电工材料2023No.1田野等：基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计田野a，闵锦涛b（三峡大学a.电气与新能源学院；b.计算机与信息学院，湖北宜昌443000）摘要：为了准确估计锂离子电池的健康状态（SOH），提出了一种基于粒子群算法与极限梯度提升算法相结合的方法。首先利用主成分分析法（PCA）对电池数据进行预处理，提取并组成最佳健康因子数据组；在此数据的基础上，运用XGBoost算法建立锂离子电池退化过程模型，利用同类已有电池历史数据进行训练，通过粒子群算法优化XGBoost算法中五个主要参数，构建基于PSO-XGBoost的SOH预测模型；最后采用美国国家航空航天局电池数据集进行分析验证，并与现有的预测方法对比。结果表明，该方法平均绝对误差为0.003922、均方根误差为0.005553、最大误差为0.02184，具有较高的预测精度。关键词：锂离子电池；健康状态；XGBoost；粒子群算法中图分类号：TM912DOI：10.16786/j.cnki.1671-8887.eem.2023.01.006SOHPredictionofLithiumIonBatteryWithMultipleDegradationCharacteristicsBasedonPSO-XGBoostAlgorithmTIANYea,MINJintaob(a.CollegeofElectricalEngineering&Newenergy;b.CollegeofComputerandInformationTechnology,ChinaThreeGorgesUniversity,HubeiYichang443000,China)Abstract:InordertoaccuratelyestimatethestateofHealth(SOH)oflithium-ionbatteriesunderthedoublecarbontarget,amethodbasedonparticleswarmoptimizationandlimitgradientliftingalgorithmisproposed.Firstly,thebatterydataispreprocessedbyprincipalcomponentanalysis(PCA),andthebesthealthfactordatagroupisextractedandformed.Onthebasisofthisdata,thedegradationprocessmodeloflithium-ionbatteryisestablishedbyusingXGboostalgorithm.Duringthetrainingprocess,thehistoricaldataofthesamekindofbatteriesareusedfortraining,andthefivemainparametersinXGboostalgorithmareoptimizedbyparticleswarmoptimizationalgorithmtobuildaSOHpredictionmodelbasedonPSO-XGboost.Finally,thebatterydatasetofNASAisusedforanalysisandverification,andthecomparisontestwiththeexistingpredictionmethodsshowsthattheaverageabsoluteerrorofthismethodis0.003922,therootmeansquareerroris0.005553,andthemaximumerroris0.02184,whichhashighpredictionaccuracy.Ke...
