《表4 不同模型架构的优化效果》
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。
图表编号 | XD00164294000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.25 |
作者 | 李永颖、张振东、朱顺良 |
绘制单位 | 上海理工大学机械工程学院、上海理工大学机械工程学院、国家机动车产品质量检测与监督中心新能源研究所 |
更多格式 | 高清、无水印(增值服务) |