Due to increasing concerns about global warming, greenhouse gas emissions, and the depletion of fossil fuels, electric vehicles (EVs) powered by lithium-ion batteries have been placed on the forefront as alternative vehicles. Although lithium-ion battery has noticeable features, including high energy and power density, its highly nonlinear and dynamic nature needs to be continuously monitored by an effective battery management system (BMS). Accurate state of charge (SOC) estimation plays an essential role in BMS. The accuracy of coulomb counting method, as one of the simplest methods to estimate SOC, is strongly affected by the sensor accuracy, initial SOC and actual capacity. In the case of ignoring sensor accuracy, a data-driven coulomb counting method is proposed in this paper. Firstly, based on the incremental capacity analysis (ICA), the conventional battery voltage based IC curves are transferred to the SOC based IC curves, where the calibration point can be extracted to correct the erroneous initial SOC. Through the maximum information efficient (MIC) analysis, four voltage values are determined as the input of Gaussian process regression (GPR) model to realize the estimation for actual capacity. Finally, these two calibrated parameters are applied to modify the coulomb counting method. The robustness and feasibility of the proposed method are evaluated using experimental data under fast capacity degradation, which indicates that the data-driven coulomb counting method can calibrate the erroneous parameters and provide on-line satisfactory estimation accuracy for SOC.

由于人们对全球变暖，温室气体排放以及化石燃料的枯竭越来越关注，因此，由锂离子电池驱动的电动汽车（EV）成为替代汽车的前列。尽管锂离子电池具有引人注目的功能，包括高能量和高功率密度，但其高度非线性和动态特性需要通过有效的电池管理系统（BMS）进行连续监控。准确的充电状态（SOC）估计在BMS中起着至关重要的作用。作为估算SOC的最简单方法之一，库仑计数法的精度受传感器精度，初始SOC和实际容量的影响很大。在忽略传感器精度的情况下，提出了一种数据驱动的库仑计数方法。首先，基于增量容量分析（ICA），传统的基于电池电压的IC曲线被转换为基于SOC的IC曲线，可以在其中提取校准点以校正错误的初始SOC。通过最大信息效率（MIC）分析，确定四个电压值作为高斯过程回归（GPR）模型的输入，以实现对实际容量的估计。最后，将这两个校准参数应用于修改库仑计数方法。在快速容量下降的情况下，通过实验数据对所提方法的鲁棒性和可行性进行了评估，表明该数据驱动的库仑计数法可以校正错误的参数，并为SOC提供在线满意的估计精度。可以提取校准点以校正错误的初始SOC。通过最大信息效率（MIC）分析，确定四个电压值作为高斯过程回归（GPR）模型的输入，以实现对实际容量的估计。最后，将这两个校准参数应用于修改库仑计数方法。在快速容量下降的情况下，利用实验数据对所提方法的鲁棒性和可行性进行了评估，表明该数据驱动的库仑计数法可以校正错误的参数，并为SOC提供在线满意的估计精度。可以提取校准点以校正错误的初始SOC。通过最大信息效率（MIC）分析，确定四个电压值作为高斯过程回归（GPR）模型的输入，以实现对实际容量的估计。最后，将这两个校准参数应用于修改库仑计数方法。在快速容量下降的情况下，通过实验数据对所提方法的鲁棒性和可行性进行了评估，表明该数据驱动的库仑计数法可以校正错误的参数，并为SOC提供在线满意的估计精度。确定四个电压值作为高斯过程回归（GPR）模型的输入，以实现对实际容量的估计。最后，将这两个校准参数应用于修改库仑计数方法。在快速容量下降的情况下，通过实验数据对所提方法的鲁棒性和可行性进行了评估，表明该数据驱动的库仑计数法可以校正错误的参数，并为SOC提供在线满意的估计精度。确定四个电压值作为高斯过程回归（GPR）模型的输入，以实现对实际容量的估计。最后，将这两个校准参数应用于修改库仑计数方法。在快速容量下降的情况下，通过实验数据对所提方法的鲁棒性和可行性进行了评估，表明该数据驱动的库仑计数法可以校正错误的参数，并为SOC提供在线满意的估计精度。