基于最优信号分解的多阶段学习用于电池健康估计

电池健康估计是确保电池安全和降低成本的基本任务。然而，要实现准确的估计一直具有挑战性，因为电池的复杂非线性老化模式和容量再生现象。本文提出了 OSL（Optimal Signal Decomposition-based Multi-Stage Learning），一种基于最优信号分解的多阶段机器学习方法用于电池健康估计。OSL 对电池信号进行最优处理。它使用优化变分模态分解来提取捕获原始电池信号不同频率带的分解信号。它还融入了多阶段学习过程，以有效地分析电池的空间特征和时间特征。进行了一项实验研究，使用公开的电池老化数据集。OSL 表现出色，平均误差仅为 0.26%。它显著优于包含和不包含次优信号分解和分析的比较算法。OSL 考虑了实际的电池挑战，可以集成到实际的电池管理系统中，为电池监控和优化带来了积极影响。