来源：期刊VIP网 时间：
作者：史云峰;韩晓明;王利红;戴震涛;任密蜂;张文杰;
单位：太原理工大学电气与动力工程学院;
摘要：在早期预测锂电池剩余使用寿命时，因为电池初期循环时的性能衰退并不显著，面临着特征选取的问题。确保选取的特征集合在数量、相关性和冗余性上的相互平衡是降低测试成本、提升预测准确度的关键，目前的研究很难全面平衡这些方面，故提出一种结合多目标特征选择和机器学习的方法。从MIT数据集中提取前100周期的特征，利用Spearman相关系数法分析特征的相关性，得到相关度高的特征子集。采用多目标粒子群优化（MOPSO）算法，根据设定的三个目标进行迭代优化，从帕累托前沿集中选出最优特征组合，输入到多种机器学习模型中，极限梯度提升（XGBoost）模型显示出最好的预测性能。实验结果显示，Spearman-MOPSO-XGBoost方法在仅使用4个特征条件下，预测均方根误差（RMSE）最小，为80.65个循环，平均绝对百分比误差（MAPE）为8.68%。
关键词：电池寿命预测;;锂离子电池;;多目标特征选择;;机器学习;;多目标粒子群优化算法;;特征提取
基金资助：国家自然科学基金项目（52307247）;; 山西省自然科学基金项目（20210302123189）;山西省自然科学基金项目（202203021222124）
