期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于短期充电数据和增强鲸鱼优化算法的锂离子电池容量预测 被引量：1
1
作者 陈峥 彭月 +3 位作者 胡竞元 申江卫 肖仁鑫 夏雪磊 《储能科学与技术》 北大核心 2025年第1期319-330,共12页
为解决采用数据驱动的方法对锂离子电池容量进行预测时,难以获取完整充电数据、数据采样精度低和特征因子提取质量不佳等问题,本工作提出了一种基于短期充电数据和增强鲸鱼优化算法的锂离子电池容量预测方法。首先,为提升数据精度,利用... 为解决采用数据驱动的方法对锂离子电池容量进行预测时,难以获取完整充电数据、数据采样精度低和特征因子提取质量不佳等问题,本工作提出了一种基于短期充电数据和增强鲸鱼优化算法的锂离子电池容量预测方法。首先,为提升数据精度,利用三次样条插值对充电数据进行补充。其次,通过挖掘充电电压曲线与容量衰退之间的规律,确定特征因子为某充电时间区间的电压增量,并利用增强鲸鱼算法,从短期充电数据中实现了老化特征的有效提取。随后,构建了高斯过程回归容量预测模型,在确定训练数据量后,对比了不同算法的预测结果,验证了所构建模型的有效性。最后,将该方法在不同电池上进行测试,验证了预测精度和泛化能力。结果表明:对于实验室数据集,将前15%老化特征作为训练集时,可将该类电池最大误差控制在2.49%以内,且97%的预测误差控制在1.5%内;对于公开数据集,仅12组训练数据就能将该类电池最大误差控制在1%以内,实现了利用低精度和短期充电数据对电池容量的准确预测。 展开更多
关键词 锂离子电池 短期充电数据 容量预测 增强鲸鱼优化算法 高斯过程回归
在线阅读 下载PDF
基于增强型鲸鱼优化算法CNN-BiGRU-AT模型的燃料电池衰退预测
2
作者 全睿 程功 +2 位作者 周宇龙 章国光 全琎 《电工技术学报》 北大核心 2025年第19期6342-6358,共17页
为了进一步提高传统深度学习方法预测燃料电池剩余使用寿命(RUL)的精度,该文提出了一种综合卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(AT)的混合模型。利用奇异谱分析对燃料电池衰减数据进行预处理、消除噪声并获取有效... 为了进一步提高传统深度学习方法预测燃料电池剩余使用寿命(RUL)的精度,该文提出了一种综合卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(AT)的混合模型。利用奇异谱分析对燃料电池衰减数据进行预处理、消除噪声并获取有效信息,CNN-BiGRU提取其时空特征、历史和未来信息,AT进一步探索时空相关性,并采用增强型鲸鱼优化算法(EWOA)对模型超参数进行优化。结果表明,与长短期记忆(LSTM)网络、CNN、GRU、CNN-GRU、CNN-BiGRU、BiGRU-AT、CNN-BiGRU-AT和其他算法优化的CNN-BiGRU-AT相比,在40%训练数据下,EWOA优化的CNN-BiGRU-AT模型其方均根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和相对误差(RE)均最小,最小值分别为0.2021%、0.1278%、0.033%和0.027%。此外,该模型在缺失数据达60%的情况下仍能保持较强的鲁棒性,其最小RMSE、MAE、MAPE和RE分别为0.3879%、0.2559%、0.0811%和0.32%,具有较好的燃料电池剩余使用寿命预测性能。 展开更多
关键词 燃料电池 剩余使用寿命 双向门控循环单元 注意力机制 增强型鲸鱼优化算法
在线阅读 下载PDF
基于EWOA-LSSVR的机器人磨抛接触力预测模型
3
作者 张诗涵 魏锦辉 +3 位作者 王阳 朱光 李论 刘殿海 《金刚石与磨料磨具工程》 北大核心 2025年第4期551-560,共10页
为确定航空发动机叶片机器人磨抛过程中材料去除深度与工艺参数之间的关系,获得加工所需的工艺参数,实现叶片表面材料的定点定量去除,建立叶片机器人磨抛加工系统,将各工艺参数考虑在内进行多组正交实验;利用实验数据建立基于最小二乘... 为确定航空发动机叶片机器人磨抛过程中材料去除深度与工艺参数之间的关系,获得加工所需的工艺参数,实现叶片表面材料的定点定量去除,建立叶片机器人磨抛加工系统,将各工艺参数考虑在内进行多组正交实验;利用实验数据建立基于最小二乘支持向量回归机(least squares support vector regression,LSSVR)模型,利用增强型鲸鱼优化算法(enhanced whale optimization algorithm,EWOA)提高算法精度、寻优能力和避免陷入局部最优并对LSSVR的超参数进行优化;对比标准鲸鱼优化算法(whale optimization algorithm,WOA)和粒子群优化(particle swarm optimization,PSO)算法预测模型的结果,并利用模型预测的工艺参数进行实验验证。结果表明:EWOA-LSSVR预测模型的决定系数R为96.031%,平均绝对误差RMAE为0.012128 mm,相较于WOA-LSSVR和PSO-LSSVR模型具有更好的拟合度;且验证实验结果证明EWOA-LSSVR预测模型具有较好的预测准确性,并可为叶片表面材料的定点定量去除提供可靠依据。 展开更多
关键词 机器人砂带磨抛 工艺参数 机器学习 最小二乘支持向量回归机 增强型鲸鱼优化算法
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部