研究概述

充電截止電壓是大多數電動汽車用戶充電都會經歷的電壓點。針對傳統安時積分法忽略初始容量誤差和電池老化等一系列待優化的問題，提出了雙層集成極限學習機(extreme learning machine, ELM)算法，實現鋰離子電池充電截止電壓下的荷電狀態(state of charge, SOC)和健康狀態(state of health, SOH)聯合估計。首先，提取易測的電池健康特征(health indicator, HI)，采用集成極限學習機映射 HI 及充電所需時間與 SOH 之間的關系。其次，用測得的 HI 估計難以在線測量的充電所需時間，對充電截止電壓下安時積分法的 SOC 進行在線修正。該方法充分考慮了電動汽車用戶初始充電狀態的不確定性，指導電動汽車用戶合理充電。此外，通過選擇合適的集成ELM模型集成度，解決了單個 ELM 模型輸出不穩定的問題。最后，選用 NASA 和 CALCE 數據集進行實驗驗證。驗證結果表明，鋰離子電池充電截止電壓下 SOC 的估計均方根誤差均小于 1.5%，集成 ELM 相比于其他常見算法具有較高的訓練、測試精度和較短的預測時間。

研究內容

充電截止電壓是大多數電動汽車用戶充電都會經歷的電壓點。針對傳統安時積分法忽略初始容量誤差和電池老化等一系列待優化的問題，提出了雙層集成極限學習機(extreme learning machine, ELM)算法，實現鋰離子電池充電截止電壓下的荷電狀態(state of charge, SOC)和健康狀態(state of health, SOH)聯合估計。首先，提取易測的電池健康特征(health indicator, HI)，采用集成極限學習機映射 HI 及充電所需時間與 SOH 之間的關系。其次，用測得的 HI 估計難以在線測量的充電所需時間，對充電截止電壓下安時積分法的