周勇,廖宁,陈怡然

(重庆工程学院 大数据与人工智能学院, 重庆 400056)

0 引言

电池荷电状态(state of charge, SOC)是电池最重要的参数之一，反映了系统剩余能量，对电池系统的安全可靠运行至关重要[1-2]。SOC定义为可用电池容量与其额定容量的百分比表示，其中100 %表示电池已满，0 %表示电池处于空状态。SOC估计类似汽车中“燃油表”功能，准确的SOC信息将能给用户提供电池剩余工作时间信息。SOC准确计算有助于避免类似过放电和过充电等可能会减少电池寿命的有害行为；此外，准确的SOC指示对用户的使用便利性和延长电池的使用寿命具有重要意义。随着锂离子电池在众多行业的广泛使用，SOC的准确估计已经成为一个比以前更加关键的问题[3-4]。

电池的SOC不能直接测量，而是通过可测参数，如电压、电流、环境温度等来估计。测量或估计SOC的常用技术包括电流积分技术、卡尔曼滤波估计和非线性回归技术[5-6]。这些计算受到了众多学者关注并取得了大量研究成果。然而，实际应用中诸如环境温度、电池老化情况、工作电压、电流等因素均会影响SOC的准确估计。针对这些情况，诸如神经网络[7]、支持向量机[8]等非线性回归技术的应用效果更为突出，已成为解决SOC准确预测的有效技术之一。

极限学习机(extreme learning machine, ELM)技术近年来取得很大发展，基于ELM核心的各种变体及改进模型在生物医学、图像分析、人工视觉以及其他工程实际领域广泛应用并取得良好效果[9-10]。一些研究表明，这些技术在电池建模中性能良好[11]。……