基于通用特征选择的数据驱动锂离子电池健康状态估计

提出了一种简单有效的基于健康指标(HI)的数据驱动模型，用于预测锂离子电池(lib)的健康状态(SOH)，从而实现对锂离子电池的高效管理。五个具有高物理意义的HIs和从电压、电流和温度曲线中提取的预测功率被用作模型输入。利用NASA的三个数据集评估了基于脊回归的线性正则化模型的通用性和鲁棒性，这些数据集包含了电池在大范围温度和放电速率下的行为信息。确定三组电池SOH的最大平均绝对误差为0.7%，最大均方根误差为0.86%，最大平均绝对百分比误差为2.1%。因此，所开发的模型在估算多工况下lib的SOH方面具有很高的精度，并且具有足够的鲁棒性，可以适用于在其他条件下获得的低质量数据集。

https://iopscience.iop.org/article/10.1149/1945-7111/acc696