锂电池健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)的准确估计对保证电池的安全稳定运行至关重要,然而两者都难以被直接测量。该文提出一种基于高斯过程回归(gaussian process regression,GPR)的SOH和RUL...锂电池健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)的准确估计对保证电池的安全稳定运行至关重要,然而两者都难以被直接测量。该文提出一种基于高斯过程回归(gaussian process regression,GPR)的SOH和RUL联合估计方法。该方法从充电曲线中提取健康特征(health factor,HF),并通过主成分分析(principle component analysis,PCA)进行降维处理得到间接健康特征(indirect health factor,IHF),然后利用GPR建立电池老化模型进行SOH估计。在此基础上,采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对IHF随循环次数增加的变化趋势进行预测,将其结果与所建立的电池老化模型结合,实现RUL估计。2组不同温度下的电池数据被用来验证算法的准确性和适应性,实验结果表明所提出的算法具有较高的精度和可靠性。展开更多
文摘锂电池健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)的准确估计对保证电池的安全稳定运行至关重要,然而两者都难以被直接测量。该文提出一种基于高斯过程回归(gaussian process regression,GPR)的SOH和RUL联合估计方法。该方法从充电曲线中提取健康特征(health factor,HF),并通过主成分分析(principle component analysis,PCA)进行降维处理得到间接健康特征(indirect health factor,IHF),然后利用GPR建立电池老化模型进行SOH估计。在此基础上,采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对IHF随循环次数增加的变化趋势进行预测,将其结果与所建立的电池老化模型结合,实现RUL估计。2组不同温度下的电池数据被用来验证算法的准确性和适应性,实验结果表明所提出的算法具有较高的精度和可靠性。