近日，西安交通大学机械学院梅雪松、徐俊教授团队在对电池状态估计大量研究的基础上，对用于电池准确的健康状态（SOH）估计的多模型集成学习方法进行了全面的回顾和讨论，相关研究以综述形式发表在《能源化学》上。

SOH估计对于确保电池的运行性能至关重要，尽管现有研究报道了大量数据驱动的电池SOH估计方法，但这些方法在不同的应用场景中往往表现出严重的性能不一致现象。为了克服单一数据驱动模型的性能限制，集成多个模型进行SOH估计受到了广泛关注。然而，缺乏对当前研究的准确分类和全面审查阻碍了多模型集成SOH估计的进一步发展。

针对上述问题，梅雪松、徐俊教授团队根据基模型组合策略将现有集成方法系统地分为6类：平均法，加权法，bagging，boosting，stacking和状态空间法。对每一类集成方法的不同实现和内在联系进行了细致的分析，突出了它们的区别、创新和典型应用。随后，对这些集成方法在基模型选择、组合策略和发表趋势等方面进行了全面比较。基于6个维度的评估突出了基于stacking的集成SOH估计方法的卓越性能。在此基础上，从加权集成和集成多样性的角度对这些集成方法进行了深度讨论。此外，该工作还总结了当前研究在选择性集成、模型鲁棒性和不确定性度量、增强可解释性和应对复杂条件等方面的挑战。最后，概述了未来的研究前景，指出深度学习集成极具研究潜力。先进机器学习与集成学习的无缝融合将会在无标签数据利用、小样本建模和电池数据隐私保护等方面产生更有价值的研究方向。同时，基于云的多源数据驱动的电池健康管理将会成为下一代电池管理系统的标准范式。

基于多模型集成学习的电池健康状态估计。

  ?

不同集成SOH估计方法在组合策略、出版趋势和性能评估方面的比较。（课题组供图）

  ?

相关论文信息：https://doi.org/10.1016/j.jechem.2024.09.021