关键词:
哈里斯鹰算法
混沌映射
调节算子
核极限学习机
荷电状态估计
摘要:
精确预测锂电池荷电状态(State of charge,SOC)是实现电池管理系统智能化管理的一个关键条件。提出改进哈里斯鹰算法(Improved Harris hawks optimization,IHHO)优化核极限学习机(Kernel extreme learning machine,KELM)的SOC估计模型。在标准哈里斯鹰算法(Harris hawks optimization,HHO)的基础上,引入Logistic混沌映射获取最优种群个体,提高算法寻优能力。优化跳跃距离J,同时构建调节算子非线性控制机制平衡勘探和开发行为,使算法在前后期搜索更加合理化。通过5个标准测试函数试验仿真,证明了改进后的算法寻优能力更佳,利用IHHO算法对核极限学习机的参数进行寻优,建立IHHO-KELM估计模型。采用恒流放电试验数据进行仿真研究,对比分析无迹卡尔曼滤波(Unscented Kalman filter,UKF)、灰狼算法优化的BP神经网络(Grey wolf optimizer-back propagation,GWO-BP)与IHHO-KELM模型的预测结果,并选用动态压力测试(Dynamic stress test,DST)工况对模型进行鲁棒性验证。结果表明,所提模型SOC预测均方误差和平均绝对误差分别减小至0.13%和0.7%,精度提高,且具有较好的鲁棒性。