典型文献
基于PBES-LS-SVM的锂离子电池组SOC预测
文献摘要：
针对锂离子电池组荷电状态(state of charge,SOC)难以预测的问题,提出应用主成分分析(principal component analysis,PCA)选取影响因素和秃鹰算法(bald eagle search,BES)优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的SOC预测模型.首先,采用PCA筛选出主成分特征值较大的因素后,将其组成多输入样本集合;其次,利用秃鹰搜索算法的全局搜索能力不断优化最小二乘支持向量机的惩罚系数C、核函数g,建立PBES-LS-SVM预测模型;最后,应用某储能设备历史数据,采用GA-BP、BES-SVM和PBES-LS-SVM等模型分别对锂离子电池组的完整放电过程数据集与部分放电过程数据集进行仿真研究.结果表明,提出的模型SOC预测均方根误差、平均绝对误差、平均绝对百分比误差分别减小至1.79％、1.30％和3.39％.与其余预测模型相比,PBES-LS-SVM模型预测精度高、预测时间短,具备良好的收敛性、泛化性.
文献关键词：
锂电池组;荷电状态;主成分分析;秃鹰搜索算法;最小二乘支持向量机
中图分类号：
作者姓名：
李晟延;马鸿雁;窦嘉铭;王帅
作者机构：
北京建筑大学 电气与信息工程学院,北京 100044;建筑大数据智能处理方法研究北京市重点实验室,北京100044;智慧城市国家级虚拟仿真实验教学中心,北京100044
文献出处：
引用格式：
[1]李晟延;马鸿雁;窦嘉铭;王帅-.基于PBES-LS-SVM的锂离子电池组SOC预测)[J].电源技术,2022(11):1279-1283
A类：
PBES,秃鹰算法
B类：
LS,锂离子电池组,SOC,荷电状态,state,charge,难以预测,principal,component,analysis,bald,eagle,search,最小二乘支持向量机,least,squares,support,vector,machine,成分特征,多输入,样本集合,秃鹰搜索算法,全局搜索,搜索能力,罚系数,核函数,储能设备,历史数据,GA,放电过程,过程数据,仿真研究,平均绝对误差,平均绝对百分比误差,收敛性,泛化性,锂电池组
AB值：
0.296055
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。
