基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

谢旭，高晗,2，毕贵红，蒲娴怡，王凯

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

谢旭1，高晗1,2，毕贵红1，蒲娴怡1，王凯1

（1. 昆明理工大学 电力工程学院，云南 昆明 650500；2. 云南电网有限责任公司 昆明供电局，云南 昆明 650011）

工作状态下的电池是一个动态的非线性系统，基于数据驱动的机器学习是锂离子电池估计建模的一类重要方法，其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络（如BP神经网络）预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题，提出基于AdaBoost-Elman算法的锂离子电池估计方法。该方法充分利用了Elman神经网络的动态特性和AdaBoost算法提高弱预测器精度的特性，使组合后的强预测器具有较强的泛化能力、估计精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较，AdaBoost-Elman神经网络的估计精度高、动态特性好，为锂离子电池估计提供了一种新的途径。

锂离子电池；估计；神经网络；集成学习

0 引言

电池值用于计量当前状态下电池剩余可用电量，不能直接使用测量手段获取，从而不满足实时监测的要求。工作状态下，电池系统时刻工作于非线性状态。目前电池管理系统针对的估计方法主要是通过监测电池组的电压、电流和温度等参数，借助经验查表法、电池机理模型等方法完成[1]。基于数据驱动的机器学习和统计方法，如神经网络、支持向量机等通过电池系统的输入和输出建立表征电池外部特性的非线性关系模型，精确再现了锂离子电池的非线性特征，同时考虑了外界温度、老化条件等环境干扰因素，模型具有较强适应性。……