《表2 各算法的估计性能:一种改进的支持向量机回归的电池状态估计》
为了更好地比较估计器的性能,LSSVM、SVM和NN均选用RBF作为核函数。如图4和图6所示,采用相同的核函数RBF,SVM所估计的SOC精度要略高于NN;从图5可以得出,SVM估计的SOC最大绝对误差MAE=11.1%,而NN估计的MAE=14.05%,绝对误差精度提高了21%,从图5和图7可以看出,SVM估计的误差变化波动小于NN,表现SVM估计的SOC相比NN,稳定性稍好。图6和图8证明,将SVM中的不等式约束变为等式约束,可提高SOC的估计精度。在本次实验中,LSSVM估计的RMSE=2.58%,MAE=10.13%,相比SVM,误差精度有了明显的提升。但SOC估计的MAE还是很大,在SOC估计过程中,会因为电池、设备等关系而影响SOC估计精度。作者改进了LSSVM模型来评估SOC估计方法的性能,结果见图10和图11,可以看出,所提出的LSSVM估计框架的有更好的估计性能,即MAE=0.36%,实验结果表明,将上一时刻测量的电压值、电流值以及上一时刻估计的电压值作为反馈值加入到模型的输入向量中,组成一个闭环系统,可有效地调节SOC的估计性能,极大地提高了SOC的估计精度,特别是,SOC估计精度RMSE=0.76%,几乎符合实际的SOC,各估计器计算的RMSE和MAE在表2中。
图表编号 | XD00146884400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.05 |
作者 | 李嘉波、魏孟、李忠玉、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、河南省高远公路养护技术有限公司、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) |