锂离子电池健康状态(SOH) 的在线估计对电池管理系统的安全稳定运行至关重要 。为克服传统基于数据驱动的锂离子电池SOH估计方法训练时间长 、计算量大 、调试过程复杂的问题。该文提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法。该方法通过 dQ/dV 和 dT/dV 曲线分析，筛选出与电池SOH相关性较高的数据区间进行多维健康特征提取，并对其进行主成分分析降维处理得到间接健康因子；利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系，在此基础上，针对单一模型输出不稳定的特点，提出一种集成极限学习机模型,通过对估计结果设置可信度评价规则剔除单 一极限学习机不可靠的输出 ,从而提高锂离子电池SOH的估计精度。使用NASA和牛津大学的锂离子电池老化数据集对该方法进行验证，结果表明该方法的平均绝对百分比误差小于1% ,具有较高的准确性和可靠性。
