基于WPD-GA-BP的电动汽车动力电池健康状态预测方法

摘要

动力电池健康状态（SOH）的精准预测对于延长电动汽车使用寿命和保障行车安全至关重要。针对BP神经网络存在的特征提取能力有限、对初始参数敏感以及易陷入局部最优等问题，基于某车企监控平台数据，提出了一种基于WPD-GA-BP的电动汽车动力电池SOH预测方法。首先，基于容量增量分析法提取平台数据特征参数，通过皮尔逊相关系数筛选出与SOH显著相关的特征作为模型输入；其次，为丰富特征参数维度，采用小波包分解对标签值进行多尺度重构；最后，采用遗传算法优化BP神经网络的初始权重和阈值，利用更广泛的搜索空间进行全局优化，有效避免局部最优，从而实现对动力电池SOH的精准预测。结果表明：WPD-GA-BP模型与WPD-BP和BP模型相比，最大估计误差低于1.5%，预测性能显著提升。相较于SVR和LSTM模型，WPD-GA-BP模型拟合优度（最高，且MAE和RMSE均为最小，表现出更强的预测精度与稳定性，进一步验证了该方法在动力电池SOH预测中的有效性。

关键词

动力电池 / 健康状态 / 小波包分解 / 遗传算法 / BP神经网络

基金资助

国家自然科学基金（51206171）; 江西省重点研发项目（20223BBE51016,20243BBG71009）; 江西省自然科学基金项目（20242BAB25273,20244BAB28006）; 江西省研究生创新专项资金项目（YC2023-S505）; 载运工具与装备教育部重点实验室基金（KLCE2022-09）