基于容量增量分析与VMD-GWO-KELM的锂电池健康状态估计

作     者：陈峥 多功东 申江卫 沈世全 刘昱 魏福星 

作者机构：昆明理工大学交通工程学院 中国汽车技术研究中心有限公司 

出 版 物：《储能科学与技术》 (Energy Storage Science and Technology)

年 卷 期：2025年

核心收录：

学科分类：0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金(52267022) 云南省基础研究计划项目(202401AS070118) 

主　　题：锂离子电池 健康状态 容量增量分析 变分模态分解 灰狼优化 核极限学习机 

摘      要：为克服传统健康状态估计方法中的特征提取质量不足、非线性特性复杂及模型参数优化困难等问题，本文提出一种基于容量增量分析与VMD-GWO-KELM的健康状态估计方法。首先，本文通过改进的基于洛伦兹函数的电压容量模型，对电池恒流充电过程中的电压-容量数据进行拟合，提取峰电压、峰值和峰面积等健康特征，并利用灰狼优化算法完成模型参数识别，从而有效提升了特征提取质量和鲁棒性。其次，采用变分模态分解技术对健康状态信号进行多尺度分解，将模态分量作为独立子模型的输入，捕捉不同频域的关键特性，降低了信号混叠和噪声影响。然后，结合灰狼优化算法对核极限学习机模型的关键参数进行优化，显著提高了非线性拟合能力和估计精度。最后，通过不同训练量、不同估计模型对比和多电池数据的验证，全面评估模型性能。实验结果表明，本文提出的算法在仅使用100次循环数据的情况下，即可实现高精度健康状态估计，平均绝对误差为0.9751%，最大误差为1.9340%，同时表现出良好的鲁棒性和泛化能力。