文献类型：期刊文章

作　　者：刘皓[1] 胡明昕[2] 朱一亨[2] 於东军[2]

Liu Hao;Hu Mingxin;Zhu Yiheng;Yu Dongjun(NAIRI Group Corporation（State Grid Electric Power Researeh Institute）,Nanjing 210003,China;School of Computer Science and Engineering,Nanjing University of Science and Technology,Nanjing 210094,China)

机构地区：[1]南瑞集团(国网电力科学院)有限公司,江苏南京210003 [2]南京理工大学计算机科学与工程学院,江苏南京210094

出　　处：《南京理工大学学报》

基　　金：国家自然科学基金(61772273;61373062)

年　　份：2018

卷　　号：42

期　　号：3

起止页码：329-334

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。

关 键 词：遗传算法 支持向量回归 锂电池 健康状态  超参数优化  

分 类 号：TM912.1]