郭 玄，朱 凯

(江苏理工学院汽车与交通工程学院，江苏 常州 213001)

1 前言

电池健康状态(State of Health，简称SOH)表征了电池的容量衰减程度和当前可用容量，对SOH的估计不准确将直接影响电池荷电状态(State of Charge，简称SOC)估算，导致用户对电池状态的错误判断。国内外对SOH有多种定义，主要有：容量、电量、内阻、循环次数和峰值功率等。电池健康状态从电池使用、维护以及经济性表明了在工业应用方面的重要意义，因此研究SOH有利于掌握电池老化因素帮助判断电池的内在隐患和寿命情况。预测SOH的主流方法是数据驱动方法，其不像物理模型方法具备一定物理知识研究，仅需大量数据，通过学习数据内在规律即可描述电池内部的反应[1-3]。然而数据驱动方法存在模型单一或者其模型参数调整难等问题，学者采用优化算法弥补其预测模型的缺陷。目前，针对优化锂电池SOH预测方法的智能算法主要有人工蜂群算法[4]、萤火虫算法[5]、遗传算法[6]、粒子群优化算法[7]等。Karaboga等模拟蜜蜂采蜜原理，以观察蜂、侦查蜂和采蜜蜂之间条件转换，每个蜜源代表一个待求解，因此对算法影响最大的因素为蜜源的开采次数限制，开发力度影响蜜蜂的搜索力度和跳出局部最优的能力[4]。Goldberg等通过模拟自然生物的遗传、进化适应环境变化的特点进行交叉、变异和选择三种操作对参数寻优，但是缺点是求解速度慢，存在局部最小问题[6]。Seyedali等模拟鲸鱼捕食，以包围猎物和气泡网围捕方法具有良好的泛化能力，但缺点是和萤火虫算法相似，前期进行全局搜索，后期进行局部搜索，没有跳出局部最优的操作，从而对复杂问题性能有所下降[8]。……