基于GA-ELM模型的锂电池SOH预测

• 作者: 刘凯文 刘聪聪 张持健 李珺凯 王桂丽
• 来源期刊: 无线电通信技术
• 学科: 工学
• 关键词: 极限学习机 遗传算法 算法融合 模型仿真
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 专题:人工智能+锂电池梯次应用
• 页码范围: 248-252
• 页数: 5页
• 分类号: TN915.85
• 字数: 2643字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-3114.2019.03.05

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王桂丽	安徽师范大学物理与电子信息学院	11	68	5.0	8.0
2	张持健	安徽师范大学物理与电子信息学院	41	326	8.0	17.0
3	刘凯文	安徽师范大学物理与电子信息学院	2	2	1.0	1.0
4	刘聪聪	安徽师范大学物理与电子信息学院	3	2	1.0	1.0
5	李珺凯	安徽师范大学物理与电子信息学院	3	2	1.0	1.0