电池管理系统成为关键组件。本研究进行了一项三级综述,对关于应用人工智能(AI)技术估计锂离子电池荷电状态(SoC)、健康状态(SoH)和剩余使用寿命(RUL)的二次文献进行了映射、分析和综合。基于系统文献综述,研究人员筛选并分析了43项二次研究。结果表明,机器学习技术,如人工神经网络(ANN)和支持向量回归(SVR),占据主导地位,并呈现向深度学习(DL)架构增长的趋势。其中,长短期记忆(LSTM)变体,特别是双向LSTM(Bi-LSTM)和混合CNN-LSTM模型,被频繁用于捕捉复杂的时间动态。在超参数调优方面,生物启发算法如粒子群优化(PSO)和遗传算法(GA)是最常用的优化方法。NASA、CALCE和牛津数据集是最广泛用于模型验证的数据集。确定的关键挑战包括数据质量和可用性、嵌入式系统实现的计算复杂度以及模型泛化性。未来方向指向物理模型与数据驱动模型的混合、轻量级算法(TinyML)的开发、可解释人工智能(XAI)的采用,以及创建标准化基准以促进开放科学。这项三级映射研究巩固了现有技术水平,统一了观点,并提供了统一的全景视图,以指导未来研究和行业专业人员。
1. 引言:全球能源转型和电动汽车电动化推动了对基于锂离子电池的高效可靠储能系统的需求。电池管理系统(BMS)负责监测和管理电池运行,确保其在安全窗口内运行并优化使用寿命。BMS的关键功能在于准确估计电池内部状态,如荷电状态(SoC)、健康状态(SoH)和剩余使用寿命(RUL)。传统方法如电化学模型或线性滤波器难以捕捉电池高度非线性的动态和复杂退化反应。人工智能(AI),特别是机器学习(ML)和深度学习(DL)技术,已成为克服这些挑战的有效方法。数据驱动模型能够从运行数据中学习电池行为模式,无需显式物理模型。由于该领域研究数量激增,产生了大量综述文献,但知识碎片化。本研究作为三级综述,旨在映射、分析和综合现有综述文献,回答四个研究问题(RQ1-RQ4)。本文主要贡献在于首次对该主题进行三级综述,统一了SoC、SoH和RUL估计的趋势分析。

2. 方法论:本研究采用系统性和可重复的方法,遵循Kitchenham等人指南,使用Parsifal工具进行全流程管理。研究问题采用PICOC方法定义:人口为二次研究,干预为基于AI的方法,比较为传统非AI方法,结果为识别趋势和空白,背景为BMS中AI技术对SoC、SoH、RUL的估计。搜索字符串基于关键术语构建,在IEEE Xplore、ScienceDirect、Scopus和Springer Link四个数据库中进行。选择标准包括二次研究、2020-2025年英文发表、属于能源等领域。排除标准包括重复、非同行评审、初级研究等。研究选择过程遵循PRISMA指南,经过识别、筛选、资格评估和纳入四个阶段,最终从106篇初始文章中获得43篇高质量二次研究。质量评估采用包含9个指标的清单,最高分9分,最低纳入分数为6分。数据提取包括AI技术、优化算法、数据集、挑战、未来方向等。

3. 理论基础与相关工作:准确估计SoC、SoH和RUL直接依赖于ML或DL模型的选择。人工神经网络(ANN)是最广泛使用的类别,其中前馈神经网络(FFNN)在状态估计中占主导地位。关键指标包括:荷电状态(SoC)定义为当前剩余容量与总可用容量之比;健康状态(SoH)表示电池退化程度,通常容量降至标称值的80%视为寿命终止;剩余使用寿命(RUL)预测到失效剩余时间或循环次数。时间序列模型方面,长短期记忆(LSTM)是最流行的模型,能学习长期时间模式,但计算复杂度高。门控循环单元(GRU)是LSTM的轻量替代方案,性能相当但参数更少。循环神经网络(RNN)适用于序列建模,但存在长期依赖问题。混合模型如CNN-LSTM结合了特征提取和时间依赖建模。经典机器学习模型包括支持向量回归(SVR),广泛用于SoH估计,但存在可扩展性问题。卷积神经网络(CNN)能自动提取层次特征,但计算复杂。轻量级替代技术包括极限学习机(ELM),因其简单快速训练而适合边缘设备;集成学习如随机森林(RF)和LightGBM;高斯过程回归(GPR)提供不确定性量化。TinyML专注于在微控制器上部署超轻量模型,实现实时诊断。科学机器学习(SciML)特别是物理信息神经网络(PINNs),通过将物理方程嵌入损失函数,提高可解释性和泛化性,减少数据依赖。三级映射作为研究方法,综述了三级综述的定义和重要性,指出本研究是该领域首次三级综述。

4. 结果与讨论:基于43项二次研究的分析和综合,回答了研究问题。研究的一般特征显示,自2022年起发表量显著增加,SoH相关研究占44.9%,SoC次之,RUL相对较少。发表期刊集中在《Journal of Energy Storage》(22.0%)、《Batteries》(14.6%)和《Energies》(12.2%)。地理分布上,中国占30.2%,印度占18.6%,马来西亚、加拿大等也有贡献。AI方法论方面,支持向量回归(SVR/SVM)是最常分析的框架,占15.7%;卷积神经网络(CNN)占12.7%;循环神经网络(RNN)占10.2%。门控循环单元(GRU)和基于树的模型(随机森林)各占9.3%。LSTM架构的深入分析显示,标准LSTM占36.3%,双向LSTM(Bi-LSTM)占12.7%,CNN-LSTM占10.8%。其他变体包括LSTM-RNN、Elman-LSTM、注意力LSTM等。基于卡尔曼滤波器(KF)的方法中,经典KF占26.1%,扩展卡尔曼滤波器(EKF)占16.2%,无迹卡尔曼滤波器(UKF)占17.2%,粒子滤波器(PF)占8.6%。超参数优化方法中,粒子群优化(PSO)占23.9%,遗传算法(GA)占14.8%,贝叶斯优化占9.1%。数据集方面,NASA、CALCE和牛津数据集是最常用的公共基准集。关键挑战包括数据质量与可用性、计算复杂度与硬件实现、模型泛化性与鲁棒性、可解释性(XAI)缺乏、物理建模困难、标准化与可重复性不足。未来方向集中于混合与集成模型(PINNs、SciML)、新架构与先进AI(Transformer、GNN、自学习)、云边与大数据计算、数据改进与标准化、可解释人工智能(XAI)、实际应用与效率(TinyML)、迁移学习与泛化。网络分析揭示了挑战与未来方向之间的关联,如数据质量与混合模型强相关,计算复杂度与云边计算强相关,模型泛化与迁移学习强相关。质量评估识别出8项高质量二次研究(评分≥8),包括Marques等人(2022)、Banik等人(2023)、Zou等人(2023)、Olabi等人(2024)、Dineva等人(2024)、Sylvestrin等人(2025)、Al-Hashimi等人(2025)和Tripp-Barba等人(2025)的研究,这些研究代表了方法学上的基准贡献。

5. 结论:本研究对电池管理系统中AI状态估计的综述文献进行了全面分析,综合了43项二次研究。结果表明,机器学习技术如ANN和SVR占主导,DL架构如RNN和CNN增长趋势明显。LSTM变体特别是Bi-LSTM和混合CNN-LSTM被频繁用于建模时间依赖性。生物启发算法如PSO和GA是最常见的超参数调优方法。NASA、CALCE和牛津数据集是主要基准数据源。关键挑战包括数据质量、计算复杂度、泛化性和可解释性。未来方向包括物理信息模型(PINNs)、TinyML、XAI和开放科学。网络地图强化了这些发现,展示了研究社区如何提出直接解决方案。本综述为更智能、更可靠、更安全的电池管理系统发展提供了战略路线图。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号