基于GA-ELM模型的鋰電池SOH預測
作者：劉凱文; 劉聰聰; 李珺凱; 王桂麗; 張持健 安徽師范大學物理與電子信息學院; 安徽蕪湖241000
摘要：針對鋰電池健康狀態(tài)(State of Healthy,SOH)預測精度低的特點,利用遺傳算法改進的極限學習機(Extreme Learning Machine,ELM)算法可提高鋰電池SOH的預測精度。ELM輸入層到隱含層的權(quán)值及隱含層單元的閾值隨機產(chǎn)生,ELM算法只需設(shè)置隱含層單元的數(shù)目及隱含層激活函數(shù)類型。相比傳統(tǒng)BP算法,ELM算法具有學習速率快、泛化性能好等優(yōu)點。但由于ELM網(wǎng)絡(luò)輸入層到隱含層的權(quán)值和隱含層閾值產(chǎn)生的隨機性,ELM算法的穩(wěn)定性較差。ELM算法中引入遺傳算法(GA)優(yōu)化輸入層到隱含層的權(quán)值和隱含層單元的閾值,該方法可增強ELM算法的穩(wěn)定性。實驗對比了GA-ELM算法與ELM算法、BP算法、RBF算法及SVR算法對鋰電池SOH的預測,結(jié)果顯示GA-ELM算法相比其他算法在預測精度和算法穩(wěn)定性上均有提升。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社。
無線電通信技術(shù)雜志
無線電通信技術(shù)雜志， 雙月刊，本刊重視學術(shù)導向，堅持科學性、學術(shù)性、先進性、創(chuàng)新性，刊載內(nèi)容涉及的欄目：專家論壇、通信系統(tǒng)與網(wǎng)絡(luò)技術(shù)、信息傳輸與接入技術(shù)、天線與伺服技術(shù)、綜合電子信息技術(shù)等。于1972年經(jīng)新聞總署批準的正規(guī)刊物。
- 北大期刊
- 1個月內(nèi)審核
