基于CS-SVR模型的锂离子电池SOH预测

发布时间：2022-11-12 15:24

　　提出基于布谷鸟搜索（CS）和支持向量回归（SVR）的锂离子电池健康状态（SOH）预测算法,通过CS进行SVR参数寻优,得到优化的SVR模型。以单次放电过程的平均电压和温度作为模型输入,得到SOH预测结果并计算预测误差。根据误差、采用CS算法进行模型优化,得到数据集中第5、7号电池预测的误差分别稳定在0.50%和0.75%以内。采用效果较好的基于平方指数和周期协方差函数（SE）的多尺度高斯过程回归（MGPR）算法、基于改进粒子群（IPSO）优化的SVR算法和基于遗传算法（GA）优化的SVR算法作为对比。CS-SVR算法与GA-SVR算法相比,预测结果更加准确,在第5号电池上的平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别下降了0.31%和0.3,在第7号电池上则分别下降了0.14%和0.13。 

【文章页数】：4 页

【文章目录】：
1 基础算法介绍
    1.1 支持向量回归(SVR)
    1.2 布谷鸟搜索(CS)
2 CS-SVR模型
3 数据来源及预处理
    3.1 锂离子电池数据集
    3.2 数据预处理
4 结果与分析
    4.1 CS-SVR预测模型性能分析
    4.2 CS-SVR算法性能比较与分析
5 结论


【参考文献】：
期刊论文
[1]基于遗传算法和支持向量回归的锂电池健康状态预测[J]. 刘皓,胡明昕,朱一亨,於东军.  南京理工大学学报. 2018(03)



本文编号：3706614