锂离子电池具有能量密度高、循环寿命长、稳定性好等优点,在电动汽车和电网储能等领域得到了大量应用。为保障电池系统安全可靠运行,对锂离子电池的健康状态(State of Health,SOH)进行准确快速的估计十分重要。锂离子电池是一个复杂的非线性动态系统,在实际工况中其健康状态难以直接测量,只能通过反映电池老化过程的外特性参数间接对SOH指标进行量化评估,基于单一老化特征或模型的方法难以保证结果的可靠性,因此本文提出一种数据驱动XGBoost和卡尔曼滤波(Kalman filter,KF)相结合的多特征联合SOH估计方法。该方法以数据为基础,利用PCA算法重构多种电池老化特征,根据重构的特征数据构建融合多特征的XGBoost在线估计模型,通过引入基于时间域卡尔曼滤波器对XGBoost模型进行实时修正,最终实现对锂离子电池SOH的联合最优估计。本文利用NASA电池数据实现模型的构建与验证,结果显示该方法精度和可靠性较高,对构建储能锂电池健康管理系统有一定参考价值,具体工作如下:(1)对电池工作外特性数据进行分析整理,研究提取多种能充分描述电池老化过程的特征参量用于SOH估计。根据电池数据不同老化程度的外特性表现,从工作电压、电流、内阻数据中提取多种间接映射电池SOH的特征参量。通过定量分析表明提取的特征与SOH相关性较高,可为健康状态评估和构建模型提供量化依据。(2)分别采用多种方法实现SOH估计,根据测试结果计算模型评价指标,研究基于不同模型SOH估计效果。以NASA电池数据为依托,通过对数据的训练和拟合建立特征向量与SOH非线性映射关系,实现了基于XGBoost、GBDT、随机森林、神经网络不同数据驱动模型的SOH估计方法。将电池欧姆电阻作为表征锂离子电池SOH的目标参数,通过卡尔曼滤波跟踪辨识欧姆电阻实现基于卡尔曼滤波的SOH估计方法。经过结果验证分析:基于数据驱动SOH估计方法对无法建立精确机理模型的非线性电池系统显示出良好的精度,XGBoost估计模型相对其它数据驱动模型有更高的估计精度和适应性;基于卡尔曼滤波SOH估计方法简单实用,可以降低观测数据依赖,对估计结果有一定平滑滤波效果。(3)将XGBoost与卡尔曼滤波相结合,构建XGB-AKF联合估计SOH模型。引入基于Sage＿Husa动态跟踪噪声的自适应KF算法对XGBoost估计结果进行实时校正和滤波,卡尔曼滤波器可根据电池确定的初始状态并权衡基于时间序列衰退趋势的状态方程校正XGBoost模型的误差波动,加入自适应噪声算法以提高实时估测噪声能力。结果显示该方法降低了XGBoost由于过于依赖历史数据造成的误差波动,提高了估计模型的精确性和鲁棒性。