首页|基于改进型极限学习机的锂离子电池健康状态预测

基于改进型极限学习机的锂离子电池健康状态预测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对目前利用机器学习方法预测锂离子电池健康状态(SOH)存在的训练时间长和预测精度低的问题,本文提出了一种基于改进型极限学习机(ELM)的SOH预测模型.首先利用灰色关联分析法选取出健康因子(HI)并将其作为模型的输入.然后通过自适应粒子群优化(APSO)算法对多层极限学习机(ML-ELM)的输入权重和隐层偏置进行了优化.最后利用NASA的3组锂离子电池数据对所提出的模型进行验证,并且与其他机器学习算法进行了比较.仿真实验结果表明,本文提出的APSO-ML-ELM算法的预测结果的RMSE小于2％并且MAPE小于1％,训练时间也相对更短.
The State of Health Estimation of Lithium-Ion Battery Based on Improved Extreme Learning Machine

史永胜、洪元涛、丁恩松、施梦琢、欧阳

展开 >

陕西科技大学电气与控制工程学院,西安710021

江苏润寅石墨烯科技有限公司,江苏 高邮225600

锂离子电池 健康状态 极限学习机 自适应粒子群优化(APSO)

国家自然科学基金

61871259

2020

电子器件
东南大学

电子器件

CSTPCD北大核心
影响因子：0.569
ISSN：1005-9490
年,卷(期)：2020.43(3)
  • 3
  • 1