一种基于FWA优化极限学习机的锂电池SOH预测方法技术

本发明专利技术公开了一种基于FWA优化极限学习机的锂电池健康状态SOH预测方法，属于动力电池SOH预测技术领域。本发明专利技术为了解决现有技术中对动力电池SOH预测过程中参数寻优困难和估算精度低的问题。本发明专利技术包括如下步骤建立基于极限学习机的锂电池SOH预测模型；采用FWA优化算法优化预测模型中的输入权值和隐含层偏置；将训练样本输入所述预测模型中对模型进行训练；输入测试样本对训练好的预测模型进行验证；本申请能够准确的对实时非线性变化的锂电池健康状态SOH进行准确的预测，预测运算速度更快且提高了健康因子与锂电池SOH之间的变化对应关系，进而提高了估计精度。

【技术实现步骤摘要】
一种基于FWA优化极限学习机的锂电池SOH预测方法
本专利技术涉及动力电池SOH预测领域，特别是涉及一种基于FWA优化极限学习机的锂电池SOH预测方法。
技术介绍
能源危机和环境污染问题的日益加剧，发展新能源汽车成为现代工业发展的重要任务。随着全球市场电动汽车商品化步伐的日益加快，对高功率和高能量动力电池需求迅速增加，锂动力电池具有安全性高、寿命长、污染低、比能量大等特点，目前已作为动力电池应用于电动汽车。电池的健康状态SOH用于描述电池的衰退状态，锂离子电池在长期使用过程中不可避免的面临着老化衰退的问题，电池的衰退是一个不可以逆转的过程，当锂离子电池衰退到一定程度时，将不再适合在电动汽车中继续使用，不然会造成一些汽车事故；因此准确的估计锂离子电池健康状态SOH对减少故障提高电池效率有着十分重要的意义和价值。锂离子动力电池的SOH随着充放电循环而逐渐退化。然而，锂离子电池是动态、时变、非线性的电化学系统，其内部电化学机理十分复杂，很难建立准确的退化机理模型来估计锂离子电池的SOH。因此，国内外学者在锂离子电池电化学方面开展了大量的研究，本文档来自技高网...

【技术保护点】
1.一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，包括如下步骤：/nS1、建立基于极限学习机的锂电池SOH预测模型；/nS2、采用FWA优化算法优化所述预测模型中的输入权值和隐含层偏置；/nS3、获取样本数据，所述样本数据划分为训练样本和测试样本，将训练样本输入所述预测模型中对模型进行训练；/nS4、输入测试样本对训练好的预测模型进行验证。/n

【技术特征摘要】
1.一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，包括如下步骤：
S1、建立基于极限学习机的锂电池SOH预测模型；
S2、采用FWA优化算法优化所述预测模型中的输入权值和隐含层偏置；
S3、获取样本数据，所述样本数据划分为训练样本和测试样本，将训练样本输入所述预测模型中对模型进行训练；
S4、输入测试样本对训练好的预测模型进行验证。


2.根据权利要求1所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，步骤S1包括：
S11、建立SOH预测网络，包括输入层、隐含层和输出层，设定隐含层节点个数；
S12、计算SOH预测网络的输出为：



式中，Xi为输入层的变量值，Oi为网络输出，g(x)为极限学习机的激励函数，Wi＝[wi1,wi2...,win]T为输入权值，βi为输出权重，αi是第i个隐含层单元的偏置，Wi·Xi表示Wi和Xi的内积。


3.根据权利要求1所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，步骤S2具体包括：
S21，初始化话烟花数目M，设定结束条件；
S22，计算适应度、爆炸幅度和火花数；
S23，更新烟花位置；
S24，利用高斯算法计算变异算子；
S25，在烟花、爆炸火花和变异火花中选择下一次迭代的烟花；选择策略采用轮盘赌的方式选择；
S26，判断是否满足结束条件，若满足，则选择最优个体作为SOH预测模型的输入权值和隐含层偏置，若不满足，则返回步骤S21重新选择。


4.根据权利要求3所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，所述爆炸幅度为：



每个烟花爆炸的火花的数目为：



式中wi为第i个烟花产生的火花个数，m为限制火花总数的常数，ymax为种群中适应度最差的个体的适应度值，f(xi)为个体xi的适应度值，ε为防止出现零分母的极小常数，si为第i个烟花的...

【专利技术属性】
技术研发人员：周永勤，常宇佳，李然，李植，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23