面向MCU的轻量化极限学习机和锂电池健康状态估计.pdfVIP

华南师范大学学报（自然科学版）2024,56(6):44-50

JournalofSouthChinaNormalUniversity(NaturalScienceEdition)doi:10.6054/j.jscnun.2024075

面向MCU的轻量化极限学习机和锂电池健康状态估计

郭肖勇*，严玮演，李勇进，常淑敏

（天津科技大学电子信息与自动化学院，天津300457）

摘要：提出一种面向微控制单元（MCU）的轻量化极限学习机（ELM），并将其应用于锂电池健康状态（SOH)预测与

估计。通过对锂电池老化数据的分析和研究,对传统的ELM算法进行了一系列的改进，以提升其计算效率降低其

对硬件资源的占用。基于NASA数据集在不同型号的电池、多种编程语言与各种MCU上进行了实验。结果表明：

该方法可以实现高精度、高效率的锂电池SOH估计。

关键词：电池健康状态；碳中和；极限学习机

中图分类号：TP181文献标志码：A文章编号：1000-5463(2024)06-0044-07

LightweightExtremeLearningMachineforMCUandLithiumBatteryHealthStateEstimation

GUOXiaoyong,YANWeiyan,LIYongjin,CHANGShumin

(CollegeofElectronicInformationandAutomation,TianjinUniversityofScienceandTechnology,Tianjin300457,China)

Abstract:AlightweightExtremeLearningMachine

proposed,withaspecificapplicationinlithiumbatteryStateofHealth(SOH)prediction.Byanalyzingdataon

lithiumbatteryaging,thisstudyintroducesseveralenhancementstotheconventionalELM,aimedatenhancingits

computationalefficiencyandminimizinghardwareresourceconsumption.UtilizingtheNASAdataset,extensiveex-

perimentswereconductedacrossdifferentbatterytypes,multipleprogramminglanguages,andavarietyofMCUs.

Theresultsdemonstratethatourproposedmethodologyiscapableofdeliveringhighlyaccurateandefficientlithium

batterySOHestimations.

Keywords:batterystateofhealth;carbonneutral;extremelearningmachine

科技迅速发展带来了一系列能源消耗以及环境数据驱动、电池热模型、电化学锂浓度模型以及半经

污染问题，我国对新能源的需求也随之增长[2]，验模型等方法。电池由多个串联的独立电池组

为积极响应政府提出的在更长时间段内通过各种方

式吸收和抵消人类活动直接和间接产生的二氧化碳

排放量的号召，社会对广泛应用于便携式电子产品、发生的各化学反应，电池热模型通过时间-空间光

电动汽车[3-4]以及航天等低成本、使用方便的电池谱推导出基于递推温度场的动态模型，通过传感器

提出了更高的要求。因此,在减排降碳的全球大趋提高模型可观测度，最终实现电池健康状态的估计。

势下，估计电池健康状态在存储可再生能源方面日电池热模型需要用到的实验