摘 要：蓄电池的荷电状态（State of Charge， SOC）是表征电池当前剩余电量的重要参数。提出一种基于极限学习机的SOC估计方法。首先，建立蓄电池的二阶戴维南（Thevenin）模型，针对开路电压与电池SOC之间的非线性关系，采用极限学习机模型代替多項式模型，以提高拟合精度。根据实时测量数据，基于极限学习机模型确定电池模型的参数。结果表明，极限学习机模型在估计电池SOC时具有很高的精确度和收敛速度。
　　关键词：极限学习机;蓄电池;荷电状态
　　1、前言
　　蓄电池储能系统在机车系统中有十分重要的作用，它可以提供短时供电、用于能量缓冲、改善电能质量，在机车启动过程中起到重要的作用。蓄电池的荷电状态是电池剩余容量和电池容量的比值，准确地估算电池的SOC值对于电池使用寿命的延长可以起到重要的作用[1]。极限学习机（ELM，Extreme Learning Machine）是一种新型的单隐层前向神经网络，具有训练速度快和泛化能力强的优点，神经网络由于其具有自主学习的功能，在系统建模、预测等方面应用极其广泛。因此本文利用极限学习机来估计蓄电池的荷电状态。
　　2、极限学习机
　　本文采用极限学习机进行蓄电池SOC估计。极限学习机是一种新型的单隐层前向神经网络。与传统的神经网络一样，极限学习机由输入层、隐层和输出层组成[2]，其结构如图一所示：
　　以蓄电池戴维南等效电路的电流IB、开路电压UB、温度T和内阻R为输 入，荷电状态SOC为输出。构建4输入单输出的极限学习机等效仿真模型。
　　3、蓄电池戴维南模型
　　4、蓄电池的SOC估计
　　4.1、蓄电池SOC估计模型
　　以蓄电池戴维南等效电路的电流IB、开路电压UB、温度T和内阻R为输 入，荷电状态SOC为输出，构建4输入单输出的极限学习机等效仿真模型。通过ADVISOR软件来采集极限学习机的训练数据，采样间隔为1 s，数据采集的总量为1250组，其中1000组为训练数据，250组为预测数，来建立基于极限学习机的蓄电池SOC估计模型。
　　4.2、该SOC估计方法的优点
　　蓄电池的荷电状态是电池剩余容量和电池容量的比值，准确地估算电池的SOC值对于电池使用寿命的延长可以起到重要的作用。神经网络由于其具有自主学习的功能，通过一定量的数据对其进行训练，可以得到精确的预测结果，极大的简化了蓄电池SOC值的预测过程，是一种十分方便且高效的蓄电池SOC估计方法。
　　5、结论
　　本文提出了一种基于极限学习机的蓄电池剩余电量估计方法，利用极限学习机建立蓄电池SOC估计模型，用蓄电池戴维南等效模型的电流、开路电压、温度和内阻为输入，蓄电池SOC值为输出建立模型。有效预测了蓄电池的剩余电量，对提高蓄电池的使用寿命具有重要意义。
　　参考文献：
　　[1]吴忠强. 基于 BSA-RELM 的纯电动汽车锂离子电池 SOC 估计，2019.
　　[2]陆思源.极限学习机综述，2018.