摘要： 锂离子电池健康状态的在线估计对于电池管理系统的安全稳定运行至关重要。为了克服传统基于数据驱动的锂离子电池健康状态(SOH)估计方法训练时间长、计算量大、调试过程复杂的问题，本文提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法。该方法通过对dQ/dV和dT/dV曲线分析，从中筛选出与电池SOH相关性较高的数据区间进行多维健康特征的提取，并对其进行主成分分析降维处理得到间接健康因子，然后利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系。在此基础上，针对单一模型输出不稳定的特点，提出一种集成极限学习机模型，通过对估计结果设置可信度评价规则以剔除单一极限学习机不可靠的输出，从而提高锂离子电池健康状态的估计精度。最后，使用NASA锂离子电池老化数据集和牛津大学锂离子电池老化数据集对本文方法进行了验证，结果表明本文所提方法具有较高的准确性和可靠性。
中图分类号:
