摘要：为提高锂电池健康状态（SOH）估计精度，提出一种基于最优重构健康因子和霜冰算法优化支持向量回归（RIME-SVR）相融合的估计方法。首先从锂电池充放电过程提取三个可测量健康因子，利用Pearson法分析验证其与SOH相关性；其次利用完备集合经验模态分解算法（CEEMDAN）对健康因子分解重构，通过实验验证法确定最优重构方式，有效降低数据噪声和容量回升现象对SOH估计干扰；最后搭建基于RIME算法优化的SVR估计模型。实验采用NASA电池退化数据，结果表明，相比于粒子群（PSO）和人工蜂群（ABC）优化算法，RIME优化SVR参数时表现出更快收敛速度和更强全局搜索能力，显著提升模型性能。此外，基于最优重构健康因子和RIME-SVR的锂电池SOH估计模型三项指标均优于对比实验中其他模型，具有更高的估计精度和拟合度。使用最优重构健康因子Dtv1+Ti1+Tdv1作为输入，模型平均MAE、RMSE分别低于0.37和0.55、R2高于0.92，表明所提方法具备良好的普适性和鲁棒性。
文章目录
0 引言
1 涉及算法
1.1 CEEMDAN
1.2 霜冰优化算法
1.3支持向量回归
1.4 RIME优化SVR过程
2 SOH估计模型建模流程
3 实验结果与分析
3.1 实验数据分析
3.2 模型评价指标
3.3实验结果与分析
4 结论
