基于相似性优化模型样本的实车锂电池健康状态分析

为更好地解决电动汽车动力电池健康状态（SOH）在线估计问题，减少实车采集数据中的冗余样本，改善运行工况不稳定导致的特征丢失，提升实车电池SOH估计的精度，提出一种基于增量容量分析方法（ICA）提取特征和动态时间规整（DTW）优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线，以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据，基于IC曲线形状计算电池充电循环样本的相似度，保留与基准充电循环相似的充电循环数据，优化训练样本，最后采用全连接神经网络（MLP）模型进行SOH估计。以实车运行电池数据进行对比实验，结果表明该方法可明显改善训练样本质量，提升电池SOH估计精度。