SSA优化RVR电池SOH估计模型

误差1%内

从放电能量累积提取健康特征，结合改进相关向量回归，实现高精度健康状态估计。

Qian, Cheng · 贺宁 · He, Lile · 李慧平 · 程福安

Journal of Energy Storage 2023

参数信息

误差

<1 %

平均误差

0.75 %

平均误差

1.05 %

平均误差

1.05 %

技术优势

自动优选模型参数

利用麻雀搜索算法自动优化RVR模型参数，替代人工试凑，在保证估计精度的同时提升建模效率。

误差低于1%

在NASA四个电池数据集上误差指标全部在1%以内，实验室数据平均误差低至0.75%，证明方法具有高精度。

应用场景

• 电池健康管理：在不完全放电场景下评估电池健康，指导维护决策。
• BMS算法：为BMS提供高精度SOH估计算法，无需完整循环数据。
• SOH估计：用能量累积特征精确估计SOH，误差低于1%。
• 状态监测：从放电片段监测电池老化状态，适应实际工况。