典型文献
基于IALO-SVR的锂电池健康状态预测
文献摘要：
健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义.为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型.在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1％以内,验证了预测方法的可行性.
文献关键词：
锂离子电池;健康状态;改进的蚁狮优化算法;支持向量回归
中图分类号：
作者姓名：
李强龙;孙建瑞;赵坤;王凯
作者机构：
青岛大学电气工程学院 青岛 266071;山东广域科技 东营 257000
文献出处：
引用格式：
[1]李强龙;孙建瑞;赵坤;王凯-.基于IALO-SVR的锂电池健康状态预测)[J].电子测量与仪器学报,2022(01):204-211
A类：
IALO,改进的蚁狮优化算法
B类：
SVR,锂电池,电池健康状态预测,SOH,锂离子电池,电池管理系统,BMS,电池安全,可靠运行,电池系统,系统维护,维护成本,支持向量回归,电池充电,电池容量,特征因子,相关度,模型特征,NASA,公开数据集,GA,改进粒子群算法,IPSO,拟合度,预测误差
AB值：
0.234133
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
