计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2015年
3期
163-168
,共6页
磷酸铁锂电池%荷电状态%极限学习机%粒子群优化算法%预测
燐痠鐵鋰電池%荷電狀態%極限學習機%粒子群優化算法%預測
린산철리전지%하전상태%겁한학습궤%입자군우화산법%예측
LiFePO4 Li-ion battery%State of charge (SOC)%Extreme learning machine%Particle swarm optimization (PSO)%Estimation
电池荷电状态(SOC)准确预测是电池管理系统的关键任务.针对过去电池SOC预测精度低等问题,提出了一种采用极限学习机神经网络(ELM)的预测模型,以电池电压和电流作为模型的输入量,SOC作为输出量.在建模过程中,采用粒子群优化算法(PSO)对ELM随机给定的输入权值矩阵和隐层阈值进行寻优,降低了随机性给模型造成的影响,提高了模型预测精度.利用实验采集的数据进行模型训练和预测,结果表明,用粒子群算法优化后的极限学习机模型(PSOELM)与单纯的ELM以及传统的BP和SVM相比,具有更高的预测精度和泛化性能.为磷酸铁锂电池的SOC预测提供了一种新的方法.
電池荷電狀態(SOC)準確預測是電池管理繫統的關鍵任務.針對過去電池SOC預測精度低等問題,提齣瞭一種採用極限學習機神經網絡(ELM)的預測模型,以電池電壓和電流作為模型的輸入量,SOC作為輸齣量.在建模過程中,採用粒子群優化算法(PSO)對ELM隨機給定的輸入權值矩陣和隱層閾值進行尋優,降低瞭隨機性給模型造成的影響,提高瞭模型預測精度.利用實驗採集的數據進行模型訓練和預測,結果錶明,用粒子群算法優化後的極限學習機模型(PSOELM)與單純的ELM以及傳統的BP和SVM相比,具有更高的預測精度和汎化性能.為燐痠鐵鋰電池的SOC預測提供瞭一種新的方法.
전지하전상태(SOC)준학예측시전지관리계통적관건임무.침대과거전지SOC예측정도저등문제,제출료일충채용겁한학습궤신경망락(ELM)적예측모형,이전지전압화전류작위모형적수입량,SOC작위수출량.재건모과정중,채용입자군우화산법(PSO)대ELM수궤급정적수입권치구진화은층역치진행심우,강저료수궤성급모형조성적영향,제고료모형예측정도.이용실험채집적수거진행모형훈련화예측,결과표명,용입자군산법우화후적겁한학습궤모형(PSOELM)여단순적ELM이급전통적BP화SVM상비,구유경고적예측정도화범화성능.위린산철리전지적SOC예측제공료일충신적방법.
