Un cadre hybride basé sur les données prenant en compte l'extraction de fonctionnalités pour l'estimation de l'état de santé de la batterie et la prédiction de sa durée de vie.
Un article proposant un cadre hybride basé sur les données prenant en compte l'extraction de caractéristiques pour l'estimation de l'état de santé de la batterie et la prédiction de la durée de vie utile restante a été publié dans Énergie verte et transports intelligents.
VMD est utilisé pour une variation modale totalement non récursive afin de traiter les signaux. La solution optimale du problème variationnel est finalement obtenue par la composante de décomposition efficace du signal donné. Par itération, l'algorithme VMD peut décomposer les signaux en certaines fonctions de mode intrinsèques (IMF) et une valeur résiduelle pertinente contenant plusieurs échelles de fréquence différentes.
L'algorithme SVM basé sur la théorie de l'apprentissage statistique a été proposé par Vapnik, principalement utilisé pour la reconnaissance et la classification de formes. Sur la base de la théorie des dimensions VC, SVM obtient la solution optimale globale. Pour réduire la dimension des paramètres, le processus d'optimisation est simplifié en introduisant la fonction noyau. Lorsqu'il est utilisé comme outil de régression, SVM implémente une variante de l'algorithme appelée SVR.
L'algorithme SSA est un nouveau type d'algorithme d'optimisation de l'intelligence en essaim, et sa structure de base est similaire à l'algorithme ABC, à l'exception de l'opérateur de recherche. Dans cet article, il est utilisé pour optimiser la constante de pénalité C et le paramètre de fonction noyau σ afin de réaliser une prédiction précise du modèle MKSVM.
La méthode d’apprentissage par opposition chaotique d’élite est adoptée pour générer une population initiale afin d’améliorer sa qualité et sa diversité. En sélectionnant des individus d’élite à plus grande échelle, l’algorithme peut améliorer la capacité d’évasion locale et les performances de convergence, puis conduire à une solution plus précise. Dans cet article, la carte de tente asymétrique chaotique est choisie pour générer la population initiale afin d'améliorer la stabilité des individus initiaux en raison de ses caractéristiques de caractère aléatoire et d'ergodicité.
Étant donné que le poids de la mise à jour est important et n’a pas beaucoup changé au cours de l’itération, il peut manquer l’optimum global. Des poids adaptatifs sont introduits pour améliorer les performances de l'algorithme SSA afin de trouver l'optimum global.
Dans cette étude, les chercheurs présentent un cadre hybride prenant en compte l’extraction de caractéristiques pour de meilleures performances d’estimation du SOH de la batterie et de prédiction RUL. Le cadre hybride combine VMD, un algorithme de recherche Sparrow amélioré (ISSA) et un modèle de régression vectorielle de support multi-noyaux (MKSVR). Les contributions sont résumées. Premièrement, huit caractéristiques sont obtenues pour être introduites dans le modèle de prédiction de la vie par extraction de caractéristiques.
Deuxièmement, la méthode VMD est appliquée pour décomposer les données d'origine afin de rendre les données de capacité plus stables. Ensuite, une stratégie d’apprentissage par opposition chaotique d’élite et des poids adaptatifs sont adoptés pour optimiser l’algorithme de recherche de moineau (SSA) traditionnel afin d’obtenir des paramètres plus précis du modèle de prédiction. Enfin, MKSVR est utilisé pour résoudre le problème de faible précision de prédiction causé par de grands échantillons de données et une distribution inégale de l'espace de fonctionnalités de grande dimension.
Les ensembles de données de la National Aeronautics and Space Administration sont appliqués à des fins de vérification expérimentale. Les prédictions RUL avec différents points de départ sont effectuées pour vérifier la stabilité du cadre VMD-ISSA-MKSVR. Par comparaison avec IPSO-SVR, ISSA-SVR, BL-ELM et VMD-ISSA-SVR, il peut être vérifié que les erreurs d'estimation SOH et de prédiction RUL obtenues par le cadre VMD-ISSA-MKSVR sont les plus petites. Il a une précision et une stabilité de prédiction relativement élevées.
Fourni par l'énergie verte et le transport intelligent
