基于特征优选与改进极限学习机的锂电池SOC估计

作者：寇发荣^*; 罗希; 门浩; 郭杨娟; 杨天祥

来源：储能科学与技术, 2023, 12(04): 1234-1243.

DOI：10.19799/j.cnki.2095-4239.2022.0704

• 随机森林(RF)
• 麻雀搜索算法(SSA)
• 极限学习机(ELM)
• 特征优选
• 荷电状态(SOC)

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度，提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集，利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度，选择出最优训练样本，并对优选样本的合理性进行验证；利用极限学习机(extreme learning machine,ELM)对SOC进行预测，针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题，选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度；随后，通过BJDST工况仿真试验对SSA参数优化的有效性进行验证；在恒流放电与DST工况实验下，分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(backpropagation neural network,BPNN)对SOC进行预测，结果表明，SSA-ELM算法预测效果最优，预测误差基本保持在1.5%以内，可实现较高精度的SOC预测。

• 单位
  西安科技大学