陈嘉铭,唐文俊,何山,黄鹏,张占喜

• 1:深圳供电局有限公司
• 2:南方电网电动汽车服务有限公司

摘要(Abstract)：

在碳达峰、碳中和等重大战略决策的推动下，新能源汽车的产销规模不断创历史新高。针对实车运行过程中电池健康状态（state of health, SOH）难以准确估计的问题，基于实车短时充电片段数据，采用安时积分法计算电池的当前最大可用容量，并采用箱型图剔除由传感器噪声、复杂工况等因素导致的容量离群点。基于易获取的电流、电压、温度、电池荷电状态（state of charge, SOC）等数据字段提取电池衰退特征，以相关系数分析各特征与健康状态之间的相关性。通过主成分分析法进行特征参数降维，以降低计算复杂度。基于长短期记忆神经网络构建实车动力电池健康状态预测模型，通过灰狼优化算法（grey wolf optimizer, GWO）确定最优的模型超参数。结果表明：基于实车充电过程中80%～90%SOC区间的监测数据，模型进行电池健康状态预测绝对误差为0.27 A·h，模型拟合优度为0.89，可以实现实车动力电池健康状态的准确估计。

关键词(KeyWords)： 实车数据;动力电池;健康状态(SOH);相关性分析;长短期记忆神经网络;灰狼优化算法(GWO)

Abstract:

Keywords:

基金项目(Foundation): 规模化电动汽车与电网互动关键技术研究与示范应用(二期)项目(090000KK52222138)资助

作者(Author): 陈嘉铭,唐文俊,何山,黄鹏,张占喜

DOI: 10.16375/j.cnki.cn45-1395/t.2025.04.009

参考文献(References)：

• [1]中国政府网. 2024年中国汽车产销量再创新高[EB/OL].https://www.gov.cn/yaowen/shipin/202501/content6998312.htm?slb=true,2025-01-13.
• [2]杨杰，王婷，杜春雨，等.锂离子电池模型研究综述[J].储能科学与技术，2019,8(1):58-64.
• [3]孔德昊，刘胜永.基于多尺度并行卡尔曼滤波算法的电池状态参数估算[J].广西科技大学学报，2022,33(2):54-59,68.
• [4]刘鹏辉，刘胜永，邓丹.基于MGWO-DEKF算法的锂离子电池状态估计研究[J/OL].广西科技大学学报，2024:1-11(2024-08-08)[2025-03-27]. https：//link.cnki.net/urlid/45.1395.T.20240808.0925.002.
• [5]毛玲，温佳林，赵晋斌，等.基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计[J].电力系统保护与控制，2023,51(11):86-95.
• [6]孙丙香，任鹏博，陈育哲，等.锂离子电池在不同区间下的衰退影响因素分析及任意区间的老化趋势预测[J].电工技术学报，2021,36(3):666-674.
• [7]刘伟霞，田勋，肖家勇，等.基于混合模型及LSTM的锂电池SOH与剩余寿命预测[J].储能科学与技术，2021,10(2):689-694.
• [8] MARRI I , PETKOVSKI E , CRISTALDI L , et al.Comparing machine learning strategies for SOH estimation of lithium-ion batteries using a feature-based approach[J]. Energies,2023,16(11):4423.
• [9] BAMATI S , CHAOUI H. Lithium-ion batteries long horizon health prognostic using machine learning[J]. IEEE Transactions on Energy Conversion , 2022 , 37(2):1176-1186.
• [10] KWON S,HAN D,PARK J,et al. Joint state-of-health and remaining-useful-life prediction based on multi-level long short-term memory model prognostic framework considering cell voltage inconsistency reflected health indicators[J]. Journal of Energy Storage,2022,55:105731.DOI:10.1016/j.est.2022.105731.
• [11] GOH H H,LAN Z T,ZHANG D D,et al. Estimation of the state of health(SOH)of batteries using discrete curvature feature extraction[J].Journal of Energy Storage,2022,50:104646. DOI:10.1016/j.est.2022.104646.
• [12]郭海龙，杨康，吉龙军，等.基于注意力机制的改进LSTM锂电池健康状态估计方法[J].三峡大学学报(自然科学版)，2023,45(4):95-100.
• [13] ZHAO S S,LUO L J,JIANG S H,et al. Lithium-ion battery state-of-health estimation method using isobaric energy analysis and PSO-LSTM[J]. Journal of Electrical and Computer Engineering,2023,2023(1):5566965.DOI:10.1155/2023/5566965.
• [14]全国信息技术标准化技术委员会.信息技术数据质量评价指标：GB/T 36344—2018[S].北京：中国标准出版社，2018.
• [15]纪常伟，潘帅，汪硕峰，等.动力锂离子电池老化速率影响因素的实验研究[J].北京工业大学学报，2020,46(11):1272-1282.
• [16]宋珂，徐宏杰.动力锂离子电池健康状态和剩余使用寿命研究综述[J].佳木斯大学学报(自然科学版)，2021,39(4):71-75.
• [17]王萍，范凌峰，程泽.基于健康特征参数的锂离子电池SOH和RUL联合估计方法[J].中国电机工程学报，2022,42(4):1523-1534.
• [18] HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9(8):1735-1780.
• [19]关燕鹏，刘成刚，相洪涛，等.基于概率化稀疏自注意力LSTM的锂离子电池健康状态预测[J].控制工程，2024,31(10):1833-1840.
• [20]梁弘毅，陈继开，刘万里，等.融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测[J].汽车工程，2024,46(4):634-642.
• [21]于仲安，邵昊晖，陈可怡.基于IGWO-BP神经网络的锂离子电池SOC估计[J].电源技术，2023,47(9):1153-1157.

文章评论(Comment)：