基于粒子群算法的最小二乘支持向量机电池状态估计

发布时间：2021-11-06 23:08

　　电池荷电状态（SOC）作为电池管理系统（BMS）重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机（LSSVM）机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机（SVM）神经网络（NN）相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。 

【文章来源】：储能科学与技术. 2020,9(04)CSCD

【文章页数】：6 页

【部分图文】：

2 NN估计的绝对误差

1 NN预测图

0 SVM估计的绝对误差

【参考文献】：
期刊论文
[1]基于高斯过程回归的锂离子电池SOC估计[J]. 李嘉波,魏孟,叶敏,焦生杰,徐信芯.  储能科学与技术. 2020(01)
[2]基于UKF的在线锂离子电池SOC估算研究[J]. 徐劲力,马国庆.  电源技术. 2019(10)
[3]基于BP人工神经网络的动力电池SOC估算方法[J]. 苏振浩,李晓杰,秦晋,杜文杰,韩宁.  储能科学与技术. 2019(05)
[4]基于在线参数辨识和AEKF的锂电池SOC估计[J]. 田茂飞,安治国,陈星,赵琳,李亚坤,司鑫.  储能科学与技术. 2019(04)
[5]锂电池SOC拐点修正安时积分实时估算方法[J]. 刘东,黄碧雄,王一全,严晓,王影.  储能科学与技术. 2019(05)
[6]基于模糊卡尔曼滤波的锂电池SOC估算研究[J]. 黄宇航,陈勇.  北京信息科技大学学报(自然科学版). 2019(03)
[7]基于遗传算法的BP神经网络蓄电池寿命预测研究[J]. 吴海洋,缪巍巍,郭波,吕顺利,吴昊,滕欣元.  计算机与数字工程. 2019(05)
[8]基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计[J]. 刘征宇,汤伟,王雪松,黎盼春.  中国机械工程. 2018(15)
[9]基于开路电压法的电池荷电状态估计误差校正[J]. 鲍慧,于洋.  中国民航飞行学院学报. 2014(05)

硕士论文
[1]基于平方根容积卡尔曼滤波的退役动力电池SOC估算研究[D]. 袁鑫.新疆大学 2019



本文编号：3480697