基于扩展PSO优化的SVM铅酸蓄电池荷电状态估测

被引：2

作者：

邓建威

章云

机构：

[1] 广东工业大学自动化学院

来源：

工业控制计算机 | 2017年 / 30卷 / 03期

关键词：

铅酸蓄电池; SOC; BP; SVM; EPSO;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

根据支持向量机(Support Vector Machine,SVM)的基本理论,并依据铅酸蓄电池荷电状态(State of Charge,SOC)随电压、电流而变化的特点,建立基于支持向量机SVM的铅酸蓄电池SOC估测模型。通过实验数据测试验证,比较不同核函数下模型的估测效果,利用扩展的粒子群(Extended Particle Swarm Optimization,EPSO)算法寻找最优参数,并观察在最优参数和最优核函数下支持向量机SVM估测模型的估测效果。结果表明,采用RBF作为支持向量机SVM的核函数,并用扩展的PSO算法优化的支持向量机SVM模型精度较高,适合在铅酸蓄电池的SOC估测上。

引用

页码：126 / 127+129 +129

页数：3

共 6 条

[1]

Battery state-of-charge estimator using the SVM technique [J].

Alvarez Anton, J. C. ;

Garcia Nieto, P. J. ;

de Cos Juez, F. J. ;

Sanchez Lasheras, F. ;

Gonzalez Vega, M. ;

Roqueni Gutierrez, M. N. .

APPLIED MATHEMATICAL MODELLING, 2013, 37 (09) :6244-6253

[2]

State-of-charge estimation of lead-acid batteries using an adaptive extended Kalman filter.[J].Jaehyun Han;Dongchul Kim;Myoungho Sunwoo.Journal of Power Sources.2008, 2

[3]

最小二乘支持向量机在航空蓄电池剩余容量预测中的应用 [J].