[发明专利]一种基于PSO-ELM算法的电池健康状态预测方法

说明书

本发明公开了一种基于PSO‑ELM算法的电池健康状态预测方法，包括如下步骤：步骤1：建立基于极限学习机ELM的神经网络模型；步骤2：初始化神经网络模型的参数；其中采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b；步骤3：采用预先获取的训练样本对步骤2中确定参数后的神经网络采用ELM算法进行训练直至满足训练结束条件；步骤4：采用训练后的神经网络模型对电池健康状态进行预测。本发明可以准确快速的进行电池的健康状态的预测，可以实现对于电池的安全监测；模型的输入层参数更加准确可靠；采用极限学习机ELM算法实现的神经网络模型，避免了传统训练方法的反复迭代过程，减少了训练时间。

技术领域

本发明涉及电池检测领域，特别涉及一种基于PSO-ELM算法的电池健康状态预测方法。

背景技术

电池健康状态(State of Healthy，SOH)的下降体现在电池内部阻值的增大，随着电池内阻的增加，电池在实际使用时将产生更多热量，从而导致电池有用功率的下降，过高的电池温度同样威胁着电池使用设备的安全。电池健康状态的下降也体现在电池容量的下降，随着锂电池可用容量的降低，电池的蓄电量可能无法满足实际使用场景的要求，如不及时更换设备中性能不达标的储能电池，将对设备使用者造成不必要的财产损失及安全威胁。电池健康状态预测是电池管理系统(Battery Management System，BMS)研究的重要任务，锂电池健康状态的有效预测对锂电池的合理使用有着重要的指导价值。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于PSO-ELM算法的电池健康状态预测方法，用于实现对于电池健康状态的预测。

为了实现上述目的，本发明采用的技术方案为：一种基于PSO-ELM算法的电池健康状态预测方法，包括如下步骤：

步骤1：建立基于极限学习机ELM的神经网络模型；

步骤2：初始化神经网络模型的参数；其中采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b；

步骤3：采用预先获取的训练样本对步骤2中确定参数后的神经网络采用 ELM算法进行训练直至满足训练结束条件；

步骤4：采用训练后的神经网络模型对电池健康状态进行预测。

在步骤1中神经网络模型包括输入层、输出层、隐藏层，其中输入层包括5 个神经元，对应作为模型的5个输入参数，输入层的神经元对应的输入包括：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压；输出层包括一个神经元，对应的输出参数为电池健康状态。

在步骤4中获取需要预测电池健康状态的电池的参数：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压，将参数输入到训练后的神经网络中由神经网络输出电池健康状态。

在步骤2中初始化神经网络模型参数包括初始化输入层到隐藏层的连接权重w和隐藏层的阈值b、确定激活函数g(x)。

采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b包括步骤：将神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b作为粒子群搜索空间中的一个粒子，采用PSO算法对例子进行迭代寻优，设置PSO算法的初始参数后按照PSO算法中的位置和速度更新公式进行更新，直到迭代满足停止条件后输出最优粒子作为神经网络模型中的连接权重w和隐藏层的阈值b。

采用ELM算法对初始化后的神经网络模型进行训练，输入训练样本集对神经网络进行训练直至满足结束条件，求取隐藏层到输出层的连接权重，完成神经网络的训练。