基于稀疏高斯过程回归的锂电池 SOH 预测

周 润玺, 王 奕翔, 杨 涛
陕西省长安区西京学院

摘要

本文基于弛豫电压提出基于融合 HIs 与 SGPR 的锂电池 SOH 预测方法。在该算法中，采用了单个核函数的 SGPR
模型作为预测锂电池 SOH 模型，并使用 NCA 数据集对模型进行了验证。在实验过程中，以融合 HIs 作为 SGPR 模型的输
入，分别选择 SE、Matern52 两种不同类型的核函数预测锂电池的 SOH，且讨论了不同核函数对预测的影响。实验结果表明，
两种核函数下，所建立的模型在预测四种锂电池的 SOH 时，均能将误差控制在 3% 之内。

关键词

弛豫电压；数据驱动；稀疏高斯过程回归；健康状态预测

参考

[1] 李欣 , 刘志强 , 魏秀琨 . 基于多核高斯过程回归的地

铁车辆继电器寿命预测 [J]. 中国铁路 ,2024,(10):114-121.

[2] 周宣昊 , 张小龙 . 基于多尺度递归定量分析的电池健

康状态评估 [J]. 蓄电池 ,2024,61(05):201-211.

[3] 惠周利 , 王瑞洁 , 冯娜娜 , 杨明 . 基于集成高斯过

程回归的锂离子电池健康状态预测（英文）[J].Journal of

Measurement Science and Instrumentation,2024,15(03):397-407.

[4] 汤烨 , 陈庆盈 , 周耀华 , 李研彪 . 基于刚度模型和高

斯过程回归模型的重载工业机器人分步标定方法 [J]. 高技术

通讯 ,2024,34(08):885-894.

[5] 董业成 . 基于神经网络的锂离子电池荷电状态与健

康状态预测研究 [D]. 南昌大学 , 2024.

[6] 夏 玉 杭 , 李 旭 , 王 建 春 . 基 于 SFFS 特 征 选 择 的

锂 离 子 电 池 健 康 状 态 预 测 研 究 [J]. 中 阿 科 技 论 坛 ( 中 英

文 ),2024,(05):93-97.

[7]Jiangong Zhu, Yixiu Wang, Yuan Huang, et al. Datadriven capacity estimation of commercial lithium-ion batteries

from voltage relaxation. Nature communications, 2022. 13(1):

226–234.

[8] 徐厚宝 , 杨承莲 , 张永康 . 卡尔曼滤波优化的高斯过

程回归模型 [J]. 北京理工大学学报 ,2024,44(05):538-545.

[9] 云丰泽 , 刘勤明 , 汪宇杰 . 基于融合神经网络模型的

锂离子电池健康状态间接预测 [J]. 信息与控制 ,1-13.

[10] 田煜楷 . 基于注意力机制的锂离子电池健康状态预

测 [D]. 中北大学 ,2023.44-51