忘川彼岸|基于机器学习的新能源汽车电池状态预测方法( 二 )


群体更新 , 依据步骤3的结果 , 执行选择-交叉-变异操作产生新的个体 。 基因算法最终判断 , 如果50代以后平均权重小于设定的值 , 执行步骤6 , 否者跳转步骤3 。 直接搜索:使用上述步骤产生的初始化值 , 使用直接搜索算法迭代降低适应性函数的值 , 直到达到最终条件 。
模型拓扑依据上面的分类结果 , 设计模型拓扑 , 每一个输入都应该与分类个数相当的结点相连 。 并且每一个推理规则也与聚类个数一致 。
模型的非线性输入和输出结果如下:
实验结果
从结果可以看出 , SOC的预测误差控制在3%范围以内 。
总结针对电动汽车锂离子电池模块 , 建立了一种新的基于机器学习的SOC估计器 。 学习机制包括两个步骤 。 在第一步 , 利用遗传-模糊聚类技术 , 减法聚类和直接搜索算法学习模型的拓扑结构和前参数 。 随后 , 采用递归最小二乘法提取后续参数 。 在第二步中 , 反向传播学习算法 , 同时对前向参数和后向参数进行优化 。 实验验证表明 , 该模型具有良好的SOC跟踪精度(RMSE仅为1.68%) 。 通过与标准学习方法建立的模型的比较 , 证明了该模型在平均和最坏情况下都具有优越性 。
致谢【忘川彼岸|基于机器学习的新能源汽车电池状态预测方法】本文由南京大学软件学院2020级硕士生倪烨翻译转述 。


推荐阅读