《表3 各算法的估计性能：基于粒子群算法的最小二乘支持向量机电池状态估计》

  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

《基于粒子群算法的最小二乘支持向量机电池状态估计》

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5～12展示了各估计器的性能。图7是基于PSO优化LSSVM预测的SOC，预测的精度RMSE=2.65%，最大绝对误差MAE=4.87%，为了提高SOC的预测精度，文中提出采用自适应PSO来进行优化LSSVM参数并估计SOC，如图5所示，其SOC的预测精度RMSE=1.63%，相比PSO-LSSVM，精度提高了38.5%，表明，通过自适应PSO可以更加准确的获取LSSVM最优参数，从而提高SOC的估计精度。图9和图11表示，当选择和LSSVM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=4.57%，而NN的RMSE=7.02%，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34.9%。图7和图9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=2.65%，相比SVM，SOC估计精度提高了42%。从上可以得到，通过自适应PSO进行优化LSSVM模型的超参数，可以调高参数的优化值，进而提高SOC的估计精度。