忘川彼岸|基于机器学习的新能源汽车电池状态预测方法( 二 ) 为了降低污染

群体更新，依据步骤3的结果，执行选择-交叉-变异操作产生新的个体。基因算法最终判断，如果50代以后平均权重小于设定的值，执行步骤6 ，否者跳转步骤3 。直接搜索：使用上述步骤产生的初始化值，使用直接搜索算法迭代降低适应性函数的值，直到达到最终条件。
模型拓扑依据上面的分类结果，设计模型拓扑，每一个输入都应该与分类个数相当的结点相连。并且每一个推理规则也与聚类个数一致。
模型的非线性输入和输出结果如下：
实验结果
从结果可以看出， SOC的预测误差控制在3%范围以内。
总结针对电动汽车锂离子电池模块，建立了一种新的基于机器学习的SOC估计器。学习机制包括两个步骤。在第一步，利用遗传-模糊聚类技术，减法聚类和直接搜索算法学习模型的拓扑结构和前参数。随后，采用递归最小二乘法提取后续参数。在第二步中，反向传播学习算法，同时对前向参数和后向参数进行优化。实验验证表明，该模型具有良好的SOC跟踪精度(RMSE仅为1.68%) 。通过与标准学习方法建立的模型的比较，证明了该模型在平均和最坏情况下都具有优越性。
致谢【忘川彼岸|基于机器学习的新能源汽车电池状态预测方法】本文由南京大学软件学院2020级硕士生倪烨翻译转述。