Print

基于GA-ELM模型的锂电池SOH预测

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

  • 0 引言
  • 1 算法模型原理
  •   1.1 ELM算法原理
  •   1.2 GA-ELM模型
  • 2 锂电池健康状态描述及测试
  •   2.1 健康状态的定义
  •   2.2 锂电池的性能参数
  •     2.2.1 放电直流内阻
  •     2.2.2 放电中值电压
  •     2.2.3 放电容量衰减率
  •   2.3 测试结果
  • 3 实验验证
  •   3.1 ELM和GA-ELM算法模型仿真
  •   3.2 BP算法模型仿真
  •   3.3 RBF和SVR算法模型仿真
  •   3.4 实验结果
  • 4 结束语

    • 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

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/b5812d4bcc5a1e398586098e.html