《表3 各算法的估计性能：基于高斯过程回归的锂离子电池SOC估计》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于高斯过程回归的锂离子电池SOC估计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图13～图20展示了各估计器的性能。如图13和图15所示，当选择相同的RBF核函数时，SVM所估计的SOC精度要高于NN，此时SVM估计SOC的精度RMSE=4.26%，而NN的RMSE=6.91%，结果表明，与神经网络相比，SVM可调参数少，性能高，估计精度提高了38.3%。图15和图17相比，表明将SVM中的不等式约束条件换成等式约束，可以提高向量机的估计精度，在本次实验中，LSSVM所估计的SOC的RMSE=2.03%，MAE=3.14%，相比SVM，SOC估计精度提高了52.3%。从图19为GPR估计的SOC，阴影蓝色部分为置信区间，其SOC的估计精度RMSE=1.24%，从图20中可以得出，估计误差较小，且SOC估计曲线变化平缓，相比LSSVM、SVM和NN，GPR的估计性能优于LSSVM、SVM和NN。同时GPR模型每估算一个SOC值仅耗时0.82 s，小于采样时间1 s，因此可以实现在线SOC估计。