论文阅读笔记08：锂离子电池SOH估计综述——健康指标、方法与发展趋势
1 写在前面：为什么读这篇综述
SOH 估计是我进入「算法架构」方向的核心入口。之前读过的文献主要围绕热失控（TR）展开：Feng 等（2018）系统梳理了 TR 的触发机理和副反应链，Wang 等（2012）分析了 TR 如何从内部反应演变为火灾和爆炸，Garcia 等（2026）则用实验验证了 NMC811 圆柱电芯的 TR 传播多物理场模型。但这些关注的都是电池的极限危险时刻——何时失控、如何传播、怎样预警。
而 SOH 关注的是另一个维度：电池在全生命周期中的渐进衰减。同样在发热，是新电芯的正常温升还是老化电芯的异常信号？同样充到 4.2V，SOC 估计是准还是已经偏了？这些问题归根到底都需要一个靠谱的 SOH 估计来回答。
这篇 Tang 等人 2025 年发表在 World Electric Vehicle Journal 上的综述，时效性极强——2025 年 8 月发表，引用文献大量集中在 2023-2025 年。它的独特价值在于两点：
我的阅读目标：
这篇笔记不会逐段翻译原文，而是从我关心的工程视角重新组织——重点关注"BMS 能用什么指标、什么方法、面临什么困难"。
2 论文基本信息
表 1 论文基本信息
| 题目 | The State of Health Estimation of Lithium-Ion Batteries: A Review of Health Indicators, Estimation Methods, Development Trends and Challenges |
| 作者 | Kang Tang, Bingbing Luo, Dian Chen, Chengshuo Wang, Long Chen, Feiliang Li, Yuan Cao, Chunsheng Wang* |
| 单位 | 中南大学自动化学院 & 国家先进储能材料工程研究中心 |
| 期刊 | World Electric Vehicle Journal |
| 年份 | 2025 |
| 卷/号 | 16, 429 |
| DOI | 10.3390/wevj16080429 |
| 类型 | 综述论文 |
| 关键词 | SOH estimation; health indicators; machine learning; battery management system; lithium-ion battery |
作者团队来自中南大学——国内电池管理研究的重要基地之一。论文发表在 WEVJ 上，是一本 MDPI 的开放获取期刊，审稿速度很快（投稿到接收仅 1 个月），内容新颖但需要关注其同行评审深度。这篇文章的结构非常适合作为 SOH 方向的入门框架——先讲健康指标（你要估什么），再讲估计方法（怎么估），最后讲趋势和挑战。
3 这篇论文主要讲了什么
3.1 主线逻辑
作者的主线清晰：
3.2 核心分类体系
如图1所示，SOH估计体系由"健康指标（HIs）"和"估计方法"两大支柱构成。健康指标是模型观测的输入特征，估计方法是将这些特征映射为SOH值的算法。两者相互配合，最终服务于寿命预测、安全预警和维护决策三个工程目标。这说明SOH估计不是一个单一算法问题，而是一个"选什么特征"加"用什么方法"的组合问题。
图 1 论文的 SOH 估计方法分类体系（基于原文 Fig. 5 + Section 2 综合）
3.3 核心观点
4 核心内容深度解析
4.1 健康指标（HIs）全梳理
这是本文最有价值的部分。作者把 HIs 分为四大类，我理解它们各自回答了不同的问题：
表 2 健康指标（HIs）四分类
| 容量相关 | 电池还能存多少能量？ | 放电容量、IC/DV曲线特征峰、库仑效率 | 需完整充放电曲线 |
| 内阻相关 | 电池内部退化了多少？ | DC内阻、欧姆/极化电阻 | 需要脉冲测试 |
| 温度相关 | 电池在发热吗？多热？ | 表面温度、温升速率、内外温差 | 传感器可直接测 |
| 充放电曲线 | 充电/放电过程变了吗？ | CC充电时间、电压平台时长 | BMS天然可提取 |
4.1.1 容量相关指标——IC/DV 曲线
这是 SOH 研究中最有深度的指标。作者详细讨论了 增量容量分析（ICA） 和 差分电压分析（DVA）：
- ICA：dQ/dV vs V 曲线，峰的位置和高度反映正负极的电化学行为。峰左移→内阻增加，峰变矮→活性物质损失。
- DVA：dV/dQ vs Q 曲线，峰间距变化反映不同老化模式。
我的理解：IC/DV 曲线是唯一能够"诊断"老化原因（而不是仅仅"量化"老化程度）的指标。但要对它有充分理解，需要相当的电化学背景——每个峰对应哪种反应、什么参数变化意味着哪种退化，这需要跟电化学模型结合解读。
4.1.2 温度相关指标
温度不仅是退化结果，也是退化加速器。本文特别强调：电池包内温度不均匀造成不同电芯以不同速率老化——BMS 中 SOH 估计必须考虑温度空间分布的影响。
4.2 SOH 估计方法的四分类
作者采用了四分法。我整理成对比表：
表 3 SOH 估计方法四分类对比（基于原文 Table 1 整理）
| 直接测量 | 容量测量、充放电曲线分析、内阻测量 | 精度高、物理含义直接 | 耗时长/硬件贵、环境敏感 |
| 模型驱动 | 电化学模型、ECM、EIS、经验模型 | 机理可解释、可实时运行 | 模型假设限制精度、计算量大、依赖参数标定 |
| 数据驱动 | SVM/GPR/RF、CNN/RNN/LSTM/GRU | 自动特征提取、强非线性拟合 | 黑箱、需要大量高质量数据、在线部署复杂 |
| 混合方法 | 物理+数据融合、多ML模型集成 | 平衡精度和实时性、鲁棒性强 | 设计复杂、计算成本高、可解释性降低 |
4.3 数据驱动方法——这篇综述的重点
2025 年的综述，数据驱动方法自然是重头戏。作者按复杂度分层讨论，如图2所示：
传统 ML：SVM、GPR、RVM、RF。优点是数据量需求相对低、模型简单；缺点是特征工程依赖经验，对复杂工况拟合能力有限。
深度学习：
- FFNN/CNN：用于从充放电曲线"图像化"后提取特征
- RNN/LSTM/GRU：时序数据的天然适配者。LSTM 至今仍是 SOH 估计的主力模型
- 迁移学习：当目标电池数据很少时，从相似化学体系迁移知识
混合方法（本文认为最有前景的方向）：
- PINN（物理信息神经网络）：在损失函数中嵌入物理约束，让网络"懂一点物理"
- 多模型集成：比如用 EIS 数据训练 CNN + 用时间序列训练 LSTM，再融合输出
图2 SOH估计方法精度与复杂度演进趋势
4.4 云边协同——2025 年的关键热词
作者把云边协同列为四大未来趋势之一。我理解它的核心逻辑如图3所示：
图3 云边协同SOH估计架构
云边协同架构将SOH估计任务分层部署：边缘端（BMS）运行轻量化模型，实现低延迟的实时估计和异常检测；云端运行复杂模型，利用全生命周期数据进行深度诊断和模型更新；通过OTA通信实现两者的闭环迭代。这样既保证了实时性，又保留了精度上限，是解决"在线vs精度"矛盾的工程架构。
这跟Tang论文中讨论的云边协同理念完美衔接——Edge是数字孪生的底层数据采集层。
4.5 可解释性——从黑箱到可信
数据驱动方法准确率高但不可解释——这是本篇反复强调的痛点。在安全系统中，你不能简单地说"模型说 SOH=78% 所以要换电池"，你需要知道"为什么这么说"。
目前的可解释 ML 手段主要包括 SHAP、LIME 等事后解释工具，以及 PINN 这种"前置物理约束"的方法。作者预测未来应该是两者的结合。
5 前沿方向与趋势分析
如图4所示，SOH估计的四个前沿方向——复合健康指标、云边协同、可解释机器学习、新材料体系挑战——分别应对不同的核心矛盾。这些方向的共同目标是构建更安全、更可靠的BMS。值得注意的是，四个方向之间存在交叉：复合指标需要新方法，新方法需要新架构，新架构需要可解释性支撑，新体系需要重新设计整个链路。
图4 前沿方向与未来趋势
5.1 复合健康指标——从单一到融合
本文反复强调一个观点：仅靠容量或内阻的单一指标无法全面表征电池老化——在高温高倍率放电时容量衰减快但内阻变化不明显，在低温存储时内阻增长快但容量变化微妙。作者提出未来的方向是融合多物理量的复合健康指标：将容量、内阻、温度、充放电曲线形态特征加权融合为一个综合 HIs 向量。这让我联想到 Vujnovic 等（2025）关于 TR 传播建模的综述中也提到了多物理场耦合的必要性——在那边的语境下要耦合热-电-力场，在 SOH 这里要耦合的是容量退化-阻抗增长-热行为变化。本质上都是"单维度不够用"的底层逻辑。
5.2 云边协同与大数据——工程落地的关键架构造
作者将云边协同列为四大趋势之一，核心矛盾是：深度模型精度高但嵌入式跑不动，轻量模型跑得动但精度不够。他们的解决方案是：
- 边缘端部署轻量化模型做实时 SOH 估算（低延迟、不间断）
- 云端积累全生命周期数据，跑复杂模型做深度诊断和模型更新
- 通过 OTA 下发优化后的参数
这个架构特别让我想到 Liu 等（2025）在声学 TR 预警中遇到的问题——SGCFC 模型推理耗时 13.1 s，虽然相对 7954 s 的预警窗口不致命，但在 BMS 中如果同时跑 SOC+SOH+热预警，13 s 的响应时间就太多了。云边协同的本质就是把这些重计算任务从边缘剥离到云端。
5.3 可解释机器学习——安全系统的最后一道门槛
数据驱动方法（尤其是深度学习）面临的核心质疑是：你告诉我 SOH=78%，但我凭什么相信你？在安全关键系统中，"为什么"比"是什么"更重要。作者梳理了两条技术路径：
- 事后解释：SHAP、LIME 等工具，在模型输出后分析每个输入特征对预测结果的贡献度
- 前置约束：PINN（物理信息神经网络），在损失函数中嵌入电化学先验知识，让网络天然"懂得"充放电曲线的物理含义
我的理解是：事后解释适合科研验证阶段，前置约束更适合工程部署——因为 PINN 的"物理约束"本身就是一种正则化，能同时提升抗噪能力和泛化性能。Wang 等（2012）在 TR 火灾分析中强调的"不可简单把实验室数据作为工程阈值"，放在 SOH 估计中同样适用——一个没有物理基础的神经网络可能在训练数据分布外给出完全荒谬的预测。
5.4 新型电池材料的 SOH 挑战
随着固态电解质、高镍 NCM、硅碳负极等新材料的应用，传统基于容量衰减和内阻增长的 SOH 评估体系面临挑战——例如固态电池的衰减模式以界面阻抗增长和锂枝晶穿透为主，与液态电解液体系的 SEI 膜生长模式完全不同。Jiang 等（2026）在讨论 TR 传播防护时也提到，不同化学体系之间的热力学特性差异巨大，SOH 评估同样需要体系专门化。
| 复合健康指标 | 单一指标 vs 全面表征 | 多物理量融合 HIs + 自适应权重 |
| 云边协同 | 精度 vs 实时性 | 轻量模型边缘部署 + 云端深度分析 |
| 可解释 ML | 黑箱精度 vs 信任需求 | SHAP/PINN 双轨融合 |
| 新材料 SOH | 传统评估体系 vs 新型衰减模式 | 针对固态/高镍等体系的专项研究 |
6 对工程实践的启发
6.1 健康指标选择——BMS 可用的 vs 实验室专用的
表 4 健康指标在线可用性速查
| 放电容量 | ⚠️ | 需要完整放电曲线，实际使用中很难获得 |
| IC/DV 曲线 | ⚠️ | 理论上可在线（低倍率充电段），需要足够的采样精度 |
| DC 内阻 | ✅ | 利用充电/放电起始段的电压跳变即可估算 |
| 表面温度 | ✅ | 热敏电阻直接采集 |
| 充电 CC 段时间 | ✅ | BMS 天然可记录 |
| ECM 参数（通过观测器） | ✅ | 需要在线参数辨识 |
6.2 BMS SOH 方案的三层架构
表 5 推荐的分层 SOH 估计架构
| 基础层（必须） | 库仑计数 + 定期 OCV 校正 | 容量 SOH | 低 |
| 增强层（推荐） | EKF/Dual KF + 在线内阻跟踪 | 容量 + 内阻 SOH | 中 |
| 智能层（前沿） | LSTM/CNN + 云边协同 + 可解释输出 | 多维度 SOH + 退化原因诊断 + RUL 预测 | 高 |
6.3 警示
- IC/DV 曲线需要"干净"的充电数据。实际车辆的快充曲线噪声多、工况复杂，曲线特征可能被淹没。在 BMS 上做 IC/DV 分析前，必须考虑数据滤波和分段策略。
- 云边协同的通讯延迟是硬伤。如果你的 SOH 模型需要 200 ms 反馈给电池功率限制，但云端响应需要 2 s，那就不能依赖云端做实时决策。
- 迁移学习不是万能药。从 NMC811 迁移到 LFP 的 SOH 模型可能完全失败——化学体系跨越太大。
7 论文的局限
这篇综述出版快、引用新，但也有一些值得注意的问题：
瑕不掩瑜，这篇综述的最大价值是提供了 2025 年 SOH 研究的全景快照——读完它，你对当前 SOH 领域的研究重点和瓶颈就有了明确的认知。
8 我的理解与总结
8.1 方法论提炼
读完这篇，我把 SOH 估计总结为一个双引擎模型，如图5所示：
图5 SOH估计的双引擎模型
SOH估计可以拆解为两个独立决策维度：指标引擎决定“选什么特征来观测老化”，方法引擎决定“用什么模型来计算SOH”。前者回答“看什么”，后者回答“怎么算”。两者相乘，共同决定估计结果的最终质量。这个框架说明：即使方法再好，指标选错了，结果也不可靠；反之亦然。
8.2 核心收获
9 参考文献
- Tang K, Luo B, Chen D, Wang C, Chen L, Li F, Cao Y, Wang C. The State of Health Estimation of Lithium-Ion Batteries: A Review of Health Indicators, Estimation Methods, Development Trends and Challenges[J]. World Electric Vehicle Journal, 2025, 16: 429. DOI: 10.3390/wevj16080429.
