[发明专利]一种基于FWA优化极限学习机的锂电池SOH预测方法

权利要求书

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，X_i为输入层的变量值，O_i为网络输出，g(x)为极限学习机的激励函数，W_i＝[w_i1,w_i2...,w_in]^T为输入权值，β_i为输出权重，α_i是第i个隐含层单元的偏置，W_i·X_i表示W_i和X_i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w_i为第i个烟花产生的火花个数，m为限制火花总数的常数，y_max为种群中适应度最差的个体的适应度值，f(x_i)为个体x_i的适应度值，ε为防止出现零分母的极小常数，s_i为第i个烟花的爆炸范围，Z表示最大爆炸幅度，为常数，y_min为种群中适应度最好的个体的适应度值。

5.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，所述变异算子计算过程包括：

烟花爆炸过程中每个烟花爆炸后的火花数目限定为：

式中，是第i个烟花可以产生的火花数量，round()是取整函数，a和是给定的常数，位移操作是烟花算法中烟花位置的操作；

火花位置为：

式中，random(0,A_i)表示在幅度A_i内生成的均匀随机数，为烟花位置；

根据高斯变异公式计算变异算子，所述高斯变异公式为：

式中g表示服从均值和方差均为1的高斯分布，即g～N(1，1)，x_i^k表示第i个体在第k维上的位置。