基于PSO-ELM的储能锂电池荷电状态估算
基于PSO-ELM的储能锂电池荷电状态估算
对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差，卡尔曼滤波算法需要建立精确的电池模型，神经网络法不依赖具体的锂电池模型，能够反映锂电池的非线性关系，因而受到广泛关注，然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题，文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量，以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试，采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明，与BP神经网络的预测结果相比，文中估算SOC的方法具有更高的精度。
标题：
基于PSO-ELM的储能锂电池荷电状态估算
Estimation of state of charge of energy storage lithium battery based on PSO-ELM
作者：
缪家森，成丽珉，吕宏水
MIAO Jiasen, CHENG Limin, LYU Hongshui
关键词：
储能电池;荷电状态估算;粒子群优化算法;极限学习机
energy storage battery;state of charge estimation;particle swarm optimization algorithm;extreme learning machine
页:
[1]