Batteries are presently pervasive in portable electronics, electrified vehicles, and renewable energy storage. These indispensable engineering applications are all safety-critical and energy efficiency-demanding such that batteries must be meticulously monitored and manipulated, where effectively estimating the internal battery states is a key enabler. The primary goal of this paper is to present a concise, understandable overview of existing methods, key issues, technical challenges, and future trends of the battery state estimation domain. More specifically, for the first time, the state of the art in State of Charge (SOC), State of Energy (SOE), State of Health (SOH), State of Power (SOP), State of Temperature (SOT), and State of Safety (SOS) estimation is all elucidated in a tutorial yet systematical way, along with existing issues exposed. In addition, from six different viewpoints, some future important research opportunities and evolving trends of this prosperous field are disclosed, in order to stimulate more technologically innovative breakthroughs in SOC/SOE/SOH/SOP/SOT/SOS estimation.

Predicting future capacities and remaining useful life (RUL) with uncertainty quantification is a key but challenging issue in the applications of battery health diagnosis and management. This article applies advanced machine-learning techniques to achieve effective future capacities and RUL prediction for lithium-ion (Li-ion) batteries with reliable uncertainty management. To be specific, after using the empirical mode decomposition (EMD) method, the original battery capacity data is decomposed into some intrinsic mode functions (IMFs) and a residual. Then, the long short-term memory (LSTM) submodel is applied to estimate the residual while the Gaussian process regression (GPR) submodel is utilized to fit the IMFs with the uncertainty level. Consequently, both the long-term dependence of capacity and uncertainty quantification caused by the capacity regenerations can be captured directly and simultaneously. Experimental aging data from different batteries are deployed to evaluate the performance of proposed LSTM+GPR model in comparison with the solo GPR, solo LSTM, GPR+EMD, and LSTM+EMD models. Illustrative results demonstrate the combined LSTM+GPR model outperforms other counterparts and is capable of achieving accurate results for both 1-step and multistep ahead capacity predictions. Even predicting the RUL at the early battery cycle stage, the proposed data-driven approach still presents good adaptability and reliable uncertainty quantification for battery health diagnosis.

Battery calendar aging prediction is of extreme importance for developing durable electric vehicles. This article derives machine learning-enabled calendar aging prediction for lithium-ion batteries. Specifically, the Gaussian process regression (GPR) technique is employed to capture the underlying mapping among capacity, storage temperature, and state-of-charge. By modifying the isotropic kernel function with an automatic relevance determination (ARD) structure, high relevant input features can be effectively extracted to improve prediction accuracy and robustness. Experimental battery calendar aging data from nine storage cases are utilized for model training, validation, and comparison, which is more meaningful and practical than using the data from a single condition. Illustrative results demonstrate that the proposed GPR model with ARD Matern32 (M32) kernel outperforms other counterparts and can achieve reliable prediction results for all storage cases. Even for the partial-data training test, multistep prediction test, and accelerated aging training test, the proposed ARD-based GPR model is still capable of excavating the useful features, therefore offering good generalization ability and accurate prediction results for calendar aging under various storage conditions. This is the first-known data-driven application that utilizes the GPR with ARD kernel to perform battery calendar aging prognosis.

This article presents the development of machine-learning-enabled data-driven models for effective capacity predictions for lithium-ion (Li-ion) batteries under different cyclic conditions. To achieve this, a model structure is first proposed with the considerations of battery aging tendency and the corresponding operational temperature and depth-of-discharge. Then based on a systematic understanding of the covariance functions within the Gaussian process regression (GPR), two related data-driven models are developed. Specifically, by modifying the isotropic squared exponential kernel with an automatic relevance determination structure, "Model A" could extract the highly relevant input features for capacity predictions. Through coupling the Arrhenius law and a polynomial equation into a compositional kernel, "Model B" is capable of considering the electrochemical and empirical knowledge of battery degradation. The developed models are validated and compared on the nickel-manganese-cobalt (NMC) oxide Li-ion batteries with various cycling patterns. The experimental results demonstrate that the modified GPR model considering the battery electrochemical and empirical aging signature outperforms other counterparts and is able to achieve satisfactory results for both one-step and multistep predictions. The proposed technique is promising for battery capacity predictions under various cycling cases.

This paper applies advanced battery modeling and multiobjective constrained nonlinear optimization techniques to derive suitable charging patterns for lithium-ion batteries. Three important yet competing charging objectives, including battery health, charging time, and energy conversion efficiency, are taken into account simultaneously. These optimization objectives are first subject to a high-fidelity battery model that is synthesized from recently developed individual electrical, thermal, and aging models. The coupling relationship and multiple timescales among different model dynamics are identified. Furthermore, constraints are imposed explicitly on the current, voltage, state-of-charge, and temperature. Such a complex charging problem is solved by using an ensemble multiobjective biogeography-based optimization approach. As a result, two charging patterns, namely the constant current-constant voltage (CC-CV) and multistage CC-CV, are optimized to balance various combinations of charging objectives. Different tradeoffs and sensitive elements are compared and analyzed based on the Pareto frontiers. Illustrative results demonstrate that the proposed strategy can effectively offer feasible health-conscious charging with desirable tradeoffs among charging speed and energy conversion efficiency under different demand priorities.

Real-time electrochemical state information of lithium-ion batteries attributes to a high-fidelity estimation of state-of-charge (SOC) and state-of-health (SOH) in advanced battery management systems. However, the consumption of recyclable lithium ions, loss of the active materials, and the interior resistance increase resulted from the irreversible side reactions cause severe battery performance decay. To maintain accurate battery state estimation over time, a scheme using the reduced-order electrochemical model and the dual nonlinear filters is presented in this article for the reliable co-estimations of cell SOC and SOH. Specifically, the full-order pseudo-two-dimensional model is first simplified with Padé approximation while ensuring precision and observability. Next, the feasibility and performance of SOC estimator are revealed by accessing unmeasurable physical variables, such as the surface and bulk solid-phase concentration. To well reflect battery degradation, three key aging factors including the loss of lithium ions, loss of active materials, and resistance increment, are simultaneously identified, leading to an appreciable precision improvement of SOC estimation online particular for aged cells. Finally, extensive verification experiments are carried out over the cell's lifespan. The results demonstrate the performance of the proposed SOC/SOH co-estimation scheme.

The significant decrease in battery performance at low temperatures is one of the critical challenges that electric vehicles (EVs) face, thereby affecting the penetration rate in cold regions. Alternating current (AC) heating has attracted widespread attention due to its low energy consumption and uniform heating advantages. This paper introduces the recent advances in AC heating from the perspective of practical EV applications. First, the performance degradation of EVs in low-temperature environments is introduced briefly. The concept of AC heating and its research methods are provided. Then, the effects of various AC heating methods on battery heating performance are reviewed. Based on existing studies, the main factors that affect AC heating performance are analyzed. Moreover, various heating circuits based on EVs are categorized, and their cost, size, complexity, efficiency, reliability, and heating rate are elaborated and compared. The evolution of AC heaters is presented, and the heaters used in brand vehicles are sorted out. Finally, the perspectives and challenges of AC heating are discussed. This paper can guide the selection of heater implementation methods and the optimization of heating effects for future EV applications.