基于WOA-ELM的锂离子电池剩余寿命间接预测

针对标准极限学习机在预测锂离子电池寿命方面算法不稳定以及使用电池容量作为健康因子不易直接测量的问题,提出一种基于等压降放电时间的鲸鱼优化算法(whale optimization algorithm,WOA)优化极限学习机(extreme learning machine,ELM)的锂电池剩余寿命间接预测的方法.首先提取电池等压降放电时间作为锂电池间接健康因子,然后引入鲸鱼优化算法对极限学习机的模型参数进行优化,将电池放电截止电压影响因子融合,建立锂离子电池剩余寿命间接预测模型,最后通过NASA卓越预测中心的锂离子电池数据集B0005、B0006、B0007、B0018对提出的方法进行有效性和稳定性验证.实验结果表明:基于鲸鱼优化算法的极限学习机建立的锂离子电池RUL预测模型与标准极限学习机预测模型相比,操作复杂度较低,多次预测结果稳定,测试精度得到一定提升,模型适用性能较好.