科研之友
微信
新浪微博
Facebook
分享链接
摘要
在传统电动汽车锂电池预测中，往往将健康状态（State of Health，SOH）预测视作一个整体，进而给出单一SOH预测结果。但在实际汽车运行中，直接进行SOH的单一预测误差大，预测效果不好，为了提高电动汽车的电池SOH预测精度，提出了一种基于变分模态分解和麻雀搜索算法优化的核极限学习机集成预测模型的新的预测方法，VMD-SSA-KELM。通过变分模态分解电池SOH序列，降低SOH回升的影响，同时利用Person相关法减少噪声的影响，提高预测的准确性；该方法中引入核极限学习机KELM，在保留了极限学习机优点的基础上，提高了预测的精度。基于四辆电动汽车的运行数据对提出模型进行验证，实验结果表明：与VMD-DBO-KELM，VMD-POA-KELM，VMD-KELM，VMD-ELM模型相比，本文提出的模型其预测趋势与原数据趋势一致，其他模型的结果波动较大，新模型预测的均方根误差在0.2%内，预测精度更高，预测效率更快，所用时间更短，故可以证明本文提出方法具有更高的准确性和鲁棒性。
- 单位
