欧美激情久久久久久,人妻久久精品天天中文字幕,国产精品无码色一区二区三区按摩 ,日韩中文无码有码免费视频

針對鋰離子電池荷電狀態(tài)（SOC）預測精度不高以及在線(xiàn)適應性差的問(wèn)題，提出一種改進(jìn)的增量學(xué)習相關(guān)向量機模型對鋰離子電池SOC進(jìn)行在線(xiàn)預測。

選擇鋰離子電池電壓、充放電電流和表面溫度作為模型的輸入，SOC作為模型的輸出，構造模型的訓練集。選用快速序列稀疏貝葉斯學(xué)習算法進(jìn)行訓練，并結合增量學(xué)習法建立增量學(xué)習相關(guān)向量機模型進(jìn)行鋰離子電池SOC在線(xiàn)預測方法研究。

研究發(fā)現，通過(guò)自動(dòng)調整核參數的方法，可以保證有較高的預測精度。算法驗證實(shí)驗表明，核參數可以控制算法的預測精度和計算效率，該算法預測精度高、計算速度快、通用性強，可為鋰離子電池SOC的預測與應用提供參考。

近年來(lái)新能源汽車(chē)得以高速發(fā)展。動(dòng)力電池是發(fā)展新能源汽車(chē)的關(guān)鍵，也是新能源汽車(chē)成本和技術(shù)上的最大瓶頸。荷電狀態(tài)（State of Charge, SOC）的數值直接反映了電池的剩余電量狀況，是電池管理系統中重要的參數之一，SOC的準確預測為保證電池工作穩定、制定電池均衡策略及智能充電等提供依據，能有效防止電池因為過(guò)充電或過(guò)放電造成損壞，延長(cháng)電池使用壽命，提高能量利用效率，降低使用成本。

目前，數據驅動(dòng)的方法已廣泛應用于鋰離子電池SOC預測領(lǐng)域。其中，卡爾曼濾波算法初始值由開(kāi)路電壓給定，而算法本身的精度依賴(lài)于所選擇的等效電路模型。神經(jīng)網(wǎng)絡(luò )算法存在過(guò)擬合、易陷入局部極值、結構設計依賴(lài)于經(jīng)驗等缺陷。

支持向量機（SupportVectorMachine,SVM）算法有效克服了神經(jīng)網(wǎng)絡(luò )算法的缺點(diǎn)，有學(xué)者將SVM算法與多種神經(jīng)網(wǎng)絡(luò )算法進(jìn)行對比分析，結果表明使用徑向基核函數的SVM算法預測鋰電池SOC的效果最好。但支持向量的數量會(huì )著(zhù)隨著(zhù)訓練樣本的增大線(xiàn)性增長(cháng)，使得預測模型相對復雜。

為此，有學(xué)者研究了一種簡(jiǎn)單的增量學(xué)習算法，每次將支持向量保留下來(lái)的和新增的樣本一起訓練，徹底丟棄訓練結果中的非支持向量，從而減少了訓練樣本，加快了訓練速度，其缺點(diǎn)是可能丟失有用的支持向量，從而導致預測不準確。

相關(guān)向量機（Relevance Vector Machine, RVM）算法具有SVM算法需要訓練樣本數據少、泛化能力強等優(yōu)點(diǎn)，且以概率的形式輸出結果，可自動(dòng)調節超參數，相關(guān)向量更稀疏。有學(xué)者選擇電壓、電流和表面溫度作為輸入數據，經(jīng)濾波歸一化等預處理，直接用RVM算法對SOC進(jìn)行預測，較SVM算法具有更高的預測精度。但由于RVM算法過(guò)于稀疏及容量數據存在動(dòng)態(tài)波動(dòng)特性，直接采用RVM算法預測鋰離子電池SOC的結果穩定性差。

針對以上問(wèn)題，本文結合增量學(xué)習法構建了一種改進(jìn)的增量學(xué)習相關(guān)向量機（Incremental improved RVM, IRVM）算法，并將其應用于鋰離子電池SOC預測領(lǐng)域。相比于文獻[11]所提出的增量SVM算法，RVM算法的相關(guān)向量十分稀疏，重新訓練時(shí)不會(huì )過(guò)多地丟失相關(guān)向量，所以采用增量學(xué)習法對RVM算法的輸出影響不大。

為了驗證所研究方法的適用性和有效性，研究采用UDDS、NYCC、US06三種典型工況數據為參照，對比分析了IRVM、RVM及重新訓練的相關(guān)向量機（Retraining RVM,RRVM）的預測效果和性能，結果表明所提出的IRVM算法針對鋰離子電池SOC預測具有較好的預測效果。因此，該方法可為鋰離子電池SOC預測提供思路和借鑒。

圖1  IRVM算法流程

總結

本文提出的基于數據驅動(dòng)方法的鋰離子電池SOC在線(xiàn)預測方法，將增量學(xué)習法與RVM離線(xiàn)算法相結合，建立改進(jìn)的IRVM算法，從而改善了RVM算法長(cháng)期趨勢預測能力差的問(wèn)題，提高了預測精度。

以鋰離子電池SOC在線(xiàn)預測為應用背景，IRVM算法使用快速序列稀疏貝葉斯學(xué)習算法進(jìn)行訓練，減小了矩陣運算的復雜度，提高了算法的計算效率。通過(guò)實(shí)驗分析了核參數、訓練樣本的大小及溫度因素對算法預測精度和計算效率的影響，算法中通過(guò)調整核參數的方式保證算法的預測精度。

基于UDDS、NYCC、US06典型工況對所提出的IRVM鋰離子電池SOC預測方法與離線(xiàn)RVM和RRVM算法進(jìn)行分析對比，結果表明，RVM算法的預測精度較低，IRVM算法與RRVM算法的預測精度相當，但IRVM算法的計算效率更高，相關(guān)向量更稀疏，適用于多種工況的預測。

IRVM算法的誤差限Error可以根據實(shí)際需求進(jìn)行調節，對于精度要求較高、計算效率要求較低的系統，可將Error調的較小些；對于計算效率要求較高、精度要求較低的系統，可將Error調的較大些。分析證明，IRVM算法應用于鋰離子電池SOC在線(xiàn)預測時(shí)，預測的精度、計算效率均可靈活控制，效果良好，具有較好的應用前景。

	說(shuō)明:本頁(yè)面文章由()整理發(fā)布. 文章地址： http:///hangyexinwen/565.html