摘要
针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。
For the instability of the extreme learning machine in predicting the remaining useful life of lithium-ion batteries,this paper proposes a hybrid particle swarm optimization algorithm to optimize the prediction model of extreme learning machines.The optimized particle swarm optimization algorithm is used to optimize the input of the extreme learning machine,which not only can significantly improve the prediction accuracy of the model,but also greatly increase the credibility of the single prediction result of the remaining useful life lithium-ion battery.In this paper,the lithium-ion battery data published by NASA PcoE is used to carry out simulation experiments and evaluate the prediction performance of the model,and compare it with the prediction results of standard extreme learning machine prediction model.The statistical results show that the prediction error is controlled by about 2%.
作者
丁阳征
贾建芳
Ding Yangzheng;Jia Jianfang(School of Electrical and Control Engineering,North University of China,Taiyuan 030051,China)
出处
《电子测量与仪器学报》
CSCD
北大核心
2019年第2期72-79,共8页
Journal of Electronic Measurement and Instrumentation
基金
国家自然科学基金(61573250)
山西省青年自然科学基金(201601D021075)
山西省回国留学人员科研项目(2015-083)资助
作者简介
丁阳征,2014年于哈尔滨华德学院获得学士学位,现为中北大学硕士研究生,主要研究领域为故障诊断、锂离子电池的剩余使用寿命预测;通讯作者:贾建芳,2007年获得中国科学院博士学位,现为中北大学副教授、硕士生导师,主要研究方向为复杂系统建模与优化以及故障预测与健康管理。E-mail:jiajianfang@nuc.edu.cn.
