基于极限学习机的锂电池健康状态预测.pdfVIP

基于极限学习机的锂电池健康状态预测

陈婕;金馨

【摘要】使用传统的物理化学方法来预测锂电池的健康状态效率低下且精度不高.

为此,本文提出使用极限学习机来对蓄电池的健康状态进行预测.首先对提取出的特

征数据集进行归一化预处理;然后,在训练集上使用网格有哪些信誉好的足球投注网站技术优化极限学习机的

模型参数.在测试集上和其他方法的对比实验结果表明:基于极限学习机的锂电池健

康状态预测方法性能优秀,有着实际应用的前景.

【期刊名称】《软件》

【年(卷),期】2018(039)002

【总页数】6页(P191-196)

【关键词】神经网络;极限学习机;锂电池;健康状态;预测

【作者】陈婕;金馨

【作者单位】南京市第三高级中学,江苏南京210001;南京市第三高级中学,江苏南

京210001

【正文语种】中文

【中图分类】TP181

0引言

目前随着相关科技技术的发展和对环境能源保护的需求，蓄电池系统的有效管理日

益重要。由于设备通常都会有极高的综合性和复杂性，对设备的可靠检测及预测可

以解决当前不能及时发现设备故障而引发的经济、安全问题。对系统中的电池状态

进行监测，有效地对蓄电池的剩余寿命进行预测，能够有效地保护实时电池系统

[1-2]。在本文中，采用蓄电池的健康状态（StateofHealth，SOH）探讨锂电池

剩余寿命，有着重要的研究意义[3]。

传统的电池研究方法主要基于电池可直接测量到的参数，如电压、电流、温度、内

阻等，常见方法有电池充放电研究、化学方法或者电压、电流测量的方法[4-5]，

这类方法有长时、昂贵且阻碍电池主要性能等缺点，且传统预测方法针对性强、考

虑因素单一、预测精度有待改进且适用范围比较小。由于蓄电池内部具有复杂结构

并存在化学反应，单纯地使用一两个参数或线性测量的方法不能够很好地预测

SOH，准确性有限。人工智能方法因其强大的适应性，近年来被研究应用于蓄电

池SOH的预测，常用的人工智能算法主要有：卡尔曼滤波（KalmanFilter，KF）

法、人工神经网络（ArtificialNeuralNetwork，ANN）算法[6-7]、RVM算法

[8]、遗传算法[9]、自组织网络[10-12]、模糊推理算法[3]以及这些算法互相结合

的方法等等。

本文主要研究基于极限学习机的蓄电池剩余寿命的预测[1,2,7]。通过不同方法的比

对，希望找到效率高、性能好的蓄电池剩余寿命预测模型，实验结果也验证极限学

习机的效率和性能要优于部分神经网络算法，能够改善反向传播网络学习速率慢、

设置参数多及容易发生欠拟合和过拟合现象的问题。

1极限学习机

极限学习机（ExtremeLearningMachine，ELM）是黄广斌在2004年提出的新

型快速学习算法，如图1所示。相较于传统的神经网络，ELM是一种简单易用、

有效的单隐层前馈神经网络学习算法[13]，用于解决传统神经网络算法容易产生局

部最优解、迭代次数过多和学习速率慢等问题。传统神经网络算法在训练过程中往

往需要大量时间设置多种参数，并且参数的选取对实验的最终结果会产生较大影响，

其收敛速度也会被波及，也容易发生过拟合和欠拟合现象，比较而言，ELM算法

在多层面表现出优越性。

图1极限学习机模型Fig.1Extremelearningmodel

ELM是一种单隐层前馈型神经网络（SinglehiddenLayerFeed-forward

Network，SLFN），随机选择输入权重和隐含层偏置。一个单隐层神经网络，设

输入层节点数为n，输出层节点数为m，隐含层节点数为l，输入层节点数即为数

据样本的输入特征数，则对于给出的N个样本的输入xi(i=1,2,…,N)可以表示

为：xi=[xi1xi2…xin]，对应的全部样本的输入特征向量X可表示为：

上式中的行向量即对应数据集中所有样本的输入向量xi。

对于给出的N个样本的输入yi(i=1,2,…,N)可以表示为：yi=[yi1y

i2…yim]，对应的全部样本的输入特征向量Y可表示为：

上式中的行向量即对应数据集中所有样本的输出向量yi。

N个样本（xi,），设定隐含层节点数为yi