排序方式： 共有2条查询结果，搜索用时 62 毫秒
1
1.
针对车载电池SOC难以精确预测的问题,提出以CPSO算法优化LSSVM模型参数,避免了参数选择的盲目性,提高了测量精度及泛化能力。利用ADVISOR软件采集车载电池各项性能参数,其中,电流、电压及温度数据作为CPSO-LSSVM预测模型的输入,SOC作为预测模型的输出。验证结果表明:CPSOLSSVM相比PSO-LSSVM预测模型预测最大绝对误差降低了3.06%,平均相关误差降低了0.35%,为车载电池SOC的预测提供一新方法。 相似文献
2.
为提高锂电池荷电状态建模预测的精度及泛化能力,提出一种流行正则化框架下的极限学习机建模预测方法。首先,为了解决极限学习机建立预测模型存在过拟合泛化能力弱的问题,以流形假设为依据,在数据输入空间构建图拉普拉斯算子,在其框架内求解极限学习机隐层和输出层之间的权重,达到正则优化目的。其次,针对正则化参数难以选择的问题,提出将差分进化算法融入基于流形正则化框架的极限学习机中以优化其正则化参数。最后,利用采集到的锂电池数据进行了实验验证。结果表明:该方法建立的预测模型预测锂电池SOC精度高,泛化能力强,为锂电池SOC的预测建模提供一种新方法。 相似文献
1