基于GA-ELM模型的锂电池SOH预测

刘凯文; 刘聪聪; 李珺凯; 王桂丽; 张持健

首页> 中文期刊> 《无线电通信技术》 >基于GA-ELM模型的锂电池SOH预测

基于GA-ELM模型的锂电池SOH预测

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

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.

著录项

来源
《无线电通信技术》 |2019年第3期|248-252|共5页
作者
刘凯文; 刘聪聪; 李珺凯; 王桂丽; 张持健;
展开▼
作者单位

安徽师范大学物理与电子信息学院;

安徽芜湖241000;

安徽师范大学物理与电子信息学院;

安徽芜湖241000;

安徽师范大学物理与电子信息学院;

安徽芜湖241000;

安徽师范大学物理与电子信息学院;

安徽芜湖241000;

安徽师范大学物理与电子信息学院;

安徽芜湖241000;

展开▼
原文格式 PDF
正文语种 chi
中图分类专用通信网;
关键词
极限学习机; 遗传算法; 算法融合; 模型仿真;

相似文献

中文文献
外文文献
专利

1. 基于混合模型及LSTM的锂电池SOH与剩余寿命预测 [J] . 刘伟霞 ,田勋 ,肖家勇 . 储能科学与技术 . 2021,第002期
2. 基于LSTM的锂电池储能装置SOC与SOH联合预测 [J] . 刘运鑫 ,姚良忠 ,周金辉 . 全球能源互联网 . 2022,第1期
3. 基于联合算法的锂电池SOC与SOH协同在线预测 [J] . 刘熹 ,李琳 ,曹举 . 太赫兹科学与电子信息学报 . 2021,第004期
4. 基于PSO-RBF算法的锂电池SOH研究与预测 [J] . 吴桂才 . 机电工程技术 . 2021,第012期
5. 基于改进粒子滤波的锂电池SOH预测 [J] . 徐超 ,李立伟 ,杨玉新 . 储能科学与技术 . 2020,第006期
6. 电动汽车用动力锂电池SoH估计算法的研究综述 [C] . Zhu Qiang ,朱强 ,Wang Yu-jie . 第17届中国系统仿真技术及其应用学术年会（17th CCSSTA 2016) . 2016
7. 基于自适应模型的三元锂电池SOC/SOH联合评估研究 [A] . 唐佳 . 2020

基于GA-ELM模型的锂电池SOH预测

摘要

著录项

相似文献

相关主题

期刊订阅