矿用动力电池荷电状态预测

发布时间：2021-11-14 19:42

　　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DEGWO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%。 

【文章来源】：工矿自动化. 2019,45(01)北大核心

【文章页数】：6 页

【文章目录】：
0 引言
1 基于LSSVM的矿用动力电池SOC预测模型
2 改进DE-GWO算法
    2.1 GWO算法
    2.2 DE-GWO算法
    2.3 非线性收敛因子
3 算法性能测试
4 SOC预测实验
    4.1 样本数据采集与处理
    4.2 实验结果分析
5 结语


【参考文献】：
期刊论文
[1]一种基于混合策略的灰狼优化算法[J]. 牛家彬,王辉.  齐齐哈尔大学学报(自然科学版). 2018(01)
[2]基于PSO优化LSSVM模型的回采巷道顶底板移近量预测[J]. 吕鹏飞,陈学华.  安全与环境学报. 2017(06)
[3]灰狼优化与差分进化的混合算法及函数优化[J]. 张新明,涂强,康强,程金凤.  计算机科学. 2017(09)
[4]基于改进灰狼算法的RBF神经网络研究[J]. 郭振洲,刘然,拱长青,赵亮.  微电子学与计算机. 2017(07)
[5]一种基于差分进化和灰狼算法的混合优化算法[J]. 金星,邵珠超,王盛慧.  科学技术与工程. 2017(16)
[6]基于灰狼算法的改进研究[J]. 郭振洲,刘然,拱长青,赵亮.  计算机应用研究. 2017(12)
[7]混合动力汽车电池内部状态预测的贝叶斯极限学习机方法[J]. 王琪,孙玉坤,倪福银,陈泰洪,陈连玉,罗印升.  中国机械工程. 2016(22)
[8]基于收敛因子非线性动态变化的灰狼优化算法[J]. 罗佳,唐斌.  中国科技论文. 2016(17)
[9]基于差分进化狼群算法的GNSS欺骗干扰检测[J]. 孙闽红,邵章义,秦源,闫云珍.  计算机工程. 2016(09)
[10]一种结合灰狼优化和K-均值的混合聚类算法[J]. 杨红光,刘建生.  江西理工大学学报. 2015(05)

硕士论文
[1]基于LS-SVM的蓄电池荷电状态监测方法的研究与设计[D]. 童刘伟.广西大学 2013



本文编号：3495239