文献类型：期刊文章

作　　者：马君[1] 万俊杰[2]

MA Jun;WAN Junjie(Jiangsu Acrel Electrical Manufacturing Co.,Ltd,Jiangyin,Jiangsu 214405;Acrel Electric Co.,Ltd,Shanghai 201801)

机构地区：[1]江苏安科瑞电器制造有限公司,江苏江阴214405 [2]安科瑞电气股份有限公司,上海201801

出　　处：《电气技术》

年　　份：2024

卷　　号：25

期　　号：2

起止页码：37-44

语　　种：中文

收录情况：JST、普通刊

摘　　要：锂电池健康状态(SOH)预测是电池管理系统(BMS)最重要的功能之一,准确有效地预测锂电池SOH可有效提升设备利用率,保证系统稳定性。为了提高预测准确度,本文提出一种基于健康特征筛选与灰狼优化算法(GWO)-最小二乘支持向量机(LSSVM)的锂电池SOH预测方法,首先采用灰色关联分析(GRA)法计算每个健康特征相对于锂电池SOH的灰色关联度,并将灰色关联度进行排序,确定SOH预测的主要健康特征;然后针对LSSVM模型参数需靠人为经验选择的问题,采用寻优性能较好的灰狼优化算法对其进行优化选择并构建GWO-LSSVM模型;最后基于NASA数据集,对模型进行训练和测试,并与其他3种模型的预测结果进行对比,对比结果证明了本文所提方法的有效性。

关 键 词：电池管理系统(BMS)  健康状态(SOH)预测  灰色关联分析(GRA)  灰狼优化算法(GWO)-最小二乘支持向量机(LSSVM)  

分 类 号：TM912] TP18]