隐变量DBN及其在电动汽车锂电池SOH估计中的应用
国家自然科学基金面上项目
隐变量动态贝叶斯网络（DBN）在健康状态（SOH）估计中的应用，是面上项目（编号61471151），由高明煜主持，执行周期为2012年1月至2015年12月，资助经费60万元。项目构建以锂电池端电压为观测变量、（SOC）为隐变量的动态贝叶斯网络模型，结合自适应结构评分准则与改进的算法，提升模型参数学习与推理效率。同时融合小波神经网络、自适应等方法，基于恒流充电时间、电压跌落等特征建立多维度SOH预测模型。研究成果发表于《Journal of Power Sources》，验证了嵌入式在线估计方案的有效性，为电池管理系统（BMS）的小型化与智能化提供技术支撑。
项目背景
锂电池的健康状态（SOH）是衡量其性能衰退程度的关键指标，直接影响电动汽车的安全性与经济性。由于SOH无法通过传感器直接测量，需依赖可测物理量（如电压、电流、温度）结合电化学或数学模型进行间接估计。传统方法在复杂工况下存在精度不足、实时性差等问题。为此，项目聚焦于动态贝叶斯网络在时间序列状态估计中的优势，探索引入隐变量以更准确刻画电池内部状态演化过程，提升SOH在线估计的鲁棒性与实用性。
研究内容
模型构建
项目构建以锂电池端电压为观测变量、荷电状态（SOC）为隐变量、SOH为输出变量的隐变量动态贝叶斯网络模型。通过设定合理的网络结构，刻画SOC、SOH与外部可观测信号之间的动态依赖关系，实现对不可测内部状态的联合推断。
算法优化
采用自适应结构评分准则进行模型结构学习，结合结构期望最大化（SEM）算法与启发式搜索策略完成参数学习。在推理阶段，引入改进的粒子滤波算法，提升高维隐变量空间下的近似推理效率与稳定性，保障在线估计的实时性需求。
多方法融合
除隐变量DBN外，项目同步研究基于小波神经网络与自适应模糊推断系统的SOH估计方法。输入特征包括恒流充电时间、充放电切换瞬间的电压跌落幅度及恒流放电特定时段内释放的能量，输出为对应SOH值，通过有监督学习完成模型训练与验证。
研究成果
项目在锂电池老化建模、时间序列状态估计及电池管理系统关键技术方面取得进展。所提出的隐变量DBN方法能较精确估计SOH，多方法对比验证了模型有效性。研究成果支持嵌入式在线估计系统的实现，为电动汽车电池管理系统（BMS）的小型化与自主化提供技术基础，相关成果发表于《Journal of Power Sources》。
参考来源
- [1]何志伟杭州电子科技大学网站
- [2]隐变量DBN及其在电动汽车锂电池SOH估计中的应用国家自然科学基金委员会
