基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计

摘要

准确的锂离子电池健康状态(State of Health, SOH)估计是电池管理系统安全稳定运行的重要保障。针对当前电池健康状态估计中存在的特征提取繁琐，估计模型复杂等问题，提出了一种基于多源指标降维和海象优化算法(Walrus Optimization Algorithm, WaOA)优化极限学习机(Extreme Learning Machine, ELM)的轻量级电池健康状态估计方法。首先从电池的充电和放电两个阶段的电压、电流和温度变化曲线中直接提取潜在特征，选取与SOH高度相关的特征。然后引入方差膨胀因子进行冗余分析，利用主成分分析法有效减少特征冗余。其次采用WaOA优化ELM的超参数，建立WaOA-ELM模型。最后根据NASA公开数据集将所提方法与LSTM、 SVR等模型进行对比。结果表明，所提方法能够准确地估计锂离子电池的健康状态，平均绝对误差(MAE)和均方根误差(RMSE)均在1%以内。

关键词

锂离子电池 / 健康状态 / 海象优化算法 / 极限学习机 / 方差膨胀因子 / 主成分分析