基于机器学习的锂离子电池荷电状态多步预测

先进电池管理技术依赖于对未来一段时间荷电状态变化的预测，难点在于误差积累和时间依赖性降低引起的预测精度下降。提出采用机器学习结合多步预测策略来提升荷电状态多步预测精度，利用实际锂电池数据研究了不同多步预测策略的效果。结果表明，实际锂电池荷电状态预测在充电过程中具有显著线性特性，放电过程表现出非线性特性。预测步长为 15个时，LR模型、KNN模型、RF模型的 MAPE均低于 6%，R2均大于 0.90。线性回归结合 MIMO策略具有最大的实际应用潜力。