鲁棒SOH估计集成模型

抗非高斯噪声

针对锂离子电池健康状态估计中标签噪声非高斯的难题，该模型通过混合熵损失和熵权叠加策略，在强噪声下仍能保持高精度估计，优于传统数据驱动方法。

Jingsong, Xue · 马文涛 · Xiaoyang, Feng · Guo, Peng · Guo, Yaosong · Hu, Xianzhi · 陈霸东

Energy 2023

参数信息

最大均方根误差（RMSE）

1.391 %

最大平均绝对误差（MAE）

0.932 %

最大平均绝对百分比误差（MAPE）

1.480 %

技术优势

抗非高斯噪声

通过混合相关熵损失训练ELM和GRU子模型，抑制非高斯噪声或离群点对模型的影响。

集成提升精度

熵权法根据子模型表现动态分配权重，并以局部切空间对齐提取特征，最终取得高精度SOH估计。

应用场景

• 锂离子电池健康管理：在含有非高斯噪声的数据环境下，仍能准确估计电池健康状态。
• 电池管理系统：可集成到BMS中，实时提供鲁棒的SOH估计。
• 预测性维护：根据准确的SOH估计，提前安排电池维护和更换。