锂离子电池健康状态(State of health,SOH)是电池系统安全管理与运维的主要参数之一,准确快速的SOH估计对提高电池应用的安全性有着重要意义。针对目前存在的电池SOH估计速度与精度难以兼顾的问题,提出一种基于改进最小二乘支持向量机(I...锂离子电池健康状态(State of health,SOH)是电池系统安全管理与运维的主要参数之一,准确快速的SOH估计对提高电池应用的安全性有着重要意义。针对目前存在的电池SOH估计速度与精度难以兼顾的问题,提出一种基于改进最小二乘支持向量机(Improved least squares support vector machine,ILS-SVM)的SOH快速准确估计方法。通过对LS-SVM算法设定合适的临界系数,舍弃部分支持向量,削弱边界样本对算法的影响,从而提高了算法的鲁棒性与运行速度,形成改进的LS-SVM算法。通过分析电池电压特性,选取特征电压数据区间进行估计,有效避免电池的完全充放电测量,提高SOH的估计效率。验证结果表明,所提出的电池SOH估计方法估计精度较高,大部分估计误差小于1%,且所提算法相比于改进之前的算法,运行速度提升最高可达20%。展开更多
文摘锂离子电池健康状态(State of health,SOH)是电池系统安全管理与运维的主要参数之一,准确快速的SOH估计对提高电池应用的安全性有着重要意义。针对目前存在的电池SOH估计速度与精度难以兼顾的问题,提出一种基于改进最小二乘支持向量机(Improved least squares support vector machine,ILS-SVM)的SOH快速准确估计方法。通过对LS-SVM算法设定合适的临界系数,舍弃部分支持向量,削弱边界样本对算法的影响,从而提高了算法的鲁棒性与运行速度,形成改进的LS-SVM算法。通过分析电池电压特性,选取特征电压数据区间进行估计,有效避免电池的完全充放电测量,提高SOH的估计效率。验证结果表明,所提出的电池SOH估计方法估计精度较高,大部分估计误差小于1%,且所提算法相比于改进之前的算法,运行速度提升最高可达20%。
