基于鹈鹕优化和极限学习机的锂离子电池健康状态估计

准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题，提出一种基于鹈鹕优化算法和极限学习机（POA-ELM）的SOH估计方法。首先，选取充放电过程中的四个健康特征，并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后，建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题，采用POA算法进行解决。最后在NASA电池数据集上进行试验分析，并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计，具有较高的估计准确度，估计误差稳定在2%以内。