The state-of-health (SOH) estimation is always a crucial issue for lithium-ion batteries. In order to provide an accurate and reliable SOH estimation, a novel Gaussian process regression (GPR) model based on charging curve is proposed in this paper. Different from other researches where SOH is commonly estimated by cycle life, in this work four specific parameters extracted from charging curves are used as inputs of the GPR model instead of cycle numbers. These parameters can reflect the battery aging phenomenon from different angles. The grey relational analysis method is applied to analyze the relational grade between selected features and SOH. On the other hand, some adjustments are made in the proposed GPR model. Covariance function design and the similarity measurement of input variables are modified so as to improve the SOH estimate accuracy and adapt to the case of multidimensional input. Several aging data from NASA data repository are used for demonstrating the estimation effect by the proposed method. Results show that the proposed method has high SOH estimation accuracy. Besides, a battery with dynamic discharging profile is used to verify the robustness and reliability of this method.

Accurate remaining useful life (RUL) prediction and state-of-health (SOH) diagnosis are of extreme importance for safety, durability, and cost of energy storage systems based on lithium-ion batteries. It is also a crucial challenge for energy storage systems to predict RUL and diagnose SOH of batteries due to the complicated aging mechanism. In this paper, a novel method for battery RUL prediction and SOH estimation is proposed. First, a novel support vector regression-based battery SOH state-space model is established to simulate the battery aging mechanism, which takes the capacity as the state variable and takes the representative features during a constant-current and constant-voltage protocol as the input variables. The estimated impedance variables are taken as the output due to the correlation between battery capacity and the sum of charge transfer resistance and electrolyte resistance. Second, in order to suppress the measurement noises of current and voltage, a particle filter is employed to estimate the impedance degradation parameters. Furthermore, experiments are conducted to validate the proposed method. The results show that the proposed SOH estimation method can provide an accurate and robustness result. The proposed RUL prediction framework can also ensure an accurate RUL prediction result.

An accurate battery remaining useful life (RUL) estimation can facilitate the design of a reliable battery system as well as the safety and reliability of actual operation. A reasonable definition and an effective prediction algorithm are indispensable for the achievement of an accurate RUL estimation result. In this paper, the analysis of battery terminal voltage curves under different cycle numbers during charge process is utilized for RUL definition. Moreover, the relationship between RUL and charge curve is simulated by feed forward neural network (FFNN) for its simplicity and effectiveness. Considering the nonlinearity of lithium-ion charge curve, importance sampling (IS) is employed for FFNN input selection. Based on these results, an online approach using FFNN and IS is presented to estimate lithium-ion battery RUL in this paper. Experiments and numerical comparisons are conducted to validate the proposed method. The results show that the FFNN with IS is an accurate estimation method for actual operation.

The prognostics and health management of lithium-ion batteries is extremely important for the working performance and cost of energy storage systems. Accurately forecasting battery state of health (SOH) and remaining useful life (RUL) plays an important role in ensuring reliable system operation and minimizing maintenance costs. This paper is, thus, concerned with online short-term SOH estimation and long-term RUL prediction using Brownian motion (BM) based degradation model and particle filtering (PF). The proposed model tackles the capacity degradation as the traveling distance of a Brownian particle in a given time interval. Then, the PF is used to estimate the drift parameter of the BM. This framework leads an accurate short-term SOH estimation result and gives a clear explanation for long-term RUL prediction because the first hitting time of BM follows the inverse Gaussian distribution. The predictive capability and effectiveness of the method are demonstrated by degradation datasets from different types of lithium-ion batteries. Through comparisons with other methods, the experimental results show the superiority of the proposed method in battery health prognosis and it can provide accurate and robust SOH and RUL forecasting.