第12卷第4期2023年4月Vol.12No.4Apr.2023储能科学与技术EnergyStorageScienceandTechnology基于特征优选与改进极限学习机的锂电池SOC估计寇发荣，罗希，门浩，郭杨娟，杨天祥（西安科技大学机械工程学院，陕西西安710054）摘要：为提高数据驱动方法预测荷电状态(stateofcharge，SOC)的效率与精度，提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集，利用随机森林(randomforest，RF)算法判定训练集各特征对SOC的影响程度，选择出最优训练样本，并对优选样本的合理性进行验证；利用极限学习机(extremelearningmachine，ELM)对SOC进行预测，针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题，选取麻雀搜索算法(sparrowsearchalgorithm，SSA)进行参数优化以提高估计精度；随后，通过BJDST工况仿真试验对SSA参数优化的有效性进行验证；在恒流放电与DST工况实验下，分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(supportvectormachine，SVM)与BP神经网络(back-propagationneuralnetwork，BPNN)对SOC进行预测，结果表明，SSA-ELM算法预测效果最优，预测误差基本保持在1.5%以内，可实现较高精度的SOC预测。关键词：随机森林(RF)；麻雀搜索算法(SSA)；极限学习机(ELM)；特征优选；荷电状态(SOC)doi：10.19799/j.cnki.2095-4239.2022.0704中图分类号：MT912文献标志码：A文章编号：2095-4239（2023）04-1234-10StateofchargeestimationoflithiumbatterybasedonfeatureoptimizationandimprovedextremelearningmachineKOUFarong,LUOXi,MENHao,GUOYangjuan,YANGTianxiang(SchoolofMechanicalEngineering,Xi'anUniversityofScienceandTechnology,Xi'an710054,Shaanxi,China)Abstract:Inthisstudy,astateofcharge(SOC)estimationmethodisproposedbasedonacombinationofdatapreprocessingandalgorithmoptimizationinordertoimprovetheefficiencyandaccuracyofdata-drivenmethodinpredictingSOC.Theopendatawasselectedasthetrainingset,andtherandomforest(RF)algorithmwasusedtodeterminetheinfluencedegreeofeachfeatureofthetrainingsetonSOC.Forthis,optimaltrainingsampleswereselected,andtherationalityoftheoptimalsampleswasverified.Limitlearningmachine(ELM)wasusedtopredictSOC,aimingattheinstabilityofrandomweightsandthresholdsgeneratedbyELMinthepredictionprocess.Thisleadstot...
