基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计

杨锡运; 柏永华; 李艳军; 马文兵

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计

更新时间：2026-06-08

- 基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计
- 基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计
- 华北电力大学学报（自然科学版） 2026年53卷第3期页码：88-98
- 作者机构：
  
  1. 华北电力大学控制与计算机工程学院
  2. 国网新疆电力有限公司超高压分公司
- 作者简介：
- 基金信息：
- DOI：
  中图分类号： TM912
- 纸质出版：2026
- 稿件说明：
移动端阅览
杨锡运, 柏永华, 李艳军, 等. 基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计[J]. 华北电力大学学报（自然科学版）, 2026,53(3):88-98.

杨锡运, 柏永华, 李艳军, et al. 基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计[J]. 2026, 53(3): 88-98.
杨锡运, 柏永华, 李艳军, 等. 基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计[J]. 华北电力大学学报（自然科学版）, 2026,53(3):88-98. DOI：

杨锡运, 柏永华, 李艳军, et al. 基于多源指标降维和WaoA-ELM模型的锂离子电池健康状态估计[J]. 2026, 53(3): 88-98. DOI：

摘要

准确的锂离子电池健康状态(State of Health

SOH)估计是电池管理系统安全稳定运行的重要保障。针对当前电池健康状态估计中存在的特征提取繁琐，估计模型复杂等问题，提出了一种基于多源指标降维和海象优化算法(Walrus Optimization Algorithm

WaOA)优化极限学习机(Extreme Learning Machine

ELM)的轻量级电池健康状态估计方法。首先从电池的充电和放电两个阶段的电压、电流和温度变化曲线中直接提取潜在特征，选取与SOH高度相关的特征。然后引入方差膨胀因子进行冗余分析，利用主成分分析法有效减少特征冗余。其次采用WaOA优化ELM的超参数，建立WaOA-ELM模型。最后根据NASA公开数据集将所提方法与LSTM、 SVR等模型进行对比。结果表明，所提方法能够准确地估计锂离子电池的健康状态，平均绝对误差(MAE)和均方根误差(RMSE)均在1%以内。

Abstract

关键词

Keywords

references

胡晓亚,郭永芳,张若可.锂离子电池健康状态估计方法研究综述[J].电源学报,2022(01).

顾菊平,蒋凌,张新松,华亮,程天宇.基于特征提取的锂离子电池健康状态评估及影响因素分析[J].电工技术学报,2023(19).

李林泽,张向文.基于组合频率阻抗特征的锂离子电池健康状态估算[J].储能科学与技术,2023(05).

王琛,闵永军.基于容量增量曲线与GWO-GPR的锂离子电池SOH估计[J].储能科学与技术,2023(11).

丁同,傅晓锦.基于改进粒子群优化算法和极限学习机的锂离子电池健康状态预测[J].国外电子测量技术,2023(05).

郝刚,金涛.基于多尺度数据融合的锂电池健康状态评估[J].江苏大学学报(自然科学版),2023(05).

Huaqing Xu,Yanqing Peng,Lumei Su.Health State Estimation Method of Lithium Ion Battery Based on NASA Experimental Data Set[J].IOP Conference Series: Materials Science and Engineering,2018.

浏览量

704

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

电力负荷区间预测的集成极限学习机方法

基于不同ANN模型对流化床颗粒内循环量的预测研究

大型交流电机绝缘在线监测方法研究进展

基于Bi-LSTM-Attention的直流配电网故障检测方法

基于变量选择和二次分解的吸收塔出口SO2浓度预测