高国章, 刘长昊, 袁裕鹏, 初建树
锂离子电池健康状态(state of health, SOH)的准确评估是电池管理系统的核心功能,直接关系到电池的寿命及运行安全性。作为SOH估计的关键环节,健康因子(health factors, HFs)的提取与选择直接决定了退化表征的有效性,提出一种基于斑鱼狗优化算法(pied kingfisher optimizer, PKO)、极端梯度提升算法(extreme gradient boosting, XGBoost)及时间卷积网络(temporal convolutional network, TCN)的SOH估计方法。该方法从充电电压曲线和增量容量曲线中提取HFs,利用PKO优化XGBoost特征选择过程,筛选出更具代表性的HF组合;随后采用TCN对时间序列建模,捕捉长期依赖关系。最后,在两个公开数据集上验证了本方法的有效性,并与其他机器学习模型进行了比较。结果表明,所提出方法具有较高SOH预测精度,在所有数据集上的平均绝对百分比误差均小于1.30%,平均绝对误差均低于0.85%,且数据量减小时,仍具有优良的稳定性。