جبران خطای تقریب در رگرسیون بردار پشتیبان با استفاده از مدل نیمه‌پارامتری: کاربرد در تخمین وضعیت شارژ باتری لیتیوم-یون

تخمین دقیق وضعیت شارژ برای مدیریت بهینه انرژی در وسایل نقلیه الکتریکی و حفاظت از باتری در برابر تخلیه عمیق یا شارژ بیش از حد ضروری است. امروزه، روش‌های مختلف هوش مصنوعی به طور گسترده‌ای برای حل این مسئله توسعه یافته و به کار گرفته شده‌اند. در این مقاله، رگرسیون بردار پشتیبان و مدل‌های نیمه‌پارامتری با هم ترکیب شده‌اند تا دقت تخمین بهبود یابد. انگیزه این ایده از شباهت ابرصفحه بهینه رگرسیون بردار پشتیبان و معادله استفاده‌شده در مدل‌های رگرسیون پارامتری نشات می‌گیرد. با این حال، برای داشتن مدلی منعطف‌تر و دقیق‌تر، از مدل نیمه‌پارامتری استفاده شده است. در واقع، مدل نیمه‌پارامتری نقش جبران خطای تقریب رگرسیون بردار پشتیبان را ایفا می‌کند. برای اعتبارسنجی روش پیشنهادی، پروفایل‌های مختلف جریان مورد استفاده قرار گرفته‌اند. مقایسه رگرسیون بردار پشتیبان، شبکه عصبی با تابع پایه شعاعی، شبکه عصبی پرسپترون چندلایه با روش پیشنهادی نشان می‌دهد که روش پیشنهادی در تخمین وضعیت شارژ دقت بالاتری دارد. علاوه بر این، روش پیشنهادی در پیاده‌سازی‌های واقعی دقت بالا و همگرایی سریعی نشان می‌دهد. نتایج حاصل از برنامه رانندگی دینامومتر شهری برتری روش پیشنهادی را در شرایط عملیاتی واقعی نشان می‌دهد

compensation of the approximation error of support vector regression using semi-parametric model: application to lithium-ion battery state of charge estimation

an accurate estimation of the state of charge (soc) is necessary for optimal management of the energy in electric vehicles (ev) and protection of the battery from going to the deep discharge or overcharge conditions. nowadays،many different artificial intelligence methods have been broadly developed and applied to this problem. in this paper،support vector regression (svr) and semi-parametric models are combined to improve the accuracy of estimation. the motivation of this idea stems from the similarity of the optimal hyper-plain of svr and the equation used in parametric regression models. however،to have a more flexible and accurate model،semi-parametric model is used. in fact،semi-parametric model plays the role of compensation for the approximation error of the svr. for validation of the proposed method،various profiles of currents are used. comparison of svr،radial basis function (rbf) neural network،multilayer perceptron (mlp) neural network with the proposed method،shows that the proposed method is more accurate in soc estimation. in addition،the proposed method shows high accuracy and fast convergence in real-world implementations. the results based on urban dynamometer driving schedule (udds) shows the superiority of the proposed approach under realistic operating conditions