留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

矿用动力电池荷电状态预测

谈发明 王琪

谈发明,王琪.矿用动力电池荷电状态预测[J].工矿自动化,2019,45(1):70-75..  doi: 10.13272/j.issn.1671-251x.2018060051
引用本文: 谈发明,王琪.矿用动力电池荷电状态预测[J].工矿自动化,2019,45(1):70-75..  doi: 10.13272/j.issn.1671-251x.2018060051
TAN Faming, WANG Qi. State of charge prediction for mine-used power battery[J]. Industry and Mine Automation, 2019, 45(1): 70-75. doi: 10.13272/j.issn.1671-251x.2018060051
Citation: TAN Faming, WANG Qi. State of charge prediction for mine-used power battery[J]. Industry and Mine Automation, 2019, 45(1): 70-75. doi: 10.13272/j.issn.1671-251x.2018060051

矿用动力电池荷电状态预测

doi: 10.13272/j.issn.1671-251x.2018060051
基金项目: 

江苏省高等学校自然科学研究面上项目(17KJB470003)

详细信息
  • 中图分类号: TD611

State of charge prediction for mine-used power battery

  • 摘要: 针对最小二乘支持向量机(LSSVM)用于预测矿用动力电池荷电状态(SOC)时正则化参数和核函数参数难以优化选择,灰狼优化(GWO)算法在单独求解约束优化问题时出现早熟、稳定性差、易陷入局部最优等问题,在差分进化灰狼优化(DE-GWO)算法的基础上,采用指数函数形式的非线性收敛因子对DE-GWO算法进行改进。该非线性收敛因子在迭代过程前段衰减速率低,能更好地寻找全局最优解,在迭代过程后段衰减速率高,能更精确地寻找局部最优解,有效平衡全局搜索能力和局部搜索能力。实验结果表明,利用改进DE-GWO算法优化LSSVM参数后建立的矿用动力电池SOC预测模型最大绝对误差为3.7%,最大相对误差为5.3%。

     

  • 加载中
计量
  • 文章访问数:  77
  • HTML全文浏览量:  3
  • PDF下载量:  4
  • 被引次数: 0
出版历程
  • 刊出日期:  2019-01-10

目录

    /

    返回文章
    返回