亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        隨機(jī)放電工況下鋰離子電池容量預(yù)測(cè)方法

        2020-10-09 05:22:48孫道明俞小莉
        汽車(chē)工程 2020年9期
        關(guān)鍵詞:方法

        孫道明,俞小莉

        (浙江大學(xué)能源工程學(xué)院,杭州 310058)

        前言

        隨著不斷加劇的能源和環(huán)境危機(jī),新能源已經(jīng)備受關(guān)注。鋰離子電池具有高能量密度、高功率密度和低自放電倍率等優(yōu)點(diǎn),被廣泛地應(yīng)用于各種電子產(chǎn)品和電動(dòng)汽車(chē)領(lǐng)域[1]。隨著使用時(shí)間增加,鋰離子電池容量逐漸衰退,最終無(wú)法滿(mǎn)足使用要求。尤其在電動(dòng)汽車(chē)領(lǐng)域,若無(wú)法準(zhǔn)確預(yù)測(cè)鋰離子電池容量,則無(wú)法對(duì)電池進(jìn)行精確的充放電管理和準(zhǔn)確預(yù)測(cè)行駛里程,甚至導(dǎo)致汽車(chē)在高速公路上拋錨,從而引發(fā)交通事故。因此,有必要精確預(yù)測(cè)鋰離子電池的容量。

        鋰離子電池容量預(yù)測(cè)方法主要分為兩類(lèi):等效電路模型方法和數(shù)據(jù)驅(qū)動(dòng)方法。其中等效電路模型方法通過(guò)估計(jì)電路參數(shù)和其他相關(guān)參數(shù),并建立參數(shù)和容量之間的關(guān)系,實(shí)現(xiàn)預(yù)測(cè)容量。數(shù)據(jù)驅(qū)動(dòng)方法通過(guò)選擇合適的特征參數(shù)對(duì)模型進(jìn)行訓(xùn)練,實(shí)現(xiàn)預(yù)測(cè)容量。

        等效電路模型法以電路參數(shù)估計(jì)值作為主要預(yù)測(cè)變量,預(yù)測(cè)鋰離子電池容量,研究相對(duì)較少。Pan等[2]采用遞歸最小二乘估計(jì)電路參數(shù),將該參數(shù)作為模型輸入,采用極限學(xué)習(xí)機(jī)預(yù)測(cè)容量。Yang等[3]分別采用遞歸最小二乘和擴(kuò)展卡爾曼濾波估計(jì)電路參數(shù)和SOC,并采用SVM預(yù)測(cè)容量。Ma等[4]同樣采用遞歸最小二乘估計(jì)電路和開(kāi)路電壓模型參數(shù),并采用回歸方法預(yù)測(cè)容量。由于電路參數(shù)估計(jì)結(jié)果受到溫度和SOC等因素的影響,參數(shù)估計(jì)精度不高,導(dǎo)致基于該類(lèi)方法的容量預(yù)測(cè)精度不高。

        數(shù)據(jù)驅(qū)動(dòng)方法選擇能夠反映充放電過(guò)程變化的變量作為特征參數(shù),預(yù)測(cè)鋰離子電池容量。提取特征參數(shù)的基礎(chǔ)數(shù)據(jù)通常有:增量容量曲線(xiàn)和微分電壓曲線(xiàn)、脈沖放電曲線(xiàn)和充電曲線(xiàn)。

        實(shí)驗(yàn)室研究常用增量容量曲線(xiàn)和微分電壓曲線(xiàn)揭示電池容量衰退機(jī)理。這兩種曲線(xiàn)互為倒數(shù)關(guān)系。Weng等[5]選取增量容量曲線(xiàn)峰值作為特征參數(shù),采用SVM預(yù)測(cè)容量。Li等[6]選取增量容量曲線(xiàn)上若干點(diǎn)的相對(duì)變化量作為特征參數(shù),基于灰色關(guān)聯(lián)分析預(yù)測(cè)容量。Li等[7]選取增量容量曲線(xiàn)峰值位置作為特征參數(shù),采用回歸方法預(yù)測(cè)容量。Wang等[8]選取微分電壓曲線(xiàn)兩個(gè)極值點(diǎn)之間的距離作為特征參數(shù),并采用回歸方法預(yù)測(cè)容量。但采用該方法需要先獲取電池開(kāi)路電壓,而開(kāi)路電壓需要在較小的放電電流下測(cè)量,測(cè)試時(shí)間較長(zhǎng)。另外,增量容量和微分電壓曲線(xiàn)的峰值位置受測(cè)量噪聲影響較大,容易出現(xiàn)顫振現(xiàn)象[7]。

        Meng等[9]選取脈沖放電曲線(xiàn)上的多個(gè)拐點(diǎn)電壓及其連線(xiàn)斜率作為特征參數(shù),采用SVM預(yù)測(cè)容量。Cai等[10]選取脈沖放電曲線(xiàn)上的多個(gè)拐點(diǎn)電壓作為特征參數(shù),通過(guò)混合編碼技術(shù)篩選特征,并采用SVM預(yù)測(cè)容量。但對(duì)電動(dòng)汽車(chē)中的電池開(kāi)展脈沖放電實(shí)驗(yàn)較為困難,而且特征參數(shù)較多,計(jì)算量大。

        Li等[11]選取充電曲線(xiàn)上多個(gè)時(shí)刻電壓值和指定區(qū)間充電容量作為特征參數(shù),采用隨機(jī)森林模型預(yù)測(cè)容量。Wu等[12]選取充電曲線(xiàn)上多個(gè)時(shí)刻電壓值及其上升速率作為特征參數(shù),采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)容量。Zhang等[13]選取充電曲線(xiàn)指定電壓區(qū)間對(duì)應(yīng)的充電時(shí)間和平均溫度作為特征參數(shù),采用相關(guān)向量機(jī)預(yù)測(cè)容量。Guo等[14]選取充電曲線(xiàn)上恒流和恒壓充電時(shí)間、峰值溫度等變量作為特征參數(shù),采用相關(guān)向量機(jī)預(yù)測(cè)容量。上述研究主要預(yù)測(cè)恒定放電倍率下的鋰離子電池容量,然而電動(dòng)汽車(chē)中鋰離子電池放電電流并不是一個(gè)定值,而是一個(gè)隨機(jī)變量,有研究表明駕駛員保守和激進(jìn)駕駛風(fēng)格的放電電流分別服從正偏態(tài)分布和負(fù)偏態(tài)分布[15-16]。因此,有必要研究隨機(jī)放電工況下的鋰離子電池容量預(yù)測(cè)方法。另外,基于SVM的容量預(yù)測(cè)方法忽視了超參數(shù)對(duì)預(yù)測(cè)精度的影響,有必要對(duì)超參數(shù)進(jìn)行優(yōu)化,以提高容量預(yù)測(cè)精度。

        綜上所述,關(guān)于鋰離子電池容量預(yù)測(cè)方法已經(jīng)取得了很好的進(jìn)展。但是考慮到工程實(shí)際應(yīng)用需求,現(xiàn)有方法仍存在基礎(chǔ)數(shù)據(jù)獲取困難、放電電流無(wú)法反映電池隨機(jī)放電情形。本文中應(yīng)用隨機(jī)放電曲線(xiàn)構(gòu)建反映鋰離子電池容量變化的特征參數(shù)。為消除特征參數(shù)之間的相關(guān)性,采用主成分分析提取主成分。基于離線(xiàn)的主成分和容量數(shù)據(jù),采用SOA對(duì)SVM超參數(shù)進(jìn)行全局優(yōu)化。采用優(yōu)化后的SVM結(jié)合在線(xiàn)提取的主成分實(shí)現(xiàn)精確預(yù)測(cè)鋰離子電池的容量。

        1 鋰離子電池隨機(jī)放電實(shí)驗(yàn)介紹

        NASA艾姆斯研究中心提供了隨機(jī)放電實(shí)驗(yàn)數(shù)據(jù)[17],實(shí)驗(yàn)流程如圖1所示,為隨機(jī)放電過(guò)程鋰離子電池容量提供了基礎(chǔ)數(shù)據(jù)。實(shí)驗(yàn)對(duì)象為4組18650 LiCoO2電池,編號(hào)分別為#13、#14、#15和#16,由于#13電池的容量顯著偏離正常范圍,與其他3個(gè)電池差異較大,故本文以#14、#15和#16電池為研究對(duì)象。其實(shí)驗(yàn)過(guò)程主要包含兩部分:參考性能測(cè)試和隨機(jī)放電測(cè)試。參考性能測(cè)試包含3項(xiàng):參考放電測(cè)試、恒功率放電測(cè)試和脈沖放電測(cè)試。參考放電測(cè)試用來(lái)衡量經(jīng)歷若干次隨機(jī)放電循環(huán)后的電池容量。隨機(jī)放電測(cè)試模擬實(shí)際工況生成隨機(jī)放電電流序列對(duì)電池進(jìn)行放電。實(shí)驗(yàn)流程圖如圖1所示,鑒于本文主要通過(guò)研究隨機(jī)放電條件下鋰離子電池容量預(yù)測(cè)方法,這里主要介紹NASA參考放電測(cè)試和隨機(jī)放電測(cè)試。

        參考放電測(cè)試:該測(cè)試測(cè)量50次隨機(jī)放電結(jié)束后的電池容量。隨機(jī)放電結(jié)束后,將電池充滿(mǎn),然后以1 A放電倍率進(jìn)行放電,直至電壓達(dá)到3.2 V,將電池放置休息。接著,以2 A充電倍率對(duì)電池進(jìn)行恒流充電,直至電壓達(dá)到4.2 V,再恒壓充電至電流降低至0.01 A。

        圖1 實(shí)驗(yàn)流程圖

        隨機(jī)放電測(cè)試:對(duì)電池恒流充電直至電壓達(dá)到4.2 V,轉(zhuǎn)為恒壓充電直至電流降低至0.01 A,將電池放置休息。接著,模擬實(shí)際工況生成隨機(jī)放電電流對(duì)電池進(jìn)行放電,直至電壓降低至3.2 V。重復(fù)上述過(guò)程,直至隨機(jī)步放電循環(huán)次數(shù)達(dá)到50次。

        本文中以鋰離子電池放電電流服從正偏態(tài)分布為例開(kāi)展研究。

        2 容量預(yù)測(cè)特征參數(shù)構(gòu)建及相關(guān)性分析

        2.1 容量預(yù)測(cè)特征參數(shù)構(gòu)建

        NASA艾姆斯研究中心采用的正偏態(tài)分布放電電流如圖2所示。

        對(duì)參考放電測(cè)試的放電電流時(shí)間序列進(jìn)行安時(shí)積分獲得鋰離子電池容量變化規(guī)律,如圖3所示,Q表示容量,N表示循環(huán)次數(shù)。圖3表明電池容量呈單調(diào)下降特性。圖3中水平直線(xiàn)對(duì)應(yīng)容量衰退20%的位置,即電池失效位置。對(duì)電動(dòng)汽車(chē)而言,無(wú)法在標(biāo)準(zhǔn)工況下測(cè)量電池容量,通常需要依靠采集的隨機(jī)放電電流和電壓曲線(xiàn)預(yù)測(cè)鋰離子電池容量。

        圖2 正偏態(tài)分布放電電流

        圖3 容量變化規(guī)律

        隨機(jī)放電工況下鋰離子電池的電流和電壓變化都是隨機(jī)的,很難通過(guò)放電曲線(xiàn)直接選擇反映容量變化的特征參數(shù)。理論上,隨著循環(huán)次數(shù)增加,電池容量和隨機(jī)放電容量都會(huì)減小,兩者之間應(yīng)該具有明顯的相關(guān)性。通過(guò)對(duì)隨機(jī)放電電流序列進(jìn)行安時(shí)積分獲得隨機(jī)放電容量,并以隨機(jī)放電容量作為特征參數(shù)預(yù)測(cè)電池容量。但是由于放電電流是隨機(jī)的,放電電流大小不但直接影響放電容量,而且通過(guò)影響電池溫度間接影響放電容量,導(dǎo)致隨機(jī)放電容量呈現(xiàn)顯著的波動(dòng)特性,并不具有顯著的單調(diào)特性,如圖4所示,無(wú)法作為預(yù)測(cè)容量的特征參數(shù)。

        圖4 隨機(jī)放電容量變化規(guī)律

        盡管短期內(nèi)隨機(jī)放電容量是波動(dòng)的,但從長(zhǎng)期來(lái)看,隨機(jī)放電容量總體趨勢(shì)是單調(diào)下降的。故選取若干次循環(huán)的隨機(jī)放電容量統(tǒng)計(jì)量作為特征參數(shù)。計(jì)算50次隨機(jī)放電容量均值和標(biāo)準(zhǔn)差,獲得隨機(jī)放電容量均值和標(biāo)準(zhǔn)差變化規(guī)律,如圖5和圖6所示,縱軸μQ表示每50個(gè)隨機(jī)放電容量均值,縱軸σQ表示每50個(gè)隨機(jī)放電容量標(biāo)準(zhǔn)差。圖5中隨機(jī)放電容量均值基本呈現(xiàn)衰退趨勢(shì)。其中最后一個(gè)大循環(huán)隨機(jī)放電容量均值略微增加的主要原因是該循環(huán)內(nèi)實(shí)際隨機(jī)生成的放電電流中小電流出現(xiàn)的頻率相對(duì)前一個(gè)循環(huán)內(nèi)的小電流出現(xiàn)的頻率更高。而采用小電流放電熱損耗相對(duì)較小,可以釋放出相對(duì)更多的容量,導(dǎo)致最后一個(gè)大循環(huán)內(nèi)的隨機(jī)放電容量均值略微增加。圖6中的拐點(diǎn)主要因?yàn)樵缙陔姵卦谑褂眠^(guò)程中內(nèi)部變化較小,隨機(jī)放電容量波動(dòng)性較低,標(biāo)準(zhǔn)差較小。隨著使用時(shí)間的不斷增加,電池內(nèi)部不一致程度逐漸增大并且達(dá)到一個(gè)峰值。在電池趨向失效的時(shí)候,內(nèi)部變化趨于一致,標(biāo)準(zhǔn)差逐漸減小。圖5和圖6中的垂直直線(xiàn)對(duì)應(yīng)電池失效位置,即容量衰退20%的位置。當(dāng)容量衰退超過(guò)20%時(shí),電池功率顯著衰退,無(wú)法滿(mǎn)足電動(dòng)汽車(chē)動(dòng)力使用要求,因此,本文中重點(diǎn)預(yù)測(cè)失效前的鋰離子電池容量。觀察圖5和圖6可以發(fā)現(xiàn),電池失效前隨機(jī)放電容量均值和標(biāo)準(zhǔn)差基本呈現(xiàn)單調(diào)特性。因此,選擇隨機(jī)放電容量均值和標(biāo)準(zhǔn)差作為預(yù)測(cè)失效前的電池容量的特征參數(shù)。

        圖5 隨機(jī)放電容量均值變化規(guī)律

        綜上所述,室溫正偏態(tài)分布放電電流作用下隨機(jī)放電容量均值和標(biāo)準(zhǔn)差與容量之間均具有明顯的相關(guān)性,因此,選擇這兩個(gè)變量作為預(yù)測(cè)容量的特征參數(shù)。

        2.2 特征參數(shù)相關(guān)性分析

        圖6 隨機(jī)放電容量標(biāo)準(zhǔn)差變化規(guī)律

        繪制正偏態(tài)分布放電電流作用下的鋰離子電池兩個(gè)特征參數(shù)的散點(diǎn)圖,如圖7所示。

        圖7 特征參數(shù)散點(diǎn)圖

        由圖7可見(jiàn),隨著隨機(jī)放電容量均值的減小,隨機(jī)放電容量標(biāo)準(zhǔn)差先上升再下降。在電池失效位置附近,隨機(jī)放電容量標(biāo)準(zhǔn)差取得最大值。因?yàn)槠鸪蹼姵貎?nèi)部具有較好的一致性,隨著使用電池內(nèi)部差異增大,到老化后期電池內(nèi)部再次趨于一致。本文僅研究電池失效前的容量預(yù)測(cè)。從圖中可以看出,電池失效前,兩個(gè)特征參數(shù)之間具有顯著的負(fù)相關(guān)性。

        2.3 主成分分析

        相關(guān)性分析表明兩個(gè)特征參數(shù)之間具有顯著的相關(guān)性,故采用主成分分析法提取主成分,減少冗余信息。

        對(duì)于矩陣A(n×m),m表示變量數(shù)目,n表示樣本數(shù)量,主成分分析將數(shù)據(jù)轉(zhuǎn)換到低緯度空間,同時(shí)最大化數(shù)據(jù)方差D。矩陣A的特征向量和特征值分別為ui和 λi,i=1,2,…,m,公式如下:

        式中:D為一個(gè)n×n的矩陣;ui為一個(gè)n×1的向量;λi為一個(gè)標(biāo)量。

        為確定主成分的數(shù)量,需要計(jì)算方差貢獻(xiàn)率:

        根據(jù)預(yù)設(shè)的最小方差貢獻(xiàn)率即可確定主成分?jǐn)?shù)量,選取具有最大特征值的因素。通過(guò)主成分分析法將原先的兩個(gè)特征參數(shù)融合成為一個(gè)主成分,減少SVM輸入?yún)?shù)數(shù)量,提高容量預(yù)測(cè)精度。

        3 基于SOA-SVM的鋰離子電池容量預(yù)測(cè)

        SVM已經(jīng)廣泛應(yīng)用于分類(lèi)和回歸預(yù)測(cè)問(wèn)題[18]。對(duì)于一組數(shù)據(jù)集{(x1,y1),…,(xi,yi)},式中xi∈Rn是一個(gè)特征參數(shù),yi∈Rn是一個(gè)目標(biāo)輸出。支持向量回歸函數(shù)的定義為

        式中:ω為權(quán)重向量;b為偏置;φ(x)為非線(xiàn)性映射函數(shù)。ω和b可通過(guò)最小化風(fēng)險(xiǎn)函數(shù)R得到,根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)R為

        為獲得ω和b,引入松弛變量 ξi和,結(jié)構(gòu)風(fēng)險(xiǎn)最小化函數(shù)轉(zhuǎn)換為

        約束條件為

        式中:核函數(shù)K(xi,xj)=φ(xi)φ(xj)。常見(jiàn)的核函數(shù)有線(xiàn)性核函數(shù)K(xi,xj)=λ·x′ixj,多項(xiàng)式核函數(shù)K(xi,xj)=(1+λ·x′ixk)q,高斯核函數(shù)K(xi,xj)=exp(-λ·‖xi-xj‖2),其中 λ為核函數(shù)比例系數(shù)。

        核函數(shù)決定了高維特征空間的結(jié)構(gòu)和復(fù)雜度。懲罰因子C和比例系數(shù)λ是最優(yōu)超平面參數(shù),會(huì)影響SVM的預(yù)測(cè)精度。因此,有必要選擇合適的核函數(shù),并對(duì)懲罰因子和比例系數(shù)進(jìn)行優(yōu)化。貝葉斯優(yōu)化方法是一種序列優(yōu)化算法,可通過(guò)試算法確定最佳核函數(shù)[19]。在此基礎(chǔ)上,采用全局優(yōu)化算法SOA對(duì)SVM超參數(shù)進(jìn)行優(yōu)化。SOA優(yōu)化算法具有收斂速度快和精度高等優(yōu)點(diǎn),常用來(lái)求解復(fù)雜多模態(tài)函數(shù)優(yōu)化問(wèn)題。該方法模擬人的4種隨機(jī)搜索行為得到經(jīng)驗(yàn)梯度,進(jìn)一步確定搜索方向,并根據(jù)搜索規(guī)則,通過(guò)模糊推理確定搜索步長(zhǎng),實(shí)現(xiàn)搜尋者的位置更新。因此,本文中采用SOA算法對(duì)SVM超參數(shù)進(jìn)行優(yōu)化。

        SOA算法[20]步驟如下。

        (1)初始參數(shù)設(shè)置 設(shè)置搜尋者的種群規(guī)模s,最大進(jìn)化次數(shù)m,速度限制上下限參數(shù)vmax,vmin。

        (2)人群初始化 t=0,在可行解域隨機(jī)產(chǎn)生s個(gè)初始位置:{xi(t)|xi(t)=(xi1,xi2,…,xiM)},其中,i=1,2,3,…,s。

        (3)初始人群評(píng)價(jià) 采用k折交叉驗(yàn)證方法確定適應(yīng)度函數(shù),計(jì)算每個(gè)位置的適應(yīng)度值,并取當(dāng)前最優(yōu)值。

        (4)確定搜尋策略 計(jì)算每個(gè)個(gè)體i在每個(gè)維度上的搜尋方向dij(t)和步長(zhǎng) αij(t)。

        (5)位置更新 確定搜索方向和搜索步長(zhǎng)之后,對(duì)每個(gè)群體內(nèi)的個(gè)體進(jìn)行位置更新,更新公式如下:

        (6)t=t+1

        (7)滿(mǎn)足停止條件,停止搜索,否則,轉(zhuǎn)至步驟(3)。

        其中,每步t分別計(jì)算每個(gè)搜尋者i在每一維j的搜索方向dij(t)和步長(zhǎng) αij(t),且 αij(t)≥0,dij(t)∈{-1,0,1}(i=1,2,…,s;j=1,2,…,M)。dij(t)=1表示搜尋者i沿j維坐標(biāo)的正方向前進(jìn);dij(t)=-1表示搜尋者i沿著j維坐標(biāo)的負(fù)方向前進(jìn);dij(t)=0表示搜尋者i在第j維坐標(biāo)下保持靜止。確定搜索方向和步長(zhǎng)后,進(jìn)行位置更新,通過(guò)不斷地更新搜索者的位置得到更好的搜尋者,直到取得較好的結(jié)果。

        基于SOA-SVM的鋰離子電池容量預(yù)測(cè)流程如圖8所示。

        圖8 基于SOA-SVM的容量預(yù)測(cè)流程圖

        4 結(jié)果與討論

        采用主成分分析將原始特征參數(shù)融合為主成分,消除冗余信息,并降低計(jì)算量。第1主成分與容量之間具有顯著的相關(guān)性,如圖9所示。故取第1主成分作為SVM的輸入?yún)?shù),容量作為SVM的輸出參數(shù)。

        采用SVM預(yù)測(cè)鋰離子電池容量,核函數(shù)的選擇尤為重要。貝葉斯優(yōu)化算法作為一種序列優(yōu)化方法,具有較快的計(jì)算速度,常用來(lái)訓(xùn)練模型并快速確定核函數(shù)類(lèi)型[21]。首先,SVM超參數(shù)取默認(rèn)值,即C=0.268,λ=1,選擇不同的核函數(shù),采用貝葉斯優(yōu)化算法對(duì)模型進(jìn)行訓(xùn)練,預(yù)測(cè)結(jié)果均方根誤差(RMSE)如表1所示,可以發(fā)現(xiàn)基于線(xiàn)性核函數(shù)的SVM具有相對(duì)較高的預(yù)測(cè)精度。

        圖9 容量與第1主成分之間的關(guān)系曲線(xiàn)

        表1 不同核函數(shù)對(duì)應(yīng)的SVM預(yù)測(cè)精度

        基于#14號(hào)電池主成分和容量數(shù)據(jù),采用SOA對(duì)SVM超參數(shù)C和λ進(jìn)行全局優(yōu)化,最優(yōu)超參數(shù)C*=7.7519,λ*=0.8303,相應(yīng)的 均方根誤差RMSE=0.0214,均方根誤差顯著低于默認(rèn)超參數(shù)下的均方根誤差0.025 7。訓(xùn)練后的結(jié)果如圖10和圖11所示,容量預(yù)測(cè)誤差始終位于-0.03和+0.03之間,結(jié)果表明訓(xùn)練后的模型具有較高的精度。

        圖10 容量預(yù)測(cè)結(jié)果(#14電池)

        為論證本文中提出的SOA-SVM方法具有較高的預(yù)測(cè)精度,采用#15和#16電池的數(shù)據(jù)對(duì)訓(xùn)練后的模型進(jìn)行驗(yàn)證。通過(guò)#15和#16號(hào)電池的測(cè)試數(shù)據(jù)獲取隨機(jī)放電容量均值和標(biāo)準(zhǔn)差數(shù)據(jù),在此基礎(chǔ)上獲取相應(yīng)的主成分,基于SOA-SVM的預(yù)測(cè)鋰離子電池容量。

        圖11 容量預(yù)測(cè)誤差(#14電池)

        #15和#16電池的預(yù)測(cè)結(jié)果及誤差如圖12~圖15所示。

        圖12 容量預(yù)測(cè)結(jié)果(#15電池)

        圖13 容量預(yù)測(cè)誤差(#15電池)

        由圖12和圖14可以發(fā)現(xiàn),容量預(yù)測(cè)值與實(shí)驗(yàn)值非常接近。由圖13和圖15可以發(fā)現(xiàn),本文中提出的容量預(yù)測(cè)方法誤差基本在-0.03~0.03范圍以?xún)?nèi),表明本文中提出的容量預(yù)測(cè)方法具有較高的預(yù)測(cè)精度。

        圖14 容量預(yù)測(cè)結(jié)果(#16電池)

        圖15 容量預(yù)測(cè)誤差(#16電池)

        將本文中提出的SOA-SVM預(yù)測(cè)方法與PSOSVM方法的預(yù)測(cè)結(jié)果進(jìn)行比較,預(yù)測(cè)結(jié)果均方根誤差如表2所示。

        表2 基于SOA-SVM和PSOSVM的容量預(yù)測(cè)精度

        由表2可見(jiàn),采用SOA優(yōu)化后的SVM預(yù)測(cè)結(jié)果均方根誤差顯著小于PSO優(yōu)化后的SVM預(yù)測(cè)結(jié)果。表明本文中提出的基于SOA-SVM的鋰離子電池預(yù)測(cè)方法具有較高的預(yù)測(cè)精度。

        5 結(jié)論

        (1)隨機(jī)放電容量均值和標(biāo)準(zhǔn)差基本呈單調(diào)變化,與容量之間具有顯著的相關(guān)性,因此選擇這兩個(gè)統(tǒng)計(jì)量作為預(yù)測(cè)容量的特征參數(shù)。

        (2)隨機(jī)放電容量均值與標(biāo)準(zhǔn)差之間具有顯著的關(guān)聯(lián)性。采用主成分分析法獲取主成分,發(fā)現(xiàn)第1主成分與容量之間具有顯著的相關(guān)性。

        (3)放電電流服從正偏態(tài)分布時(shí),采用線(xiàn)性核函數(shù)的SVM具有較高的預(yù)測(cè)精度。

        (4)采用#14電池離線(xiàn)數(shù)據(jù)訓(xùn)練得到的模型預(yù)測(cè)#15和#16電池容量,對(duì)比容量預(yù)測(cè)值和實(shí)際測(cè)量值,結(jié)果表明本文提出的SOA-SVM方法具有較高的預(yù)測(cè)精度。

        (5)相比PSO-SVM方法,SOA-SVM方法的容量預(yù)測(cè)結(jié)果更為精確,結(jié)果表明采用SOA方法可以進(jìn)一步提升SVM的容量預(yù)測(cè)性能。

        猜你喜歡
        方法
        中醫(yī)特有的急救方法
        中老年保健(2021年9期)2021-08-24 03:52:04
        高中數(shù)學(xué)教學(xué)改革的方法
        化學(xué)反應(yīng)多變幻 “虛擬”方法幫大忙
        變快的方法
        兒童繪本(2020年5期)2020-04-07 17:46:30
        學(xué)習(xí)方法
        可能是方法不對(duì)
        用對(duì)方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        最有效的簡(jiǎn)單方法
        山東青年(2016年1期)2016-02-28 14:25:23
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        賺錢(qián)方法
        免费大片黄国产在线观看| 伴郎粗大的内捧猛烈进出视频观看 | 青青草在线公开免费视频| 一区二区人妻乳中文字幕| 亚洲va久久久噜噜噜久久天堂| 国产熟人av一二三区| 亚洲一区sm无码| 看中文字幕一区二区三区| 337p日本欧洲亚洲大胆色噜噜| 乱中年女人伦av三区| 无码人妻精品一区二区三区在线| 五月天无码| 成人爽a毛片在线播放| 亚洲精品无码专区| 成人免费ā片在线观看| 强d漂亮少妇高潮在线观看| 亚洲中文字幕精品久久吃奶| 人禽交 欧美 网站| 日韩手机在线免费视频| 国产精品久久久精品三级18| av剧情演绎福利对白| 一本一道av中文字幕无码| 中文字幕在线观看国产双飞高清| 男女动态视频99精品| 亚洲中文字幕无码av永久| 国产成人综合久久精品免费| 亚洲国产成人久久综合三区| 国产精品国三级国产a| 农村欧美丰满熟妇xxxx| 国产精品久久1024| 国产一区二区杨幂在线观看性色| 亚洲av无码专区在线| 国产精品视频一区二区三区四| 国产一区二区三区高清视频| 精品久久久少妇一区二区| 九九精品国产亚洲av日韩| 狠狠色狠狠色综合| 国产360激情盗摄一区在线观看| 日韩一区二区三区熟女| 把女人弄爽特黄a大片| 激情97综合亚洲色婷婷五|