基于容量增量分析与VMD-GWO-KELM的锂电池健康状态估计.pdfVIP

第14卷第6期储能科学与技术Vol.14No.6

2025年6月EnergyStorageScienceandTechnologyJun.2025

储能测试与评价

基于容量增量分析与VMD-GWO-KELM的锂电池健康状态估计

111121

陈峥，多功东，申江卫，沈世全，刘昱，魏福星

12

（昆明理工大学交通工程学院，云南昆明650500；中国汽车技术研究中心有限公司，天津300300）

摘要：为克服传统健康状态估计方法中的特征提取质量不足、非线性特性复杂及模型参数优化困难等问题，本

工作提出一种基于容量增量分析与VMD-GWO-KELM的健康状态估计方法。首先，本工作通过改进的基于洛伦

兹函数的电压容量模型，对电池恒流充电过程中的电压-容量数据进行拟合，提取峰电压、峰值和峰面积等健康

特征，并利用灰狼优化算法完成模型参数识别，从而有效提升了特征提取质量和鲁棒性。其次，采用变分模态

分解技术对健康状态信号进行多尺度分解，将模态分量作为独立子模型的输入，捕捉不同频域的关键特性，降

低了信号混叠和噪声影响。然后，结合灰狼优化算法对核极限学习机模型的关键参数进行优化，显著提高了非

线性拟合能力和估计精度。最后，通过不同训练量、不同估计模型对比和多电池数据的验证，全面评估模型性

能。实验结果表明，本工作提出的算法在仅使用100次循环数据的情况下，即可实现高精度健康状态估计，平

均绝对误差为0.9751%，最大误差为1.9340%，同时表现出良好的鲁棒性和泛化能力。

关键词：锂离子电池；健康状态；容量增量分析；变分模态分解；灰狼优化；核极限学习机

doi：10.19799/ki.2095-4239.2024.1253

中图分类号：TM912文献标志码：A文章编号：2095-4239（2025）06-2476-1