《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》
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。
图表编号 | XD00115625700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.05 |
作者 | 李嘉波、魏孟、叶敏、焦生杰、徐信芯 |
绘制单位 | 长安大学公路养护装备国家工程实验室、长安大学公路养护装备国家工程实验室、长安大学公路养护装备国家工程实验室、长安大学公路养护装备国家工程实验室、长安大学公路养护装备国家工程实验室 |
更多格式 | 高清、无水印(增值服务) |