کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8954965 1646055 2018 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A hybrid model based on support vector regression and differential evolution for remaining useful lifetime prediction of lithium-ion batteries
ترجمه فارسی عنوان
یک مدل هیبریدی بر اساس رگرسیون بردار پشتیبانی و تکامل دیفرانسیل برای پیش بینی عمر مفید باقی مانده از باتری های لیتیوم یون
کلمات کلیدی
ترجمه چکیده
پیش بینی عمر مفید دیگر نقش مهمی در سیستم مدیریت باتری دارد. روش پیشآگهی همجوشی جهت بهبود عملکرد پیش بینی شده، یک جهت تحقیق اصلی است. ما یک مدل ترکیبی مبتنی بر رگرسیون بردار پشتیبانی و تکامل دیفرانسیل برای پیش بینی عمر باقیمانده باتری لیتیوم یونی ارائه می دهیم، که از آن الگوریتم تکاملی دیفرانسیل برای به دست آوردن پارامترهای کرنل رگرسیون بردار پشتیبانی استفاده می شود. ظرفیت، ولتاژ و جریان در عملیات تخلیه در این مطالعه در نظر گرفته شده است. سه باتری لیتیوم یونی از مرکز تحریم پیش بینی ناس آمسس برای نشان دادن کاربرد استفاده شده است. نتایج نشان می دهد که روش پیشنهادی دقت پیش بینی بهتری نسبت به ده روش منتشر شده دارد. عامل بازسازی تأثیر ناچیزی بر دقت پیش بینی مدل هیبرید پیشنهادی دارد.
موضوعات مرتبط
مهندسی و علوم پایه شیمی الکتروشیمی
چکیده انگلیسی
Remaining useful life prediction plays an important role in battery management system. The fusion prognostics method has become a main research direction for improving the prediction performance. We present a hybrid model based on support vector regression and differential evolution to predict the remaining useful life of Li-ion battery, where differential evolution algorithm is used to obtain the support vector regression kernel parameters. The capacity, voltage, and current on discharge operation are considered in this study. Three Li-ion batteries from NASA Ames Prognostics Center of Excellence are used to illustrate the application. The results show that the proposed method has better prediction accuracy than the ten published methods. Regeneration factor has insignificant influence on the prediction accuracy of the proposed hybrid model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Power Sources - Volume 401, 15 October 2018, Pages 49-54
نویسندگان
, ,