Estimación del estado de carga de la batería de iones de litio basada en la regresión de vectores de soporte con algoritmo genético bajo múltiples temperaturas
Autores: Chen, Chao; Li, Zhenhua; Wei, Jie
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estimación del estado de carga de la batería de iones de litio basada en la regresión de vectores de soporte con algoritmo genético bajo múltiples temperaturas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Crisis energética
Era post-epidemia
Nueva industria energética
Baterías de iones de litio
Sistema de gestión de baterías
Estado de carga
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
En la crisis energética y la era post-epidémica, la nueva industria energética está prosperando, abarcando vehículos de energía nueva exclusivamente alimentados por baterías de iones de litio. Dentro del sistema de gestión de baterías de estos vehículos de energía nueva, la estimación del estado de carga (SOC) desempeña un papel fundamental. El SOC representa el estado actual de carga de la batería de iones de litio. Este documento propone un algoritmo de estimación conjunto basado en algoritmo genético (GA) que simula propiedades biogenéticas y regresión de vectores de soporte (SVR) para mejorar la precisión de predicción del SOC de la batería de iones de litio. Se propone el algoritmo genético de regresión de vectores de soporte (GASVR) para abordar las limitaciones del SVR tradicional, que carece de orientación sobre la selección de parámetros. El modelo logra una precisión notable. GASVR construye un conjunto de espacios de solución, generando poblaciones iniciales que siguen una distribución normal utilizando un enfoque estocástico. Una función de aptitud calcula el valor de aptitud para cada individuo. Según su aptitud, se emplea el método de la ruleta para generar la población de la próxima generación a través de la selección, el cruce y la mutación. Después de varias iteraciones, se identifican los individuos con los valores de aptitud más altos. Estos individuos principales adquieren información de parámetros, lo que culmina en el entrenamiento del modelo SVR final. El modelo aprovecha técnicas matemáticas avanzadas para abordar los desafíos de predicción de SOC en el espacio de Hilbert, proporcionando justificación teórica para manejar problemas no lineales intrincados. Las pruebas rigurosas del modelo a temperaturas que van desde -20 ºC hasta 25 ºC bajo tres condiciones de trabajo diferentes demuestran su precisión y robustez superiores en comparación con extreme gradient boosting (XGBoost), regresión de bosque aleatorio (RFR), función de núcleo lineal SVR y la función de núcleo radial original SVR. El modelo propuesto en este documento sienta las bases y ofrece un esquema para predecir el SOC dentro del sistema de gestión de baterías de vehículos de energía nueva.
Descripción
En la crisis energética y la era post-epidémica, la nueva industria energética está prosperando, abarcando vehículos de energía nueva exclusivamente alimentados por baterías de iones de litio. Dentro del sistema de gestión de baterías de estos vehículos de energía nueva, la estimación del estado de carga (SOC) desempeña un papel fundamental. El SOC representa el estado actual de carga de la batería de iones de litio. Este documento propone un algoritmo de estimación conjunto basado en algoritmo genético (GA) que simula propiedades biogenéticas y regresión de vectores de soporte (SVR) para mejorar la precisión de predicción del SOC de la batería de iones de litio. Se propone el algoritmo genético de regresión de vectores de soporte (GASVR) para abordar las limitaciones del SVR tradicional, que carece de orientación sobre la selección de parámetros. El modelo logra una precisión notable. GASVR construye un conjunto de espacios de solución, generando poblaciones iniciales que siguen una distribución normal utilizando un enfoque estocástico. Una función de aptitud calcula el valor de aptitud para cada individuo. Según su aptitud, se emplea el método de la ruleta para generar la población de la próxima generación a través de la selección, el cruce y la mutación. Después de varias iteraciones, se identifican los individuos con los valores de aptitud más altos. Estos individuos principales adquieren información de parámetros, lo que culmina en el entrenamiento del modelo SVR final. El modelo aprovecha técnicas matemáticas avanzadas para abordar los desafíos de predicción de SOC en el espacio de Hilbert, proporcionando justificación teórica para manejar problemas no lineales intrincados. Las pruebas rigurosas del modelo a temperaturas que van desde -20 ºC hasta 25 ºC bajo tres condiciones de trabajo diferentes demuestran su precisión y robustez superiores en comparación con extreme gradient boosting (XGBoost), regresión de bosque aleatorio (RFR), función de núcleo lineal SVR y la función de núcleo radial original SVR. El modelo propuesto en este documento sienta las bases y ofrece un esquema para predecir el SOC dentro del sistema de gestión de baterías de vehículos de energía nueva.