文章摘要:对锂离子电池进行准确的健康状态预测是电池应用中的一项关键技术。然而，由于锂离子电池内部复杂的电化学反应体系，多样的失效机理以及生产差异，锂离子电池的退化往往呈现出较大的分散性，这为锂离子电池健康状态的准确预测造成了较大的困难。为此，本文提出了一种基于机器学习的锂离子电池健康状态分类与预测方法，首先基于精度约束，利用双子群优化算法确定训练集数据合适的类别个数及类别范围，然后基于Softmax分类模型根据锂离子电池早期退化数据进行健康状态分类，使得退化趋势较为接近的电池被分为一类，最后对每一类电池分别利用BP（back-propagation）神经网络构建其健康状态预测模型，从而减小锂离子电池数据的大分散性的影响，提升锂离子电池的健康状态预测精度。本文方法相比传统方法预测误差降低了34%以上，验证了本方法的有效性和优越性。

文章关键词:

论文作者:高昊天 陈云霞 

作者单位:北京航空航天大学可靠性与工程学院 

论文DOI:10.13700/j.bh.1001-5965.2022.0154

论文分类号:TM912;TP181