Статья, предлагающая гибридную структуру, основанную на данных, учитывающую извлечение признаков для оценки состояния батареи и прогнозирования оставшегося срока службы, была опубликована в журнале Green Energy and Intelligent Transportation.
VMD используется для полностью нерекурсивного модального изменения при работе с сигналами. Оптимальное решение вариационной задачи в конечном итоге получается с помощью эффективной компоненты разложения заданного сигнала. Путем итерации алгоритм VMD может разложить сигналы на некоторые внутренние функции режима (IMF) и соответствующее остаточное значение, содержащее несколько различных частотных шкал.
Алгоритм SVM, основанный на статистической теории обучения, был предложен Вапником и в основном используется для распознавания и классификации образов. Основываясь на теории размерности VC, SVM получает глобальное оптимальное решение. Для уменьшения размерности параметра процесс оптимизации упрощается за счет введения функции ядра. При использовании в качестве инструмента регрессии SVM реализует вариант алгоритма под названием SVR.
Алгоритм SSA — это новый тип алгоритма оптимизации роевого интеллекта, его базовая структура аналогична алгоритму ABC, за исключением оператора поиска. В этой статье он используется для оптимизации штрафной константы C и параметра функции ядра σ для реализации точного прогнозирования модели MKSVM.
Метод элитного хаотического оппозиционного обучения используется для создания начальной популяции с целью повышения ее качества и разнообразия. Отбирая элитных индивидуумов в большем масштабе, алгоритм может улучшить способность к локальному побегу и производительность конвергенции, а затем привести к более точному решению. В этой статье карта хаотической перекошенной палатки выбрана для создания начальной популяции, чтобы повысить стабильность исходных особей из-за ее хаотических характеристик случайности и эргодичности.
Поскольку вес обновления велик и не сильно меняется во время итерации, он может не достичь глобального оптимума. Адаптивные веса вводятся для повышения производительности алгоритма SSA для поиска глобального оптимума.
В этом исследовании исследователи представляют гибридную структуру, учитывающую извлечение признаков для повышения производительности оценки SOH батареи и прогнозирования RUL. Гибридная структура сочетает в себе VMD, улучшенный алгоритм поиска воробья (ISSA) и модель многоядерной регрессии опорных векторов (MKSVR). Вклады суммируются. Сначала получают восемь признаков, которые необходимо ввести в модель прогнозирования жизни путем извлечения признаков.
Во-вторых, метод VMD применяется для разложения исходных данных, чтобы сделать данные о емкости более стабильными. Затем применяется элитная хаотическая стратегия обучения оппозиции и адаптивные веса для оптимизации традиционного алгоритма поиска воробья (SSA) для получения более точных параметров модели прогнозирования. Наконец, MKSVR используется для решения проблемы низкой точности прогнозирования, вызванной большой выборкой данных и неравномерным распределением многомерного пространства признаков.
Для экспериментальной проверки используются наборы данных Национального управления по аэронавтике и исследованию космического пространства. Прогнозы RUL с различными начальными точками выполняются для проверки стабильности структуры VMD-ISSA-MKSVR. По сравнению с IPSO-SVR, ISSA-SVR, BL-ELM и VMD-ISSA-SVR можно убедиться, что ошибки оценки SOH и прогнозирования RUL, полученные с помощью структуры VMD-ISSA-MKSVR, являются наименьшими. Он имеет относительно высокую точность и стабильность прогноза.
