摘要: 針對鋰離子電池荷電狀態（Stage of charge，SOC）在線估計精度不高，等效電路模型法估計精度與模型復雜度相矛盾的問題，本文對擴展卡爾曼濾波算法進行了改進，并以電池工作電壓、電流為輸入，對應等效電路模型法的SOC估計誤差為輸出，采用極限學習機算法，建立基于輸入輸出數據的SOC估計誤差預測模型，采用物理–數據融合方法，基于誤差預測模型，建立了等效電路模型法結合極限學習機的鋰離子電池SOC在線估計模型。仿真結果表明，改進擴展卡爾曼濾波算法提高了算法的估計精度，而物理–數據融合的鋰離子電池SOC在線估計模型減小了由電壓、電流測量所引入的估計誤差，克服了等效電路模型法估計精度與模型復雜度之間相矛盾的問題，進一步提高了SOC的估計精度，滿足估計誤差不超過5%的應用需求。
摘要: 針對經典K–means算法對不均衡數據進行聚類時產生的“均勻效應”問題，提出一種基于近鄰的不均衡數據聚類算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先對數據對象進行初始聚類，通過定義的類別待定集來確定初始聚類結果中類別歸屬有待進一步核定的數據對象集合；并給出一種類別待定集的動態調整機制，利用近鄰思想實現此集合中數據對象所屬類別的重新劃分，按照從集合邊緣到中心的順序將類別待定集中的數據對象依次歸入其最近鄰居所在的類別中，得到最終的聚類結果，以避免“均勻效應”對聚類結果的影響。將該算法與K–means、多中心的非平衡K_均值聚類方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均勻數據的變異系數聚類算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工數據集和真實數據集上分別進行實驗對比，結果表明CABON算法能夠有效消減K–means算法對不均衡數據聚類時所產生的“均勻效應”，聚類效果明顯優于K–means、MC_IK和CVCN算法。
Email alert
RSS
[摘要]
[HTML全文]
[PDF 833KB]
