基于PCA-XGBoost多特征融合的动力电池健康状态预测模型
姜正义
赵尧敏
吴学领
陈思如
王艳杰
何锃辉
中原工学院材料电子与储能学院,河南郑州 450007
摘要：基于自主采集的X系列(NCM811/石墨)、B系列(NCM811/硅碳)和F系列(NCM523/石墨)3种锂离子电池的循环老化实验数据,以电压曲线及弛豫阶段电压数据为特征源,通过主成分分析(PCA)法进行特征降维,然后与极端梯度提升(XGBoost)机器学习算法融合,构建了 PCA-XGBoost融合预测模型,并系统评估了该模型对3种电池健康状态预测的准确性与泛化能力.结果表明:X系列、B系列和F系列3种锂离子电池的5个主成分的累计贡献率分别达到了 99.88％、99.77％和99.61％,有效降低了信息冗余;利用PCA降维后的特征结合XGBoost算法对X系列、B系列和F系列3种锂离子电池进行健康状态预测,方根误差分别为1.5 mAh、0.9 mAh和1.3 mAh,全部低于0.21％.这表明采用PCA-XGBoost融合模型对跨体系锂离子电池的健康状态进行预测,不仅提升了数据效率,还展现出优异的鲁棒性和较高的预测精度.
关键词：锂离子电池主成分分析法极端梯度提升回归算法健康状态预测
分类号：TM912(独立电源技术（直接发电）)
资助基金：河南省自然科学基金项目(242300420208)河南省高等教育教学改革研究与实践项目(2024SJGLX0144)尧山实验室开放课题(2024004)
论文发表日期：2025-06-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 35-41,47 )
英文信息