电池健康状态(State of health,SOH)估计是电动汽车动力电池管理系统的重要功能之一。对其准确估计有利于延长锂离子电池的寿命,保障车辆安全可靠运行。面向数据驱动的锂离子电池SOH估计方法,针对以往方法存在无法平衡SOH估计精度和模...电池健康状态(State of health,SOH)估计是电动汽车动力电池管理系统的重要功能之一。对其准确估计有利于延长锂离子电池的寿命,保障车辆安全可靠运行。面向数据驱动的锂离子电池SOH估计方法,针对以往方法存在无法平衡SOH估计精度和模型计算成本的问题,提出一种基于特征优化的解决方案。首先基于部分充电电压曲线和增量容量曲线提取多个特征,通过随机森林算法中的基尼系数计算出各个特征的重要性;然后综合考虑模型的估计准确度和所选子集的特征数量等两方面因素选择出最优特征子集;最后应用随机森林算法建立电池老化模型并估计SOH。结果表明,该SOH估计方法的平均绝对误差和均方根误差分别在0.4%和0.5%以内。该方法中的特征优化策略能够选择出最优的特征集合,结合随机森林算法后可以在实现较高SOH估计精确度的同时降低模型的计算成本。展开更多
文摘电池健康状态(State of health,SOH)估计是电动汽车动力电池管理系统的重要功能之一。对其准确估计有利于延长锂离子电池的寿命,保障车辆安全可靠运行。面向数据驱动的锂离子电池SOH估计方法,针对以往方法存在无法平衡SOH估计精度和模型计算成本的问题,提出一种基于特征优化的解决方案。首先基于部分充电电压曲线和增量容量曲线提取多个特征,通过随机森林算法中的基尼系数计算出各个特征的重要性;然后综合考虑模型的估计准确度和所选子集的特征数量等两方面因素选择出最优特征子集;最后应用随机森林算法建立电池老化模型并估计SOH。结果表明,该SOH估计方法的平均绝对误差和均方根误差分别在0.4%和0.5%以内。该方法中的特征优化策略能够选择出最优的特征集合,结合随机森林算法后可以在实现较高SOH估计精确度的同时降低模型的计算成本。
