基于ELM和MCSCKF的锂离子电池SOC估计

TM911.3; 为了减少噪声对锂离子电池荷电状态估计的影响,本文提出一种新颖的基于极限学习机和最大相关熵平方根容积卡尔曼滤波的SOC估计方法.?首先,利用泛化性好、运行速度快的极限学习机作为卡尔曼滤波的测量方程;其次,基于灰狼优化算法,极限学习机的超参数被优化以提高电池荷电状态的估计精度;最后,基于最大相关熵平方根容积卡尔曼滤波,极限学习机的测量噪声被进一步减弱.?所提方法可以简化极限学习机繁琐的调参过程,且为闭环的SOC估计方法.?所提方法在多工况和宽温度范围内被测试以验证其泛化性能.?测试结果显示,所提方法明显地提高了锂离子电池的荷电状态估计精度.?同时,对比其他算法,所提方法的平均运行...

Full description

Saved in:
Bibliographic Details
Published in工程科学学报 Vol. 45; no. 6; pp. 995 - 1002
Main Authors 王桥, 叶敏, 魏孟, 廉高棨, 武晨光
Format Journal Article
LanguageChinese
Published 长安大学公路养护装备国家工程研究中心,西安 710064%长安大学公路养护装备国家工程研究中心,西安 710064 01.06.2023
新加坡国立大学机械工程系,新加坡 117576
Subjects
荷电状态估计
极限学习机
鲁棒性估计
灰狼优化
卡尔曼滤波
锂离子电池
Online AccessGet full text
ISSN2095-9389
DOI10.13374/j.issn2095-9389.2022.05.10.003

Cover

More Information
Summary:TM911.3; 为了减少噪声对锂离子电池荷电状态估计的影响,本文提出一种新颖的基于极限学习机和最大相关熵平方根容积卡尔曼滤波的SOC估计方法.?首先,利用泛化性好、运行速度快的极限学习机作为卡尔曼滤波的测量方程;其次,基于灰狼优化算法,极限学习机的超参数被优化以提高电池荷电状态的估计精度;最后,基于最大相关熵平方根容积卡尔曼滤波,极限学习机的测量噪声被进一步减弱.?所提方法可以简化极限学习机繁琐的调参过程,且为闭环的SOC估计方法.?所提方法在多工况和宽温度范围内被测试以验证其泛化性能.?测试结果显示,所提方法明显地提高了锂离子电池的荷电状态估计精度.?同时,对比其他算法,所提方法的平均运行时间仅仅为长短时序列和循环门控单元网络的三分之一.?当行驶工况复杂、温度变化区间较大时,所提方法的均方根误差小于1％,最大误差小于3％.?当存在初始误差与环境噪声时,所提方法显示出了优越的鲁棒性.
ISSN:2095-9389
DOI:10.13374/j.issn2095-9389.2022.05.10.003