基于RPMDE-MKSVM的锂离子电池剩余使用寿命预测
来源期刊：控制工程2021年第4期
论文作者：简献忠 韦进 王如志
文章页码：665 - 671
关键词：锂离子电池;剩余使用寿命预测;RPMDE算法;多核支持向量机;
摘 要：为了提高锂离子电池剩余使用寿命预测的精度,提出了一种基于随机参数机制差分进化（random parameter machine differential evolution,RPMDE）算法与多核支持向量机（multi-kernel support vector machine,MKSVM）的锂离子电池剩余使用寿命预测模型。首先,将差分变异策略和随机搜索算子引入差分进化算法中来增强算法种群多样性,提高全局搜索能力。然后,通过RPMDE算法优化MKSVM的惩罚因子和核参数来提高预测模型的精度。最后,利用美国国家航空航天局的锂离子电池测试数据验证RPMDE-MKSVM模型的准确性。实验结果表明,相比于差分进化算法模型和粒子群优化算法模型,RPMDE-MKSVM模型不仅具有更快的收敛速度,而且具有更优的预测精度。
简献忠1，韦进2，王如志3
1. 上海理工大学光电信息与计算机工程学院2. 上海理工大学机械工程学院3. 北京工业大学材料科学与工程学院
摘 要：为了提高锂离子电池剩余使用寿命预测的精度,提出了一种基于随机参数机制差分进化（random parameter machine differential evolution,RPMDE）算法与多核支持向量机（multi-kernel support vector machine,MKSVM）的锂离子电池剩余使用寿命预测模型。首先,将差分变异策略和随机搜索算子引入差分进化算法中来增强算法种群多样性,提高全局搜索能力。然后,通过RPMDE算法优化MKSVM的惩罚因子和核参数来提高预测模型的精度。最后,利用美国国家航空航天局的锂离子电池测试数据验证RPMDE-MKSVM模型的准确性。实验结果表明,相比于差分进化算法模型和粒子群优化算法模型,RPMDE-MKSVM模型不仅具有更快的收敛速度,而且具有更优的预测精度。
关键词：锂离子电池;剩余使用寿命预测;RPMDE算法;多核支持向量机;
