CN104182630A - 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 - Google Patents
基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 Download PDFInfo
- Publication number
- CN104182630A CN104182630A CN201410411702.9A CN201410411702A CN104182630A CN 104182630 A CN104182630 A CN 104182630A CN 201410411702 A CN201410411702 A CN 201410411702A CN 104182630 A CN104182630 A CN 104182630A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- data
- battery capacity
- model
- kernel function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,建立影响蓄电池剩余容量的影响因素的基本模型;对原始数据进行预处理;将预处理后的数据全部归一化处理;选择核函数建立最小二乘支持向量机数学模型;将归一化后的数据输入到最小二乘支持向量机数学模型中,采用部分数据作为训练样本,其余作为测试样本,输出得到数据序列预测结果,即估计的蓄电池剩余容量;设置核函数中参数;采用交叉检验的方式对模型中的参数进行参数寻优;将得到的蓄电池剩余容量与实际的剩余电量比较,求出估计值与真实值之间的误差;判断估计误差是否小于阈值,若估计误差小于阈值输出预测结果;否则重新进行参数寻优。本发明具有硬件成本低,测试精度高的优点。
Description
技术领域
本发明涉及电力信息技术领域,具体地,涉及一种基于简化的最小二乘支持向量机的铅酸蓄电池剩余容量检测方法。
背景技术
铅酸蓄电池是一种结构简单、使用方便、价格低廉的化学电源。其广泛地应用于电力、通讯等各行各业之中。铅酸蓄电池的稳定、可靠工作对整个系统的运行至关重要。研究实验表明,要保证系统的正常运行,延长蓄电池的使用寿命,就必须对蓄电池的剩余容量SOC(即荷电状态State of Charge)进行检测,从而方便工程师能够了解蓄电池的工作状态,以便及时采取控制策略。由于铅酸蓄电池种类繁多,用途和外部环境相异,加上蓄电池剩余容量的影响因素众多,因此其预测采用的方法也多种多样。
现有的常见的蓄电池容量检测方法有:安时放电法、内阻法、开路电压法、卡尔曼滤波器法和人工神经网络方法等等:
在目前的应用中,上述各种方法都或多或少的存在一些问题:安时放电法需要确定蓄电池的初始容量和充放电效率;内阻法则需要价格昂贵的内阻检测仪,并且内阻与SOC的线性性只在部分范围内成立;开路电压法则要求蓄电池有较长的静置时间,不能实现在线监测;卡尔曼滤波器法算法复杂并且对系统的处理器要求较高;人工神经网络来需要大量的训练样本供其学习,学习的速度较慢,过程复杂,如果要完成在线分析,对硬件处理器的要求比较高。
为了解决上述问题,基于最小二乘支持向量法凭借着低廉的硬件成本,简单的算法、能够实现在线监测等突出优点获得了广泛的关注。能够较为精确的估算蓄电池的剩余容量。
发明内容
为克服现有技术方法的缺陷,本发明的目的在于提供一种基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,LS-SVM(Least-Squares Support Vector Machine,简化的最小二乘支持向量机)作为一种神经网络,描述输入和输出之间关系不需要精确的公式,是要合理的选取输入和输出之间的关系不需要精确的公式,只要合理的选取输入和输出参数,该关系就可以在网络训练中确定。同时,LS-SVM估计方法具有自适应特性。新数据可以重新用于网络的训练,从而实现对新蓄电池类型的兼容。再则,SVM的训练过程和应用实践完全可以分开进行,从而将复杂的训练过程在实验室计算机上实现,而将训练得到的模型通过低成本的微处理器来实现。
为达到上述目的,本发明提供一种基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,包括以下步骤:
步骤1:建立影响蓄电池剩余容量的影响因素的基本模型;
步骤2:对从实验现场采集得到的原始数据进行预处理,剔除错误的数据;
步骤3:数据归一化,将步骤2预处理后的数据全部映射到0到1之间;
步骤4:对于铅酸蓄电池,选择核函数并且根据工程实际的可测量和需要预测的量之间的关系建立最小二乘支持向量机数学模型;
步骤5:将步骤3中得到的归一化后的数据序列、温度、端电压、电流一起输入到步骤4中建立的最小二乘支持向量机数学模型中,采用其中的部分数据作为训练样本,其余的作为测试样本,输出得到的数据序列预测结果,即是需要估计蓄电池的剩余容量;
步骤6:设置核函数中参数;
步骤7:参数寻优,采用交叉检验的方式对模型中的参数进行参数寻优;
步骤8:根据步骤5中通过最小二乘支持向量机模型预测得到的蓄电池剩余容量与实际的剩余电量做比较,求出估计值与真实值之间的误差;
步骤9:判断步骤8得到的估计误差是否小于设定的阈值,若估计误差小于设定的阈值执行步骤10;否则返回到步骤7;
步骤10:输出预测结果。
依照本发明较佳实施例所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,步骤3按照下式进行归一化运算:
式中:Di为原始数据;Dsi为归一化后的数据。
依照本发明较佳实施例所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,步骤4中,最小二乘支持向量机算法如下:
对于样本集xi∈Rn,yi∈R,根据支持向量机基本理论,输入和输出之间的非线性关系描述为:
其中:为核空间映射函数,也称为输入向量在核空间(或者特征空间)中的诱导像;w为权向量,拥有与核空间相同的维数;b为偏差量;
为确定输入输出关系式中的最优参数,构造如下优化问题:
式中γ为正规化参数,用于控制样本噪声对模型的影响;
ei是误差量;J(w,e)是优化函数;
为解出上述优化问题,构造对偶空间的Langrange函数:
式中ai≥0,ai称为Langrange对偶变量;
L(w,b,e,a)为Langrange函数;
根据参数寻优的条件可得:
消去上式w、e,可得方程组:
式中:
y=(y1,y2...yN)T;Iv=(1,1...1)Τ;a=(a1,a2...aN)Τ;且K(xi,xj)为满足mercer定理的核函数;
核函数的引入使蓄电池的输入输出关系式描述的关系转换为:
依照本发明较佳实施例所述的基于简化的最小二乘支持向量机的铅酸蓄电池剩余容量检测方法,步骤4选择的核函数包括以下几种:
线性核函数:
K(x1,x2)=(x1,x2);
多项式核函数:
K(x1,x2)=((x1,x2)+c)p;
径向基核函数:
依照本发明较佳实施例所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,步骤4采用的是基于简化的多项式核函数的估计器,该基于简化的多项式核函数的估计器利用输入向量在核空间中的诱导像减少估计器需要存储的数据容量。
依照本发明较佳实施例所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,步骤4进一步包括:
将POLY核函数重写如下:
K(x,xi)=((x,xi)+1)2
选取输入向量为x=(U,I,T),xi=(Ui,Ii,Ti)。则核函数可以展开为:
K(x,xi)=1+(UUi)2+(IIi)2+(TTi)2+2(UUi+IIi+TTi)+2(UUiIIi+IIiTTi+TTiUUi)
其中U,I,T分别为蓄电池的端电压,流过蓄电池的电流以及环境温度向量;
从上式可以推导出输入向量在核空间中的诱导像:
此时,模型的应用仅需要储存容易计算得到w向量和变换函数
依照本发明较佳实施例所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,步骤5中,按照支持向量机中的有导师制学习方式来进行最小二乘支持向量机模型的训练,具体包括以下步骤:
步骤51、从样本集合中取一个样本(Ai,Bi);Ai为输入量,Bi为输出量;
步骤52、计算网络的实际输出O;
步骤53、求误差信号D=Bi-O;
步骤54、根据误差信号D调整SVM中预测函数;
步骤55、对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。
依照本发明较佳实施例所述的基于简化的最小二乘支持向量机的铅酸蓄电池剩余容量检测方法,步骤5中对数据作为训练样本和测试样本的分组方式如下:
采用其中的2/3数据作为训练样本,其余的1/3作为测试样本;或,
采用其中的3/4数据作为训练样本,其余的1/4作为测试样本;或,
采用其中的4/5数据作为训练样本,其余的1/5作为测试样本。
依照本发明较佳实施例所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,步骤7具体为:
将原始数据平均随机分为K组,每个子集分别做一次验证集,剩下的K-1组做训练集,得到K个模型,分析比较K个模型的预测精度和效果,找出其中预测效果最好的一组模型,利用模型中预测效果最好参数值来作为最终模型的参数值。
本发明中利用输入向量在核空间中的诱导像来简化了原来的估算算法,是模型的应用中存储器的容量大大减少,从而简化了估计器的结构,降低了估计器所需的硬件成本同时使得本方法的工程实际中能够更容易应用。与现有技术相比,本发明大大简化了估计器的机构,原理简单且能够实现在线监测,具有硬件成本低,测试精度高、实现简单,能够实现在线监测的有益效果,易于运用到实际工程中。
附图说明
图1为本发明基于简化最小二乘支持向量机的蓄电池剩余容量检测方法的流程图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
请参阅图1,一种基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,包括以下步骤:
步骤1:建立影响蓄电池剩余容量的影响因素的基本模型。
蓄电池剩余电量是一个多变量、强耦合、非线性的系统参数,所以蓄电池的剩余电量不能简单地通过检测蓄电池系统某一个参数就能得到。本发明通过检测蓄电池的端电压、放电电流和周围环境的温度,并结合所建立的模型来预测蓄电池剩余容量SOC。
步骤2:对从实验现场采集得到的原始数据进行预处理,剔除错误的数据。
原始数据是从实验现场采集得到的,所以必不可免的会有不准确的信息,所以需要剔除这些错误的数据;将原始数据中不符合工程实践事实的数据予以剔除,比如负数据。
步骤3:数据归一化,将步骤2预处理后的数据全部映射到0到1之间。
对于多参数分析计算,参数的基本度量单位首先要一致,这个观点同样适用于SVM的训练。训练SVM的数据首先要被归一化,然后才能用于网络的训练。同时,归一化的数据也有利于加快训练网络的收敛速度。本文采用的归一化方式是将原始数据处理到0-1范围以内,按照下式进行运算:
式中:Di为原始数据;Dsi为归一化后的数据。
步骤4:对于铅酸蓄电池,选择核函数并且根据工程实际的可测量和需要预测的量之间的关系建立最小二乘支持向量机数学模型。
对于铅酸蓄电池,建立LS-SVM数学模型,需要选择合适的核函数。核函数的作用是解决将数据原始空间中线性不可分的的问题。核函数将原空间数据映射到高维空间中,使得数据能够在高维空间通过合适的超平面变得线性可分。
根据问题和数据的不同,可以选择的核函数的种类也不同。常用的核函数有如下几种:
线性核函数:
K(x1,x2)=(x1,x2);
多项式核函数(polynomial,POLY):
K(x1,x2)=((x1,x2)+R)d;
径向基核函数(radial basis function kernel,RBF):
从形式上看,POLY核为内积核,而RBF核为平移不变核;从功能上分析,POLY核实现了输入空间到特征空间的全局映射,而RBF核实现了输入空间到特征空间的局部映射,因为RBF是局部分布的径向对称衰减的非负函数。在用LS-SVM用于蓄电池剩余容量预测时,由于选择RBF作为核函数时,需要存储部分训练数据,增加了应用的复杂性。故本本实施例采用POLY核函数来用于蓄电池SOC预测。
具体地,本实施例采用的是POLY核函数,LS-SVM算法如下:
对于样本集xi∈Rn,yi∈R。根据支持向量机基本理论,输入和输出之间的非线性关系可以描述为
其中:为核空间映射函数,也称为输入向量在核空间(或者特征空间)中的诱导像;w为权向量,拥有与核空间相同的维数;b为偏差量。
为确定输入输出关系式中的最优参数,构造如下优化问题:
式中γ为正规化参数,用于控制样本噪声对模型的影响。
ei是误差量;J(w,e)是优化函数。
为解出上述优化问题,构造对偶空间的Langrange函数:
式中ai≥0,ai称为Langrange对偶变量;
L(w,b,e,a)为Langrange函数)。
根据参数寻优的条件可得:
消去上式w、e,可得方程组:
式中:
y=(y1,y2...yN)T;Iv=(1,1...1)Τ;a=(a1,a2...aN)Τ;且K(xi,xj)为满足mercer定理的核函数。
核函数的引入使蓄电池的输入输出关系式描述的关系转换为:
进一步地,本发明采用的基于简化的POLY核的估计器是利用输入向量在核空间中的诱导像来大大减少估计器需要存储的数据容量;支持向量机估计器只要完成训练便可以固定其结构,应用时可以不需要更新调整,大大减少了应用时的计算负担。但是在实际应用中,即使将支持向量机估计器的训练和应用分开,在估计器应用时仍然需要提供所有参加训练的数据,。这样就需要专门的大块的存储空问用于这些浮点数的存储。
本设计中将POLY核函数重写如下:
K(x,xi)=((x,xi)+1)2,
对于一个蓄电池,一般能够测量的量是蓄电池工作的工作电压,充放电电流和周围环境的温度。选取输入向量为x=(U,I,T),xi=(Ui,Ii,Ti)。则核函数可以展开为:
K(x,xi)=1+(UUi)2+(IIi)2+(TTi)2+2(UUi+IIi+TTi)+2(UUiIIi+IIiTTi+TTiUUi),
其中U,I,T分别为蓄电池的端电压,流过蓄电池的电流以及环境温度向量。
从上式可以推导出输入向量在核空间中的诱导像:
此时,LS-SVM模型的应用仅需要储存w向量和变换函数这样就大大减少了用于存储器的容量。
步骤5:将步骤3中得到的归一化后的数据序列、温度、端电压、电流一起输入到步骤4中建立的最小二乘支持向量机数学模型中,采用其中的2/3数据作为训练样本,其余的1/3作为测试样本,输出得到的数据序列预测结果,即是需要估计蓄电池的剩余容量。
本发明按照支持向量机中的有导师制学习方式来进行最小二乘支持向量机模型的训练,具体包括以下步骤:
步骤51、从样本集合中取一个样本(Ai,Bi);Ai为输入量,Bi为输出量。
步骤52、计算网络的实际输出O。
步骤53、求误差信号D=Bi-O。
步骤54、根据误差信号D调整SVM中预测函数。
步骤55、对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。
本实例中,采用将2/3的数据作为训练样本,其余的1/3作为测试样本的数据分组方式。但是,需要说明的是,本发明并不限定于此,例如还可以采用将3/4的数据作为训练样本,其余的1/4作为测试样本;或采用其中的4/5数据作为训练样本,其余的1/5作为测试样本的数据分组方式,实际应用中,还可根据需要设置其它的数据分组方式,具体根据实际需要进行设置。因此,以上采用将2/3的数据作为训练样本,其余的1/3作为测试样本的数据分组方式只是一个实施例,并不用于限定本发明。
步骤6:设置核函数中参数。
设置POLY核中参数c,p,γ,其中γ为正规化参数,且γ取值范围为1-200;
本实施例中,估计模型的训练参数设置为:POLY核中c=1,p=2:γ设置为100。
步骤7:参数寻优,采用交叉检验的方式对模型中的参数进行参数寻优。
LS-SVM模型建立好以后,所建立的模型中参数附的初值一般并不是模型预测效果最好的参数,需要调整相关参数(主要是惩罚参数和和核函数参数)才能得到比较理想的预测分类准确率,所以需要参数寻优。本发明采用交叉检验的方式来进行参数寻优。具体方法为:将原始数据平均随机分为K组,每个子集分别做一次验证集,剩下的K-1组做训练集,这样可以得到K个模型,分析比较这K个模型的预测精度和效果,找出其中预测效果最好的一组模型,利用模型中预测效果最好参数值来作为最终模型的参数值。
步骤8:根据步骤5中通过最小二乘支持向量机模型预测得到的蓄电池剩余容量与实际的剩余电量做比较,求出估计值与真实值之间的误差。
步骤9:判断步骤8得到的估计误差是否小于设定的阈值,若估计误差小于设定的阈值执行步骤10;否则返回到步骤7。
步骤10:输出预测结果。
本发明根据蓄电池输入输出关系来建立LS-SVM模型,在LS-SVM模型建立之后,对其中的参数进行设定和整定,以实现所建立模型具有良好的预测精度。在LS-SVM模型建立好同时参数设置妥当之后,对模型的估计效果进行评估。通过本发明的LS-SVM模型来对测试数据进行预测,可以判断所建立模型的可靠性和预测精度,模型预测误差可以控制在5%以内。
以上公开的仅为本发明的几个具体实施例,但本发明并非局限于此,任何本领域的技术人员能思之的变化,都应落在本发明的保护范围内。
Claims (9)
1.一种基于简化最小二乘支持向量机的蓄电池剩余容量检测方法其特征在于,包括以下步骤:
步骤1:建立影响蓄电池剩余容量的影响因素的基本模型;
步骤2:对从实验现场采集得到的原始数据进行预处理,剔除错误的数据;
步骤3:数据归一化,将步骤2预处理后的数据全部映射到0到1之间;
步骤4:对于铅酸蓄电池,选择核函数并且根据工程实际的可测量和需要预测的量之间的关系建立最小二乘支持向量机数学模型;
步骤5:将步骤3中得到的归一化后的数据序列、温度、端电压、电流一起输入到步骤4中建立的最小二乘支持向量机数学模型中,采用其中的部分数据作为训练样本,其余的作为测试样本,输出得到的数据序列预测结果,即是需要估计蓄电池的剩余容量;
步骤6:设置核函数中参数;
步骤7:参数寻优,采用交叉检验的方式对模型中的参数进行参数寻优;
步骤8:根据步骤5中通过最小二乘支持向量机模型预测得到的蓄电池剩余容量与实际的剩余电量做比较,求出估计值与真实值之间的误差;
步骤9:判断步骤8得到的估计误差是否小于设定的阈值,若估计误差小于设定的阈值执行步骤10;否则返回到步骤7;
步骤10:输出预测结果。
2.根据权利要求1所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤3按照下式进行归一化运算:
式中:Di为原始数据;Dsi为归一化后的数据。
3.根据权利要求1所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤4中,最小二乘支持向量机算法如下:
对于样本集xi∈Rn,yi∈R,根据支持向量机基本理论,输入和输出之间的非线性关系描述为:
其中:为核空间映射函数,也称为输入向量在核空间(或者特征空间)中的诱导像;w为权向量,拥有与核空间相同的维数;b为偏差量;
为确定输入输出关系式中的最优参数,构造如下优化问题:
式中γ为正规化参数,用于控制样本噪声对模型的影响;
ei是误差量;J(w,e)是优化函数;
为解出上述优化问题,构造对偶空间的Langrange函数:
式中ai≥0,ai称为Langrange对偶变量;
L(w,b,e,a)为Langrange函数;
根据参数寻优的条件可得:
消去上式w、e,可得方程组:
式中:
y=(y1,y2...yN)T;Iv=(1,1...1)Τ;a=(a1,a2...aN)Τ;且K(xi,xj)为满足mercer定理的核函数;
核函数的引入使蓄电池的输入输出关系式描述的关系转换为:
4.根据权利要求3所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤4选择的核函数包括以下几种:
线性核函数:
K(x1,x2)=(x1,x2);
多项式核函数:
K(x1,x2)=((x1,x2)+c)p;
径向基核函数:
5.根据权利要求4所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤4采用的是基于简化的多项式核函数的估计器,该基于简化的多项式核函数的估计器利用输入向量在核空间中的诱导像减少估计器需要存储的数据容量。
6.根据权利要求5所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤4进一步包括:
将POLY核函数重写如下:
K(x,xi)=((x,xi)+1)2
选取输入向量为x=(U,I,T),xi=(Ui,Ii,Ti)。则核函数可以展开为:
K(x,xi)=1+(UUi)2+(IIi)2+(TTi)2+2(UUi+IIi+TTi)+2(UUiIIi+IIiTTi+TTiUUi)
其中U,I,T分别为蓄电池的端电压,流过蓄电池的电流以及环境温度向量;
从上式可以推导出输入向量在核空间中的诱导像:
此时,模型的应用仅需要储存容易计算得到w向量和变换函数
7.根据权利要求1所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤5中,按照支持向量机中的有导师制学习方式来进行最小二乘支持向量机模型的训练,具体包括以下步骤:
步骤51、从样本集合中取一个样本(Ai,Bi);Ai为输入量,Bi为输出量;
步骤52、计算网络的实际输出O;
步骤53、求误差信号D=Bi-O;
步骤54、根据误差信号D调整SVM中预测函数;
步骤55、对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。
8.根据权利要求1所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤5中对数据作为训练样本和测试样本的分组方式如下:
采用其中的2/3数据作为训练样本,其余的1/3作为测试样本;或,
采用其中的3/4数据作为训练样本,其余的1/4作为测试样本;或,
采用其中的4/5数据作为训练样本,其余的1/5作为测试样本。
9.根据权利要求1所述的基于简化最小二乘支持向量机的蓄电池剩余容量检测方法,其特征在于,步骤7具体为:
将原始数据平均随机分为K组,每个子集分别做一次验证集,剩下的K-1组做训练集,得到K个模型,分析比较K个模型的预测精度和效果,找出其中预测效果最好的一组模型,利用模型中预测效果最好参数值来作为最终模型的参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410411702.9A CN104182630A (zh) | 2014-08-20 | 2014-08-20 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410411702.9A CN104182630A (zh) | 2014-08-20 | 2014-08-20 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104182630A true CN104182630A (zh) | 2014-12-03 |
Family
ID=51963665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410411702.9A Pending CN104182630A (zh) | 2014-08-20 | 2014-08-20 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182630A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992246A (zh) * | 2015-07-09 | 2015-10-21 | 华南理工大学 | 一种基于改进最小二乘法的变电站站用负荷电量预测方法 |
CN105116343A (zh) * | 2015-08-24 | 2015-12-02 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 |
CN105301508A (zh) * | 2015-11-09 | 2016-02-03 | 华晨汽车集团控股有限公司 | 一种用于电动汽车续驶里程的径向基神经网络的预估方法 |
CN106093782A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 动态建模的最小二乘支持向量机soc估计方法 |
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN106249159A (zh) * | 2016-08-03 | 2016-12-21 | 北京品驰医疗设备有限公司 | 一种脑起搏器的电量监测方法以及电量监测系统 |
CN106646252A (zh) * | 2016-12-01 | 2017-05-10 | 国网辽宁省电力有限公司电力科学研究院 | 铅酸电池应用寿命预测方法 |
CN106971045A (zh) * | 2017-04-06 | 2017-07-21 | 安徽大学 | 一种超级电容器动态建模方法 |
CN107525772A (zh) * | 2017-06-28 | 2017-12-29 | 温州大学 | 一种海带质量检测的方法及系统 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108139446A (zh) * | 2015-10-15 | 2018-06-08 | 江森自控科技公司 | 用于预测电池测试结果的电池测试系统 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN111679202A (zh) * | 2020-07-24 | 2020-09-18 | 广东电网有限责任公司 | 一种蓄电池容量预测方法及其预测装置 |
CN113283113A (zh) * | 2021-06-11 | 2021-08-20 | 中国人民解放军国防科技大学 | 航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN113406500A (zh) * | 2021-06-29 | 2021-09-17 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
CN114355197A (zh) * | 2021-12-07 | 2022-04-15 | 暨南大学 | 一种动力电池余能快速检测方法及装置 |
CN117148168A (zh) * | 2023-10-27 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
CN118275903A (zh) * | 2024-06-04 | 2024-07-02 | 河南师范大学 | 一种基于数据分析的电池性能测试方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644747A (zh) * | 2008-03-04 | 2010-02-10 | 伊顿公司 | 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 |
CN101680778A (zh) * | 2006-12-29 | 2010-03-24 | 代尔夫特理工大学 | 电测量设备、方法以及计算机程序产品 |
CN102169168A (zh) * | 2011-05-17 | 2011-08-31 | 杭州电子科技大学 | 一种基于粒子滤波的电池剩余电量估计方法 |
-
2014
- 2014-08-20 CN CN201410411702.9A patent/CN104182630A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101680778A (zh) * | 2006-12-29 | 2010-03-24 | 代尔夫特理工大学 | 电测量设备、方法以及计算机程序产品 |
CN101644747A (zh) * | 2008-03-04 | 2010-02-10 | 伊顿公司 | 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 |
CN102169168A (zh) * | 2011-05-17 | 2011-08-31 | 杭州电子科技大学 | 一种基于粒子滤波的电池剩余电量估计方法 |
Non-Patent Citations (6)
Title |
---|
刘勇智等: "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", 《蓄电池》 * |
曹珍贯等: "基于LS-SVM的矿用隔爆电源蓄电池容量预测", 《电源技术》 * |
林瑞霖等: "最小二乘支持向量机在蓄电池剩余容量建模中的应用研究", 《海军工程大学学报》 * |
舒服华: "基于最小二乘支持向量机的电池剩余电量预测", 《电源技术》 * |
许冲等: "基于不同核函数的2010年玉树地震滑坡空间预测模型研究", 《地球物理学报》 * |
雷肖等: "电动车蓄电池荷电状态估计的支持向量机方法", 《中国电机工程学报》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992246A (zh) * | 2015-07-09 | 2015-10-21 | 华南理工大学 | 一种基于改进最小二乘法的变电站站用负荷电量预测方法 |
CN105116343A (zh) * | 2015-08-24 | 2015-12-02 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 |
CN105116343B (zh) * | 2015-08-24 | 2017-10-27 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 |
US10191116B2 (en) | 2015-10-15 | 2019-01-29 | Johnson Controls Technology Company | Battery test system for predicting battery test results |
CN108139446A (zh) * | 2015-10-15 | 2018-06-08 | 江森自控科技公司 | 用于预测电池测试结果的电池测试系统 |
CN108139446B (zh) * | 2015-10-15 | 2021-03-02 | Cps科技控股有限公司 | 用于预测电池测试结果的电池测试系统 |
CN105301508A (zh) * | 2015-11-09 | 2016-02-03 | 华晨汽车集团控股有限公司 | 一种用于电动汽车续驶里程的径向基神经网络的预估方法 |
CN106093782A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 动态建模的最小二乘支持向量机soc估计方法 |
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN106249159A (zh) * | 2016-08-03 | 2016-12-21 | 北京品驰医疗设备有限公司 | 一种脑起搏器的电量监测方法以及电量监测系统 |
CN106249159B (zh) * | 2016-08-03 | 2019-01-29 | 北京品驰医疗设备有限公司 | 一种脑起搏器的电量监测方法以及电量监测系统 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN106646252A (zh) * | 2016-12-01 | 2017-05-10 | 国网辽宁省电力有限公司电力科学研究院 | 铅酸电池应用寿命预测方法 |
CN106646252B (zh) * | 2016-12-01 | 2020-05-22 | 国网辽宁省电力有限公司电力科学研究院 | 铅酸电池应用寿命预测方法 |
CN106971045A (zh) * | 2017-04-06 | 2017-07-21 | 安徽大学 | 一种超级电容器动态建模方法 |
CN107525772A (zh) * | 2017-06-28 | 2017-12-29 | 温州大学 | 一种海带质量检测的方法及系统 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108564204B (zh) * | 2018-03-23 | 2022-01-07 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN110443377B (zh) * | 2019-06-24 | 2022-11-01 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN111679202A (zh) * | 2020-07-24 | 2020-09-18 | 广东电网有限责任公司 | 一种蓄电池容量预测方法及其预测装置 |
CN111679202B (zh) * | 2020-07-24 | 2023-04-18 | 广东电网有限责任公司 | 一种蓄电池容量预测方法及其预测装置 |
CN113283113B (zh) * | 2021-06-11 | 2022-04-15 | 中国人民解放军国防科技大学 | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN113283113A (zh) * | 2021-06-11 | 2021-08-20 | 中国人民解放军国防科技大学 | 航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN113406500A (zh) * | 2021-06-29 | 2021-09-17 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
CN114355197A (zh) * | 2021-12-07 | 2022-04-15 | 暨南大学 | 一种动力电池余能快速检测方法及装置 |
CN117148168A (zh) * | 2023-10-27 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
CN117148168B (zh) * | 2023-10-27 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
CN118275903A (zh) * | 2024-06-04 | 2024-07-02 | 河南师范大学 | 一种基于数据分析的电池性能测试方法 |
CN118275903B (zh) * | 2024-06-04 | 2024-09-03 | 河南师范大学 | 一种基于数据分析的电池性能测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182630A (zh) | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 | |
Chemali et al. | State-of-charge estimation of Li-ion batteries using deep neural networks: A machine learning approach | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
Xu et al. | An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries | |
Deng et al. | Online available capacity prediction and state of charge estimation based on advanced data-driven algorithms for lithium iron phosphate battery | |
US11598817B2 (en) | Storage cell diagnostic device and storage cell diagnostic method, and storage cell control system | |
Sun et al. | Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles | |
Wang et al. | An adaptive remaining energy prediction approach for lithium-ion batteries in electric vehicles | |
KR102215450B1 (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
Zhang et al. | Cloud-based in-situ battery life prediction and classification using machine learning | |
Zhang et al. | A novel model of the initial state of charge estimation for LiFePO4 batteries | |
KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
US20210325469A1 (en) | Learning apparatus, estimation apparatus, learning method, estimation method, recording medium having recorded thereon learning program, and recording medium having recorded thereon estimation program | |
Antón et al. | Battery state-of-charge estimator using the SVM technique | |
CN110068774A (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
Chung et al. | State-of-charge estimation of lithium-ion batteries using LSTM deep learning method | |
Mazzi et al. | State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units | |
Shi et al. | A fast state-of-health estimation method using single linear feature for lithium-ion batteries | |
US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
CN105807231A (zh) | 一种用于蓄电池剩余容量检测的方法及系统 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141203 |