基于ACCA-FCM和SVM-RFE的蓄电池SOH特征选择算法

• 作者: 刘守印 刘微 杨慧婕
• 来源期刊: 计算机与现代化
• 学科: 工学
• 关键词: 特征选择 蚁群聚类算法 模糊C均值聚类算法 SVM-RFE 健康状态
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 算法设计与分析
• 页码范围: 11-18
• 页数: 8页
• 分类号: TP18
• 字数: 7931字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2018.01.003

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘守印	华中师范大学物理科学与技术学院	61	435	9.0	19.0
2	刘微	华中师范大学物理科学与技术学院	2	6	2.0	2.0
3	杨慧婕	华中师范大学物理科学与技术学院	2	6	2.0	2.0