典型文献
基于充电数据片段和GA-ELM的锂电池SOH在线估计
文献摘要：
锂电池的健康状态(state of health,SOH)对于电池安全稳定运行有着至关重要的作用.然而,电池在线运行时难以对其内阻和容量进行直接测量.因此,提出了一种基于充电数据片段和遗传算法优化的极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的锂电池SOH估计方法.通过从电池的充电电压片段数据中提取不同电压区间内电压对时间的积分作为健康因子(health factor,HF),并用皮尔逊相关性分析法找到最优电压区间.最后,使用遗传算法寻找ELM网络结构参数的最优解集,建立起锂电池HF和SOH的估计模型,实现SOH的在线估计.使用NASA数据集对所提方法进行了验证,证明了所提方法具有很好的准确性和可靠性.
文献关键词：
健康状态;遗传算法;极限学习机;健康因子;充电数据片段
中图分类号：
作者姓名：
董浩;毛玲;赵晋斌
作者机构：
上海电力大学电气工程学院,上海 200090
文献出处：
引用格式：
[1]董浩;毛玲;赵晋斌-.基于充电数据片段和GA-ELM的锂电池SOH在线估计)[J].供用电,2022(07):25-31
A类：
充电数据片段,充电电压片段
B类：
GA,ELM,锂电池,SOH,在线估计,健康状态,state,health,电池安全,安全稳定运行,在线运行,内阻,直接测量,遗传算法优化,极限学习机,genetic,algorithm,extreme,learning,machine,估计方法,片段数据,分作,健康因子,HF,皮尔逊相关性分析,相关性分析法,最优解集,NASA
AB值：
0.295507
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
