动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方...
详细信息
动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost, bp-adaboost)算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network, LSTM-RNN)算法对比,bp-adaboost算法估计误差更小,平均绝对误差达到0.96%,因此,所提出的方法可以应用于实车电池SOH的高精度估计。
为提升航空装备供应商评价标准的适用性及准确性,提出并设计出一种基于逆向传播(back propagation,bp)神经网络-弱分类器(adaboost)与优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS)的航空...
详细信息
为提升航空装备供应商评价标准的适用性及准确性,提出并设计出一种基于逆向传播(back propagation,bp)神经网络-弱分类器(adaboost)与优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS)的航空装备供应商评价方法。运用因子分析理论对供应商评价指标进行筛选,构建适合航空装备行业特点的供应商评价指标体系。在adaboost算法元框架下,将bp神经网络作为基分类器,设计基于bp-adaboost强分类器供应商分类模型。针对bp-adaboost算法无法精确计算供应商综合得分的不足,设计基于TOPSIS法的供应商评价模型。案例分析结果表明,基于bp-adaboost与TOPSIS法的航空装备供应商评价模型具有更高的评价准确度,对企业完善供应商管理体系提供理论和实践指导。
暂无评论