《表2 各算法的估计性能对比》
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
《基于灰狼算法优化极限学习机的锂离子电池SOC估计》
为了进一步验证算法的有效性,分别对ELM-GWO、BPNN-PSO和ELM进行了比较。由表2可知,在CCCV工况下,ELM-GWO、BPNN-PSO和ELM的RMSE分别为1.49%、2.41%与4.74%,MAE分别是1.06%、1.44%与3.69%,运行时间分别为4.054 s、183.570 s与0.584 s;在DST工况下,ELM-GWO、BPNN-PSO和ELM的RMSE分别为1.14%、2.48%与2.14%,MAE分别为0.79%、1.64%与1.36%,运行时间分别为4.064 s、165.138 s与0.141 s。所提方法在CCCV工况下,运行时间较BPNN-PSO减少179.524 s,RMSE较BPNN-PSO、ELM分别提高了0.92%、3.25%;在DST工况下,运行时间较BPNN-PSO减少了161.074 s,RMSE较BPNN-PSO、ELM分别提高了1.34%、1%。
图表编号 | XD00190679600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.05 |
作者 | 王桥、魏孟、叶敏、李嘉波、徐信芯 |
绘制单位 | 长安大学工程机械学院公路养护装备国家工程实验室、长安大学工程机械学院公路养护装备国家工程实验室、长安大学工程机械学院公路养护装备国家工程实验室、长安大学工程机械学院公路养护装备国家工程实验室、长安大学工程机械学院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) |