《表4 不同模型架构的优化效果》

  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

《基于神经网络的电池SOC估算及优化方法》

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

参考神经网络模型设计经验并根据实验数据，利用多目标数学规划选择出不同深度的神经网络最优构架。由于神经网络训练和预测存在不稳定性，即每次训练和预测的结果存在细微差别，故每个构架进行多次训练和预测，对运算时间和平均绝对误差取平均值。采用传统Levenberg＿Marquardt的BP训练算法作对比，其优化效果如表4所示，经过粒子群算法和基于Nesterov动量的RMSProp变学习率训练算法优化后，在保证SOC平均绝对误差满足工程要求的前提下，有效减少了运算时间，特别是单元数多的构架，这证明这套模型优化方法能快速找到最优的模型参数，减少迭代次数，从而减少运算时间，并且设计出的最优构架结构简单、SOC预测精度高，具有一定的参考价值。