张 任 胥 芳 陈教料 潘国兵

浙江工业大学特种装备制造与先进加工技术教育部/浙江省重点实验室，杭州，310014



基于PSO-RBF神经网络的锂离子电池健康状态预测

张 任 胥 芳 陈教料 潘国兵

浙江工业大学特种装备制造与先进加工技术教育部/浙江省重点实验室，杭州，310014

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题，提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究，结合充放电过程的实验数据，确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明，相比BP神经网络和普通RBF神经网络，该算法的预测精度可提高20%，节省66.7%以上的优化时间。

锂离子电池；健康状况；粒子群优先；径向基函数

0 引言

近几年随着能源危机和环境恶化，新能源和电动汽车产业得到迅猛发展。锂离子电池已广泛应用于通信电源、UPS系统、光伏储能、混合动力汽车等生产生活的诸多领域[1-2]。在使用过程中，锂离子电池组性能往往取决于性能最差的锂离子电池单体[3]。研究锂离子电池单体的健康状态预测与健康管理，及早准确地预测出锂离子电池的剩余寿命，对系统整体的安全性、稳定性和经济性具有重要意义[4]。健康状态(state of health，SOH) 定义为电池充电后，旧电池与新电池的最大放电量的比值，用来反映电池健康和老化情况。在电池使用的初期，SOH接近于100%，随着充放电次数的增加，SOH逐渐减小至0。……