جبران خطای تقریب در رگرسیون بردار پشتیبان با استفاده از مدل نیمه پارامتری: کاربرد در تخمین وضعیت شارژ باتری لیتیوم-یون

تخمین دقیق وضعیت شارژ برای مدیریت بهینه انرژی در وسایل نقلیه الکتریکی و حفاظت از باتری در برابر تخلیه عمیق یا شارژ بیش از حد ضروری است. امروزه، روش های مختلف هوش مصنوعی به طور گسترده ای برای حل این مسئله توسعه یافته و به کار گرفته شده اند. در این مقاله، رگرسیون بردار پشتیبان و مدل های نیمه پارامتری با هم ترکیب شده اند تا دقت تخمین بهبود یابد. انگیزه این ایده از شباهت ابرصفحه بهینه رگرسیون بردار پشتیبان و معادله استفاده شده در مدل های رگرسیون پارامتری نشات می گیرد. با این حال، برای داشتن مدلی منعطف تر و دقیق تر، از مدل نیمه پارامتری استفاده شده است. در واقع، مدل نیمه پارامتری نقش جبران خطای تقریب رگرسیون بردار پشتیبان را ایفا می کند. برای اعتبارسنجی روش پیشنهادی، پروفایل های مختلف جریان مورد استفاده قرار گرفته اند. مقایسه رگرسیون بردار پشتیبان، شبکه عصبی با تابع پایه شعاعی، شبکه عصبی پرسپترون چندلایه با روش پیشنهادی نشان می دهد که روش پیشنهادی در تخمین وضعیت شارژ دقت بالاتری دارد. علاوه بر این، روش پیشنهادی در پیاده سازی های واقعی دقت بالا و همگرایی سریعی نشان می دهد. نتایج حاصل از برنامه رانندگی دینامومتر شهری برتری روش پیشنهادی را در شرایط عملیاتی واقعی نشان می دهد

کلیدواژه ها:

باتری لیتیوم_یون ، تخمین وضعیت شارژ ، رگرسیون بردار پشتیبان ، مدل نیمه پارامتری