基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。     

基于粒子群优化支持向量机的矿井涌水量预测

矿井涌水量预测是一项复杂而有难度的技术,受到很多因素的影响.提出基于粒子群优化支持向量机(PSO-SVM) 的矿井涌水量预测方法,即将粒子群优化算法(PSO) 用于SVM 参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5% 的工程许可误差.     

修正型PNGV构架的锂电池SOC预测及内阻识别

荷电状态(SOC)是电动汽车动力电池的核心性能指标。为了进一步提高锂离子电池组单体电池荷电状态预测精度,提出一种基于改进PNGV模型的电池内阻辨识与SOC预测。根据锂离子动力电池的特性分析,建立改进型PNGV模型。利用实验采集的数据和最小二乘算法实现内阻的在线识别。通过该内阻辨识算法,更加准确地反映电池的当前电压。根据预测更加准确的电压,从而提出基于数据融合PHM法预测电池的SOC,该方法基于实验数据和灰色预测模型来估算电池的荷电状态。仿真和实验结果表明,基于内阻辨识的SOC预测更准确,具有较强的工程实用性。     

独立光伏用蓄电池容量在线预测新方法

分析了安时计量法和电动势法在线预测电池当前荷电量(SOC)的利弊,提出了在独立光伏系统中采用电动势法与安时计量法联合的蓄电池容量在线预测的新方法。对影响安时计量法估算电池SOC精度的因素进行了修正,建立了适合一般独立光伏系统的实用电动势预测模型,提取了电池E-SOC关系曲线,将基于电动势预测模型的电动势法与经过修正的安时计量法通过一种并联加权的结构进行结合,实现了优势互补,完成了对电池SOC更加准确的估算。实验结果表明,该蓄电池SOC预测方法简单易行,实时性强,精度高,应用前景良好。     

CPSO-LSSVM算法在车载电池SOC预测中的应用

针对车载电池SOC难以精确预测的问题,提出以CPSO算法优化LSSVM模型参数,避免了参数选择的盲目性,提高了测量精度及泛化能力。利用ADVISOR软件采集车载电池各项性能参数,其中,电流、电压及温度数据作为CPSO-LSSVM预测模型的输入,SOC作为预测模型的输出。验证结果表明:CPSOLSSVM相比PSO-LSSVM预测模型预测最大绝对误差降低了3.06%,平均相关误差降低了0.35%,为车载电池SOC的预测提供一新方法。     

新能源汽车用电池管理系统工程化设计

电池管理系统是新能源汽车的关键部件,对电池的安全可靠、有效使用和延长使用寿命等起到非常重要的作用。文章对电池管理系统的设计原理、控制策略、远程诊断进行了介绍,针对车辆运行过程中最容易出现的SOC估算问题进行研究,通过SOC的算法与实际运行工况结合建立了满足车辆运行需要的高精度SOC估算模型。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。     

基于EMD和PSO-SVM的通用航空飞机燃油流量预测

提出了一种EMD与SVM的组合预测模型,对通用航空飞机燃油流量进行预测。首先对数据缺失值与异常值进行处理,应用经验模态分解算法对燃油流量数据进行分解,得到各分量IMF,然后采用支持向量机对每一个分量进行预测。在预测过程中,采用PSO算法对支持向量机的参数进行优化,最后叠加各分量得到预测数据。采用通航飞机实际飞行数据进行验证,结果表明：该组合模型可以有效地预测燃油流量,准确率较高,其MSE可以达到0.254,高于传统的单一预测模型。     

基于PCA-PSO-RBF模型的水产品冷链物流需求预测

为确保水产品冷链物流供需双方信息对称,降低供应链中断风险及供需不匹配造成的浪费,水产品冷链物流需求预测显得尤为关键。选取影响水产品冷链物流需求的18个因素并用灰色关联法(GRA)筛选验证,运用主成分分析法(PCA)提取主要特征,通过粒子群算法(PSO)优化的径向基神经网络(RBF)构建PCA-PSO-RBF预测模型,对水产品需求预测,并与PCA-PSO-BP、PCA-RBF、PCA-BP、SVM、BP模型对比。结果表明,构建的PCA-PSO-RBF预测模型具有较强的非线性系统处理能力与全局寻优能力,对小样本多特征的数据具有较好包容性和预测精度,通过MAE/RMSE/MAPE预测误差评价验证了PCA-PSO-RBF预测模型的有效性及优越性。     

基于先进小波神经网络的HEV动力锂离子电池SOC估计(英文)

为了提高混合动力汽车(HEV)电池荷电状态(SOC)的估计精度,提出了一种基于先进小波神经网络的HEV动力电池SOC估计算法.首先,建立了基于先进小波神经网络的电池SOC估计模型.然后,通过数学推导证明了先进小波神经网络的收敛性.最后,利用大量HEV动力电池在行驶过程中充放电的数据样本,对神经网络进行网络训练.仿真结果表明,所提出的估计算法与传统SOC估计算法相比,提高了电池SOC的估计精度,有效地将估计误差从±8%减小到±1.5%.     

基于IFOA-RBF算法的混凝土抗压强度预测

为了提高混凝土抗压强度预测精度,利用改进果蝇优化算法(IFOA)优化RBF神经网络的参数Spread值,建立IFOA-RBF预测模型用于混凝土抗压强度预测。模型以UCI数据库中的Concrete Compressive Strength数据集为例,以每立方混凝土中的水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为网络输入,混凝土抗压强度值作为网络输出,进行仿真测试,并将结果与参考文献中的其它方法比较。结果表明:优化后的RBF网络既体现了广泛映射能力,又明显地提高了网络的泛化能力。验证了IFOA-RBF模型在混凝土抗压强度预测中的有效性。     

Lithium-ion battery state-of-charge estimation based on deconstructed equivalent circuit at different open-circuit voltage relaxation times

Equivalent circuit model-based state-of-charge (SOC) estimation has been widely studied for power lithium-ion batteries. An appropriate relaxation period to measure the open-circuit voltage (OCV) should be investigated to both ensure good SOC estimation accuracy and improve OCV test efficiency. Based on a battery circuit model, an SOC estimator in the combination of recursive least squares (RLS) and the extended Kalman filter is used to mitigate the error voltage between the measurement and real values of the battery OCV. To reduce the iterative computation complexity, a two-stage RLS approach is developed to identify the model parameters, the battery circuit of which is divided into two simple circuits. Then, the measurement values of the OCV at varying relaxation periods and three temperatures are sampled to establish the relationships between SOC and OCV for the developed SOC estimator. Lastly, dynamic stress test and federal test procedure drive cycles are used to validate the model-based SOC estimation method. Results show that the relationships between SOC and OCV at a short relaxation time, such as 5 min, can also drive the SOC estimator to produce a good performance.     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

变温度下EKF和UKF的锂电池SOC估算对比

动力电池的荷电状态(State of Charge,SOC)是预估电动汽车剩余有效行驶里程的重要参数之一。为提高锂电池SOC 的估算精度,考虑了温度对锂电池特性的影响。通过实验得到温度对电池容量的关系曲线,以及得到OCV-SOC-T 的函数映射关系,基于二阶RC 等效电路模型,利用带遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Square, FFRLS)对模型进行实时在线参数辨识。在不同温度和工况条件下,采用扩展卡尔曼滤波(Extended Kalman filter,EKF)和无迹卡尔曼滤波( Un-scented Kalman filter, UKF)算法对锂电池的SOC 进行估算并对比验证,结果表明,EKF 在动态压力测试工况(DST)和美国联邦城市运行工况(FUDS) 的均方根误差分别在4.93%和4.69%以内,UKF 在DST 和FUDS 工况下的均方根误差分别在1.47%和1.49%以内。研究结果表明,FFRLS联合EKF和UKF都可以实时估算SOC,且在不同温度和不同工况条件下,UKF算法相较于EKF算法,抗干扰能力更强,估算精度更高,收敛性更好。     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

傅立叶级数+机器学习法双联预测小行星分类

利用傅立叶级数对散点小行星光变数据进行曲线拟合,以获得小行星表示参数,选取傅立叶级数为6的拟合方式对单体或双体小行星光变曲线进行分类,并用机器学习算法中的SVM和决策树建立预测模型。检验结果表明,SVM模型对单体和双体小行星的预测正确率达到95%,相较于决策树正确率提高了10%,为从小行星实际观测数据直接推测双体小行星潜在相关应用提供了参考。     

基于RC等效电路模型的锂电池SOC估计

针对电动汽车动力锂电池,提出一种能够在恒流及变流放电工况下修正SOC估算误差的方法.首先以双阻容并联网络RC作为锂电池等效电路模型,采用最小二乘法对模型参数进行估计,再依据模型及实验数据构建锂电池非线性状态方程,对锂电池开路电压与SOC的关系进行拟合,最后结合EKF算法与安时积分算法估算锂电池SOC,并采用脉冲放电实验...     

Recursive calibration for a lithium iron phosphate battery for electric vehicles using extended Kalman filtering

In this paper, an efficient model structure composed of a second-order resistance-capacitance network and a simply analytical open circuit voltage versus state of charge (SOC) map is applied to characterize the voltage behavior of a lithium iron phosphate battery for electric vehicles (EVs). As a result, the overpotentials of the battery can be depicted using a second-order circuit network and the model parameterization can be realized under any battery loading profile, without a special characterization experiment. In order to ensure good robustness, extended Kalman filtering is adopted to recursively implement the calibration process. The linearization involved in the calibration algorithm is realized through recurrent derivatives in a recursive form. Validation results show that the recursively calibrated battery model can accurately delineate the battery voltage behavior under two different transient power operating conditions. A comparison with a first-order model indicates that the recursively calibrated second-order model has a comparable accuracy in a major part of the battery SOC range and a better performance when the SOC is relatively low.