锂离子电池剩余使用寿命评估的可持续计算方法：模型、数据集与智能电池管理系统

《Sustainable Computing: Informatics and Systems》：Sustainable Computing Approaches for Remaining Useful Life Estimation in Lithium-Ion Batteries: Models, Datasets, and Intelligent Battery Management Systems

　　阿卜杜拉·梅蒙 | 穆罕默德·马吉德·古尔扎尔 | 萨希德·A·哈西布 | 萨尔曼·哈比卜 | 阿里·阿里希
沙特阿拉伯达哈兰国王法赫德石油与矿业大学（KFUPM）控制与仪器工程系，邮编31261

**摘要**
随着电动汽车（EV）的普及，准确预测剩余使用寿命（RUL）和智能电池管理系统（BMS）的需求日益增强，以确保锂离子电池的安全性、可靠性和可持续运行。本综述系统地总结了RUL估算方法的最新进展，将其分为数据驱动型、基于模型的、混合型和过滤型方法。除了方法论的发展外，本文还系统地分析了公开的锂离子电池数据集，强调了它们的特点、实验条件及其局限性，并讨论了这些因素对模型泛化能力和基准测试实践的影响。与以往分别讨论RUL预测或BMS功能的综述不同，本研究将RUL估算明确整合到BMS架构中，涵盖了能量管理、温度调节、安全监控和实时实施约束。此外，还从可持续计算的角度批判性地分析了部署考虑因素，如计算效率、不确定性量化以及嵌入式系统的限制。通过连接数据集、建模策略和系统集成及部署挑战，本综述为下一代电动汽车电池系统的可扩展、可解释和实时RUL预测解决方案提供了全面的框架。

**引言**
本节介绍了综述的背景和意义，并概述了研究的动机和关键目标。
传统的内燃机汽车通过加剧空气污染对全球环境问题做出了贡献[1]。由于全球能源标准强调低碳排放，必须开发和转换使用可再生能源的车辆，这推动了电动汽车的普及。随着电池依赖技术在终端用户电子产品中的应用日益增加，能量储存已成为一个重要行业。同时，使用可再生能源发电的电量也在迅速增长。锂离子电池是电动汽车和混合动力电动汽车（HEVs）中最广泛使用的能源储存技术，因为它们重量轻、便携性强、安装简单，具有更高的能量密度、更快的充电速度和更低的自放电率。锂离子电池还广泛应用于消费电子产品中，如无人机、笔记本电脑、手机、飞机和卫星[2]。锂离子电池的广泛应用突显了其在促进环境可持续性和技术创新方面的关键作用[3]。
锂离子电池在许多领域变得越来越重要，因此评估其性能至关重要。目前，大量研究集中在控制锂离子电池的充放电过程、RUL预测和性能退化上[4]。电池老化是指随着时间的推移，自放电率导致电池寿命和性能下降的现象[1]。电池老化还由运行条件、化学降解以及超出指定范围的温度引起。电池寿命可通过多种因素进行估算，包括电池荷电状态（SOC）、电池健康状态（SOH）、RUL、电池使用寿命开始（BOL）和电池使用寿命结束（EOL）。这些参数可用于评估电池状况[5]。锂离子电池的健康监测和分析对于确保用户安全至关重要。为了澄清文献中常用的各种电池状态指标之间的关系，表1总结了它们在BMS框架内的定义和功能分类。
在这些指标中，SOC和SOE主要支持实时运行控制，而SOH和RUL则关注长期退化评估。SOS和SOT有助于以安全为导向的监控，强调了BMS在电动汽车应用中的多维作用。
锂离子电池的年龄通过SOH估算和RUL预测来监测和跟踪。RUL指的是电池达到使用寿命结束（EOL）前的剩余寿命，以循环次数或年/月表示。RUL预测可以基于公式（1）确定某个电池何时将无法使用[5]。
RUL = TEOL ? Tc
其中，TEOL表示电池的EOL时间，Tc是电池的当前使用时间。RUL估算也可根据公式（2）计算[5]。
RULi = Ci ? CEOL / Cnominal ? CEOL × 100%
电流容量、标称容量和使用寿命结束容量分别用Ci、Cnominal和CEOL表示。
虽然在许多电动汽车应用中剩余可用能量足够，但电池容量是判断电池寿命的重要因素。通常情况下，当电池容量降至初始值的70–80%时，即认为电池已达到使用寿命结束[6]。EOL也可以定义为内阻加倍的时间。
尽管这些指标在文献中已有明确的定义，但它们在面向电动汽车的BMS架构中的相互关系在各研究中仍存在分歧。本综述将这些概念综合到一个统一的系统层面，以阐明它们在退化敏感型电池管理中的作用。
由于锂离子电池具有轻量化设计、快速充电、高能量密度、低自放电率和便携性等优点，因此被推荐为首选电池技术。然而，它们也有一些缺点，包括寿命短、退化速度快、完全放电时可能损坏、成本较高以及相比其他电池技术更易起火[7]。正确的电池管理至关重要，因为许多事故都是由于不良的电池管理程序、忽视表示电池状态的指标以及未能监测性能退化造成的。表2总结了与锂离子电池故障相关的近期电动汽车火灾事件。这些事故包括充电过程中的热失控、机械碰撞和未知原因，表明在BMS框架内实现实时安全监控、故障诊断和保护控制的重要性。尽管这些事故与逐渐老化或RUL预测无关，但它们证实了需要能够预防突发故障和进行长期退化监测的强大多功能BMS。
图1展示了火灾事件后电动汽车的信息状况。这些图像显示了锂离子电池故障的危险性和多样性，无论是由于热原因、机械原因还是环境原因。这进一步证明了BMS在实时安全检测和应急响应中的重要性，这将作为综合电池管理策略的一部分，补充长期健康监测和RUL预测。为了提高清晰度，事故按类型分类，以便更好地可视化与锂离子电池系统相关的重复安全风险。
虽然本综述全面分析了锂离子电池RUL预测方法及其在面向电动汽车的BMS框架中的整合，但某些相关领域有意不在其范围内。具体而言，固态电池、钠离子电池等新兴电池化学和替代储能技术未详细讨论。同样，其他应用（例如固定电网储能、消费电子产品）、二次寿命经济建模、回收优化和电池制造过程分析也被排除在外，以专注于RUL预测的数据集和算法、系统级部署及其与电动汽车的关联。通过明确界定这些界限，本综述专注于与可持续电动汽车电池操作和智能BMS集成直接相关的方法论和数据集。
需要改进电池管理以克服锂离子电池带来的挑战。为了改进电池管理实践和RUL预测技术，需要选择相关和适当的数据集。电池已成为主要的研究焦点。由于对电池的兴趣浓厚，一些组织提供了不同类型电池的数据集，从而避免了在研究中开发新数据集的必要性。此外，可能还有改进RUL预测或电池状态性能指标的可能性。更好地了解数据集有助于优化电池管理。
随着锂离子电池在电动汽车中的广泛应用，必须解决其安全性和可靠性问题。除了 immediate 安全问题外，RUL预测还涉及长期可靠性和生命周期优化。BMS应立即关注这些方面，以便实时诊断故障[20]。
虽然如热失控之类的安全故障是突发且需要立即干预的紧急事件，但RUL预测关注的是在长时间运行周期中逐渐发生的退化过程。在这方面，安全监控和RUL估算在BMS框架中发挥着互补作用：前者防止立即发生灾难性故障，后者实现长期可靠性和生命周期优化。
相比之下，RUL预测服务于不同的应用场景。它涉及评估电池的长期退化程度，以估计电池达到使用寿命结束（EOL）之前的剩余寿命。这决定了以下方面的相关性：
- 预测性维护和更换计划
- 生命周期成本优化
- 最小化停机时间并最大化电动汽车车队的可用性
- 规划二次寿命电池应用
准确的RUL估算有助于经济规划，提高电池利用效率，并支持可持续的电池生命周期管理。
在这方面，尽管安全监控和RUL预测关注电池健康的不同方面，但两者都是任何BMS不可或缺的组成部分。本综述重点介绍了RUL估算技术的最新发展及其与BMS功能的集成，特别是与生命周期可靠性和维护策略优化相关的内容[21]。
图2展示了锂离子电池获取的步骤，用于RUL预测。首先选择电池单元，并使用传感器测量组件获取相关数据参数。然后从数据中构建健康指标以预测RUL[22]。
图2展示了从原始数据获取到RUL预测的标准工作流程。该过程从选择电池单元和部署传感器系统开始，收集电压、电流、温度和容量等关键运行参数。这些原始测量数据经过预处理后转化为有意义的健康指标（HIs），作为预测建模的输入特征。接下来是模型选择和训练阶段，采用数据驱动型、基于模型的或混合方法来估算退化轨迹。最后，外推预测的退化曲线以确定电池达到使用寿命结束（EOL）的时间或循环次数，从而计算RUL。
该工作流程强调，准确的RUL预测不仅依赖于先进的算法，还依赖于可靠的数据采集、特征工程和退化建模，强调了数据集、方法论和BMS部署之间的相互关联性。
研究人员设计了各种模型来表示和理解锂离子电池的动态特性。电化学电池模型定义了电池的内部化学性质，如正负电极中的锂浓度、电荷转移和动能，用于预测RUL[23]。一组偏微分方程满足了这一需求，定义了多个参数。由于完整的机电模型无法实时确定电池参数，如果电池的未知因素被误识别，模型将无法准确预测电池RUL。
研究人员还开发了其他替代模型来表示电池模型，例如等效电路模型（ECM），它使用基于电容器的电路（也称为物理建模）通过不同输入来理解电池动态。此外，还使用卡尔曼滤波器、粒子滤波器和自适应滤波器对整个机电模型的紧凑阶模型进行了电池RUL预测[24]。
数据驱动模型（DDM）因不依赖于电池的物理或化学性质而受到研究人员和工业界的关注，也可称为“无模型模型”[25]。无模型模型是一个黑箱，仅有输入输出数据。在这种机制中，它不依赖于系统模型，仅依赖于输入和输出数据。DDM基于数据预测电池RUL。为了准确预测和估算电池RUL，DDM需要更多的训练和测试数据集。收集的数据质量和数量决定了用于训练和测试的DDM的性能和效率[26]。
DDM被用于多种电池监控和预测方法，包括机器学习（ML）和深度学习（DL）算法、经验方法和数据拟合方法以及差分分析技术[26]。电池的SOH与其机械、电气和热性能之间的关联是差分分析模型的基础。差分模型和电压模型利用表面温度和应变数据来确定老化对RUL和SOH预测的影响。为了提高计算性能，经验方法和数据拟合方法需要在大规模数据集的基础上进行，这些数据集是在特定条件下收集的，并假设功能设置是可比的[23]。机器学习（ML）和深度学习（DL）模型已成为预测电池剩余使用寿命（RUL）的广泛采用的方法，因为这些模型能够映射输入输出数据之间的任何非线性关系。为了预测电池的RUL或其他相关参数，应在电池的整个使用期间收集充电电流、温度和输出数据。交替充放电（DDM）方法主要用来估计电池的健康状态（SOH），而SOH则被用作预测RUL的输入[26]。本文的结构遵循了一个逐步的系统级视角。讨论首先从锂离子电池的工作原理开始，以建立退化行为的电化学基础。然后转向电池管理系统（BMS），展示监测、估计和控制机制如何支持电池的可靠性。在这一基础上，介绍了RUL预测的基本原理，以澄清理论概念和评估指标。接着，分析最新的文献和公开可用的数据集，以提供方法论背景和基准测试见解。最后，从部署的角度对RUL预测技术进行分类和分析，将建模策略与实际的BMS集成和可持续的电动汽车应用联系起来。这种结构化的进展确保了从物理机制到系统级实现的概念连贯性。

**锂离子电池的工作原理**
本节解释了锂离子电池在充电和放电循环中的工作原理。电池组包含多个部分，每个部分中有数百个单独的电池。图3展示了锂离子电池的充电和放电机制[27]。

**电池管理系统的进步**
BMS有助于管理车辆电池组中的多个电池，确保电池的安全运行，帮助电池在适当的操作范围内（温度、电压和电流）工作，从而延长电池的使用寿命并保持其最大容量以满足车辆的需求。因此，实施BMS非常重要[28]。图4(a)显示了BMS的典型结构，其中包含软件和硬件。BMS可以监控锂离子电池的数据采集。

**锂离子电池RUL预测的基础**
RUL指的是组件在发生故障之前能够继续正常工作的估计时间。它表示组件当前运行时间与其使用寿命结束之间的时间。RUL也被称为剩余服务寿命或剩余寿命。RUL是根据设备的年龄、状况和历史运行概况来确定的。在某些框架下，RUL还可以表示在达到故障阈值之前剩余的充电和放电循环次数。

**文献综述**
状态估计和RUL预测的性能已成为电池管理中的一个关键焦点。2025年1月使用Scopus数据库进行了全面的文献搜索，通过关键词“Lithium-ion battery”和“RUL”确定了相关出版物，共找到1393篇文献。因此，对2015年至2025年间的出版物进行了Scopus搜索，以生成统计分析和相关图表。本文的文献综述...

**公开可用的锂离子电池数据集**
本节列出了文献中用于电池参数估计的公开可用的在线锂离子电池数据集，并进行了讨论。

**基于RUL预测的方法和技术**
基于前一节讨论的数据集特征，以下方法展示了不同的建模范式如何利用历史循环数据、退化轨迹和健康指标来估计RUL。RUL被定义为设备达到故障阶段的最早时刻。一些方法提供了未来故障的预先信息，称为预测，例如RUL的估计，这些方法可以应用于...

**实际部署考虑和研究路线图**
尽管许多RUL预测方法在实验数据集下表现出高性能，但将这些模型应用于实时电动汽车BMS环境会带来额外的挑战。典型的部署场景涉及连续的传感器数据采集、在线特征提取、递归状态估计以及在有限的计算资源下的自适应模型更新。在实时电动汽车应用中，模型选择必须考虑延迟限制、内存限制...

**结论和未来建议**
本文提供了最近锂离子电池RUL预测进展的结构化总结，强调了将其集成到电动汽车BMS中的应用。分析不仅将RUL估计视为一个孤立的预测任务，还突出了其在实现生命周期优化、预测性维护和可持续能源管理中的核心作用。通过数据驱动、基于模型的、混合和过滤等方法，出现了一些关键见解，这些见解塑造了...

**CRediT作者贡献声明**
Salman Habib：可视化、验证。Shahid A. Hasib：数据整理、概念化。Muhammad Majid Gulzar：撰写——审阅与编辑、可视化、验证、监督、方法论。Abdullah Memon：撰写——原始草稿、软件、数据整理。Ali Arishi：验证、形式分析。

**利益冲突声明**
作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文报告的工作。