摘要： 电池健康状况预测是确保电动汽车高效安全的重要手段之一。目前这一领域大多数研究工作都基于可控条件下的充放电实验进行，与实车数据的差别较大，难以实际应用。提出了一种基于SSA优化的极限学习机模型的两步式实车电池健康状况预测方法。SSA优化能够提升ELM的预测精度和稳定性。第一个模型使用三个间接健康因子作为输入建模SOH,获取到了较明显的变化趋势。之后使用第二个模型进行SOH时序预测，并在MIT实验数据集和实车数据集上分别进行了验证，结果表明模型具有较高精度和泛化能力。
中图分类号:
王亦乐, 黄宏成, 杨健, 徐世琦, 尹明轩. 基于SSA-ELM的动力电池健康状况预测研究[J]. 传动技术, 2022, 36(2): 3-6+13.
| [1] | . 基于改进差分进化极限学习机的锂离子电池健康状态估计[J]. J Shanghai Jiaotong Univ Sci, 2025, 30(2): 252-261. |
| [2] | 屈克庆, 董浩, 毛玲, 赵晋斌, 杨建林, 李芬. 基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计[J]. 上海交通大学学报, 2024, 58(3): 263-272. |
| [3] | 何之倬, 张颖, 郑刚, 郑芳, 黄琬迪, 张沈习, 程浩忠. 基于极限学习机模型参数优化的光伏功率区间预测技术[J]. 上海交通大学学报, 2024, 58(3): 285-294. |
| [4] | 杨博, 曾春源, 陈义军, 束洪春, 曹璞璘. 极限学习机及其在质子交换膜燃料电池参数辨识中的应用[J]. 上海交通大学学报, 2023, 57(4): 482-494. |
| [5] | 熊磊, 苗雨润, 范新舟, 姚晔. 一种利用改进麻雀搜索算法的中央空调系统节能控制方法[J]. 上海交通大学学报, 2023, 57(4): 495-504. |
| [6] | 王亚伦, 周涛, 陈中, 王毅, 权浩. 基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制[J]. 上海交通大学学报, 2023, 57(11): 1477-1491. |
| [7] | 金皓纯, 葛敏辉, 徐波. 基于极限学习机的双馈感应风力发电机综合自适应调频参数优化方法[J]. 上海交通大学学报, 2021, 55(S2): 42-50. |
| [8] | 席剑辉, 姜瀚, 陈博, 傅莉. 基于PCA-ELM的红外多光谱辐射测温[J]. 上海交通大学学报, 2021, 55(7): 891-898. |
| [9] | 李春祥, 张浩怡. 基于混合多变量经验模态分解和极限学习机的非平稳过程预测[J]. 上海交通大学学报, 2020, 54(4): 376-386. |
| [10] | 张林林，胡熊伟，李鹏，石访，于之虹. 基于极限学习机的电力系统暂态稳定评估方法[J]. 上海交通大学学报, 2019, 53(6): 749-756. |
| [11] | 刘敏，张英堂，李志宁，范红波. 基于增量稀疏核极限学习机的柴油机故障在线诊断[J]. 上海交通大学学报（自然版）, 2019, 53(2): 217-224. |
| [12] | 钟国强1,2，王浩1，张国华1，覃卫民1，王成汤1,2，熊俊峰1,2. 基于RS-MIV-ELM模型的基坑水平位移影响因素分析和预测[J]. 上海交通大学学报（自然版）, 2018, 52(11): 1508-1515. |
| [13] | 籍庆辉，朱平，卢家海，刘钊. 基于Kriging近似模型的碳纤维增强复合[J]. 上海交通大学学报（自然版）, 2017, 51(2): 129-. |
| [14] | 张伟，许爱强，高明哲. 一种基于积累一致性测量的在线状态预测算法[J]. 上海交通大学学报（自然版）, 2017, 51(11): 1391-1398. |
| [15] | 王萍，王迪，冯伟. 基于流形正则化的在线半监督极限学习机[J]. 上海交通大学学报（自然版）, 2015, 49(08): 1153-1158. |
| 阅读次数 | ||||||
|
全文 |
|
|||||
|
摘要 |
|
|||||
