结合ICA与GS-SVM的电池健康状态估计

摘要

数据驱动法极其依赖特征参数的质量，为了选取优质的特征参数，提高电池SOH的估计精度，提出了一种基于增量容量分析(ICA)和数据驱动的融合估计方法。利用高斯滤波对原始增量容量曲线进行平滑处理，根据IC曲线与电池退化特性之间的联系选择5个特征参数；利用相关性分析方法提取与容量衰减关联度最高的3个特征作为数据驱动模型的输入参数，建立针对电池容量进行估计的支持向量机(SVM)回归预测模型，并利用网格搜索算法(GS)调整SVM的参数；利用公开数据集验证了该方法的有效性，并与长短期记忆神经网络(LSTM)、卷积神经网络(CNN)以及随机森林算法(RF)等数据驱动方法进行了比较。结果表明，所提方法在精度与泛化性方面均优于其他数据驱动方法。

关键词

锂离子电池 / 健康状态 / 增量容量分析 / 高斯滤波 / 支持向量机 / 网格搜索

基金资助

黑龙江省省属高等学校基本科研项目(2023-KYYWF-1013); 哈尔滨商业大学研究生科研创新项目(YJSCX2023-778HSD)