基于改进在线核极限学习机的蓄电池SOC预测

为对蓄电池荷电状态（SOC）进行准确、快速的在线预测,提出一种改进的在线核极限学习机方法（IO-KELM）,以电池工作电压、电流和表面温度为输入量,电池SOC为输出量建立预测模型。IO-KELM采用Cholesky分解将核极限学习机（KELM）从离线模式扩展到在线模式,使网络输出权值随新样本的逐次加入递推求解更新,以简单的四则运算替代复杂的矩阵求逆,提高了网络的泛化能力和在线学习效率。仿真实验表明,相比于KELM及直接在线建模的KELM算法（DO-KELM）,IO-KELM具有更高的预测精度、更强的鲁棒性及更快的计算速度。