基于KPCA与NRBO-Transformer的锂电池健康状态评估方法

摘要

锂电池健康状态(state of health, SOH)可表征锂电池的老化状态。为准确评估SOH,首先，提取充电阶段的电流、电压、IC曲线中的6个特征，为了提高输入特征的质量，采用核主成分分析(kernel principal component analysis, KPCA)结合Spearman相关性分析，消除多维特征的冗余性获取输入特征的关键信息。其次，为了降低模型复杂度，将全连接层代替Transformer解码器，并利用牛顿-拉夫逊优化算法(Newton-Raphson-based optimization algorithm, NRBO)对模型的超参数寻优，提高预测精度。最后，利用公开数据集不同训练比例划分验证方法的有效性，并采用不同电池交叉验证与灰狼优化算法(gray wolf optimization algorithm, GWO)和鲸鱼优化算法(whale optimization algorithm, WOA)进行比较，结果表明：所提方法在精度和计算耗时方面均优于其他2种算法。

关键词

核主成分分析 / 牛顿-拉夫逊 / Transformer模型 / 锂电池 / 健康状态