基于模糊C均值改进算法和ANFIS的蓄电池SOC预测

蓄电池剩余电量预测作为蓄电池智能管理系统的核心部分,为合理控制蓄电池的充放电情况、延长蓄电池的使用寿命提供了判据。然而蓄电池剩余电量的影响因素复杂、预测难度较大。针对这一挑战性课题,提出一种基于改进的模糊C均值聚类和自适应模糊神经推理系统(ANFIS)的预测算法,采用减法聚类和加权模糊C均值聚类生成初始模糊推理系统,通过梯度下降法和最小二乘法混合算法对自适应模糊神经网络中的前件参数和后件参数进行训练,建立非线性预测模型。仿真结果表明,改进的聚类算法解决了传统模糊C均值聚类稳定性差以及对噪声点、错误点敏感的缺点,加快了收敛速度,在此基础上建立的蓄电池剩余电量预测模型也具有较高的预测精度。     

基于ACCA-FCM和SVM-RFE的蓄电池SOH特征选择算法

由于铅酸蓄电池老化程度受诸多因素影响,且蓄电池老化实验受完全充放电时间和样本数量限制,使得基于小样本的具有代表性的特征集的选择在蓄电池健康状态（SOH）预测中显得尤为重要。因此在对蓄电池进行特性分析的基础上,提出基于无监督的ACCA-FCM和有监督的SVM-RFE相结合的蓄电池SOH特征选择算法。该算法利用改进的蚁群聚类算法（ACCA）从全局特征集中选取有效的特征值聚类中心,克服模糊C均值聚类算法（FCM）聚类中心敏感和局部最优问题,并根据特征之间相关性排除冗余特征;再通过SVM-RFE特征排序算法剔除非关键干扰（低预测性）特征,最终得到与待测结果最大相关最小冗余的低维特征子集,且在保证精度的前提下,避开了完全放电过程。经基于支持向量机（SVM）的蓄电池SOH预测模型验证,放电初期特征构成的最优特征子集可准确预测铅酸蓄电池的健康状态。