当前位置: 灰狼 >> 灰狼的种类 >> 本刊推荐基于灰狼算法优化极限学习机的
摘要:准确的电池荷电状态(SOC)估计是电动车辆正常工作的基本前提。针对目前电池荷电状态估计时存在的非线性、不平稳等干扰因素的影响,本工作提出了基于灰狼优化算法的极限学习机的锂离子电池SOC估计方法,以提高估计精度并缩短估计时长。传统的极限学习机(ELM)直接随机生成模型参数,并对SOC进行估计,该方法运行速度快且泛化性能好。但极限学习机需要找出最优的隐含层神经元参数才能达到较高的精度。因此,通过灰狼优化算法(GWO)进一步优化模型参数,并通过选择合适的激活函数,弥补了传统极限学习机的不足。最后通过与粒子群优化的前馈神经网络算法(BPNN-PSO)和极限学习机算法从多维度进行对比分析,在不同工况下验证了此方法在电池SOC估计中的优越性。结果表明,基于灰狼优化算法的极限学习机的锂离子电池荷电状态估计精度高、估算时长较短且鲁棒性较好,明显优于传统SOC估计方法。本研究有助于推动新能源车辆电池管理系统的开发与应用,为可靠的电池管理系统的研发提供支持。
关键词:锂离子电池;荷电状态;极限学习机;灰狼优化
随着全球化石能源的枯竭,新能源技术受到了越来越多的