| 傅质馨,叶雯文,金振强,王健,王昊,邓超.基于自适应门限改进Hampel滤波与多维特征组合优化的锂离子电池健康状态估计方法[J].电力需求侧管理,2026,28(1):41-47 |
| 基于自适应门限改进Hampel滤波与多维特征组合优化的锂离子电池健康状态估计方法 |
| A method for estimating the state of health of lithium-ion batteries based on adaptive threshold improved Hampel filtering and multi-dimensional feature combination optimization |
| 投稿时间：2025-09-12 修订日期：2025-10-15 |
| DOI：10.3969/j.issn.1009-1831.2026.01.006 |
| 中文关键词: 锂离子电池 健康状态估计 特征提取 相关性分析 自适应门限Hampel滤波 |
| 英文关键词: lithium-ion battery state of health estimation feature extraction correlation analysis adaptive threshold improved hampel filtering |
| 基金项目:国家自然科学基金青年项目(52207091) |
| 作者 | 单位 | | 傅质馨 | 河海大学 电气与动力工程学院,南京 210000 ；可再生能源发电技术教育部工程研究中心,南京 210000 | | 叶雯文 | 河海大学 电气与动力工程学院,南京 210000 ；可再生能源发电技术教育部工程研究中心,南京 210000 | | 金振强 | 江苏省送变电有限公司,南京 210028 | | 王健 | 河海大学 电气与动力工程学院,南京 210000 ；可再生能源发电技术教育部工程研究中心,南京 210000 | | 王昊 | 河海大学 电气与动力工程学院,南京 210000 ；可再生能源发电技术教育部工程研究中心,南京 210000 | | 邓超 | 河海大学 电气与动力工程学院,南京 210000 ；可再生能源发电技术教育部工程研究中心,南京 210000 |
|
| 摘要点击次数: 0 |
| 全文下载次数: 0 |
| 中文摘要: |
| 锂离子电池健康状态估计是保障电池可靠性和寿命预测的关键环节。针对现有锂离子电池健康状态估计方法在异常数据处理和特征选择上的不足，提出了一种自适应门限改进Hampel滤波与多维特征组合优化锂离子电池健康状态特征处理方法。该方法分为3个阶段：在特征初选阶段，从充电过程、放电过程以及容量增量曲线3个维度提取10个特征；在特征修正阶段，设计自适应门限Hampel滤波，通过动态调整窗口和阈值修正特征数据异常值；在特征筛选阶段，采用Pearson-Spearman双相关分析筛选出关键特征。最后，基于NASA数据集，利用门控循环单元验证不同特征组合的健康状态估计效果。仿真结果表明，所筛选出的三特征组合有效提升了健康状态估计的准确性与稳定性。 |
| 英文摘要: |
| The estimation of state of health (SOH) for lithium-ion batteries is considered a critical task to ensure battery reliability and enable accurate lifetime prediction. To address the limitations of existing SOH estimation methods in handling outliers and selecting effective features, a novel health state feature processing approach is proposed. An improved Hampel filter with adaptive thresholding and multidimensional feature fusion optimization is integrated. The method is composed of three stages. In the initial feature selection stage, ten candidate features are extracted from three perspectives: the charging process, the discharging process, and the capacity increment curve. In the feature correction stage, an adaptive-threshold Hampel filtering algorithm is developed, which dynamically adjusts the window size and threshold to correct abnormal feature values. In the feature selection stage, dual-correlation analysis using both Pearson and Spearman coefficients is employed to identify key features. Finally, using the NASA battery dataset, a gated recurrent unit (GRU) network is adopted to evaluate the performance of different feature combinations for SOH estimation. Simulation results demonstrate that the selected three-feature combination significantly improves the accuracy and stability of SOH estimation. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|