张英达, 马鸿雁, 窦嘉铭, 王帅, 李晟延, 胡璐锦
摘要 (
)
PDF全文 (
)
可视化
收藏
针对锂离子电池组荷电状态SOC(state-of-charge)难以预测的问题,提出改进麻雀搜索算法ISSA(improved sparrow search algorithm)优化核极限学习机KELM(kernel extreme learning machine)的SOC预测模型。首先,引入Logistic混沌映射改进标准SSA,获取最优种群个体;其次,采用改进算法优化KELM的核函数参数S和惩罚系数C,建立ISSA-KELM预测模型;最后,利用某储能设备的历史数据进行仿真研究,对比分析ELM、KELM和ISSA-KELM模型的预测结果,并选用其他工况数据验证模型的鲁棒性。结果表明,SOC预测均方根误差和平均绝对误差分别减小至2.06%和1.54%,证明所提模型的预测精度提高,具有良好的收敛性、泛化性及鲁棒性。