充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine,ELM)算法,实现锂离子电池充电截止电压下的荷电状态(...充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine,ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计。首先,提取易测的电池健康特征(health indicator,HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。展开更多
文摘充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine,ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计。首先,提取易测的电池健康特征(health indicator,HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。
