摘要：針對鋰電池健康狀態(tài)(State of Healthy,SOH)預(yù)測精度低的特點,利用遺傳算法改進的極限學(xué)習(xí)機(Extreme Learning Machine,ELM)算法可提高鋰電池SOH的預(yù)測精度。ELM輸入層到隱含層的權(quán)值及隱含層單元的閾值隨機產(chǎn)生,ELM算法只需設(shè)置隱含層單元的數(shù)目及隱含層激活函數(shù)類型。相比傳統(tǒng)BP算法,ELM算法具有學(xué)習(xí)速率快、泛化性能好等優(yōu)點。但由于ELM網(wǎng)絡(luò)輸入層到隱含層的權(quán)值和隱含層閾值產(chǎn)生的隨機性,ELM算法的穩(wěn)定性較差。ELM算法中引入遺傳算法(GA)優(yōu)化輸入層到隱含層的權(quán)值和隱含層單元的閾值,該方法可增強ELM算法的穩(wěn)定性。實驗對比了GA-ELM算法與ELM算法、BP算法、RBF算法及SVR算法對鋰電池SOH的預(yù)測,結(jié)果顯示GA-ELM算法相比其他算法在預(yù)測精度和算法穩(wěn)定性上均有提升。