论文摘要
针对锂电池健康状态（State of Healthy,SOH）预测精度低的特点,利用遗传算法改进的极限学习机（Extreme Learning Machine,ELM）算法可提高锂电池SOH的预测精度。ELM输入层到隐含层的权值及隐含层单元的阈值随机产生,ELM算法只需设置隐含层单元的数目及隐含层激活函数类型。相比传统BP算法,ELM算法具有学习速率快、泛化性能好等优点。但由于ELM网络输入层到隐含层的权值和隐含层阈值产生的随机性,ELM算法的稳定性较差。ELM算法中引入遗传算法（GA）优化输入层到隐含层的权值和隐含层单元的阈值,该方法可增强ELM算法的稳定性。实验对比了GA-ELM算法与ELM算法、BP算法、RBF算法及SVR算法对锂电池SOH的预测,结果显示GA-ELM算法相比其他算法在预测精度和算法稳定性上均有提升。
论文目录
文章来源
类型: 期刊论文
作者: 刘凯文,刘聪聪,李珺凯,王桂丽,张持健
关键词: 极限学习机,遗传算法,算法融合,模型仿真
来源: 无线电通信技术 2019年03期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 电力工业
单位: 安徽师范大学物理与电子信息学院
基金: 安徽省重点科技攻关项目(1804a09020099)
分类号: TM912
页码: 248-252
总页数: 5
文件大小: 1836K
下载量: 296