一个联合改进的虫优化和极端学习机器框架,用于精确的SOC估计
Kaihua Yao1,2,3, Xinyu Yan4,5,6, Xiling Mao1,2,3
1School of Instrument and Electronics, North University of China, Taiyuan, 030051, China.
Scientific reports
|May 20, 2025
概括
对离子电池 (LiB) 进行准确的充电状态 (SOC) 估计对于高效的电池管理系统 (BMS) 至关重要. 本研究引入了改进的虫优化 (IDBO) 和极端学习机器 (ELM) 框架,用于精确的SOC估计,提高电池的安全性和性能.
科学领域:
- 电池技术 电池技术
- 人工智能的人工智能
- 优化算法 优化算法
背景情况:
- 精确的电荷状态 (SOC) 估计对于离子电池 (LiB) 和其管理系统 (BMS) 的高效运行至关重要.
- 电池性能,包括容量,受到温度,操作条件和材料降解等因素的显著影响.
- 动态和非线性电池行为需要高精度的SOC估计,以确保安全和稳定的运行.
研究的目的:
- 开发和评估一个新的框架,将改进的泥甲虫优化 (IDBO) 和极端学习机器 (ELM) 结合起来,以提高 LiBs 的 SOC 估计.
- 通过使用IDBO进行超参数优化来解决传统ELM的局限性,例如由于随机权重初始化而导致不一致的性能.
- 验证拟议的IDBO-ELM方法在各种条件下的稳定性和准确性,包括不同的温度,操作场景,电池材料,初始SOC水平和持续时间.
主要方法:
- 实施了改进的泥甲虫优化 (IDBO) 算法,集成了圆形混沌映射,金正弦策略和利维飞行策略.
- 应用IDBO来优化极端学习机器 (ELM) 模型的超参数 (权重和偏差).
- 在五个不同的参数下验证IDBO-ELM框架的SOC估计:环境温度,操作条件,电池材料,初始SOC和运行时间.
主要成果:
- 拟议的IDBO-ELM模型在SOC估计中实现了高精度和稳定性,平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 在各种条件下约为1.4%.
- 与DBO-ELM方法相比,观察到显著改善,MAE和RMSE减少了30%以上.
- IDBO-ELM框架表现出一致的性能和稳定性,克服了ELM固有的局限性.
结论:
- IDBO-ELM框架为离子电池的充电状态估计提供了一个高度准确和强大的解决方案.
- 这种方法有效地提高了电池管理系统在各种操作条件下的效率和可靠性.
- 该研究通过改进 SOC 预测,为 LiBs 在实际场景中的安全和有效应用提供了强有力的支持.
