谈发明，李秋烨，赵俊杰，王 琪

(江苏理工学院 a.信息中心；b.电气信息工程学院，江苏 常州 213001)

0 引 言

锂电池管理系统优化控制的前提条件是要获得电池荷电状态(State of Charge,SOC)的精确值。根据当前的SOC值来估计锂电池续航能力，以防锂电池在使用过程中放电过度造成电池损害而导致危险情况发生。因此，如何精确预测锂电池的SOC成为锂电池管理系统的重点研究问题。

Huang等提出了基于单隐层前馈神经网络的一种极限学习机(Extreme Learning Machine，ELM)学习算法，该算法随机产生隐层输入权值和偏置，整个过程一次完成，学习效率高，被广泛应用于SOC预测所属的回归领域。文献[1]中利用ELM针对磷酸铁锂电池建模预测SOC取得了较好的效果，并验证了预测性能超越了神经网络和支持向量机方法。文献[2-4]中采用不同的启发式搜索算法对ELM的输入权值矩阵和隐层偏置量进行寻优，降低了随机性给ELM带来的影响，SOC预测精度较ELM直接建模有所提高。文献[5-6]中为了提高ELM建立的SOC预测模型的拟合和泛化能力，采用贝叶斯方法优化ELM的输出层权重，实验结果验证了其预测电池SOC方面应用的有效性。文献[7]中提出基于核的ELM在线预测电池SOC，无需事先确定隐层网络节点数量，使网络输出权值随新样本逐次加入递推求解更新，提高了预测模型的泛化能力和在线学习效率。以上几种方法中，ELM均基于经验风险最小化原理，在锂电池SOC建模预测实际应用时还是可能出现过度拟合问题。

本文提出了一种流形正则化框架下的极限学习机(Manifold Regularization Extreme Learning Machine，MRELM)建模预测锂电池SOC的方法。……