陈 婕，金 馨

（南京市第三高级中学，江苏 南京 210001）

0 引言

目前随着相关科技技术的发展和对环境能源保护的需求，蓄电池系统的有效管理日益重要。由于设备通常都会有极高的综合性和复杂性，对设备的可靠检测及预测可以解决当前不能及时发现设备故障而引发的经济、安全问题。对系统中的电池状态进行监测，有效地对蓄电池的剩余寿命进行预测，能够有效地保护实时电池系统[1-2]。在本文中，采用蓄电池的健康状态（State of Health，SOH）探讨锂电池剩余寿命，有着重要的研究意义[3]。

传统的电池研究方法主要基于电池可直接测量到的参数，如电压、电流、温度、内阻等，常见方法有电池充放电研究、化学方法或者电压、电流测量的方法[4-5]，这类方法有长时、昂贵且阻碍电池主要性能等缺点，且传统预测方法针对性强、考虑因素单一、预测精度有待改进且适用范围比较小。由于蓄电池内部具有复杂结构并存在化学反应，单纯地使用一两个参数或线性测量的方法不能够很好地预测SOH，准确性有限。人工智能方法因其强大的适应性，近年来被研究应用于蓄电池SOH的预测，常用的人工智能算法主要有：卡尔曼滤波（Kalman Filter，KF）法、人工神经网络（Artificial Neural Network，ANN）算法[6-7]、RVM算法[8]、遗传算法[9]、自组织网络[10-12]、模糊推理算法[3]以及这些算法互相结合的方法等等。

本文主要研究基于极限学习机的蓄电池剩余寿命的预测[1,2,7]。通过不同方法的比对，希望找到效率高、性能好的蓄电池剩余寿命预测模型，实验结果也验证极限学习机的效率和性能要优于部分神经网络算法，能够改善反向传播网络学习速率慢、设置参数多及容易发生欠拟合和过拟合现象的问题。……