文献类型：期刊文章

作　　者：韩伟[1] 王帅[1] 张筱辰[2] 李义婷[1] 陈翁祥[1]

HAN Wei;WANG Shuai;ZHANG Xiaochen;LI Yiting;CHEN Wengxiang(Digital Fujian Internet-of-Things Laboratory of Environmental Monitoring,College of Mathematics and Information,Fujian Normal University,Fuzhou Fujian 350007,China;NARI Group Corporation(State Grid Electric Power Research Institute),Nanjing Jiangsu 211106,China)

机构地区：[1]福建师范大学数学与信息学院数字福建环境监测物联网实验室,福建福州350007 [2]南瑞集团(国网电力科学研究院)有限公司,江苏南京211106

出　　处：《电源技术》

基　　金：福建省自然科学基金(2019J01021006);福建省教育厅中青年教师教育科研项目(JT180074,JAT190071)。

年　　份：2021

卷　　号：45

期　　号：3

起止页码：362-365

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：电池健康状态(state of health,SOH)预测是电池故障诊断与健康管理的重要组成部分,准确地预测电池健康状态至关重要。支持向量回归方法因具有良好的回归能力而被作为预测电池剩余使用寿命的首选数据驱动方法之一。核函数将样本从低维空间映射到高维空间,以便进行精确分类,参数选择决定核函数的映射能力,训练集的大小和分布也会影响支持向量回归(SVR)的回归能力。将锂离子电池数据分为前期、中期和后期训练数据。采用遗传算法(GA)和粒子群算法(PSO)对四个核函数的参数进行了优化。实验结果对比表明,采用径向基函数(RBF)的GA-SVR和PSO-SVR可以较准确地预测锂离子电池的剩余使用寿命。

关 键 词：锂离子电池 剩余使用寿命  支持向量回归 核函数 遗传算法 粒子群算法

分 类 号：TM912]