基于高适用性特征和MIPOA-DHKELM的锂电池SOH估计.pdfVIP

究与设计

基于高适用性特征和IPOA-DHKEL的锂电池SOH估计

宇，胡朝朝，吴铁洲

(湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室，北武汉430068)

摘要：现有研究注重于提高锂电池健康状态(stateofhealth,SOH)的估算精度，而缺乏实际应用性。

针对这一问题，从恒流阶段电压在4.0~4.2V之的数据和恒压阶段电流在1.5~0.3A之的数据中各

提取了两个具有高适用性的健康特征，通过这两个充电数据片段均可准确估计锂电池的SOH。此

外，通过多种策略改进鹈鹕优化算法(pelicanoptimizationalgorithm，POA)，使其敛速度更快，种群

分布更均匀。最后，采用改进的POA来优化多层极限学习机和混合核极限学习机融合成的深度混合

核极限学习机模型。经实验验证，该方法无需大量充电数据即可提取健康特征，并且能够很好地追

踪容量再生现象。在所有对比模型中，该模型预测精度最高，误差分布最稳定。

关键词：SOH；高适用性特征；多策略改进POA；深度混合核极限学习机

中图分类号：TM912文献标识码：A文章编号：1002-087X(2024)12-2419-07

DOI:10.3969/j.issn.1002-087X.2024.12.013

LithiumbatterySOHestimationbasedonhighapplicabilityfeatures

andMIPOA-DHKEL

ZHANGYu,HUZhaozhao,WUTiezhou

(HubeiKeyLaboratoryforHigh-efficiencyUtilizationofSolarEnergyandOperationControlofEnergyStorageSystem,

HubeiUniversityofTechnology,WuhanHubei430068,China)

Abstract:Theexistingresearchfocusesonimprovingtheestimationaccuracyofthestateofhealth

(SOH)oflithium-ionbatteriesbutlackspracticalapplicability.Toaddressthisissue,thisstudyex

tractedtwohighlyapplicablehealthfeaturesfromthedataduringtheconstantcurrentstagewith

voltagesbetween4.0-4.2Vandthedataduringtheconstantvoltagestagewithcurrentsbetween1.5-

0.3A.BothchargingdatasegmentscanaccuratelyestimatetheSOHoflithium-ionbatteries.Addi

tionally,thepelicanoptimizationalgorithm(POA)wasimprovedthroughmultiplestrategiestoen

hanceitsconvergencespeedandpopulationdistribution.Finally,theimprovedPOAwasusedtoopti

mizethedeephybridkernelextremelearningmachinemode