原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
总第243期现代工业经济和信息化Total243
2024年第9期ModernIndustrialEconomyandInformationizationNo.9,2024
实践探索DOI:10.16525/ki.14-1362/n.2024.09.071
基于双层ELM模型的汽车锂电池充电状态评估分析
温喜梅，丁志成，康金龙，李前通
（郑州工业应用技术学院机电工程学院，河南郑州451150）
摘要：锂电池充电状态直接影响到新能源汽车领域的经济效益，采用双层集成极限学习机(ELM)模型对锂电池充
电荷电状态(SOC)和健康状态(SOH)进行评估。通过分析电池健康特征实现充电状态的迭代计算。研究结果表明：
以等电压区间健康特征来估算双层集成ELM模型获得SOC和老化SOC估计参数偏差不超过1.4%，模型实现了
高精度估计效果并表现出了优异鲁棒性。相比较其他算法，集成ELM预测准确率、训练与测试精度都达到了最高，
在更短时间内集成ELM模型。该研究有助于提高新能源汽车行业的高效率运行和降低成本。
关键词：锂电池；充电状态；健康特征；集成极限学习机
中图分类号：TM912文献标识码：A
0引言布的权值与偏差。毛玲等[9]通过选择合适的集成ELM
锂离子动力电池具备高效能量转换、长寿命、安模型集成度，解决了单个ELM模型输出不稳定的
装使用便捷等优势而成为电动汽车领域的重要动力问题，提出双层ELM算法实现锂电池SOC和SOH联
部件[1-2]。荷电性能(sOC)与健康状态(SOH)呈现良好
合估计。
的时间尺度耦合状态，因此需对其开展联合估算以获本文在前人的基础上，构建了由n个神经元构成
得更准确的结果[3]。的模型,输出层中包含了m个神经元，隐含层由1个
根据sOC与SOH的组成结构可知,存在同时满神经元构成。向量b属于隐含层偏置矩阵,其计算式
足两者需求的最大容量，SOC估计结果与SOH间存如下：
在紧密关联[4]。相关方面的研究吸引了很多的学者，b=(b1,b2,.,bi)r.(1)
取得了一定的研究成果。利用n维输人向量x与激活函数来确定模型输
高德欣等[5]提出基于卷积神经网络(CNN)和双出F(x)。
向门控循环单元(BiGRU)的电池充电状态监测方法，L
构建电池温度预测模型，相比其他预测模型具有更高F:(x)=Zβ·h(x).（2）
i=1
的预测精确度和预测效果。卢地华等[6]提出基于双充式中：L为总样本个数。
电状态因子的电池健康状态估计方法，建立具备强泛随机学习时，需在隐含层与输出层间建立矩阵
化能力的改进支持向量回归模型，所建立改进支持向β,使二范数Hβ达到最小平方值或到达O附近,H表
量回归模型可实时估计不同老化状态下的电池健康示隐含层输出矩阵。
状态,具备容量局部回弹变化的表征能力。文献[7]设通过计算个体输出f(i)和集成模型期望f(j)差值
计了一种避免粒子退化的闪烁粒子滤波算法（I-得到潜在误差，结果见下式：
FA-PF），再通过包含遗忘系数的递归最小二乘法来Erori=/f(x)-f;(x).(3)
识别参数,再以内阻构成健康特征对SOC与SOH开采用数据
初级会计持证人
专注于经营管理类文案的拟写、润色等，本人已有10余年相关工作经验，具有扎实的文案功底，尤善于各种框架类PPT文案，并收集有数百万份各层级、各领域规范类文件。欢迎大家咨询！
文档评论（0）