-
题名基于白鹭群优化高斯过程回归的锂电池SOH估计方法
- 1
-
-
作者
巫春玲
王立顶
卢勇
耿莉敏
陈昊
孟锦豪
-
机构
长安大学能源与电气工程学院
交通新能源开发、应用与汽车节能技术陕西省重点实验室
西安交通大学电气工程学院
-
出处
《储能科学与技术》
北大核心
2025年第6期2498-2511,共14页
-
基金
国家重点研发计划项目(2021YFB2601300)
陕西省重点研发计划(2022GY-193)
+1 种基金
陕西省教育厅服务地方专项科学研究计划项目(23JE021)
陕西省创新能力支撑计划项目(2021TD-28,2022KXJ-144)。
-
文摘
锂离子电池健康状态估计直接影响锂电池系统的安全性与可靠性,是电池管理系统中的一项重要功能。针对现有数据驱动的SOH估计方法中存在的缺乏不确定性表达、训练数据与测试数据未完全解耦等问题,本工作提出了一种基于白鹭群优化与高斯过程回归相结合的SOH估计方法。首先,从同类电池的充电电压、电流及弛豫电压信息中提取与电池老化相关的健康特征,并通过Pearson相关分析法筛选出与电池容量相关性高的健康特征。随后,采用平方指数核函数的高斯过程回归模型进行SOH估计,采用白鹭群优化算法优化GPR模型中超参数。最后,选取同济大学数据集中的NCA和NCM两类电池数据进行实验,验证所提模型的准确性与鲁棒性。实验结果表明,所提方法能够有效提高SOH估计的精度与可靠性。对于所测电池类型中,SOH估计误差的最大RMSE和MAE分别为0.0028和0.22%,相较于传统的GPR模型,误差指标分别降低了58.82%和57.69%。此外,该方法还能够实现SOH区间精准估计,避免高估电池SOH造成的安全问题。
-
关键词
锂电池
健康状态
白鹭群优化算法
高斯过程回归
区间估计
-
Keywords
lithium-ion battery
state of health
egret swarm optimization algorithm
Gaussian process regression
interval estimation
-
分类号
TM912
[电气工程—电力电子与电力传动]
-
