基于Savitzky-Golay滤波器、Crested Porcupine优化器和支持向量机的锂离子电池健康状态估计

《Energy Technology》：State of Health Estimation for Lithium-Ion Batteries Based on Savitzky–Golay Filter-Crested Porcupine Optimizer-Support Vector Machine

锂离子电池健康状态估计方法融合Savitzky-Golay滤波器与CPO-SVM优化，通过Kendall相关分析提取关键特征并降噪，动态调整超参数避免局部最优，测试数据集显示误差<0.0073，R2>98.5%，显著提升精度。

　　

摘要

锂离子电池在移动电子设备、电动汽车和可再生能源系统的能量存储中发挥着至关重要的作用，准确的状态监测（SOH）估计对于确保系统可靠性和运行安全性至关重要。然而，实现高精度的数据驱动SOH估计需要克服特征提取、处理和模型训练方面的重大挑战。为了解决这些挑战，本文提出了一种新的SOH估计方法，该方法将Savitzky–Golay（SG）滤波器与Crested Porcupine优化器（CPO）增强的支持向量机（SVM）相结合。首先，利用Kendall相关性分析从充电电压、电流和增量容量曲线中系统地提取与容量衰减相关的健康特征。然后，使用SG滤波器进行降噪和数据平滑处理，显著提高了输入参数的稳定性和可靠性，同时保留了关键信息。此外，为了实现高精度的SOH估计，提出了CPO-SVM框架。通过动态调整惩罚系数和核函数超参数，该方法有效解决了传统SVM方法中常见的局部最优问题。最后，使用NASA、CALCE和Oxford的数据集对所提出的方法进行了验证，结果表明其性能优越，均方根误差<0.0073，平均绝对误差<0.0058，R2>≥98.5%。这些结果突显了SOH估计在准确性和可靠性方面的显著改进。

图形摘要

本文提出了一种结合Savitzky–Golay滤波器和Crested Porcupine优化器（CPO）增强的支持向量机（SVM）的新型锂离子电池状态监测估计方法。从电压/电流/内阻（IC）曲线中提取关键健康特征，并通过降噪进行增强。CPO-SVM能够自适应地调整超参数，避免局部最优解。在NASA/CACLE/Oxford数据集上的测试显示，均方根误差<0.0073，平均绝对误差<0.0058，R2≥98.5%，证明了其卓越的准确性。

利益冲突

作者声明没有利益冲突。