结合CatBoost算法与ARIMA模型的电池健康状态预测与优化

doi:10.16628/j.cnki.2095-8188.2025.03.005

电器与能效管理技术 ›› 2025, Vol. 0 ›› Issue (3): 31-37.doi: 10.16628/j.cnki.2095-8188.2025.03.005

结合CatBoost算法与ARIMA模型的电池健康状态预测与优化

马玲琦¹, 邹海荣¹, 李兴家²

1.上海电机学院电气学院, 上海 201306
2.上海良信电器有限公司, 上海 200137

收稿日期:2024-12-20 出版日期:2025-03-30 发布日期:2025-04-29
作者简介:马玲琦(2001—),男,硕士研究生,研究方向为电气工程及其自动化。|邹海荣(1971—),女,教授,研究方向为低压电器、电气工程及其自动化。|李兴家(1988—),男,主要从事低压电器控制领域的研究工作。

Battery State of Health Prediction and Optimization by Combining CatBoost Algorithm and ARIMA Model

MA Lingqi¹, ZOU Hairong¹, LI Xingjia²

1. School of Electrical Engineering,Shanghai Dianji University, Shanghai 201306, China
2. Shanghai Liangxin Electric Co.,Ltd., Shanghai 200137, China

Received:2024-12-20 Online:2025-03-30 Published:2025-04-29

摘要/Abstract

摘要：

针对电池健康状况 (SOH)的预测,提出一种集成分类提升(CatBoost )算法和自回归差动平均(ARIMA)模型的SOH估算方法。通过时间序列分析提取特征并获取 ARIMA 模型残差,将其作为额外特征经 CatBoost算法处理,构建增强数据集进行预测。实验结果表明,所提方法显著提升了预测性能,最佳均方根误差(RMSE) 达到 0.004 6,平均绝对误差 (MAE)达到0.003 4,拟合度(R²)达到 0.999 4,相比仅使用初始数据的模型具有更高的准确性和稳定性。

关键词: 电池健康状态, CatBoost算法, ARIMA模型, 残差, 增强数据集

Abstract:

For the prediction of the battery state of health (SOH), an SOH estimation method that integrates the categorical boosting (CatBoost) algorithm and the autoregressive integrated moving average (ARIMA) models is proposed. The features are extracted through time series analysis, and the residuals of the ARIMA model are obtained. These residuals are used as additional features and processed by the CatBoost algorithm to construct an enhanced dataset for prediction.The experimental results demonstrate that the prediction performance is significantly enhanced by the proposed method.The optimal root mean square error (RMSE) reaches 0.004 6, the mean absolute error (MAE) reaches 0.003 4, and the coefficient of determination (R²) reaches 0.999 4. Compared with the model using only the initial data, it has higher accuracy and stability.

Key words: battery state of health, CatBoost algorithm, ARIMA model, residuals, enhanced dataset

中图分类号:

TM910

马玲琦, 邹海荣, 李兴家. 结合CatBoost算法与ARIMA模型的电池健康状态预测与优化[J]. 电器与能效管理技术, 2025, 0(3): 31-37.

MA Lingqi, ZOU Hairong, LI Xingjia. Battery State of Health Prediction and Optimization by Combining CatBoost Algorithm and ARIMA Model[J]. LOW VOLTAGE APPARATUS, 2025, 0(3): 31-37.

图/表 18

表1

图1

图2

图3

图4

图5

图6

图7

图8

表2

图9

图10

图11

图12

图13

图14

图15

图16

参考文献 19

[1]	程俊涵, 王书礼, 蔡志远. 基于AE-LSTM的锂电池剩余使用寿命预测[J]. 电器与能效管理技术, 2023(9):69-75.
[2]	王宁, 刘晓峰, 陈泽华. 锂离子电池寿命预测综述[J]. 电器与能效管理技术, 2018(11):1-13.
[3]	顾菊平, 蒋凌, 张新松, 等. 基于特征提取的锂离子电池健康状态评估及影响因素分析[J]. 电工技术学报, 2023, 38(19):5330-5342.
[4]	杨立. 基于二阶离散滑模观测器的锂电池SOC估计[J]. 电器与能效管理技术, 2018(3):43-46.
[5]	李锦. 锂离子电池加速寿命预测及寿命退化研究[D]. 西安: 陕西科技大学, 2023.
[6]	于东海. 基于数据驱动的锂电池荷电状态和健康状态联合预测[D]. 北京: 北京交通大学, 2023.
[7]	李洋, 石振刚. 基于PSO-BP-UKF算法的锂电池SOC估计方法研究[J]. 电器与能效管理技术, 2024(6):42-48.
[8]	李文启, 高东学, 李朝晖, 等. 基于LSTM-NPKDE的锂离子电池SOC预测与不确定分析[J]. 电器与能效管理技术, 2020(5):44-50.
[9]	张钰凡, 李玉忍, 马睿, 等. 基于ARIMA-LSTM深度学习混合模型的PEMFC老化预测方法[J]. 西北工业大学学报, 2023, 41(3):464-470.
[10]	李华洋, 谭强, 朱施杰, 等. 基于CatBoost算法的孔隙压力预测方法及其在井壁稳定分析中的应用[J]. 中国安全生产科学技术, 2023, 19(2):136-142.
[11]	罗志宏. 基于数据驱动的风电机组传动部件故障预警方法研究[D]. 北京: 华北电力大学(北京), 2023.
[12]	仲赞, 邢翼, 俞伟, 等. 基于WRSR和BOA-Catboost的电力用户分类模型研究[J]. 浙江电力, 2023, 42(5):76-84.
[13]	田昕怡, 牛彬, 钟睿君, 等. 基于自回归移动平均模型和门循环单元的计量设备可靠性预测[J]. 科技与创新, 2023(1):1-7.
[14]	RICHARD A, RACHELLE N B, THOMAS L, et al. Estimating the risk of SARS-CoV-2 infection in New Zealand border arrivals[J]. BMC Global and Public Health, 2024, 2(1):1.
[15]	袁明飞, 赵凤展, 王树田, 等. 基于蒙特卡洛模拟的含风电-储能发电系统可靠性评估[J]. 电器与能效管理技术, 2020(5):28-34.
[16]	何承勇. 基于日志的数据库变更数据捕获系统的研究与实现[D]. 西安: 西安电子科技大学, 2023.
[17]	MUHAMMAD A, ALI K, KANIZ F, et al. Analysis of temperature variability,trends and prediction in the karachi region of pakistan using ARIMA models[J]. Atmosphere, 2022, 14(1):88.
[18]	许守平, 胡娟, 付珊珊, 等. 基于GRA-MEA-BP算法的锂电池SOC估计方法研究[J]. 电器与能效管理技术, 2023(9):55-61.
[19]	李晓华. 基于IPSO-LIESN网络的锂电池剩余使用寿命预测[J]. 电器与能效管理技术, 2023(5):51-58.

电池	p(前/后)	ADF检验(前/后)	临界值
CS2-35	1/0	4.716/-24.82	1%:-3.438 5%:-2.864 10%:-2.568
CS2-36	1/4.118×10^-12	3.402/-7.90	1%:-3.437 5%:-2.864 10%:-2.568
CS2-37	1/0.001 81	7.085/-3.93	1%:-3.437 5%:-2.864 10%:-2.568
CS2-38	1/2.085×10^-16	4.419/-9.58	1%:-3.437 5%:-2.864 10%:-2.568

参数	CS2-35	CS2-36	CS2-37	CS2-38
p	6	15	14	8
d	1	1	1	1
q	4	7	6	4

结合CatBoost算法与ARIMA模型的电池健康状态预测与优化

Battery State of Health Prediction and Optimization by Combining CatBoost Algorithm and ARIMA Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 19

相关文章 2

编辑推荐

Metrics

本文评价

[1]	杨诺铭, 吴自然, 刘泽州, 吴晨茜, 吴桂初, 林义刚. 基于残差网络回归的直流断路器电寿命预测方法[J]. 电器与能效管理技术, 2024, 0(10): 7-18.
[2]	王金辉, 王娟娟. 基于灰色残差马尔科夫模型的短期风速预测[J]. 电器与能效管理技术, 2022, 0(12): 78-82.