基于特征優(yōu)化與混合核函數(shù)SVM的蓄電池SOH監(jiān)測系統(tǒng).pdf

1、近年來，鉛酸蓄電池作為主要的儲能設(shè)備，其使用范圍由航空航海、交通運輸、軍事通信、電力系統(tǒng)等逐漸進入人們生活中的方方面面。因此，蓄電池的健康狀態(tài)(State Of Healthy，即SOH)受到越來越多的關(guān)注。但由于鉛酸蓄電池老化程度受諸多因素影響，且蓄電池老化實驗受完全充放電時間和樣本數(shù)量限制，使得基于小樣本的具有代表性的特征集的選擇在蓄電池SOH預(yù)測中顯得尤為重要。因此基于對蓄電池放電特性的分析，提出了基于無監(jiān)督的ACCA-FCM(A

2、nt Colony ClusteringAlgorithm-Fuzzy C-Means Algorithm)和有監(jiān)督的SVM-RFE(Support Vector Machine-Recursive Feature Elimination)相結(jié)合的蓄電池SOH特征選擇算法。該算法利用改進的蟻群算法(Ant Colony Clustering Algorithm，即ACCA)從全局特征集中選取有效的特征值聚類中心，克服模糊C均值聚類算法(

3、Fuzzy C-Means Algorithm，即FCM)聚類中心敏感和局部最優(yōu)問題，并根據(jù)特征之間相關(guān)性排除冗余特征，再通過SVM-RFE特征排序算法剔除非關(guān)鍵干擾（低預(yù)測性）特征，最終得到最優(yōu)特征子集，且在保證精度的前提下，避開了完全放電過程。
　　利用放電初期特征構(gòu)成的最優(yōu)特征子集訓(xùn)練基于支持向量機(Support VectorMachine，即SVM)的蓄電池SOH預(yù)測模型，為提高SOH預(yù)測準(zhǔn)確度，對SVM的核函數(shù)進行了優(yōu)

4、化。將分類能力較強的徑向基（Radial Basis Function，即RBF）局部核函數(shù)與典型全局核函數(shù)多項式核函數(shù)相結(jié)合，使得混合核函數(shù)SVM模型兼顧分類能力和泛化能力。并引入網(wǎng)格搜索算法，基于十折交叉驗證對混合核函數(shù)SVM模型參數(shù)進行優(yōu)化，找到使模型分類準(zhǔn)確率最高的全局最優(yōu)參數(shù)，得到基于混合核函數(shù)SVM的鉛酸蓄電池SOH預(yù)測模型。
　　最后在蓄電池?zé)o線監(jiān)測平臺實時獲取底層硬件平臺發(fā)送的電壓、溫度、電流等數(shù)據(jù)信息，在Andr

5、oid端實現(xiàn)動態(tài)顯示以及過充、過放、高溫、老化等故障預(yù)警，并與服務(wù)器上MySQL數(shù)據(jù)庫進行數(shù)據(jù)轉(zhuǎn)存?；贛atlab與MySQL數(shù)據(jù)庫的JDBC（Java Data Base Connectivity）連接，實現(xiàn)蓄電池放電數(shù)據(jù)的讀取，在Matlab上完成算法分析及混合核函數(shù)SVM預(yù)測模型的訓(xùn)練，并將最優(yōu)特征子集和SOH的預(yù)測結(jié)果回存到MySQL數(shù)據(jù)庫。最終實現(xiàn)整套功能完善、預(yù)測準(zhǔn)確的蓄電池SOH監(jiān)測系統(tǒng)，為蓄電池健康狀態(tài)提供可靠依據(jù)和準(zhǔn)

6、確監(jiān)測。
　　本論文主要工作如下:
　　(1)改進的ACCA-FCM和SVM-RFE聯(lián)合特征選擇算法，實現(xiàn)有監(jiān)督聚類算法與無監(jiān)督特征選擇算法的優(yōu)勢互補，完成了蓄電池放電過程的最優(yōu)特征子集選擇;
　　(2)對混合核函數(shù)SVM的參數(shù)進行了優(yōu)化，實現(xiàn)了RBF核函數(shù)與多項式核函數(shù)的線性結(jié)合，形成混合核函數(shù)，并利用網(wǎng)格搜索算法對混合核函數(shù)SVM模型進行參數(shù)優(yōu)化;
　　(3)搭建了Matlab模擬測試平臺，對提出的基于特征優(yōu)